本文主要研究了粒子群优化算法(PSO)和径向基函数神经网络(RBF)两方面内容。作为群智能演化算法的一种,粒子群凭借其原理简单易于实现,同时能够处理一些传统方法不能处理的问题,如不可导的节点传递函数或者梯度信息不存在之类的问题,广泛应用于神经网络训练、函数优化、模糊系统控制等诸多领域并取得了较好的效果。RBF神经网络是一种前馈神经网络,可以很好地克服传统神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,具有较快的运算速度、较强的非线性映射能力和较好的预测效能,因而在储层参数预测中具有广阔的应用前景。本文将PSO算法与RBF神经网络有机结合,构建一个结构简单,稳定性强,鲁棒性高的人工智能神经网络,并结合实际地震资料,提取地震属性,预测储层参数。粒子群优化算法通过各粒子之间相互协作并共享信息对问题进行优化,其优势在于简单容易实现并且没有许多参数的调节。但是,标准的粒子群优化算法也存在早熟收敛、局部寻优能力较差等缺陷。针对以上不足,从更新公式,优化方式以及基于认知多样性变异三方面对算法进行改进。在更新公式中引用线性递减的惯性权重系数以及柯西分布和高斯分布的随机函数;采用逆序协同优化异步实现策略提高算法解决更高维度问题的能力;充分利用个体认知多样性,使个体最优以一定概率发生变异,带领群体逃离局部最优,收敛到全局。Benchmark function测试表明改进的粒子群算法优于其他优化算法。模型数据和实际地震数据反演精度较高、反演剖面横向连续性好、纵向分辨率较高、层间内部沉积、断层和分界面刻画清晰,证实了该算法具有很强的全局搜索能力和抗噪能力。本文首先对输入属性样本的预处理本文采用了起降维作用的k-l变换,然后模糊聚类分析提供隐层节点数、基中心和方差等网络参数,最后利用改进的粒子群算法优化出网络权值。标准测试集数据和砂体厚度预测的实际应用证实了该网络的可行性和实用价值,同时预测精度较高。