臧子婧，吴海波，张平松，董守华

(1.安徽理工大学 地球与环境学院，安徽 淮南 232001；2.中国矿业大学 资源与地球科学学院，江苏徐州 221116)

我国煤层气资源丰富，开发利用价值大，煤层含气量是煤层气资源开发的重要资料，准确地预测煤层含气量，不仅能大大降低煤层气资源开发的风险性，还能节约开采成本，提高煤层气开采效率[1-3]。充分挖掘地震资料所蕴含的信息，利用地震多属性优选融合技术提高煤层含气量的预测精度是目前煤层气储层预测研究的热点之一[4-6]。现有的研究多基于BP(Back Propagation，简称BP)神经网络预测模型，该模型非线性问题处理能力强，在数据拟合和函数逼近方面都具有明显的优势，计算精度更是高于传统的线性预测算法[7-8]，但BP神经网络对初始值敏感，当网络层次较多时，容易导致计算量大、收敛慢、局部极小等问题[9-10]。

近年来，国内外学者们将神经网络算法作为研究对象，在煤层气储层预测建模和优化算法方面不断进行尝试，如施式亮等[11]提出了一种基于神经网络和遗传算法(Genetic Algorithm，简称GA)的煤与瓦斯突出区域预测模型；刘景艳等[12]提出了一种基于粒子群算法(Particle Swarm Optimization，简称PSO)优化神经网络的煤层瓦斯含量预测模型；杨桢等[13]提出了一种基于蚁群算法(Ant Colony Optimization，简称ACO)优化神经网络的瓦斯预测模型。上述预测模型均取得了较好的效果，但在训练过程中仍存在不足，如GA算法易早熟收敛、局部搜索能力较差；PSO算法在迭代后期易陷入局部最优解，且搜索精度不高；ACO算法寻优较盲目，收敛慢，容易发生停滞现象[14]。……