地震反演中的非线性优化方法及应用研究
|
摘要
地震反演是地震勘探的根本问题。由于大部分地球物理反演属于多极值的目标函
数优化，使得基于线性或拟线性理论的反演方法往往导致反演结果陷入局部最优，造
成反演结果的不可靠。本文结合前沿交叉学科的一些最新研究成果，研究提出了基于
非线性优化理论的地震反演方法，并用于解决当前油气勘探开发中亟待解决而又未解
决好的难题。该项研究不仅具有较高的学术价值，而且具有广阔的应用前景。
本文的主要研究内容和取得的成果有：①通过深入分析和研究优化问题中的遗
传算法和模拟退火法各自的优劣势，提出了两种算法相互渗透、相互配合的退火遗传
算法，从而改善了非线性全局寻优方法的搜索性能，提高了其在地球物理参数反演中
的运算效率和反演精度。②针对神经网络结构设计不灵活、权值获取规则单一、易
陷入局部最优、推广预测能力差等不足，提出了一种用遗传演化策略训练神经网络的
方法，实现了网络连接权、阈值、网络最佳结构的自适应演化。③对地球物理反演
中难度较大的剩余静校正量估计进行了深入研究，提出了混合优化自动剩余静校正方
法，并在两个地区的实际资料处理中取得了较好的应用效果。④针对地震储层预测
中存在的问题，提出了储层非线性反演与预测的方法技术，并成功应用于白云查干凹
陷达尔其构造的三维地震反演和储层预测，为该区控制储量申报和有利目标区选择提
供了准确的依据。⑤首次提出了一种井底以下地层压力随钻预测的新方法。该方法
引用储层横向预测的基本思路，将测井与地震相结合，通过建立地震属性与测井声波
之间的神经网络非线性映射模型，进而反推井底以下声波曲线并预测地层压力。该项
技术为莺琼盆地DF1-1-11高温高压井的顺利钻进提供安全保障、降低钻井成本作出
了重要的贡献。
Seismic inversion plays a key role in geophysical prospecting. As most of geophysical
inversions appear as objective function optimization with multi-extreme, which makes the
conventional inversion methods based on linear or quasi-linear theory cause the solution to
be optimized locally and unreliable. In this paper, the author presents a series of new
methods for seismic inversion based on nonlinear optimization theory by making use of
some latest research results of cross-subjects in leading edge, which are used to resolve the
difficulties in petroleum exploration and development. This study has considerable
academic value as well as wide prospects.
In this paper, the main research works and the achievement obtained include the
following contents: ?presents a hybrid optimization method combining genetic algorithm
with simulated annealing by deeply analyzing and studying their advantage and
disadvantage individually. The hybrid algorithm improved the searching performance in
nonlinear global optimization, calculation efficiency and inversion accuracy in geophysical
parameters inversion. ?To improve the low performance of existing network learning
such as inflexibility of Topological structure designed ,simple regulation for weights
obtained , being easy to be lost in local optimal solution and prediction with low
performance, this paper presents a new way to train the neural network with genetic
evolutionary strategy so as to make the linking weight, threshold , optimal structure
adaptively evolve. ?By deeply study residual statics correction thought to be difficult in
geophysics inversion, this paper presents a new approach to automatic residual statics
using hybrid optimization, which brought satisfactory result when applied to real data of
two areas ?To overcome the problem of existing reservoir prediction using seismic data,
we developed the technology for nonlinear inversion and prediction of reservoir, which is
successfully used in 3D seismic inversion and reservoir prediction for Darqi structure in
Baiyunchagan depression and gives an accurate approach of submitting controlled reserves
and selecting favorable targets for this area .?The first to present a new method for
predicting formation pressure. ahead of bit. The method adopts the basic thought of lateral
prediction of reservoir, combine logging and seismic data, builds the nonlinear mapping
model of neural network between seismic attributes and sonic logging and then extrapolates
sonic curves then predicts formation pressure ahead of bit. Great contribution has been done
~2
with this technique to successful drilling with safe warrant and low drilling cost for high
temperature and pressure well DF 1-1-11 in Yingqiong basin.
数优化，使得基于线性或拟线性理论的反演方法往往导致反演结果陷入局部最优，造
成反演结果的不可靠。本文结合前沿交叉学科的一些最新研究成果，研究提出了基于
非线性优化理论的地震反演方法，并用于解决当前油气勘探开发中亟待解决而又未解
决好的难题。该项研究不仅具有较高的学术价值，而且具有广阔的应用前景。
本文的主要研究内容和取得的成果有：①通过深入分析和研究优化问题中的遗
传算法和模拟退火法各自的优劣势，提出了两种算法相互渗透、相互配合的退火遗传
算法，从而改善了非线性全局寻优方法的搜索性能，提高了其在地球物理参数反演中
的运算效率和反演精度。②针对神经网络结构设计不灵活、权值获取规则单一、易
陷入局部最优、推广预测能力差等不足，提出了一种用遗传演化策略训练神经网络的
方法，实现了网络连接权、阈值、网络最佳结构的自适应演化。③对地球物理反演
中难度较大的剩余静校正量估计进行了深入研究，提出了混合优化自动剩余静校正方
法，并在两个地区的实际资料处理中取得了较好的应用效果。④针对地震储层预测
中存在的问题，提出了储层非线性反演与预测的方法技术，并成功应用于白云查干凹
陷达尔其构造的三维地震反演和储层预测，为该区控制储量申报和有利目标区选择提
供了准确的依据。⑤首次提出了一种井底以下地层压力随钻预测的新方法。该方法
引用储层横向预测的基本思路，将测井与地震相结合，通过建立地震属性与测井声波
之间的神经网络非线性映射模型，进而反推井底以下声波曲线并预测地层压力。该项
技术为莺琼盆地DF1-1-11高温高压井的顺利钻进提供安全保障、降低钻井成本作出
了重要的贡献。
Seismic inversion plays a key role in geophysical prospecting. As most of geophysical
inversions appear as objective function optimization with multi-extreme, which makes the
conventional inversion methods based on linear or quasi-linear theory cause the solution to
be optimized locally and unreliable. In this paper, the author presents a series of new
methods for seismic inversion based on nonlinear optimization theory by making use of
some latest research results of cross-subjects in leading edge, which are used to resolve the
difficulties in petroleum exploration and development. This study has considerable
academic value as well as wide prospects.
In this paper, the main research works and the achievement obtained include the
following contents: ?presents a hybrid optimization method combining genetic algorithm
with simulated annealing by deeply analyzing and studying their advantage and
disadvantage individually. The hybrid algorithm improved the searching performance in
nonlinear global optimization, calculation efficiency and inversion accuracy in geophysical
parameters inversion. ?To improve the low performance of existing network learning
such as inflexibility of Topological structure designed ,simple regulation for weights
obtained , being easy to be lost in local optimal solution and prediction with low
performance, this paper presents a new way to train the neural network with genetic
evolutionary strategy so as to make the linking weight, threshold , optimal structure
adaptively evolve. ?By deeply study residual statics correction thought to be difficult in
geophysics inversion, this paper presents a new approach to automatic residual statics
using hybrid optimization, which brought satisfactory result when applied to real data of
two areas ?To overcome the problem of existing reservoir prediction using seismic data,
we developed the technology for nonlinear inversion and prediction of reservoir, which is
successfully used in 3D seismic inversion and reservoir prediction for Darqi structure in
Baiyunchagan depression and gives an accurate approach of submitting controlled reserves
and selecting favorable targets for this area .?The first to present a new method for
predicting formation pressure. ahead of bit. The method adopts the basic thought of lateral
prediction of reservoir, combine logging and seismic data, builds the nonlinear mapping
model of neural network between seismic attributes and sonic logging and then extrapolates
sonic curves then predicts formation pressure ahead of bit. Great contribution has been done
~2
with this technique to successful drilling with safe warrant and low drilling cost for high
temperature and pressure well DF 1-1-11 in Yingqiong basin.
引文
[1]肖慈珣，娄建立，谭世君．神经网络技术用于测井解释的评述．测井技术，1999，23(5)：389～392
[2]肖慈珣．测井地质学在油气勘探中的应用(译文集)．北京：石油工业出版社，1991
[3]贺振华，黄德济等．复杂油气藏地震波场特征方法理论与应用．成都：四川科学技术出版社，1999
[4]贺振华等．反射地震资料偏移处理与反演方法．重庆：重庆大学出版社，1989
[5]李正文．地震数据多参数约束反演及应用．石油地球物理勘探，1994，29(5)：581～587
[6]李正文．高分辨率地震勘探．成都：成都科技大学出版社，1993
[7]滕吉文，张中杰．弹性介质各向异性研究沿革、现状与问题．地球物理学进展，1992，7(4)
[8]陈均，钱泉，唐权钧．用模拟退火算法作叠后层速度计算．石油物探，1994，31(2)：11～20
[9]彭大钧．含油气盆地异常高压带．北京：石油工业出版社，1994
[10]唐建侯，张金山．高效模拟退火剩余静校正．石油地球物理勘探，1994，29(3)：382～387
[11]王宝珍，杨文采．用改进的遗传算法进行波阻抗反演研究．石油地球物理勘探，1998，33(2)：258～264
[12]王山山，李青仁，管叶君。约束模拟退火反演．石油地球物理勘探，1995，30(1)：27～35
[13]任义庆，徐仲达，马在田．应用模拟退火法反演横波速度．石油地球物理勘探，1996，31(5)：677～684
[14]庄成三，王培强，肖姹莉等．储层模式识别技术．石油地球物理勘探，1994，29(5)：630～636
[15]王雪梅，王义和．模拟退火与遗传算法的结合．计算机学报，1997，20(4)：381～384
[16]杨若黎，顾基发．一种高效的模拟退火全局优化算法．系统工程理论与实践，1997，7，29～33
[17]孟宪军，杜世桶．地震资料的测井约束多项式拟合外推反演．石油地球物理勘探，1995，30(3)
[18]何樵登，梁光河．利用地震资料和测井约束反演地层参数——一种测井数据的地震外推方法．石油物探，1995，34(2)：1～7
[19]张宏彬，何樵登．宽带约束反演．石油物探，1995，34(1)：1～10
[20]李录明，罗省贤，多波多分量地震勘探原理及数据处理方法，成都：成都科技大学出版社，1997
[21]李正文，李琼，唐建明．油气储集层线性与非线性联合预测方法技术及应用．石油物探，2000，39(2)：15～23
[22]胡光岷，贺振华，黄德济。广义非线性反演及其应用．石油物探，2000，39(2)：44～51
[23]马劲风，王学军等．波阻抗约束反演中的约束方法研究．石油物探，2000，39(2)：52～63
[24]杨旭明，陈均，唐权钧．地震资料分步最优化反演方法．石油地球物理勘探，1994，29(5)：558～400
[25]戈盾．地层压力的地震预测．石油地震地质．1992，4(1)：70～82
[26]乐小陶．现行地震法油气预测技术应用条件探讨．石抽地球物理勘探，1996，31(4)：597～601
[27]聂勋碧，钱宗良．地震勘探原理和野外工作方法．北京：地质出版社，1990
[28]李松银，郑君里．前向多层神经网络模糊自适应算法．电子学报，1995，23(2)
[29]廖晓峰，刘光远，虞厥邦．基于几种误差准则的稳健BP算法．信号处理，1997，13(3)
[30]向国权，董道珍．BP模型中的激励函数和改进的网络训练法．计算机研究与发展，1997，34(2)
[31]赵志超，罗运先．实用地层岩性地震技术．成都：成都科技大学出版社，1995
[32]彭真明，韩燕君。遗传算法及其在剩余静校正中的应用．断块油气田，1998，V5(1)：5～8
[33]彭真明，肖慈珣等．改进的F-X域预测滤波及其应用．物探化探计算技术，1999，第二期
[34]彭真明，肖慈珣等．地震多参数地层压力预测．中国地球物理学会年刊，合肥：安徽科学技术出版社，1999年
[35]彭真明，肖慈珣等．地震、测井联合预测地层压力的方法研究．石油地球物理勘探，2000，35(2)：170～174
[36]彭真明，肖慈珣等．利用地震非线性参数重建声波测井曲线．石油物探，2000，39(2)：72～76
[37]彭真明，刘克文等．地震记录的非线性特征分析，中国地球物理学会年刊，武汉；中国地质大学出版社，2000年
[38]彭真明，竺知新等．基于演化神经网络学习的储层参数预测方法．中国地球物理学会年刊．武汉：中国地质大学出版社，2000年
[39]彭真明，安鸿伟等．演化神经网络学习方法及其应用．石油地球物理勘探，2001，36(2)
[40]肖慈珣，彭真明等．预测井底以下地层压力的新方法．石油学报，2001，22(1)：41～44
[41]王克斌，彭真明等．地震数据关联维的快速计算方法．物探化探计算技术，2000，22(3)：225～228
[42]杨晓红，刘乐善．用遗传算法训练神经网络结构．计算机应用与软件，1997，14(2)：59～65
[43]雷德明．多维实数编码遗传算法．控制与决策，2000，15(2)：239～241
[44]姚振兴，张霖斌．波阻抗反演的混合最优化算法．地球物理学进展，1999，14(2)：1～6
[45]顾汉明，江涛．改进快速模拟退火方法进行AVO岩性参数反演．地球科学，1999，24(4)：418～422
[46]杨文采．地球物理反演的遗传算法．石油物探，1995，34(1)；116～122
[47]杨文采．神经网络算法在地球物理反演中的应用．石油物探，1995，34(2)：116～120
[48]杨文采．波动方程的逆散射与迭代线性化反演．石油物探，1995，34(3)：114～121
[49]杨文采．非线性反演方法的补充及比较．石油物探，1995，34(4)：109～116
[50]周辉，何樵登，徐世浙．人工神经网络非线性地震波形反演．石油物探，1997，36(1)：61～70
[51]周辉，何樵登，徐世浙．0-1编码遗传算法．石油物探，1997，36(1)：83～89
[52]周竹生，周熙襄．宽带约束反演方法．石油地球物理勘探，1993，28(5)：523～526
[53]尹洪军，翟云芳．基于自适应遗传算法的试井分析最优化方法．石油学报，20(2)51～56
[54]顾汉明．地震特征空间到储层特征空间的非线性映射．石油地球物理勘探，1997，32(1)：111～116
[55]李成猛．地震资料的加权约束反演方法．石油物探，1996，35(4)：29～36
[56]杨谦，李正文．地震资料宽带约束反演方法研究．石油物探，1996，35(4)：37～42
[57]师永民．高分辨率砂泥岩薄互层储层综合预测技术．石油地球物理勘探，2000，35(5)：661～668
[58]姚逢昌，甘利灯．地震反演的应用与限制．石油勘探与开发，2000，27：53～56
[59]宋宜斌．多层感知器的一种快速网络训练及其应用．控制与决策，2000，15(1)：125～127
[60]戴晓晖，李敏强，冠纪淞．遗传算法理论研究综述．控制与决策，2000，15(3)：263～268
[61]潘正君，康立山，陈毓屏．演化计算．北京：清华大学出版社，1998
[62]陈国良，王煦法，庄正泉．王东升．遗传算法及其应用．北京：人民邮电出版社，1996
[63]刘勇，康立山，陈毓屏．非数字并行算法(二)——遗传算法．北京：科学出版社，1995
[64]周明，孙树栋．遗传算法原理及应用。北京：国防工业出版社，1999
[65]陈遵德，储层地震属性优化方法．北京：石油工业出版社，1998
[66]黄绪德，反褶积与地震道反演，北京：石油工业出版社，1992
[67]王捷，油藏描述技术——勘探阶段．北京：石油工业出版社，1996
[68]刘雯林．油气田开发地震技术．北京：石油工业出版社，1996
[69]《钻井手册(甲方)》编写组．钻井手册(甲方)，上册．北京：石油工业出版社，1990
[70]牟永光．地震勘探资料数字处理方法．北京：石油工业出版社，1981
[71]朱广生．地震资料储层预测方法．北京：石油工业出版社，1995
[72]殷八斤，曾灏，杨在岩．AVO技术的理论与实践．北京：石油工业出版社，1995
[73]何樵登．地震勘探原理和方法．北京：地质出版社，1986
[74]郑仙种，崔力科．波动理论在地震勘探中的应用．北京：石油工业出版社，1987
[75]姚姚，詹正彬，钱绍湖．地震勘探新技术与新方法．武汉：中国地质大学出版社，1991
[76]范郑祥，郑仙种．地震波参数反演与应用技术．郑州：河南科学技术出版社，1998
[77]俞寿朋．高分辨率地震勘探．北京：石油工业出版社，1993
[78]牟永光．储层地球物理学．北京：石油工业出版社，1996
[79]马在田．地震成像技术——有限差分法偏移．北京：石油工业出版社，1989
[80]姜建国，曹建中，高玉明．信号与系统分析基础．北京：清华大学出版社，1994
[81]李庆忠．走向精确勘探的道路．北京：石油工业出版社，1994
[82]程乾生．数字信号处理的数学原理(第二版)．北京：石油工业出版社，1993
[83]寻浩，李志明．非线性反演方法在剩余静校正中的应用．石油地球物理勘探，1992，27(4)：464～473
[84]黄润秋，许强．工程地质广义系统科学分析原理及应用．北京：地质出版社，1997
[85]王域辉，廖淑华．分形与石油．北京：石油工业出版社，1994
[86]仪垂祥．非线性科学及其在地学中的应用．北京：气象出版社，1995
[87]凌复华．突变理论及其应用．上海：上海交通大学出版社，1987
[88]Rothman H．著，田希泰译．大近地表异常、地震反射数据和模拟退火．外协论文集，第一集，No．5，石油部物探局研究院，1987
[89]熊翥．地震数据数字处理应用技术．北京：石油工业出版社，1993
[90]郭齐军．测井声波时差在地层压力预测中的应用．中国海上油气(地质)，1997，11(1)
[91]李庆忠．论地震约束反演的策略．石油地球物理勘探，1998，33(4)：423～438
[92]蔡加铭．多井波阻抗处理技术．石油物探，1998，37(3)：100～108
[93]林小竹，钱绍新．波阻抗映射法外推．地球物理学报，1998，41(1)：109～115
[94]姚姚．非线性反演方法及其在地震勘探中的应用．应用地球物理学进展．武汉：中国地质大学出版社，1996
[95]张玉芬，韩世群，熊维纲．井约束条件下的地震道反演．应用地球物理学进展．武汉：中国地质大学出版社，1996
[96]王山山，李灿平等．快速模拟退火地震反演．地球物理学报，1995，38(Supp．1)：124～134
[97]姚姚．地球物理非线性反演模拟退火法的改进．地球物理学报，1995，38(5)：643～650
[98]杨斌．非线性测井储层特性智能反演方法及应用研究．成都理工学院博士论文，1999
[99]林依华．综合全局快速寻优求解最佳剩余静校正量．成都理工学院博士论文，2000
[100]李亚林．孔(裂)隙介质波场特征的超声实验及应用研究．成都理工学院博士论文，1999
[101]尹成．非线性全局最优化反演剩余静校正研究．成都理工学院博士论文，1997
[102]Michael Jervis等，徐焱东译．利用非线性方法估算迭前偏移速度．国外油气勘探，1997，9(1)：69～83
[103]袁曾任．人工神经元网络及其应用．北京：清华大学出版社，1999
[104]阮晓钢。基于Hopfield网络的神经元模糊识别系统．模式识别与人工智能，2000，13(4)：387～394
[105]赵凯，王珏．适应性计算．模式识别与人工智能，2000，13(4)：407～414
[106]叶庆凯，王肇明．优化与最优控制中的计算方法．北京：科学出版社，1986
[107]蔡良伟，雍正正．求解带约束函数优化的两级自适应遗传算法．系统工程与电子技术，2000，22 (2)：84～86
[108]侯安宁，何樵登．地震弹性波参数的非线性数值反演．石油地球物理勘探，1994，29(6)：469～473
[109]陶春辉，何樵登，王晓春．用遗传算法反演层状弹性介质．石油地球物理勘探，1994，29(3)：382～386
[110]朱培民，王家映等．随机共轭梯度反演法．石油地球物理勘探，2000，35(2)：208～213
[111]Djevanshir,R.D.and A.M.Akhnerdiev,用地震资料估算超压方法的回顾，CPS／SEG／EAGE国际地球物理研讨会暨展览，北京，1998，438～440
[112]Morgan,F D.,and B.Wurmstich,几种阻尼最小二乘反演算法的比较．美国勘探地球物理学家学会第60届年会论文集，335～340
[113]Taner, M.T., Koehler, F.,and Alhilali,K.A., Estimation and correction of near-surface time anomalies,Geophysics, 1974, 39,441～463
[114]Wiggins ,R.,Larner, K., and Wisecup,D., Residual statics analysis as a general Iinear inverse problem,Geophysics,1976, 41,922～938
[115]Yao X. A Review of Evolutionary Artificial Neural Networks. International Journal of Intelligent Systems, 1993, 8(4)
[116]Dubose J B. Practical steps toward realizing the potential of Monte Carlo automatic statics.Geophysics,1993,58(3): 399～407
[117]Stoffa P L and Sen M K. Nonlinear multi-parameter optimization using genetic algorithms: inversion
of plane wave seismograms. Geophysics, 1991,56(11) :1794-1810
[118] Malcolm Sambridge and Guy Drijkoninggen. Genetic algorithms in seismic waveform inversion. Geophysics, 1992, J. Int. 109:323-342
[119] Kris Vasudevan, William G. Wilson, William G. Laidlaw. Simulated annealing staties computation using an order-based energy function . Geophysics, 1991,56 (11) :1831-1839
[120] Mrinal K. Sen and Paul L. Stoffa. Nonlinear one-dimensional seismic waveform inversion using simulated annealing. Geophysics, 1991, 56(10) : 1624-1638．
[121] Michael Jervis, Mrinal K. Sen and Paul L. Stoffa. Prestack migration velocity estimation using nonlinear methods. Geophysics 1996 , 60 (6) :138-150
[122] Fabio Boschetti,Mike C. Dentith, and Ron D. List. Inversion of seismic refraction data using genetic algorithms, Geophysics , 1996, 61 (6) : 1715-1727
[123] Paul L. Stiffa and Mrinal K. Sen. Nonlinear muiti-parameter optimization using genetic algorithms: Inversion ofplane-wave seismograms. Geophysics, 1991, 56 (11) : 1794-1810．
[124] Rothman D.H. Automatic estimation of large residual staties correction , Geophysics, 1986, 51(2) :323-346
[125] Ronen T and Clearbout J F, Surface-consistent residual staties estimation by stack-power maximization. Geophysics, 1985, V50(12) :2759-2767．
[126] Rothman D H. Nonlinear inversion, statistical mechanics, and residual staties estimation. Geophysics, 1985, V50(12) :2784-2796
[127] Canales L.L.,Random noise reduction. Presented at the 54 th SEG Mtg ,1984
[128] Necti G.,FXDECON and Complex Wiener Prediction Filter, Presented at the 56th SEG Mtg,l9S6
[129] Bunch A.W.H. and White R.E, Least-squares filter without transient errors: an examination of the errors in least-squares filter design. Geophysical Prospecting, 1985,33(4) :657-673
[130] White R.E. and Summers T., F-x random noise attenuation. BP report EXT 55914,1989
[131] Hornbostel S., Spatial prediction filtering in the t-x and f-x domains. Geophysics,1991,56
[132] Srinivas M. and Patnaik L M. Adaptive probabilities of crossover and mutation in genetic algorithms. IEEE Trans.Syst.,Man,and Cybern.,1994,24(4) :655-667
[133] Chen,Q.and Sidney,S., Seismic attribute technology for reservoir forecasting and monitoring .The Leading Edge, 1997,16(5) :445-456
[134] Liu,Z.,and Liu,J.,Seismic-controlled nonlinear extrapolation of well parameters using neural networks. Geophysics, 1998,63(6) :2035-2041
[135] Kallkomey, C.T., Potential risks when using seismic attributes as predictors of reservoir properties. The Leading Edge, 1997,16(9) :247-251
[136] Holland J.H, Adaptation in Nature And Artificial Systems. The University of Michigan Press,1975,MIT Press,1992
[137] Schwefel H P., Numerical Optimization of Computer Models. John Wiley, Chichester, UK, 1981
[138] Fogel LJ.,Owens A J and Walsh M J. Artificial Intelligence through Simulated Evolution. John Conf. On Neural Networks'90, Washington:D.C.,I-601-I-605,1990
[139] McClulloch W,Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity , Bulletin of MathematicalBiophysics, 1943,7
[140] Rosenbalatt F. The Perception: A Probabilistic Modei for Information Storage and Organization in the Brain. Psychological Review, 1958,65
[141] Kohonen T., Adaptive, Associative, and Self-Organizing Functions in Neural Computing. Applied Optics ,1987,26:4910-4918
[142] Willshaw D.J., Buneman O.P Longuest-biggins ,H.C. Nature 1969,222
[143] Hopfield J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Science, 1982,72
[144] Hecht-Nielsen R. Theory of Backpropagation Neural Networks, Proc. IJCNN-89． 1988． I-593
[145] Zadeh L.A. Fuzzy Sets Information and Control. 1965,8
[146] Wilson.W.G. and Vasudevan,K., Application of the genetic algorithm to residual staties estimation.Geophysics,1991,Res.Lett.,18:2181-2184
[147] Wilson W.G., Laidlaw W G. and Vasudevan K., Residual staties estimation using the genetic algorithms, Geophysics ,1994,59(5) :766-774
[148] Metropolis, N., Rosenbluth ,A., Rosenbluth,M., Teller,A. And Teller, E., Equation of state calculations by fast computing machines,Journal of Chemical Physics,1953,21:1087-1092
[149] Krikpatrick,S. Gelatt,C.D., Jr., and Vecchi,M.P., Optimization by Simulated Annealing,Science,1983,220:671-680
[150] Saloman Ralf., Improved Convergence Rate of Back-Propagation with Dynamic Adaptation of the Learning Rate . Lecture Notes in Computer Science, PPSN I. Dortmunt,1990, 269-273
[151] Mahfoud S W.,Goldberg D E., A Genetic Algorithm for Parallel Simulated Annealing. In: Parallel Problem Solving from Nature 2, North Holland ,1992,301-310
[152] De Jong K A. An Analysis of the Behavior of a Class of Genetic Adaptive System. Ph. D Dissertation , University of Michigan, 1975,No.76-9381
[153] Sirag D J.,Weisser D J., Toward unified thermodynamic genetic operator. In: Proc int Conf on Genetic Algorithm and their Applications, Erbum Association , Hillsdale, Nj. 1987
[154] Boseniuk T, Ebeling W. Boltzmann-Darwin-and Heackel-strategies in optimization problems .Parallel Problem Solving from Nature, New York ,1990
[155] Choi J J. Arabshahi, P., Robert J Fuzzy Parameter. Adaptation in Nature System. IJCNN, Baltimore ,Maryland, USA.1992 , 1232-1238
[156] Szu H, Hartley R., Fast simulated annealing. Phys Lett A, 1987,122:157-162
[157] Ingber L, Very fast simulated re-annealing. Math Compute Modeling, 1989,12:967-973
[158] Jang J.S, Self-Learning Fuzzy Logic Controllers Based on Temporl Back Propagation. IEEE Trans.
NN,1992, 3(5)
[159] Buckley J.J., Hayashi Y., Fuzzy Neural Nets and Application S, Fuzzy Systems and AI,1992,5(3)
[160] Arthur E. Barnes. Weighted average seismic attributes. Geophysics, 2000, 65(1) : 275-285
[161] D. N. Smith and J. F. Ferguson. Constrained invcrsion of seismic refraction data using thc controllcd random search. Geophysics, 2000,65(5) :1622-1630
[162] Y. Zhang, H. A.Salisch, and C.Arns . Permeability evaluation in a glauconite-rich formation in the Camarvon Basin, Western Australia. Geophysics, 2000, 65 (1) : 46-53
[163] Sen, M.K., Stoffa, P.L. Global Optimization methods in Geophysical inversion ,Elaevier Publication, 1995
[164] Stork, C., and Kusuma, T., Hybrid genetic autostatics: New approach for large-amplitude staties with noisy data, 62rd Ann. Internat. Mtg., Soc. Expl. Geophysics., 1992, 1127-1131
[165] Porsani, M.J., Stoffa, P.L., Sen, M.K., Chunduru,R.K., and Wood, W.T., A combined genetic and linear inversion algorithm for waveform inversion, 63rd Ann. Internat. Mtg., Soc. Expl. Geophys., 1993,692-695
[166] Chundurn, R., M.K., and Stoffa, P., and Stoffa, P, Hybrid optimization methods for geophysical inversion, Geophysics, 1997,62,1196-1207
[167] Chi,C.Y., Mendel, J.,M. and Hampson,D., A computationally fast approach to maximum-likelihood deconvolution, Geophysics, 1984, 49(5) :550-565
[168] Cook, D.A. and Schneider, W.A., Generalized linear inversion of reflection seismic data, Geophysics ,1983, 48(6) :665-676
[169] Brown A.R., Seismic attributes and their classification , The Leading Edge, 1996
[170] Oldenburg,D.W., Scheuer,T. And Levy,S., Recovery of the acoustic impedance from reflection seismogram, Geophysics, 1983,48(10) :1318-1337
[171] Taner,M.T., Schuelke.J.S., O'Doherty,R.,Baysal,E., Seismic attributes revisited, 64th Annual internal. Mtg., Soc. Expl. Geophys., Expanded Abstracts, 1994,94,1104-1106
[172] Fillippone ,W.R., Estimation of Formation parameters and the prediction of overpressure from seismic, The 52th Annual Meeting of SEG, 1982,501-502
[173] Fillippone, W.R., On the prediction of abnormally pressured sedimentary rocks from seismic data, Offshore Technology Conference, 1997
[174] Serebryakov V A. Method of estimating and predicting abnormal formation pressure . Journal of petroleum Science and Engineering , 1995,13: 113-123
[175] Bowers,G.L., Pore pressure estimation from velocity data: accountion for overpressure mechanisms besides under-compaction , SPE Drilling & Completion ,1995, 10 (2) : 89-95
[176] Cao,D.,W.B. Beydoun, and S.C.Singh , A simultaneous inversion for background velocity and impedance maps. Geophysics, 1990,55(4) :458-469
[177] Mann,D.M., and A.S. Meckenzie, Prediction of pore pressure in sedimentary basins, Marine and Pet.
Geol., 1990,7,55-65
[178] Penedbaker, E. S., Seismic data indicate depth, magnitude of abnormal pressures. World Oil.-June, 1968, pp. 73-78
[179] Reynlds, E.B., Predicting over-pressured zones with seismic data. World Oil, October ,1970-NI71,-pp.78-82
[180] Bilgery,D., Ademeno,E.B., Predicting abnormally pressure sedimentary rocks. Geophysics Prospecting, 1982, 30(5) :608-621
[181] Marsden D., Statie correction-A review. Part Ⅰ ,Part Ⅱ, Part Ⅲ, The Leading Edge, 1993,12(1,2,3) :43-49,115-120,210-216
[182] Srinivas M and Patnaik L M. Adaptive Probabilities of Crossover and Mutation in Gas. IEEE Trans. On SMC, 1994,24(4) :656-667
[2]肖慈珣．测井地质学在油气勘探中的应用(译文集)．北京：石油工业出版社，1991
[3]贺振华，黄德济等．复杂油气藏地震波场特征方法理论与应用．成都：四川科学技术出版社，1999
[4]贺振华等．反射地震资料偏移处理与反演方法．重庆：重庆大学出版社，1989
[5]李正文．地震数据多参数约束反演及应用．石油地球物理勘探，1994，29(5)：581～587
[6]李正文．高分辨率地震勘探．成都：成都科技大学出版社，1993
[7]滕吉文，张中杰．弹性介质各向异性研究沿革、现状与问题．地球物理学进展，1992，7(4)
[8]陈均，钱泉，唐权钧．用模拟退火算法作叠后层速度计算．石油物探，1994，31(2)：11～20
[9]彭大钧．含油气盆地异常高压带．北京：石油工业出版社，1994
[10]唐建侯，张金山．高效模拟退火剩余静校正．石油地球物理勘探，1994，29(3)：382～387
[11]王宝珍，杨文采．用改进的遗传算法进行波阻抗反演研究．石油地球物理勘探，1998，33(2)：258～264
[12]王山山，李青仁，管叶君。约束模拟退火反演．石油地球物理勘探，1995，30(1)：27～35
[13]任义庆，徐仲达，马在田．应用模拟退火法反演横波速度．石油地球物理勘探，1996，31(5)：677～684
[14]庄成三，王培强，肖姹莉等．储层模式识别技术．石油地球物理勘探，1994，29(5)：630～636
[15]王雪梅，王义和．模拟退火与遗传算法的结合．计算机学报，1997，20(4)：381～384
[16]杨若黎，顾基发．一种高效的模拟退火全局优化算法．系统工程理论与实践，1997，7，29～33
[17]孟宪军，杜世桶．地震资料的测井约束多项式拟合外推反演．石油地球物理勘探，1995，30(3)
[18]何樵登，梁光河．利用地震资料和测井约束反演地层参数——一种测井数据的地震外推方法．石油物探，1995，34(2)：1～7
[19]张宏彬，何樵登．宽带约束反演．石油物探，1995，34(1)：1～10
[20]李录明，罗省贤，多波多分量地震勘探原理及数据处理方法，成都：成都科技大学出版社，1997
[21]李正文，李琼，唐建明．油气储集层线性与非线性联合预测方法技术及应用．石油物探，2000，39(2)：15～23
[22]胡光岷，贺振华，黄德济。广义非线性反演及其应用．石油物探，2000，39(2)：44～51
[23]马劲风，王学军等．波阻抗约束反演中的约束方法研究．石油物探，2000，39(2)：52～63
[24]杨旭明，陈均，唐权钧．地震资料分步最优化反演方法．石油地球物理勘探，1994，29(5)：558～400
[25]戈盾．地层压力的地震预测．石油地震地质．1992，4(1)：70～82
[26]乐小陶．现行地震法油气预测技术应用条件探讨．石抽地球物理勘探，1996，31(4)：597～601
[27]聂勋碧，钱宗良．地震勘探原理和野外工作方法．北京：地质出版社，1990
[28]李松银，郑君里．前向多层神经网络模糊自适应算法．电子学报，1995，23(2)
[29]廖晓峰，刘光远，虞厥邦．基于几种误差准则的稳健BP算法．信号处理，1997，13(3)
[30]向国权，董道珍．BP模型中的激励函数和改进的网络训练法．计算机研究与发展，1997，34(2)
[31]赵志超，罗运先．实用地层岩性地震技术．成都：成都科技大学出版社，1995
[32]彭真明，韩燕君。遗传算法及其在剩余静校正中的应用．断块油气田，1998，V5(1)：5～8
[33]彭真明，肖慈珣等．改进的F-X域预测滤波及其应用．物探化探计算技术，1999，第二期
[34]彭真明，肖慈珣等．地震多参数地层压力预测．中国地球物理学会年刊，合肥：安徽科学技术出版社，1999年
[35]彭真明，肖慈珣等．地震、测井联合预测地层压力的方法研究．石油地球物理勘探，2000，35(2)：170～174
[36]彭真明，肖慈珣等．利用地震非线性参数重建声波测井曲线．石油物探，2000，39(2)：72～76
[37]彭真明，刘克文等．地震记录的非线性特征分析，中国地球物理学会年刊，武汉；中国地质大学出版社，2000年
[38]彭真明，竺知新等．基于演化神经网络学习的储层参数预测方法．中国地球物理学会年刊．武汉：中国地质大学出版社，2000年
[39]彭真明，安鸿伟等．演化神经网络学习方法及其应用．石油地球物理勘探，2001，36(2)
[40]肖慈珣，彭真明等．预测井底以下地层压力的新方法．石油学报，2001，22(1)：41～44
[41]王克斌，彭真明等．地震数据关联维的快速计算方法．物探化探计算技术，2000，22(3)：225～228
[42]杨晓红，刘乐善．用遗传算法训练神经网络结构．计算机应用与软件，1997，14(2)：59～65
[43]雷德明．多维实数编码遗传算法．控制与决策，2000，15(2)：239～241
[44]姚振兴，张霖斌．波阻抗反演的混合最优化算法．地球物理学进展，1999，14(2)：1～6
[45]顾汉明，江涛．改进快速模拟退火方法进行AVO岩性参数反演．地球科学，1999，24(4)：418～422
[46]杨文采．地球物理反演的遗传算法．石油物探，1995，34(1)；116～122
[47]杨文采．神经网络算法在地球物理反演中的应用．石油物探，1995，34(2)：116～120
[48]杨文采．波动方程的逆散射与迭代线性化反演．石油物探，1995，34(3)：114～121
[49]杨文采．非线性反演方法的补充及比较．石油物探，1995，34(4)：109～116
[50]周辉，何樵登，徐世浙．人工神经网络非线性地震波形反演．石油物探，1997，36(1)：61～70
[51]周辉，何樵登，徐世浙．0-1编码遗传算法．石油物探，1997，36(1)：83～89
[52]周竹生，周熙襄．宽带约束反演方法．石油地球物理勘探，1993，28(5)：523～526
[53]尹洪军，翟云芳．基于自适应遗传算法的试井分析最优化方法．石油学报，20(2)51～56
[54]顾汉明．地震特征空间到储层特征空间的非线性映射．石油地球物理勘探，1997，32(1)：111～116
[55]李成猛．地震资料的加权约束反演方法．石油物探，1996，35(4)：29～36
[56]杨谦，李正文．地震资料宽带约束反演方法研究．石油物探，1996，35(4)：37～42
[57]师永民．高分辨率砂泥岩薄互层储层综合预测技术．石油地球物理勘探，2000，35(5)：661～668
[58]姚逢昌，甘利灯．地震反演的应用与限制．石油勘探与开发，2000，27：53～56
[59]宋宜斌．多层感知器的一种快速网络训练及其应用．控制与决策，2000，15(1)：125～127
[60]戴晓晖，李敏强，冠纪淞．遗传算法理论研究综述．控制与决策，2000，15(3)：263～268
[61]潘正君，康立山，陈毓屏．演化计算．北京：清华大学出版社，1998
[62]陈国良，王煦法，庄正泉．王东升．遗传算法及其应用．北京：人民邮电出版社，1996
[63]刘勇，康立山，陈毓屏．非数字并行算法(二)——遗传算法．北京：科学出版社，1995
[64]周明，孙树栋．遗传算法原理及应用。北京：国防工业出版社，1999
[65]陈遵德，储层地震属性优化方法．北京：石油工业出版社，1998
[66]黄绪德，反褶积与地震道反演，北京：石油工业出版社，1992
[67]王捷，油藏描述技术——勘探阶段．北京：石油工业出版社，1996
[68]刘雯林．油气田开发地震技术．北京：石油工业出版社，1996
[69]《钻井手册(甲方)》编写组．钻井手册(甲方)，上册．北京：石油工业出版社，1990
[70]牟永光．地震勘探资料数字处理方法．北京：石油工业出版社，1981
[71]朱广生．地震资料储层预测方法．北京：石油工业出版社，1995
[72]殷八斤，曾灏，杨在岩．AVO技术的理论与实践．北京：石油工业出版社，1995
[73]何樵登．地震勘探原理和方法．北京：地质出版社，1986
[74]郑仙种，崔力科．波动理论在地震勘探中的应用．北京：石油工业出版社，1987
[75]姚姚，詹正彬，钱绍湖．地震勘探新技术与新方法．武汉：中国地质大学出版社，1991
[76]范郑祥，郑仙种．地震波参数反演与应用技术．郑州：河南科学技术出版社，1998
[77]俞寿朋．高分辨率地震勘探．北京：石油工业出版社，1993
[78]牟永光．储层地球物理学．北京：石油工业出版社，1996
[79]马在田．地震成像技术——有限差分法偏移．北京：石油工业出版社，1989
[80]姜建国，曹建中，高玉明．信号与系统分析基础．北京：清华大学出版社，1994
[81]李庆忠．走向精确勘探的道路．北京：石油工业出版社，1994
[82]程乾生．数字信号处理的数学原理(第二版)．北京：石油工业出版社，1993
[83]寻浩，李志明．非线性反演方法在剩余静校正中的应用．石油地球物理勘探，1992，27(4)：464～473
[84]黄润秋，许强．工程地质广义系统科学分析原理及应用．北京：地质出版社，1997
[85]王域辉，廖淑华．分形与石油．北京：石油工业出版社，1994
[86]仪垂祥．非线性科学及其在地学中的应用．北京：气象出版社，1995
[87]凌复华．突变理论及其应用．上海：上海交通大学出版社，1987
[88]Rothman H．著，田希泰译．大近地表异常、地震反射数据和模拟退火．外协论文集，第一集，No．5，石油部物探局研究院，1987
[89]熊翥．地震数据数字处理应用技术．北京：石油工业出版社，1993
[90]郭齐军．测井声波时差在地层压力预测中的应用．中国海上油气(地质)，1997，11(1)
[91]李庆忠．论地震约束反演的策略．石油地球物理勘探，1998，33(4)：423～438
[92]蔡加铭．多井波阻抗处理技术．石油物探，1998，37(3)：100～108
[93]林小竹，钱绍新．波阻抗映射法外推．地球物理学报，1998，41(1)：109～115
[94]姚姚．非线性反演方法及其在地震勘探中的应用．应用地球物理学进展．武汉：中国地质大学出版社，1996
[95]张玉芬，韩世群，熊维纲．井约束条件下的地震道反演．应用地球物理学进展．武汉：中国地质大学出版社，1996
[96]王山山，李灿平等．快速模拟退火地震反演．地球物理学报，1995，38(Supp．1)：124～134
[97]姚姚．地球物理非线性反演模拟退火法的改进．地球物理学报，1995，38(5)：643～650
[98]杨斌．非线性测井储层特性智能反演方法及应用研究．成都理工学院博士论文，1999
[99]林依华．综合全局快速寻优求解最佳剩余静校正量．成都理工学院博士论文，2000
[100]李亚林．孔(裂)隙介质波场特征的超声实验及应用研究．成都理工学院博士论文，1999
[101]尹成．非线性全局最优化反演剩余静校正研究．成都理工学院博士论文，1997
[102]Michael Jervis等，徐焱东译．利用非线性方法估算迭前偏移速度．国外油气勘探，1997，9(1)：69～83
[103]袁曾任．人工神经元网络及其应用．北京：清华大学出版社，1999
[104]阮晓钢。基于Hopfield网络的神经元模糊识别系统．模式识别与人工智能，2000，13(4)：387～394
[105]赵凯，王珏．适应性计算．模式识别与人工智能，2000，13(4)：407～414
[106]叶庆凯，王肇明．优化与最优控制中的计算方法．北京：科学出版社，1986
[107]蔡良伟，雍正正．求解带约束函数优化的两级自适应遗传算法．系统工程与电子技术，2000，22 (2)：84～86
[108]侯安宁，何樵登．地震弹性波参数的非线性数值反演．石油地球物理勘探，1994，29(6)：469～473
[109]陶春辉，何樵登，王晓春．用遗传算法反演层状弹性介质．石油地球物理勘探，1994，29(3)：382～386
[110]朱培民，王家映等．随机共轭梯度反演法．石油地球物理勘探，2000，35(2)：208～213
[111]Djevanshir,R.D.and A.M.Akhnerdiev,用地震资料估算超压方法的回顾，CPS／SEG／EAGE国际地球物理研讨会暨展览，北京，1998，438～440
[112]Morgan,F D.,and B.Wurmstich,几种阻尼最小二乘反演算法的比较．美国勘探地球物理学家学会第60届年会论文集，335～340
[113]Taner, M.T., Koehler, F.,and Alhilali,K.A., Estimation and correction of near-surface time anomalies,Geophysics, 1974, 39,441～463
[114]Wiggins ,R.,Larner, K., and Wisecup,D., Residual statics analysis as a general Iinear inverse problem,Geophysics,1976, 41,922～938
[115]Yao X. A Review of Evolutionary Artificial Neural Networks. International Journal of Intelligent Systems, 1993, 8(4)
[116]Dubose J B. Practical steps toward realizing the potential of Monte Carlo automatic statics.Geophysics,1993,58(3): 399～407
[117]Stoffa P L and Sen M K. Nonlinear multi-parameter optimization using genetic algorithms: inversion
of plane wave seismograms. Geophysics, 1991,56(11) :1794-1810
[118] Malcolm Sambridge and Guy Drijkoninggen. Genetic algorithms in seismic waveform inversion. Geophysics, 1992, J. Int. 109:323-342
[119] Kris Vasudevan, William G. Wilson, William G. Laidlaw. Simulated annealing staties computation using an order-based energy function . Geophysics, 1991,56 (11) :1831-1839
[120] Mrinal K. Sen and Paul L. Stoffa. Nonlinear one-dimensional seismic waveform inversion using simulated annealing. Geophysics, 1991, 56(10) : 1624-1638．
[121] Michael Jervis, Mrinal K. Sen and Paul L. Stoffa. Prestack migration velocity estimation using nonlinear methods. Geophysics 1996 , 60 (6) :138-150
[122] Fabio Boschetti,Mike C. Dentith, and Ron D. List. Inversion of seismic refraction data using genetic algorithms, Geophysics , 1996, 61 (6) : 1715-1727
[123] Paul L. Stiffa and Mrinal K. Sen. Nonlinear muiti-parameter optimization using genetic algorithms: Inversion ofplane-wave seismograms. Geophysics, 1991, 56 (11) : 1794-1810．
[124] Rothman D.H. Automatic estimation of large residual staties correction , Geophysics, 1986, 51(2) :323-346
[125] Ronen T and Clearbout J F, Surface-consistent residual staties estimation by stack-power maximization. Geophysics, 1985, V50(12) :2759-2767．
[126] Rothman D H. Nonlinear inversion, statistical mechanics, and residual staties estimation. Geophysics, 1985, V50(12) :2784-2796
[127] Canales L.L.,Random noise reduction. Presented at the 54 th SEG Mtg ,1984
[128] Necti G.,FXDECON and Complex Wiener Prediction Filter, Presented at the 56th SEG Mtg,l9S6
[129] Bunch A.W.H. and White R.E, Least-squares filter without transient errors: an examination of the errors in least-squares filter design. Geophysical Prospecting, 1985,33(4) :657-673
[130] White R.E. and Summers T., F-x random noise attenuation. BP report EXT 55914,1989
[131] Hornbostel S., Spatial prediction filtering in the t-x and f-x domains. Geophysics,1991,56
[132] Srinivas M. and Patnaik L M. Adaptive probabilities of crossover and mutation in genetic algorithms. IEEE Trans.Syst.,Man,and Cybern.,1994,24(4) :655-667
[133] Chen,Q.and Sidney,S., Seismic attribute technology for reservoir forecasting and monitoring .The Leading Edge, 1997,16(5) :445-456
[134] Liu,Z.,and Liu,J.,Seismic-controlled nonlinear extrapolation of well parameters using neural networks. Geophysics, 1998,63(6) :2035-2041
[135] Kallkomey, C.T., Potential risks when using seismic attributes as predictors of reservoir properties. The Leading Edge, 1997,16(9) :247-251
[136] Holland J.H, Adaptation in Nature And Artificial Systems. The University of Michigan Press,1975,MIT Press,1992
[137] Schwefel H P., Numerical Optimization of Computer Models. John Wiley, Chichester, UK, 1981
[138] Fogel LJ.,Owens A J and Walsh M J. Artificial Intelligence through Simulated Evolution. John Conf. On Neural Networks'90, Washington:D.C.,I-601-I-605,1990
[139] McClulloch W,Pitts W. A Logical Calculus of the Ideas Immanent in Nervous Activity , Bulletin of MathematicalBiophysics, 1943,7
[140] Rosenbalatt F. The Perception: A Probabilistic Modei for Information Storage and Organization in the Brain. Psychological Review, 1958,65
[141] Kohonen T., Adaptive, Associative, and Self-Organizing Functions in Neural Computing. Applied Optics ,1987,26:4910-4918
[142] Willshaw D.J., Buneman O.P Longuest-biggins ,H.C. Nature 1969,222
[143] Hopfield J. Neural Networks and Physical Systems with Emergent Collective Computational Abilities. Proceedings of the National Academy of Science, 1982,72
[144] Hecht-Nielsen R. Theory of Backpropagation Neural Networks, Proc. IJCNN-89． 1988． I-593
[145] Zadeh L.A. Fuzzy Sets Information and Control. 1965,8
[146] Wilson.W.G. and Vasudevan,K., Application of the genetic algorithm to residual staties estimation.Geophysics,1991,Res.Lett.,18:2181-2184
[147] Wilson W.G., Laidlaw W G. and Vasudevan K., Residual staties estimation using the genetic algorithms, Geophysics ,1994,59(5) :766-774
[148] Metropolis, N., Rosenbluth ,A., Rosenbluth,M., Teller,A. And Teller, E., Equation of state calculations by fast computing machines,Journal of Chemical Physics,1953,21:1087-1092
[149] Krikpatrick,S. Gelatt,C.D., Jr., and Vecchi,M.P., Optimization by Simulated Annealing,Science,1983,220:671-680
[150] Saloman Ralf., Improved Convergence Rate of Back-Propagation with Dynamic Adaptation of the Learning Rate . Lecture Notes in Computer Science, PPSN I. Dortmunt,1990, 269-273
[151] Mahfoud S W.,Goldberg D E., A Genetic Algorithm for Parallel Simulated Annealing. In: Parallel Problem Solving from Nature 2, North Holland ,1992,301-310
[152] De Jong K A. An Analysis of the Behavior of a Class of Genetic Adaptive System. Ph. D Dissertation , University of Michigan, 1975,No.76-9381
[153] Sirag D J.,Weisser D J., Toward unified thermodynamic genetic operator. In: Proc int Conf on Genetic Algorithm and their Applications, Erbum Association , Hillsdale, Nj. 1987
[154] Boseniuk T, Ebeling W. Boltzmann-Darwin-and Heackel-strategies in optimization problems .Parallel Problem Solving from Nature, New York ,1990
[155] Choi J J. Arabshahi, P., Robert J Fuzzy Parameter. Adaptation in Nature System. IJCNN, Baltimore ,Maryland, USA.1992 , 1232-1238
[156] Szu H, Hartley R., Fast simulated annealing. Phys Lett A, 1987,122:157-162
[157] Ingber L, Very fast simulated re-annealing. Math Compute Modeling, 1989,12:967-973
[158] Jang J.S, Self-Learning Fuzzy Logic Controllers Based on Temporl Back Propagation. IEEE Trans.
NN,1992, 3(5)
[159] Buckley J.J., Hayashi Y., Fuzzy Neural Nets and Application S, Fuzzy Systems and AI,1992,5(3)
[160] Arthur E. Barnes. Weighted average seismic attributes. Geophysics, 2000, 65(1) : 275-285
[161] D. N. Smith and J. F. Ferguson. Constrained invcrsion of seismic refraction data using thc controllcd random search. Geophysics, 2000,65(5) :1622-1630
[162] Y. Zhang, H. A.Salisch, and C.Arns . Permeability evaluation in a glauconite-rich formation in the Camarvon Basin, Western Australia. Geophysics, 2000, 65 (1) : 46-53
[163] Sen, M.K., Stoffa, P.L. Global Optimization methods in Geophysical inversion ,Elaevier Publication, 1995
[164] Stork, C., and Kusuma, T., Hybrid genetic autostatics: New approach for large-amplitude staties with noisy data, 62rd Ann. Internat. Mtg., Soc. Expl. Geophysics., 1992, 1127-1131
[165] Porsani, M.J., Stoffa, P.L., Sen, M.K., Chunduru,R.K., and Wood, W.T., A combined genetic and linear inversion algorithm for waveform inversion, 63rd Ann. Internat. Mtg., Soc. Expl. Geophys., 1993,692-695
[166] Chundurn, R., M.K., and Stoffa, P., and Stoffa, P, Hybrid optimization methods for geophysical inversion, Geophysics, 1997,62,1196-1207
[167] Chi,C.Y., Mendel, J.,M. and Hampson,D., A computationally fast approach to maximum-likelihood deconvolution, Geophysics, 1984, 49(5) :550-565
[168] Cook, D.A. and Schneider, W.A., Generalized linear inversion of reflection seismic data, Geophysics ,1983, 48(6) :665-676
[169] Brown A.R., Seismic attributes and their classification , The Leading Edge, 1996
[170] Oldenburg,D.W., Scheuer,T. And Levy,S., Recovery of the acoustic impedance from reflection seismogram, Geophysics, 1983,48(10) :1318-1337
[171] Taner,M.T., Schuelke.J.S., O'Doherty,R.,Baysal,E., Seismic attributes revisited, 64th Annual internal. Mtg., Soc. Expl. Geophys., Expanded Abstracts, 1994,94,1104-1106
[172] Fillippone ,W.R., Estimation of Formation parameters and the prediction of overpressure from seismic, The 52th Annual Meeting of SEG, 1982,501-502
[173] Fillippone, W.R., On the prediction of abnormally pressured sedimentary rocks from seismic data, Offshore Technology Conference, 1997
[174] Serebryakov V A. Method of estimating and predicting abnormal formation pressure . Journal of petroleum Science and Engineering , 1995,13: 113-123
[175] Bowers,G.L., Pore pressure estimation from velocity data: accountion for overpressure mechanisms besides under-compaction , SPE Drilling & Completion ,1995, 10 (2) : 89-95
[176] Cao,D.,W.B. Beydoun, and S.C.Singh , A simultaneous inversion for background velocity and impedance maps. Geophysics, 1990,55(4) :458-469
[177] Mann,D.M., and A.S. Meckenzie, Prediction of pore pressure in sedimentary basins, Marine and Pet.
Geol., 1990,7,55-65
[178] Penedbaker, E. S., Seismic data indicate depth, magnitude of abnormal pressures. World Oil.-June, 1968, pp. 73-78
[179] Reynlds, E.B., Predicting over-pressured zones with seismic data. World Oil, October ,1970-NI71,-pp.78-82
[180] Bilgery,D., Ademeno,E.B., Predicting abnormally pressure sedimentary rocks. Geophysics Prospecting, 1982, 30(5) :608-621
[181] Marsden D., Statie correction-A review. Part Ⅰ ,Part Ⅱ, Part Ⅲ, The Leading Edge, 1993,12(1,2,3) :43-49,115-120,210-216
[182] Srinivas M and Patnaik L M. Adaptive Probabilities of Crossover and Mutation in Gas. IEEE Trans. On SMC, 1994,24(4) :656-667