油气勘探越往后期走就越需要对油气资源的构造、形态、储层规模、岩性、物性等做深入分析。波阻抗反演是为了更详尽的描述储层规模、形态及物性等等。同时,现行的递推、线性、模型反演及单一智能算法很难满足日益高要求的反演需求。因此本文提出在粒子群算法的基础上联合多种智能算法进化波阻抗反演,以求为储层预测提供一种参考思路。本文首先介绍了粒子群的基本理论、基本流程,并在此基础上参考了国内外研究现状,补充了对粒子群算法的学习因子、速度边界设定、惯性权重调整的一些策略。为了进一步深入了解粒子搜索性能,重点讨论了惯性权重对粒子收敛性能的影响。通过函数试验进一步优选,搜寻相对较为优良的参数组合。值得注意点是,虽然权重因子在某种程度上可以增强算法的全局搜索性能,但无法进一步协调种群的较为精细的局部搜寻能力。通过对遗传算法的各种操作算子的一些现行改进策略的调研,对遗传算法有了一个较为全面的认识。遗传算法通过交叉、变异、随机游走不断重构、破坏基因,同借助随机游走,算法可以自适应的增加或缩小搜寻空间解的范围,尽可能避免无效的游走。但是遗传算法是在各算子的作用下缓慢向最优解逼近,同时借助交叉、变异在一定程度上算法可以将之前搜寻到的优良基因破坏掉,导致算法停滞。针对传统的粒子群算法、遗传算法在高维度问题求解上的不足,为了避免粒子早熟,提高粒子的多样性,本文提出了一种粒子群遗传融合算法,为改进粒子早熟问题提供一种可行方法。使用嵌入遗传算法,种群多样性得到丰富,借助于粒子的记忆能力优良基因得到保留。随后将改进的算法同改进之前的遗传、粒子进行函数测试,做了对比。在实际资料反演之前,进行了模型测试以及子波提取试验,以期为阻抗反演提供可行性分析,然后在此基础之上进行了实际资料阻抗反演