本發(fā)明涉及油田物流管理領(lǐng)域，更具體地說，涉及一種井位不確定環(huán)境下的油田倉庫選址方法。

背景技術(shù)：

隨著科學(xué)技術(shù)和社會經(jīng)濟(jì)的快速發(fā)展，石油在人們的日常生活中和工業(yè)經(jīng)濟(jì)的發(fā)展過程中發(fā)揮著重要的作用。國內(nèi)石油消費(fèi)量逐年增加：2011年消費(fèi)石油4.64億噸，2012年消費(fèi)石油4.86億噸，2013年消費(fèi)石油5.07億噸，2014年消費(fèi)石油5.26億噸，2015年消費(fèi)石油5.59億噸，2016年消費(fèi)石油5.76億噸；而國際原油價格逐年降低：2011年為111.26美元/桶，2012年為111.67美元/桶，2013年為108.66美元/桶，2014年為98.95美元/桶，2015年為52.39美元/桶，2016年55.21美元/桶；國內(nèi)石油消費(fèi)量的急劇增加和國際油價的快速下跌導(dǎo)致石油的利潤空間在不斷縮小。因此，油田企業(yè)致力于提高油田生產(chǎn)效率，其中改善石油勘探開發(fā)工藝成為提高效率的重要方法，而且油氣集輸、油田設(shè)施選址等問題也引起了油田企業(yè)管理者的重視；油氣集輸管網(wǎng)的布局和油田倉庫選址決策(無論是油庫、儲氣庫選址還是物資倉庫選址)均屬中長期決策，決策的優(yōu)劣不僅影響油田的物流運(yùn)輸和管理成本，而且會影響油田的生產(chǎn)效率。因此，油田選址問題的相關(guān)研究逐漸展開，目前的研究主要是對于油庫選址和油田集輸管網(wǎng)布局等問題的研究。

在現(xiàn)階段對于油田倉庫選址的研究，主要集中在對選址模型和求解算法的研究。針對油田選址模型的研究，其主旨思想是通過對油田現(xiàn)狀的分析，使得研究中的選址模型更符合油田的實(shí)際情況?，F(xiàn)如今，對于油田選址模型而言，被廣泛應(yīng)用的是多級選址模型、多層選址模型、多因素選址模型等。針對求解算法的研究而言，其主要思想在于提高算法對于油田選址模型的求解效率，改進(jìn)智能算法和啟發(fā)式算法是當(dāng)前比較常用也行之有效的方法，通過改進(jìn)算法能有效地提高優(yōu)化能力。近些年對油田選址模型的求解算法主要有遺傳算法、并行算法和混合算法等。

但是就目前而言，未考慮油田井位的不確定性及其對設(shè)施選址問題的影響。但是，油田中的倉庫多是服務(wù)于未來油田正常工作的油井，而在未來的石油勘探、開采工作中，由于受地質(zhì)儲層、公司遠(yuǎn)景規(guī)劃等因素的影響，可能會關(guān)閉部分現(xiàn)有的油井，也會鉆新井，油井的位置、數(shù)量、需求量(產(chǎn)出量)都是影響選址問題的因素。而現(xiàn)有的油田倉庫選址研究沒有考慮油井位置等因素的不確定性，油田倉庫是為未來油井進(jìn)行服務(wù)的，若不考慮未來油井的位置分布、需求量變化等，會影響選址結(jié)果的合理性。此外，定量選址模型研究也未考慮設(shè)施中斷問題，倉儲選址是中長期決策，若發(fā)生中斷將直接或間接影響油田的生產(chǎn)工作。

為較好理解本發(fā)明的油田倉庫選址方法，現(xiàn)將現(xiàn)有油田選址研究方法和選址模型做如下介紹。如圖1所示，其為現(xiàn)有油田選址研究方法的流程圖。如圖所示，研究方法包括如下內(nèi)容：

(1)現(xiàn)狀分析。分析油田的供需關(guān)系、物流現(xiàn)狀、環(huán)境因素和人為因素等一系列可能影響選址決策的因素。

(2)建立模型?；谟吞铿F(xiàn)狀，建立使總成本最小的數(shù)學(xué)模型：

其中給定(x,y)，

約束條件為：

xij≥0(5)

式(1)表示新建倉庫的總配送成本和建設(shè)倉庫的成本之和；式(2)表示新建倉庫的總配送成本最小化，其中c0j(x,y)是關(guān)于倉庫坐標(biāo)x和y的函數(shù)，表示從新建倉庫到需求點(diǎn)j運(yùn)輸每噸運(yùn)輸物質(zhì)的最小成本；式(3)表示倉庫到需求點(diǎn)的配送量要大于或等于需求點(diǎn)的需求量；式(4)表示倉庫到需求點(diǎn)的配送量要小于或等于需求點(diǎn)的實(shí)際庫存容量；式(5)表示倉庫到需求點(diǎn)的實(shí)際配送量要大于或等于零.

(3)算法設(shè)計(jì)。根據(jù)模型的復(fù)雜程度，設(shè)計(jì)求解算法。

(4)算例分析。以油田實(shí)際問題為例，基于上述建立的模型和設(shè)計(jì)的算法求解油田倉庫選址問題，并輸出選址方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題在于，針對上述的現(xiàn)有油田選址模型的求解算法未考慮油田井位的不確定性及其對設(shè)施選址問題的影響的技術(shù)缺陷，提供了一種井位不確定環(huán)境下的油田倉庫選址方法。

根據(jù)本發(fā)明的其中一方面，本發(fā)明為解決其技術(shù)問題，提供了一種井位不確定環(huán)境下的油田倉庫選址方法，包含下述步驟：

s1、根據(jù)油田現(xiàn)有井位分布和未來鉆井規(guī)劃模擬生成未來油井分布；

s2、基于生成的未來油井分布，獲取未來油井分布的重心作為理論最優(yōu)倉庫位置；

s3、參照理論最優(yōu)倉庫位置，在其預(yù)設(shè)距離內(nèi)選取多個候選倉庫位置；

s4、根據(jù)選取的所述多個候選倉庫位置，建立離散選址模型并求解出最優(yōu)解以作為候選的油田倉庫選址方案；

s5、對選址模型做靈敏度分析，將魯棒性最好的候選的油田倉庫選址方案作為最終選取的油田倉庫位置。

進(jìn)一步的，在本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法中，步驟s1包含下述步驟：

s11、對油田的地圖進(jìn)行坐標(biāo)量化；

s12、隨機(jī)生成一組坐標(biāo)；

s13、判斷這個點(diǎn)是否在規(guī)劃的鉆井區(qū)域內(nèi)，如果是，則執(zhí)行s14；否則舍棄該組坐標(biāo)，執(zhí)行s12；

s14、判斷該點(diǎn)所在鉆井區(qū)域內(nèi)的井?dāng)?shù)是否已達(dá)到預(yù)設(shè)的最大鉆井?dāng)?shù)目，如果已達(dá)到則舍去該組坐標(biāo)，執(zhí)行s12；否則將該組坐標(biāo)計(jì)入該點(diǎn)所在鉆井區(qū)域，該點(diǎn)所在鉆井區(qū)域的鉆井?dāng)?shù)加1，執(zhí)行s15；

s15、判斷各個鉆井區(qū)域的鉆井?dāng)?shù)是否已全部達(dá)到上限，如果是執(zhí)行s16；否則執(zhí)行s12；

s16、隨機(jī)選擇一個生產(chǎn)工作區(qū)內(nèi)已正常生產(chǎn)且未來也能產(chǎn)油的井位；

s17、判斷該井位是否已被選擇，如果是，舍棄該井位并執(zhí)行s16，否則執(zhí)行s18；

s18、判斷該井位所屬生產(chǎn)工作區(qū)開放的存量井?dāng)?shù)是否已達(dá)到預(yù)設(shè)的上限，如果已達(dá)到，舍棄該井位并執(zhí)行s16；否則將開放該井位繼續(xù)產(chǎn)油，該井位所在生產(chǎn)工作區(qū)的存量井?dāng)?shù)加1，執(zhí)行s19；

s19、判斷各個生產(chǎn)工作區(qū)內(nèi)開放的存量井?dāng)?shù)是否已全部達(dá)到上限，如果是，輸出最終保留的各個井位的坐標(biāo)結(jié)果形成所述模擬的未來油井位置；否則執(zhí)行s16。

進(jìn)一步的，在本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法中，步驟s2中的包含下述步驟：

s21、根據(jù)式(1)和式(2)以及d的預(yù)設(shè)初始值，求出待選址位置的初始坐標(biāo)(a0,b0)；

s22、根據(jù)(a0,b0)和式(3)計(jì)算出d；

s23、將d代入式(1)和式(2)中，求出修正的(a,b)；

s24、根據(jù)修正的(a,b)帶入公式(3)重新計(jì)算d；

s25、重復(fù)s23與s24，直到(a,b)的變動小于預(yù)定的誤差范圍；

s26、輸出最后求得的最佳坐標(biāo)值作為最優(yōu)倉庫位置；

其中，式(1)、(2)、(3)中的字母分別表示：倉庫的位置為p(a,b)，a和b分別為倉庫的橫坐標(biāo)和縱坐標(biāo)；油井i的位置為ai(xi,yi)(i＝1,2,…,n)，xi和yi分別為油井i的橫坐標(biāo)和縱坐標(biāo)；wi為油井i的物資需求量；di為油井i與倉庫之間的距離。

進(jìn)一步的，在本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法中，步驟s3中選取候選倉庫的方法具體位置：以理論最優(yōu)倉庫位置為中心，依次在其預(yù)設(shè)的第一距離內(nèi)、第一距離至第二距離內(nèi)、第二距離至第三距離內(nèi)、…、第k距離至第(k+1)距離內(nèi)的范圍內(nèi)選取候選倉庫，直至候選倉庫數(shù)目達(dá)到預(yù)設(shè)數(shù)目。

進(jìn)一步的，在本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法中，步驟s4中的離散選址模型的目標(biāo)函數(shù)為倉庫建設(shè)費(fèi)用、物資運(yùn)輸費(fèi)用和倉庫中斷情境下的增加費(fèi)用之和；離散選址約束條件包括：確保每個油井至少被服務(wù)一次，保證每個油井的車輛進(jìn)出次數(shù)相等，確保油井由已開設(shè)的倉庫負(fù)責(zé)配送物資，要求候選倉庫的容量約束，要求每個油井物資需求量都被滿足和決策變量取值范圍約束。

進(jìn)一步的，在本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法中，步驟s4中的離散選址模型求解方法采用遺傳算法，遺傳算法包括下述步驟：

(41)獲取輸入?yún)?shù)，包括種群大小、最大迭代次數(shù)、交叉概率和變異概率；

(42)種群初始化，生成一個關(guān)于倉庫選址方案的初始種群；

(43)進(jìn)化操作，產(chǎn)生新個體和生成下一代種群；具體的，首先計(jì)算種群中每個染色體的目標(biāo)函數(shù)值和適應(yīng)度值，然后分別進(jìn)行選擇、交叉和變異操作，操作步驟如下：

s431、選擇操作：首先選擇一個適應(yīng)度值最大的個體，直接進(jìn)入下一代，然后通過輪盤賭方法在父代種群中隨機(jī)選擇n-1個個體進(jìn)入下一代，其中n種群大?。?/p>

s432、交叉操作：將種群中任意兩個不同的個體中相同位置的基因段交換，形成新的個體；

s433、變異操作：從新的個體中選出需要變異的個體，采用預(yù)設(shè)規(guī)則改變需要變異的個體中的某一基因；

(44)判斷是否滿足遺傳算法約束條件，遺傳算法約束條件是迭代次數(shù)或解的誤差是否達(dá)到設(shè)定值，若滿足，輸出遺傳算法的最優(yōu)解作為候選的油田倉庫選址方案，否則繼續(xù)進(jìn)行進(jìn)化操作。

進(jìn)一步的，在本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法中，步驟s4中的離散選址模型求解方法采用差分演化算法，差分演化算法包括下述步驟：

(41)獲取輸入?yún)?shù)，包括種群大小、最大迭代次數(shù)、交叉概率和縮放因子；

(42)種群初始化，生成一個關(guān)于倉庫選址方案的初始種群；

(43)進(jìn)化操作，產(chǎn)生新個體和生成下一代種群；具體的，首先計(jì)算種群中每個染色體的目標(biāo)函數(shù)值和適應(yīng)度值，然后分別進(jìn)行選擇、交叉和變異操作，操作步驟如下：

s431、變異操作：de/rand/1模式，變異策略如式(4)所示：

其中xw,g是從個體群winner集中隨機(jī)選取的染色體，是當(dāng)前種群中隨機(jī)挑選出的染色體且k≠r1，k≠r2，r1≠r2，vk,g是變異后的染色體，f是縮放因子；

s432、交叉操作：采用二項(xiàng)式交叉模式，交叉的如式(5)所示：

其中xj,i,g是第g代種群中第i個染色體的第j個基因位，vj,i,g和uj,i,g分別是第g代種群中變異后和交叉后的第i染色體的第j個基因位，jrand∈[1,2,…,m]為隨機(jī)選擇的值，cr是交叉概率；

s433、選擇操作：選擇過程如公式(6)所示：

其中f(x)是目標(biāo)函數(shù)，x是染色體；ui,g是第g代第i個個體經(jīng)過交叉操作后的個體；xi,g和xi,g+1表示第g和g+1代種群中第i個個體。

(44)判斷是否滿足差分演化算法約束條件，差分演化算法約束條件是迭代次數(shù)或解的誤差是否達(dá)到設(shè)定值。若滿足，輸出差分演化算法的最優(yōu)解作為候選的油田倉庫選址方案，否則繼續(xù)進(jìn)行進(jìn)化操作。

進(jìn)一步的，在本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法中，f在進(jìn)化過程中是自適應(yīng)的，它的調(diào)整是通過調(diào)整變量τ1控制的，縮放因子f的調(diào)整公式如式(7)所示：

其中randk，k＝{1,2}，服從[0,1]之間的均勻分布；τ1是常數(shù)值，代表控制參f被調(diào)整的概率；fu,g和fl,g也是常數(shù)值，分別表示控制參數(shù)f的取值上限和下限，fi,g和fi,g+1表示第g和g+1代種群中第i個個體變異操作對應(yīng)的縮放因子。

進(jìn)一步的，在本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法中，cr在進(jìn)化過程中是自適應(yīng)的，它的調(diào)整是通過調(diào)整變量τ2控制的，交叉概率cr的調(diào)整公式如式(8)所示：

其中randk，k＝{3,4}，服從[0,1]之間的均勻分布；τ2是常數(shù)值，代表控制參數(shù)cr被調(diào)整的概率；cri,g和cri,g+1表示第g和g+1代種群中第i個個體交叉操作對應(yīng)的交叉概率。

進(jìn)一步的，在本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法中，步驟s5中的靈敏度分析，改變的預(yù)設(shè)的多個影響選址決策的因素包括油井位置及油井需求。

本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法，先對未來油井位置進(jìn)行模擬，在此基礎(chǔ)上進(jìn)行選址獲取理論上最優(yōu)倉庫位置，然后根據(jù)理論上最優(yōu)倉庫位置選取多個候選倉庫位置，基于此進(jìn)行離散選址，生成選址方案，然后進(jìn)行靈敏度分析，將魯棒性最好的方案作為最優(yōu)選址位置。本發(fā)明根據(jù)油田現(xiàn)狀和規(guī)劃模擬油井位置，將油田井位的不確定性考慮進(jìn)油田倉庫的選址因素中，使得油田倉庫的更符合油田的實(shí)際情況，更加有利于油田中長期的生產(chǎn)工作。

附圖說明

下面將結(jié)合附圖及實(shí)施例對本發(fā)明作進(jìn)一步說明，附圖中：

圖1是現(xiàn)有油田選址研究方法的流程圖；

圖2是本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法的流程圖；

圖3是本發(fā)明的采用遺傳算法進(jìn)行離散選址模型求解的流程圖；

圖4是本發(fā)明的采用差分演化算法進(jìn)行離散選址模型求解的流程圖。

具體實(shí)施方式

為了對本發(fā)明的技術(shù)特征、目的和效果有更加清楚的理解，現(xiàn)對照附圖詳細(xì)說明本發(fā)明的具體實(shí)施方式。

如圖2所示，其為本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法的原理框圖。本發(fā)明的井位不確定環(huán)境下的油田倉庫選址方法，包含下述步驟：

s1、根據(jù)油田現(xiàn)有井位分布和未來鉆井位置規(guī)劃模擬生成未來油井分布。未來油井分布采用隨機(jī)生成的方法，然后從隨機(jī)生成的井位中挑選出滿足條件的井位作為未來油井位置。具體的，包含下述步驟：

s11、對油田的地圖進(jìn)行坐標(biāo)量化；

s12、隨機(jī)生成一組坐標(biāo)；

s13、判斷這個點(diǎn)是否在規(guī)劃的鉆井區(qū)域內(nèi)，如果是，則執(zhí)行s14；否則舍棄該組坐標(biāo)，執(zhí)行s12；

s14、判斷該點(diǎn)所在鉆井區(qū)域內(nèi)的井?dāng)?shù)是否已達(dá)到預(yù)設(shè)的最大鉆井?dāng)?shù)目，如果已達(dá)到則舍去該組坐標(biāo)，執(zhí)行s12；否則將該組坐標(biāo)計(jì)入該點(diǎn)所在鉆井區(qū)域，該點(diǎn)所在鉆井區(qū)域的鉆井?dāng)?shù)加1，執(zhí)行s15；

s15、判斷各個鉆井區(qū)域的鉆井?dāng)?shù)是否已全部達(dá)到上限，如果是執(zhí)行s16；否則執(zhí)行s12；

s16、隨機(jī)選擇一個生產(chǎn)工作區(qū)內(nèi)已正常生產(chǎn)且未來也能產(chǎn)油的井位；

s17、判斷該井位是否已被選擇，如果是，舍棄該井位并執(zhí)行s16，否則執(zhí)行s18；

s18、判斷該井位所屬生產(chǎn)工作區(qū)開放的存量井?dāng)?shù)是否已達(dá)到預(yù)設(shè)的上限，如果已達(dá)到，舍棄該井位并執(zhí)行s16；否則將開放該井位繼續(xù)產(chǎn)油，該井位所在生產(chǎn)工作區(qū)的存量井?dāng)?shù)加1，執(zhí)行s19；

s19、判斷各個生產(chǎn)工作區(qū)內(nèi)開放的存量井?dāng)?shù)是否已全部達(dá)到上限，如果是，輸出最終保留的各個井位的坐標(biāo)結(jié)果形成所述模擬的未來油井位置；否則執(zhí)行s16。

s2、基于生成的未來油井分布，獲取未來油井分布的重心作為理論最優(yōu)倉庫位置。最優(yōu)倉庫位置采用重心法，即計(jì)算出未來油井分布的重心，具體可采用下述步驟進(jìn)行。

s21、根據(jù)式(1)和式(2)以及d的預(yù)設(shè)初始值1，求出待選址位置的初始坐標(biāo)(a0,b0)；

s22、根據(jù)(a0,b0)和式(3)計(jì)算出d；

s23、將d代入式(1)和式(2)中，求出修正的(a,b)；

s24、根據(jù)修正的(a,b)帶入公式(3)重新計(jì)算d；

s25、重復(fù)s23與s24，直到(a,b)的變動小于預(yù)定的誤差范圍；

s26、輸出最后求得的最佳坐標(biāo)值作為最優(yōu)倉庫位置；

其中，式(1)、(2)、(3)中的字母分別表示：倉庫的位置為p(a,b)，a和b分別為倉庫的橫坐標(biāo)和縱坐標(biāo)；油井i的位置為ai(xi,yi)(i＝1,2,…,n)，xi和yi分別為油井i的橫坐標(biāo)和縱坐標(biāo)；wi為油井i的物資需求量；di為油井i與倉庫之間的距離。

s3、參照理論最優(yōu)倉庫位置，在其預(yù)設(shè)距離內(nèi)選取多個候選倉庫位置。根據(jù)油田對物資倉庫的要求，以理論最優(yōu)倉庫位置為中心，依次在其附近預(yù)設(shè)的10km、10km-20km、20km-30km，…，第k距離至第(k+1)距離的范圍內(nèi)選取候選倉庫，直至候選倉庫數(shù)目足夠。

s4、根據(jù)選取的所述多個候選倉庫，建立離散選址模型并求解出最優(yōu)解以作為候選的油田倉庫選址方案，此處不同情景下模型的最優(yōu)解對應(yīng)的候選的油田倉庫選址方案可能不同。建立的離散選址模型為基于某種情景，在本實(shí)施例中，該情形優(yōu)選為某種的井位位置(現(xiàn)有井位位置和未來鉆井位置規(guī)劃模擬生成未來油井位置)和油井物資需求量，在其他情形下也可以是其他。離散選址模型的目標(biāo)函數(shù)為倉庫建設(shè)費(fèi)用、物資運(yùn)輸費(fèi)用和倉庫中斷情境下的增加費(fèi)用之和；離散選址約束條件包括：確保每個油井至少被服務(wù)一次，保證每個油井的車輛進(jìn)出次數(shù)相等，確保油井由已開設(shè)的倉庫負(fù)責(zé)配送物資，要求候選倉庫的容量約束，要求每個油井物資需求量都被滿足和決策變量取值范圍約束。離散選址模型的求解方法具體的可采用遺傳算法或者是差分演化算法進(jìn)行。

s5、基于不同的情形下的井位分布和油井物資需求量，對離散選址模型做靈敏度分析，從上述的多個情景下候選的油田倉庫選址方案中，將魯棒性最好的候選的油田倉庫選址方案作為最終選取的油田倉庫位置。

多個候選倉庫位置是作為離散選址模型的輸入，通過模型選擇(經(jīng)過處理后)候選倉庫位置中的一個或幾個(具體數(shù)量由模型決定)作為選址方案。模型輸出的選址方案包括選址數(shù)量和選中的一個或多個倉庫位置。

參考圖3，其為本發(fā)明的采用遺傳算法進(jìn)行離散選址模型求解的流程圖。在本實(shí)施例中，步驟s4中的離散選址模型求解方法采用遺傳算法，遺傳算法主要包括下述步驟：

(41)獲取輸入?yún)?shù)，包括種群大小、最大迭代次數(shù)、交叉概率和變異概率；

(42)種群初始化，生成一個關(guān)于倉庫選址方案的初始種群。具體的，判斷步驟s3中獲取的候選倉庫位置是否滿足上述所有的離散選址約束條件，若滿足，將該個體放入種群中，否則舍棄；繼續(xù)生成新個體，直至種群中的個體個數(shù)達(dá)到種群大小。

(43)進(jìn)化操作，產(chǎn)生新個體和生成下一代種群；具體的，首先計(jì)算種群中每個染色體的目標(biāo)函數(shù)值和適應(yīng)度值，然后分別進(jìn)行選擇、交叉和變異操作，操作步驟如下：

s431、選擇操作：采用精英保留策略和輪盤賭方法，首先選擇一個適應(yīng)度值最大的個體，直接進(jìn)入下一代，然后通過輪盤賭方法在父代種群中隨機(jī)選擇n-1個個體進(jìn)入下一代，其中n種群大??；

s432、交叉操作：采用兩點(diǎn)交叉策略，將種群中任意兩個個體中相同位置的基因段交換，形成新的個體。即種群中的個體兩兩一組，一組內(nèi)的兩個個體交換相同位置的基因段；若種群為x1、x2、x3、…、xn，則交叉操作后種群變?yōu)閤1’、x2’、x3’、…、xn’，交叉操作后種群中個體數(shù)目不變。

s433、變異操作：采用單點(diǎn)變異策略，從新的個體中選出需要變異的個體，采用預(yù)設(shè)規(guī)則改變需要變異的個體中的某一基因采用預(yù)設(shè)規(guī)則改變每一個新的個體中某一基因。具體的本實(shí)施例優(yōu)選下述方法進(jìn)行：對群中所有個體以事先設(shè)定的變異概率判斷是否進(jìn)行變異，對進(jìn)行變異的個體隨機(jī)選擇變異位進(jìn)行變異。

(44)判斷是否滿足遺傳算法約束條件，遺傳算法約束條件是迭代次數(shù)或解的誤差是否達(dá)到設(shè)定值，若滿足，輸出遺傳算法的最優(yōu)解作為候選的油田倉庫選址方案，否則繼續(xù)進(jìn)行進(jìn)化操作。

參考圖4，其為本發(fā)明的采用差分演化算法進(jìn)行離散選址模型求解的流程圖。在本發(fā)明的另一實(shí)施例中，步驟s4中的離散選址模型求解方法采用差分演化算法，差分演化算法包括下述步驟：

(41)獲取輸入?yún)?shù)，包括種群大小、最大迭代次數(shù)、交叉概率和縮放因子；

(42)種群初始化，生成一個關(guān)于倉庫選址方案的初始種群。具體的，判斷步驟s3中獲取的候選倉庫位置是否滿足上述所有的離散選址約束條件，若滿足，將該個體放入種群中，否則舍棄；繼續(xù)生成新個體，直至種群中的個體個數(shù)達(dá)到種群大小。

(43)進(jìn)化操作，產(chǎn)生新個體和生成下一代種群；具體的，首先計(jì)算種群中每個染色體的目標(biāo)函數(shù)值和適應(yīng)度值，然后分別進(jìn)行選擇、交叉和變異操作，操作步驟如下：

s431、變異操作：de/rand/1模式，加入清除小生鏡技術(shù)后的變異策略如式(4)所示，變異策略如式(4)所示：

其中xw,g是從個體群winner集中隨機(jī)選取的染色體，是當(dāng)前種群中隨機(jī)挑選出的染色體且k≠r1，k≠r2，r1≠r2，vk,g是變異后的染色體，f是縮放因子；f在進(jìn)化過程中是自適應(yīng)的，它的調(diào)整是通過調(diào)整變量τ1控制的，縮放因子f的調(diào)整公式如式(7)所示：

其中randk，k＝{1,2}，服從[0,1]之間的均勻分布；τ1是常數(shù)值，代表控制參f被調(diào)整的概率；fu,g和fl,g也是常數(shù)值，分別表示控制參數(shù)f的取值上限和下限，fi,g和fi,g+1表示第g和g+1代種群中第i個個體變異操作對應(yīng)的縮放因子。

s432、交叉操作：采用二項(xiàng)式交叉模式，交叉的如式(5)所示：

其中xj,i,g是第g代種群中第i個染色體的第j個基因位，vj,i,g和uj,i,g分別是第g代種群中變異后和交叉后的第i染色體的第j個基因位，jrand∈[1,2,…,m]為隨機(jī)選擇的值，cr是交叉概率；cr在進(jìn)化過程中是自適應(yīng)的，它的調(diào)整是通過調(diào)整變量τ2控制的，交叉概率cr的調(diào)整公式如式(8)所示：

其中randk，k＝{3,4}，服從[0,1]之間的均勻分布；τ2是常數(shù)值，代表控制參數(shù)cr被調(diào)整的概率；cri,g和cri,g+1表示第g和g+1代種群中第i個個體交叉操作對應(yīng)的交叉概率。

s433、選擇操作：采用貪婪選擇，選擇過程如公式(6)所示：

其中f(x)是目標(biāo)函數(shù)，x是染色體；ui,g是第g代第i個個體經(jīng)過交叉操作后的個體；xi,g和xi,g+1表示第g和g+1代種群中第i個個體。

(44)判斷是否滿足差分演化算法約束條件，差分演化算法約束條件是迭代次數(shù)或解的誤差是否達(dá)到設(shè)定值。若滿足，輸出差分演化算法的最優(yōu)解作為候選的油田倉庫選址方案，否則繼續(xù)進(jìn)行進(jìn)化操作。

具體的，生成的初始種群是選址問題解空間內(nèi)的解(其中一個解對應(yīng)一種選址方案)，經(jīng)過進(jìn)化算法的優(yōu)化，能得到可行解空間內(nèi)最優(yōu)的解，即最優(yōu)的選址方案。

本方法考慮油田未來井位不確定這一重要特點(diǎn)，采用多種方法按照一定的順序優(yōu)化問題，未選直接決策的輸出提供依據(jù)。本發(fā)明采用采用隨機(jī)模擬方法模擬油井位置；在選取候選倉庫前，本發(fā)明首先優(yōu)化獲得理論最優(yōu)倉庫位置；分析算例時，本發(fā)明對選址模型進(jìn)行靈敏度分析；最后生成最優(yōu)選址方案。

上面結(jié)合附圖對本發(fā)明的實(shí)施例進(jìn)行了描述，但是本發(fā)明并不局限于上述的具體實(shí)施方式，上述的具體實(shí)施方式僅僅是示意性的，而不是限制性的，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明宗旨和權(quán)利要求所保護(hù)的范圍情況下，還可做出很多形式，這些均屬于本發(fā)明的保護(hù)之內(nèi)。