计算智能主导的生产优化能够极大地提高油田经济效益。但是，它面临着昂贵的黑箱目标函数和高维设计变量的计算挑战。本文旨在从多保真的角度建立一种基于遗传迁移学习的全新生产优化解决方案，通过综合不同保真度评估结果的信息，达到快速收敛及提高最优解质量的目的。净现值是生产优化中广泛应用的全面评价一个策略经济价值的标准，我们首先基于NPV建立了能够综合来自高保真任务的参考信息与来自低保真任务的近似结果的多保真优化模型。然后，我们引入了相对保真度的概念，并将其作为量化低保真方法的动态可靠性的指标，进一步提出了保真•一种平衡不同保真级别任务的计算资源的双模式遗传迁移学习框架。多任务模式以精英解为迁移媒介，通过并列执行的低保真任务和高保真任务之间的信息交流形成一个闭环反馈系统；顺序迁移模式，一种单程算法，在相对保真度不符合要求时，将上一模式下收集的精英解以种群的形式迁移至高保真领域继续优化。该框架适用于方向及步长可改变的基于种群的优化算法。本文的核心工作为将该框架通过差分进化实现，进而提出了多保真迁移差分进化算法，它具有b-transfer和p-transfer两种模式。b-transfer开始于低保真域的全局搜索，仅当更合适的解被找到时将低保真精英解传递给高保真任务。高保真任务的结果将以基向量为媒介反馈低保真任务并引导步长自适应的局部搜索。在本模式下，所有经过高保真任务评估过的解及其对应的高保真函数值都将被存入一个个体池。p-transfer将个体库中的信息迁移至新种群在高保真域进一步局部搜索，直到到达停止准则。最后，我们将算法用于3个三维实际油藏案例中进行生产优化性能测试，并与单保真度方法和贪婪多保真的方法的收敛过程和优化结果对比。测试表明提出的算法具有更快的收敛速度并获得了质量更高的生产策略。

多保真遗传迁移框架

多保真迁移差分演化(MTDE)流程图

文章链接：https://doi.org/10.2118/205013-PA