Введение
ГЛАВА 1. Анализ эволюционных алгоритмов, нейронных сетей и алгоритмов кластеризации 16
1.1. Задача параметрического оценивания 16
1.2. Особенности параметрического оценивания ресурсоемких моделей 11
1.3. Генетические алгоритмы в задачах оптимиззаци 21
1.4. Нейронные сети в задачах аппроксимации 24
1.5. Алгоритмы кластеризации 30
1.6. Гибридные ГА, использующие нейронную сеть 34
1.7. Основные результаты и выводы по первой главв 38
ГЛАВА 2. Интеллектуальные алгоритмы идентификации параметров ресурсоемких моделей 33
2.1. Гибридная схема использования нейронной сети в составе ГА 39
2.2. Выбор архитектуры НС для использования в составе ГА+НС 43
2.3. Алгоритм обучения РБНС в нейросетевом контуре ГА+НС 52
2.4. Алгоритмы кластеризации входных данных на первом этапе обучения РБНС 55
2.5. Дополнительное обучение РБНС 76
2.6. Генетический алгоритм с вертикальными субпопуляциями 79
2.7. Основные результаты и выводы по второй главв 83
ГЛАВА 3. Исследование разработанных алгоритмов с помощью вычислительных экспериментто 88
3.1. Краткие сведения о разработанном комплексе программ 85
3.2. Тестирование алгоритмов кластеризации KM+GA и DA+GA з
3.3. Тестирование ГА+НС на задаче минимизации функций Растри-гина и Розенброка 94
3.4. Тестирование ГА+ВСП на задаче минимизации функций ПО
3.5. Основные результаты и выводы по третьей главе 118
ГЛАВА 4. Применение разработанных алгоритмов для идентификации параметров гидродинамических моделей нефтяных месторождений 120
4.1. Прямая задача теории гидродинамического моделирования 120
4.2. Обратная задача теории гидродинамического моделирования — адаптация модели нефтяного месторождения 123
4.3. Подбор множителей пористости околоскважинного пространства с использованием ГА+НС 128
4.4. Определение относительных фазовых проницаемостей модели резервуара с помощью ГА+НС и ГА+ВСП 135
4.5. Основные результаты и выводы по четвертой главе 142
Заключение 144
Список использованных источников 146
