文|孟雅蕾 刘天时

石油开采注醇路线优化现状与研究

文|孟雅蕾 刘天时

为降低石油开采的注醇成本，提高低渗透气田的开发效益，在石油开采中出现了诸多注醇路线优化方法。本文在总结收益比的基础上，研究一种改进的人工蜂群算法来优化注醇路线。结果表明，该方法可以很好的优化注醇路线，对提高低渗透气田的开发效益具有一定参考价值。

鄂尔多斯盆地广泛分布着一些低孔、低渗、低丰度的“三低”气田。由于该类气田中气井井筒温度和压力变化速度较快，因此易于形成天然气水合物。为降低开发成本，提高开发效益。近年来，气田大力改进注醇工艺，变注醇管线为注醇工程车机动注醇。但各低产井分散于气田各部且距离较大，以往注醇车所走的路线并不是注醇井间的最短路径，因此注醇路线的优化对提高低渗透气田的开发效益具有重要的意义。

为降低注醇成本，提高低渗透气田的开发效益，本文提出一种改进人工蜂群算法来优化注醇路线。针对传统ABC算法收敛速度慢，容易陷入局部最优等问题，通过引入角色转化机制来讨论跟随蜂的路径选择机制和邻域搜索策略，再将改进的ABC算法应用于注醇路线优化，求出遍历所有注醇井间的最短路径。

人工蜂群算法

工蜂群(ABC,Artificial Bee Colony)算法在2005年由Karaboga等人提出，该算法在模仿蜂群觅食自组织行为的基础上建立，是一种优化多变量连续函数的非数值优化方法，近年来很多学者利用ABC算法来解决组合优化问题。ABC算法有2个重要的组成部分：蜜源和蜂群，而蜂群又分为侦察蜂、跟随蜂、引领蜂，有3种基本的行为模式：搜索蜜源、为蜜源招募、放弃蜜源。

假设ABC算法在 维解空间中有 个可行解。ABC算法中侦察蜂和跟随蜂的食物源更新公式如下：

跟随蜂和侦察蜂在蜜源更新后会根据适应度来确定新蜜源，蜜源的适应度越高，被选择的概率就越大，蜜源的选择概率如下：

其中，pi代表第i个蜜源被选择的概率，SN为蜜源的总数，fiti是适应度，fi是被优化问题的目标函数值。

当采蜜工作的进行到后期，蜜源的丰富度逐渐降低，蜜源很可能会出现枯竭的现象，因此，需要对蜜源的采集次数进行限制，来防止蜜源枯竭的现象发生。规定算法中蜜源的最大采集次数为Limit ，当同一蜜源被采集了Limit 次后，蜜源的适应度将变得很低。若周围搜索没有找到比此蜜源适应度更高的蜜源则放弃此蜜源，在整个解空间中随机产生一个新的蜜源，引领蜂将变为侦察蜂去寻找新的蜜源，产生新蜜源的公式如下：其中，标示第i个解的第j 维分量表示优化参数j 决定的食物源质量的最小值，表示优化参数j 决定的食物源质量的最大值，即上界与下界。

改进的人工蜂群算法

角色转换机制。随机产生新的蜜源后，侦察蜂根据收益比进行角色转换，加速算法收敛。收益比是侦察蜂找到新蜜源的质量与所有侦察蜂寻找到蜜源质量的比值，收益比越大则侦察蜂寻找到的蜜源就越优，收益比r 的计算公式如下：

其中，g 是侦察蜂的总数；is 标识当前是哪一只侦察蜂；表示第is 个侦察蜂所找到的蜜源的质量；l 指该侦察蜂未走过的节点个数；dij为蜜源i 到蜜源j的距离。若r≥0.5，则此侦察蜂转变为引领蜂，否则继续侦查，0.5为阙值[8]。

路径选择。侦察蜂在发现新的蜜源后会返回到蜂巢内的舞蹈区，将蜜源的相关信息，蜜源的适应度告诉跟随蜂。跟随蜂再根据蜜源的适应度选择是否跟随这只侦察蜂去采蜜。本文根据蚁群优化的信息素更新策略对公式（2）、（3）做出如下改进，使算法收敛到较好的蜜源上。被选择概率的计算公式如下：其中，适应度fiti的计算公式如下：其中，dij为蜜源i到蜜源j 的距离，距离越短被选择的可能性越大；a 和是用来控制信息和距离的参数；ρij是蜜源i 到蜜源j 的信息值，计算公式如下：

跟随蜂的信息值计算分为两种：①可选择的路径包含引领蜂走过的道路。若选择引领蜂走过的道路，则此时的信息值ρij=γ；若不选择引领蜂走过的道路，则其中，l为集合的元素数目，表示蜜蜂未走过的节点个数；表示引领蜂的引导性强弱，其中Q为引领常数，LK为第k只蜜蜂在本次迭代中所走过的路径长度。②可选择路径不含引领蜂走过道路。此时，l 同样指蜜蜂未走过的节点个数。

跟随蜂的邻域搜索策略。在原始的ABC算法中，跟随蜂阶段执行与侦察蜂阶段相同的搜索策略，虽然全局搜索能力相对良好，但局部搜索能力相对偏弱。因此，本文根据当前局部最优解制定跟随蜂的邻域搜索策略，帮助蜂群跳出局部最优。随机选取每一代当前解中的p%个解，这些解中的最优解best 在某种程度上可以起到平衡全局搜索能力和局部开发能力的作用，跟随蜂的邻域搜索公式如下：

注醇路线优化

优化过程：

Step1 初始化所有的参数：蜂群的数量N、最大采集次数Limit 、最大迭代次数Cycle 、蜜源Foods ，优化前的初始路线等。

Step2 初始时刻所有蜜蜂都是侦察蜂，根据式产生新的蜜源位置。

Step3 根据式（5）计算新蜜源的收益比，侦察蜂进行角色转换。

Step4 跟随蜂根据式（6）、式（7）、式（8）选择要跟随的引领蜂，并依据式（9）进行邻域搜索。若搜索到的新蜜源的收益大于原来的蜜源，则取代旧的蜜源。

Step5 若蜜源的访问次数Trail＞Limit，则引领蜂和跟随蜂舍弃本蜜源，其中引领蜂转变为侦察蜂，进行随机搜索，新的蜜源位置由式（4）计算可得；否则保留本蜜源。

Step6 如果迭代次数达到Cycle ，则停止运行程序，输出优化后的路线，否则跳转至Step2。

优化结果：

采用传统的ABC算法优化后的注醇路线长度为315．72km，而采用本文算法优化后的注醇路线长度为287．45km，注醇路线的长度缩短了8．95%。传统的ABC算法的迭代次数为345次，而改进后的ABC算法的迭代次数下降到310次。

本文研究了一种改进的ABC算法来优化注醇路线。改进的ABC算法引入角色转换机制，突显引领蜂的精英作用，保持优良的蜜源；路径选择机制和邻域搜索策略则加速算法的收敛速度并且帮助算法跳出局部最优。实验结果表明，该算法可以很好的实现注醇路线优化，降低了注醇的成本，提高了低渗透气田的开发效益。

西安石油大学计算机学院）