油田开发方案优化方法及装置与流程

本发明涉及石油勘探开发技术领域，尤其是涉及一种油田开发方案优化遗传方法及装置。

背景技术：

一般油田开发优化主要是通过油藏工程方法计算、数值模拟分析结合实际开发调整经验完成开发方案或调整方案优化设计。近年来随着计算机技术的发展，出现一些结合计算机技术的开发指标优化算法，但仅限于单一指标如井网参数或注采参数的优化，不能得到更优化的油田开发方案。

技术实现要素：

有鉴于此，本发明的目的在于提供一种油田开发方案优化方法及装置，以实现多个指标的油田开发方案协同优化，得到更加优化的油田开发方案。

第一方面，本发明实施例提供了一种油田开发方案优化方法，包括：对油田开发方案的优化指标分别进行编码并将得到的编码进行组合，得到油田开发方案的个体编码；优化指标包括以下参数中的至少两个：井位参数、井别参数、射孔和注采参数；确定适应度函数，并根据适应度函数计算个体编码的适应度；根据第n-1代种群和第n-1代种群的适应度生成目标种群，并根据目标种群依次进行交叉、变异生成第n代种群，其中，n大于等于2；获取约束条件，并判断第n代种群是否满足约束条件，如果否，重新生成第n代种群；如果是，获取终止条件，并判断第n代种群是否满足终止条件；如果不满足终止条件，根据第n代种群和第n代种群的适应度生成第n+1代种群；如果满足终止条件，选取第1代至第n代中最优的个体编码，并对最优的个体编码进行解码，得到优化的油田开发方案。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，确定适应度函数，并根据适应度函数计算个体编码的适应度的步骤，包括：从目标函数库中选取适应度函数，目标函数库中包括以下函数中的至少一种：方案累积产油量计算函数、方案含水率倒数计算函数、方案采出程度与含水率的比值计算函数和方案流场强度变异系数计算函数；根据适应度函数分别计算所有个体编码的适应度。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，根据第n-1代种群和第n-1代种群的适应度生成目标种群的步骤，包括：根据第n-1代种群的适应度计算第n-1代种群中每个个体被遗传的概率；根据概率计算每个个体的累积概率；根据累积概率逐个生成目标种群中的个体。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，根据第n-1代种群和第n-1代种群的适应度生成目标种群的步骤，包括：确定选择量目标；根据选择量目标从第n-1代种群中随机选取多个目标个体；选取多个目标个体中适应度最好的个体作为目标种群的个体之一；重复以上各步，直至目标种群的个体数量与第n-1代种群的个体数量相同。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，根据目标种群依次进行交叉、变异生成第n代种群的步骤，包括：获取交叉概率值；根据交叉概率值对目标种群进行交叉，得到交叉后的种群；获取变异概率值；根据变异概率值对交叉后的种群进行变异，生成第n代种群。

结合第一方面及其第四种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，根据交叉概率值对目标种群进行交叉，得到交叉后的种群的步骤，包括：确定目标基因，并获取目标基因在个体的位置；根据位置对目标基因进行锁定；根据交叉概率值对未被锁定的基因进行交叉。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，获取约束条件，并判断第n代种群是否满足约束条件的步骤，包括：获取约束条件，约束条件包括：井位约束条件、井别约束条件、射孔约束条件和注采约束条件中至少一种；获取第n代种群的井位参数、井别参数、射孔和注采参数，并与井位约束条件、井别约束条件、射孔约束条件和注采约束条件分别进行对比，若有任一个参数不满足约束条件，则确定第n代种群不满足约束条件。

结合第一方面，本发明实施例提供了第一方面的第七种可能的实施方式，其中，获取终止条件，并判断第n代种群是否满足终止条件的步骤，包括：获取终止条件；获取第n代种群中与终止条件对应的特征；将特征与终止条件进行对比，如果不相同，则确定第n代种群不满足终止条件。

结合第一方面，本发明实施例提供了第一方面的第八种可能的实施方式，其中，选取第1代至第n代中最优的个体编码，并对最优的个体编码进行解码，得到优化的油田开发方案的步骤，包括：分别获取第1代至第n代中的最优个体编码；从多个最优个体编码中选取最优的个体编码；对最优的个体编码进行解码，得到优化的油田开发方案。

第二方面，本发明实施例还提供一种油田开发方案优化装置，包括：编码模块，用于对油田开发方案的优化指标分别进行编码并将得到的编码进行组合，得到油田开发方案的个体编码；优化指标包括以下参数中的至少两个：井位参数、井别参数、射孔和注采参数；计算模块，用于确定适应度函数，并根据适应度函数计算个体编码的适应度；遗传模块，用于根据第n-1代种群和第n-1代种群的适应度生成目标种群，并根据目标种群依次进行交叉、变异生成第n代种群，其中，n大于等于2；有效性检验模块，用于获取约束条件，并判断第n代种群是否满足约束条件，如果否，遗传模块重新生成第n代种群；如果是，终止判断模块，用于获取终止条件，并判断第n代种群是否满足终止条件；如果不满足终止条件，遗传模块根据第n代种群和第n代种群的适应度生成第n+1代种群；如果满足终止条件，解码模块选取第1代至第n代中最优的个体编码，并对最优的个体编码进行解码，得到优化的油田开发方案。

本发明实施例带来了以下有益效果：本发明实施例提供了一种油田开发方案优化方法及装置，对油田开发方案的核心优化指标井位参数、井别参数、射孔和注采参数中的至少两个综合考虑，以使油田开发方案得到优化，具体包括：对油田开发方案的优化指标分别进行编码并将得到的编码进行组合，得到油田开发方案的个体编码，确定用于计算个体编码适应度的适应度函数，以对各个体编码进行评价，根据第n-1代种群和第n-1代种群的适应度生成目标种群，对目标种群再进行交叉和变异，以生成新一代种群，对于每一代新生成的种群，通过约束条件进行有效性判断，如果不满足有效性，则重新生成新一代种群，直至得到满足约束条件的种群，根据满足约束条件的种群的特征判断该种群是否满足终止条件，如果不满足，则根据当前种群和当前种群的适应度生成下一代种群，直至得到具有有效性且满足终止条件的种群，根据对比各代种群的个体编码，得到最优的个体编码，对该最优的个体编码进行解码，可以得到优化的油田开发方案。本发明实现了多指标的油田开发方案协同优化，并可灵活扩展，得到更优化的油田开发方案，能够极大促进油藏整体开发指标自动优化的计算机实现。

本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的油田开发方案优化方法流程图；

图2为本发明实施例提供的油田开发方案优化方法的一种含有锁定的基因的交叉过程示意图；

图3为本发明实施例提供的油田开发方案优化方法的一种实施流程示意图；

图4为本发明实施例提供的油田开发方案优化方法的设置个体约束条件操作示意图；

图5为本发明实施例提供的油田开发方案优化方法的设置算法参数操作示意图；

图6为本发明实施例提供的油田开发方案优化方法的最优方案的解码界面；

图7为本发明实施例提供的油田开发方案优化方法的油田工区数值模型图；

图8为本发明实施例提供的油田开发方案优化装置结构框图。

图标：

81-编码模块；82-计算模块；83-遗传模块；84-有效性检验模块；85-终止判断模块；86-解码模块。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，对整体油藏开发指标优化方法仅限于仅限于单一指标如井网或注采参数的优化，且仅限于理论和模式，未量化和形成可执行的计算程序。另外，对于实际油田开发设计中存在的已投产井，不能很好地考虑其影响。基于此，本发明实施例提供的一种油田开发方案优化方法及装置，可以实现多指标的油田开发方案的协同优化，且能够在优化过程中考虑现有设备的约束问题，极大地促进油藏整体开发指标自动优化的计算机实现。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种油田开发方案优化方法进行详细介绍。

实施例1

本发明实施例1提供了一种油田开发方案优化方法，参见图1所示的油田开发方案优化方法流程图，该方法包括：

步骤s102，对油田开发方案的优化指标分别进行编码并将得到的编码进行组合，得到油田开发方案的个体编码；优化指标包括以下参数中的至少两个：井位参数、井别参数、射孔和注采参数。

油田开发方案的优化指标可以包括多种类别，例如：井位参数、井别参数、射孔和注采参数等核心变量。每种方案中至少包括以上两种优化指标。对每种方案中的各指标分别进行编码，并将得到的编码进行组合，得到个体编码，该个体编码对应一个完整的开发方案。种群由一定数目的个体组成，单个个体为一个完整的开发方案。得到的所有个体编码组成第1代种群。

步骤s104，确定适应度函数，并根据适应度函数计算个体编码的适应度。

适应度函数用于筛选上一代种群中的目标个体，即优秀的油田开发方案，以通过遗传算法，得到更加优秀的油田开发方案。适应度函数可以根据个体编码中包含的多种优化指标的信息计算该个体编码的适应度。计算种群的适应度即计算种群中所有个体的适应度，个体适应度为判断个体优劣的唯一指标。

步骤s106，根据第n-1代种群和第n-1代种群的适应度生成目标种群，并根据目标种群依次进行交叉、变异生成第n代种群，其中，n大于等于2。

例如，可以根据第1代种群的适应度在第1代种群中选择个体编码，得到目标种群。对目标种群进行交叉、变异可以得到第2代种群。其中，n表示种群的代数，取值为大于等于2的正整数。

步骤s108，获取约束条件，并判断第n代种群是否满足约束条件，如果否，重新生成第n代种群。

约束条件可以为实际操作问题的约束，也可以是为保证新一代种群在合理范围内的约束。其中，实际操作问题的约束，例如，有些已存在的井位，在优化油田开发方案的过程中，其位置数据不可改变；为保证新一代种群在合理范围内的约束，例如，某井位只能在一定位置范围内设置，约束条件可以设置为该位置范围。利用软件对新一代种群进行有效性检验，使用约束条件分别检验井别、井位、射孔和注采参数的有效性，避免遗传操作过程中产生不合理或突破约束条件的个体。

每生成新一代种群都需要进行有效性验证，如果不能通过有效性检验，需重新经选择、交叉、变异的过程生成新一代种群。

步骤s110，如果是，获取终止条件，并判断第n代种群是否满足终止条件；如果不满足终止条件，根据第n代种群和第n代种群的适应度生成第n+1代种群。

对通过有效性检验的种群，需要检验其是否满足终止条件，以确定遗传算法结束或持续的时间。如果新一代种群不满足终止条件，需根据当前种群及当前种群的适应度生成下一代种群。其中，终止条件是预设置的，判断时，获取预设的终止条件即可。

步骤s112，如果满足终止条件，选取第1代至第n代中最优的个体编码，并对最优的个体编码进行解码，得到优化的油田开发方案。

若当前种群满足终止条件，则选取当前及之前每一代种群中最优的个体编码。最优的个体编码根据适应度从各代种群中选出。对最优的个体编码进行解码，可以得到优化的油田开发方案。

本发明实施例提供了一种油田开发方案优化方法，对油田开发方案的核心优化指标井位参数、井别参数、射孔和注采参数中的至少两个综合考虑，以使油田开发方案得到优化，具体包括：对油田开发方案的优化指标分别进行编码并将得到的编码进行组合，得到油田开发方案的个体编码，确定用于计算个体编码适应度的适应度函数，以对各个体编码进行评价，根据第n-1代种群和第n-1代种群的适应度生成目标种群，对目标种群再进行交叉和变异，以生成新一代种群，对于每一代新生成的种群，通过约束条件进行有效性判断，如果不满足有效性，则重新生成新一代种群，直至得到满足约束条件的种群，根据满足约束条件的种群的特征判断该种群是否满足终止条件，如果不满足，则根据当前种群和当前种群的适应度生成下一代种群，直至得到具有有效性且满足终止条件的种群，根据对比各代种群的个体编码，得到最优的个体编码，对该最优的个体编码进行解码，可以得到优化的油田开发方案。本发明实现了多指标的油田开发方案协同优化，并可灵活扩展，得到更优化的油田开发方案，能够极大促进油藏整体开发指标自动优化的计算机实现。

为了选取一代种群中的优秀个体，需要一定的评价标准，可以使用适应度函数，作为评价标准。为了对种群中的个体进行合理的评价，需要根据具体的情况选用最合适的适应度函数。具体可参考如下步骤：

确定适应度函数，并根据适应度函数计算个体编码的适应度的步骤，包括：从目标函数库中选取适应度函数，目标函数库中包括以下函数中的至少一种：方案累积产油量计算函数、方案含水率倒数计算函数、方案采出程度与含水率的比值计算函数和方案流场强度变异系数计算函数；根据适应度函数分别计算所有个体编码的适应度。

目标函数库用于存储可用的适应度函数，包括方案累积产油量计算函数、方案含水率倒数计算函数、方案采出程度与含水率的比值计算函数和方案流场强度变异系数计算函数中至少一种，根据需要评价的参数或考虑不同参数在计算上的简便，可以从目标函数库中选取适一种应度函数。

使用以上函数值作为适应度，其中，除流场强度变异系数外均可通过数值模拟方法或油藏工程方法计算得到；流场强度变异系数需经由提取数值模拟方法模拟数据体相关数据计算得到。

遗传过程由选择、交叉、变异三步组成。其中，选择的步骤可以选用轮盘赌选择法、随机遍历抽样法或锦标赛选择法，也可以选用其结合，具体的选择步骤为：

根据第n-1代种群和适应度生成目标种群的步骤，使用轮盘赌选择法包括：

(1)计算第n-1代种群中每个个体被遗传的概率。

计算出群体中每个个体的适应度f(i＝1，2，…，n)，n为群体大小；计算出每个个体被遗传到下一代群体中的概率p(xi)：

(2)根据概率计算每个个体的累积概率：

(3)根据累积概率逐个生成目标种群中的个体。

在[0，1]区间内产生一个均匀分布的伪随机数r，若r<q[1]，则选择个体1，否则，选择个体k，使得：q[k-1]<r≤q[k]成立；

按以上轮盘赌步骤循环n次，得到经过选择产生的下一代群体。

也可使用随机遍历抽样法对种群进行选择，具体步骤包括：像轮盘赌一样计算选择概率，只是在随机遍历选择法中等距离的选择体，设n为需要选择的个体数目，等距离的选择个体，选择指针的距离是1/n，第一个指针的位置由[0，1/n]的均匀随机数决定。

根据第n-1代种群和适应度生成目标种群的步骤，使用锦标赛选择法包括：

(1)确定选择量目标。即确定每次选择的个体数量，可以使用占种群个数的百分比的形式表示。

(2)根据选择量目标从第n-1代种群中随机选取多个目标个体。目标个体是种群中适应度值较好的个体，根据目标选择量目标确定目标个体的数量。从种群中随机按照选择量目标选择目标个体(每个个体入选概率相同)构成组。

(3)选取多个目标个体中适应度最好的个体作为目标种群的个体之一。根据每个个体的适应度值，选择其中适应度值最好的个体作为目标种群的个体之一。

重复以上各步，直至目标种群的个体数量与第n-1代种群的个体数量相同。锦标赛方法选择策略每次从种群中取出一定数量个体，然后选择其中最好的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模。

锦标赛选择策略每次是从几个个体中选择最好的个体进入子代种群，因此可以通用于最大化问题和最小化问题，不像轮盘赌选择策略那样，在求解最小化问题的时候还需要将适应度值进行转换。因此采用锦标赛选择法时，在用如含水率作为适应度时，可直接用含水率数值，而不需要用含水率倒数。以上选择算法技术人员可结合项目实际情况进行选择。

在选择得到目标群体后，还包括交叉和变异的步骤才能得到新一代的种群，具体执行以下步骤：

根据目标种群依次进行交叉、变异生成第n代种群的步骤，包括：

(1)获取交叉概率值；根据交叉概率值对目标种群进行交叉，得到交叉后的种群。交叉概率值需要提前设置并存储，参见图5所示的油田开发方案优化方法的设置算法参数操作示意图，获取预先输入的交叉概率值。交叉，就是把两个父体部分结构加以替换，生成新的个体的操作。按照交叉概率值对目标种群进行交叉，可以得到交叉后的种群。交叉算子是遗传算法的核心。常用的交叉算法有单点交叉、两点交叉、多点交叉、融合交叉、均匀交叉等。

(2)获取变异概率值；根据变异概率值对交叉后的种群进行变异，生成第n代种群。

变异概率值也需要提前设置并存储，参见图5所示的油田开发方案优化方法的设置算法参数操作示意图，获取预先输入的变异概率值。同交叉算子的处理方式，在变异算子中，变异基因的位置随机产生。

考虑到实际约束条件，本发明提出了考虑约束条件的交叉算子。具体的方法为：为个体编码设置“基因锁定状态”属性，被锁定的基因不参与交叉，交叉点仅在未锁定的基因段内产生。具体执行步骤：

参见图2所示的油田开发方案优化方法的一种含有锁定的基因的交叉过程示意图，根据交叉概率值对目标种群进行交叉，得到交叉后的种群的步骤，包括：

确定目标基因，并获取目标基因在个体的位置；根据位置对目标基因进行锁定；根据交叉概率值对未被锁定的基因进行交叉。

目标基因即为要控制的基因，基因在个体上都有可以识别的位置，获取目标基因的位置，并进行锁定。被锁定的目标基因不参与交叉。例如方案区内中有两口已投产井，根据现场技术要求，部分已投井在优化过程中不可改变井别，同时已投产井的井位也是不可改变的，则交叉操作时不可对这部分井的井别和井位基因段进行交叉。被选定的两个个体编码见表1的考虑约束的个体编码示例表所示。

表1

考虑了井别和井位约束的个体1和个体2在单点交叉时的交叉过程参见图2所示：父代中表示井别和井位的基因位为锁定状态，被锁定的基因不参与交叉，从交叉点起之后未锁定的基因进行交叉操作。其中，单点交叉交叉点位置随机产生，多点随机交叉交叉点数及交叉点位置均随机产生。被锁定的基因也不参与变异的步骤。

对当前种群进行一轮选择、交叉、变异操作，则产生下一代种群。交叉概率与变异概率由技术人员根据项目要求和经验确定，建议交叉概率>0.8，建议变异概率0.06左右。

考虑到实际问题的多重约束条件，本发明还包括有效性检验的步骤，种群有效性检验，旨在检验又遗传操作产生的下一代种群中所有个体是否满足个体约束条件。具体可以按照如下步骤执行：

获取约束条件，并判断第n代种群是否满足约束条件的步骤，包括：获取约束条件，约束条件包括：井位约束条件、井别约束条件、射孔约束条件和注采约束条件中至少一种；获取第n代种群的井位参数、井别参数、射孔和注采参数，并与井位约束条件、井别约束条件、射孔约束条件和注采约束条件分别进行对比，若有任一个参数不满足约束条件，则确定第n代种群不满足约束条件。

井位的有效性检验：检验子代种群中个体井位，①是否满足井位锁定约束条件；②是否在工区叠合含油面积内；③是否满足井间最小井距和最大井距约束。

井别的有效性检验：检验子代种群中个体井别是否满足井别锁定约束条件。

射孔的有效性检验：检验子代种群中个体射孔，①是否满足射孔锁定约束条件；②是否满足射孔层数范围约束条件；③所有射孔点是否落在含油面积内。

注采参数的有效性检验：检验子代种群中个体注采参数，①是否满足注采参数锁定约束条件；②是否满足单井注采参数数值范围约束条件；③是否满足全区注采平衡约束条件；④是否满足全区注采参数数值范围约束条件。

根据有效性检验要包括的项目，分别生成井位约束条件、井别约束条件、射孔约束条件和注采约束条件。获取并将第n代种群的井位参数、井别参数、射孔和注采参数分别与约束条件的相关数据进行对比，如果有任一项不满足约束条件，则确定第n代种群未通过有效性检验。

为了及时获取遗传结果，得到更优秀的油田开发方案，降低不必要的计算量，需要设置终止条件，使遗传过程达到需要的效果后即可停止。具体操作，可以执行以下步骤：

获取终止条件，并判断第n代种群是否满足终止条件的步骤，包括：获取终止条件；获取第n代种群中与终止条件对应的特征；将特征与终止条件进行对比，如果不相同，则确定第n代种群不满足终止条件。

终止条件可以为以下任一种：①设置最大遗传代数；②跟据个体差异来判断，即种群中个体基因的相似程度达到某一设定值时终止遗传；③跟据适应度函数稳定性确定是否终止。

为了获取更加优秀的油田开发方案，可以从各代的个体编码中选择适应度最高的个体编码，将该个体编码进行解码即可得到优化的油田开发方案。具体执行以下步骤：

选取第1代至第n代中最优的个体编码，并对最优的个体编码进行解码，得到优化的油田开发方案的步骤，包括：分别获取第1代至第n代中的最优个体编码；从多个最优个体编码中选取最优的个体编码；对最优的个体编码进行解码，得到优化的油田开发方案。

经过遗传迭代，并根据适应度选取每一代群体中的最优个体编码，从各代最优个体编码中选择最优的个体编码，该个体编码的适应度在各代所有的个体编码中最高，对该最优的个体编码进行解码，可以得到协同了多个指标变量的油田开发方案。

现有优化算法包括遗传优化算法应用于本专业领域时仅考虑井位或注采参数等单因素的优化，本方法实现了多指标的油田开发方案协同优化，并可灵活扩展；本算法同时考虑了实际油田开发设计中存在的井位、井别、射孔和注采参数的约束问题。能够极大促进油藏整体开发指标自动优化的计算机实现。

实施例2

本发明实施例2提供了一种油田开发方案优化方法，参见图7所示的油田开发方案优化方法的油田工区数值模型图，模型维数189×210×7；工区内现有两口生产井分别为y5p1-1和yx5；纵向上分为7层，其中第1、3、5、7为储层，第2、4、6层为泥岩隔层，各层含油面积存在差异(由各层有效网格范围确定)；y5p1-1打开层位为第3层，yx5打开层为第3层。现需要对该区编制开发方案，方案拟部署5口新井，其中生产井3口、注水井2口。现需要对方案进行优化设计，设计内容包括新井井位、井别、各井打开层位和井的合理注采参数。

对该区开发方案进行优化，首先基于本发明的方法编制基于数值模拟数据体的开发方案优化软件，接下来进行以下步骤，参见图3所示的油田开发方案优化方法的一种实施流程示意图，：

1)建立初始种群，实现初始种群的遗传编码

采用二进制编码形式，利用软件对实际问题，如方案井别、井位、射孔参数、注采参数进行编码，并将方案井编码进行组合，形成个体编码，得到初始种群。利用软件设置井位、井别、射孔和注采参数约束条件，参见图4所示的油田开发方案优化方法的设置个体约束条件操作示意图。

2)计算种群适应度

选择以个体预测一定时间后的区块累积产油量作为个体适应度，适应度采用数值模拟方法预测获得。

3)遗传过程，产生下一代种群

基于计算软件，跟据当前种群中个体适应度指标，经过选择、交叉、变异过程，产生下一代种群。遗传操作过程中考虑了个体约束，被锁定的基因位不参与交叉和变异操作。

4)种群有效性检验

利用软件进行下代种群的有效性检验，分别检验井别、井位、射孔和注采参数的有效性，避免遗传操作过程中产生不合理或突破约束条件的个体。

5)终止条件

软件设置初始种群大小20、遗传代数50，第50代个体计算完成后自动终止。软件算法设置界面参见图5所示的油田开发方案优化方法的设置算法参数操作示意图。

6)最优个体解码，得到优化方案

软件计算过程中保存每一代最优个体及当前最优个体，在最后一代计算结束后返回最优个体，并对最优个体进行解码得到最优方案。最优方案获取及解码界面参见图6所示油田开发方案优化方法的最优方案的解码界面。

实施例3

本发明实施例3提供了一种油田开发方案优化装置，参见图8所示的油田开发方案优化装置结构框图，该装置包括：

编码模块81，用于对油田开发方案的优化指标分别进行编码并将得到的编码进行组合，得到油田开发方案的个体编码；优化指标包括以下参数中的至少两个：井位参数、井别参数、射孔和注采参数；计算模块82，用于确定适应度函数，并根据适应度函数计算个体编码的适应度；遗传模块83，用于根据第n-1代种群和第n-1代种群的适应度生成目标种群，并根据目标种群依次进行交叉、变异生成第n代种群，其中，n大于等于2；有效性检验模块84，用于获取约束条件，并判断第n代种群是否满足约束条件，如果否，遗传模块重新生成第n代种群；如果是，终止判断模块85，用于获取终止条件，并判断第n代种群是否满足终止条件；如果不满足终止条件，遗传模块根据第n代种群和第n代种群的适应度生成第n+1代种群；如果满足终止条件，解码模块86选取第1代至第n代中最优的个体编码，并对最优的个体编码进行解码，得到优化的油田开发方案。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。