基于多目标遗传算法的露天矿卡车调度方法技术

本发明专利技术公开了一种基于多目标遗传算法的露天矿卡车调度方法，包括以下步骤：步骤一：采集矿区生产要素基本信息；步骤二：根据步骤一采集的矿区生产要素基本信息，以卡车总运输量和卡车非作业时间最小为目标，以矿山各生产要素和生产原则为约束，建立多目标数学模型，即为车辆规划模型；步骤三：利用多目标遗传算法NSGA

【技术实现步骤摘要】
基于多目标遗传算法的露天矿卡车调度方法


[0001]本专利技术涉及一种基于多目标遗传算法的露天矿卡车调度方法。

技术介绍

[0002]矿业历经了机械化、自动化时代，如今正步入智慧化时代，智能化和数字化是矿山发展的趋势，其中卡车调度的优化是露天矿山智能化建设的研究热点。在露天矿的开采过程中，卡车的运输费用占了整个矿山生产成本的50％以上，卡车的非作业时间占了30％以上，合理高效地利用矿山设备不但可以减少对设备的损耗，也能进一步降低矿山的生产成本，有效提升企业的市场竞争能力。
[0003]国内外对露天矿卡车调度方法研究的文献较多，有White J W提出来的两阶段法，该方法在LINGO上用数学方法求解线性规划模型，用动态规划求解实时调度模型；上个世纪70年代末，由美国Modular公司开发的DISPATCH的调度系统就已经应用到实际的露天矿中，有Souza等提出的混合式启发算法，有赵勇等提出的基于流率饱和度的露天矿卡车调度，有邢军等提出的基于产量完成饱和度的露天矿卡车调度。
[0004]这些研究大多数基于矿山单个指标建立单目标车流规划模型对卡车进行调度，而企业通常需要解决涉及多个目标的问题，这些目标往往相互冲突，需要寻求最优的方案。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提供一种算法简单、工作效率高的基于多目标遗传算法的露天矿卡车调度方法。
[0006]本专利技术解决上述问题的技术方案是：一种基于多目标遗传算法的露天矿卡车调度方法，包括以下步骤：
[0007]步骤一：采集矿区生产要素基本信息；
[0008]步骤二：根据步骤一采集的矿区生产要素基本信息，以卡车总运输量和卡车非作业时间最小为目标，以矿山各生产要素和生产原则为约束，建立多目标数学模型，即为车辆规划模型；
[0009]步骤三：利用多目标遗传算法NSGA
‑
III求解车辆规划模型，求解出当前场景下完成矿山任务需要启用的最少卡车数量以及理想的车流规划。
[0010]上述基于多目标遗传算法的露天矿卡车调度方法，所述步骤一中，采集的矿区生产要素基本信息包括：
[0011]装载点集合A
i
，i＝1,2,
…
,m，i表示第i装载点，m为装载点总数；
[0012]第i个装载点矿石存储量为Q
1i
，第i个装载点岩石存储量为Q
2i
，第i个装载点矿山品位为P
i
；
[0013]卸载点集合B
j
，j＝1,2,
…
,n，j表示第j卸载点，n为卸载点总数，卸载点包括n1个破碎站和n2个渣场；
[0014]第j个卸载点一个班时产量的最低需求量为Q
3j
，第j
′
个破碎站的品位要求上限为
Q
4j
′
，第j
″
个破碎站的品位值要求下限为Q
5j
″
；
[0015]卡车集合C
z
，z＝1,2,
…
,k，z表示第z分区，k为卸载点总数；
[0016]装载点A
i
到卸载点B
j
的距离为d
ij
；卡车的容量为C；
[0017]卡车满载最大速度为V1，空载最大速度为V2；
[0018]矿山工作一个班时为T。
[0019]上述基于多目标遗传算法的露天矿卡车调度方法，所述步骤二中，构造的车辆规划模型为：
[0020]模型的每一个目标函数由一个函数表示，所有的调度参数统称为X，构建的多目标优化目标函数如下：
[0021]F(X)＝Min[F1(X),F2(X)][0022]目标函数F1(X)为总运输量，F2(X)为卡车非作业时间，X
ijz
为车辆规划模型的解，表示第z辆卡车从第i个装载点到第j个卸载点次数：
[0023][0024][0025]上述基于多目标遗传算法的露天矿卡车调度方法，所述步骤二中，设定构造的车辆规划模型约束条件为：
[0026]1)卡车从装载点运输出去的总量不超过装载点的存储量：
[0027][0028][0029]2)产量不低于卸载点的最低需求：
[0030][0031]3)一个班时内，不超过装载点的最大装车次数：
[0032][0033]4)一个班时内，不超过卸载点的最大卸车次数：
[0034][0035]5)满足破碎站的品位限制：
[0036][0037][0038]6)卡车运行一个周期的时间包括重车行驶时间、空车行驶时间、卡车在装载点的装载时间、卡车在卸载点的卸载时间；超过道路的饱和度，卡车在装载点或者卸载点会排队等候，在装载点i和卸载点j之间的道路上运行一趟的时间为T
2ij
，从i号装载点到j号卸载点最多能同时运行的卡车数为A
ij
，一个班次中，每辆卡车在这条路线上最多可以运行的次数为B
ij
，则：
[0039][0040][0041][0042][0043]7)不超过卡车数量：
[0044][0045]上述基于多目标遗传算法的露天矿卡车调度方法，所述步骤三中，多目标优化问题，目标往往是冲突的，需要找到平衡的折中解，因此引入Pareto最优化理论：如果解x1在所有目标函数上的效果都比x2好，则称x1支配x2，如果在解集中，不存在任何一个解支配x1，则称x1为非支配解，所有的非支配解在笛卡尔坐标系下构成一个Pareto前沿面；
[0046]对车辆规划模型的解算，采用的是NSGA
‑
III算法，这是一种基于参考点的多目标进化算法，算法核心思想如下：
[0047](1)归一化：
[0048]遍历M个目标函数在每个目标维度t的最小值，构成最小数值集合按照下式标量化集合中的数值，将目标函数f
t
(x)转化为f
’
t
(x)：
[0049][0050]ST表示种群个体；
[0051]完成这一步后，接下来寻找极值点，为归一化做准备，用到一个名为ASF的函数，该函数定义如下，W为坐标轴的单位方向向量：
[0052][0053]W
t
表示坐标轴的单位方向向量W维度t的值，max
t:M
表示M个目标函数中每个目标函数在t个目标维度中的最大值；
[0054]接着遍历每个目标函数，找到使得ASF数值最小的个体，这些个体就是极值点，然后根据这些点的具体函数值，计算出对应坐标轴上的截距，截距的实际意义是每个坐标点在对应坐标轴上的坐标值，将其记录为a
t
，得到a
t
和Z
t
的具体数值以后，计算归一化的公式
如下所示：
[0055][0056](2)参考点的确定：
...

【技术保护点】

【技术特征摘要】
1.一种基于多目标遗传算法的露天矿卡车调度方法，其特征在于，包括以下步骤：步骤一：采集矿区生产要素基本信息；步骤二：根据步骤一采集的矿区生产要素基本信息，以卡车总运输量和卡车非作业时间最小为目标，以矿山各生产要素和生产原则为约束，建立多目标数学模型，即为车辆规划模型；步骤三：利用多目标遗传算法NSGA
‑
III求解车辆规划模型，求解出当前场景下完成矿山任务需要启用的最少卡车数量以及理想的车流规划。2.根据权利要求1所述的基于多目标遗传算法的露天矿卡车调度方法，其特征在于，所述步骤一中，采集的矿区生产要素基本信息包括：装载点集合A
i
，i＝1,2,
…
,m，i表示第i装载点，m为装载点总数；第i个装载点矿石存储量为Q
1i
，第i个装载点岩石存储量为Q
2i
，第i个装载点矿山品位为P
i
；卸载点集合B
j
，j＝1,2,
…
,n，j表示第j卸载点，n为卸载点总数，卸载点包括n1个破碎站和n2个渣场；第j个卸载点一个班时产量的最低需求量为Q
3j
，第j
′
个破碎站的品位要求上限为Q
4j
′
，第j
″
个破碎站的品位值要求下限为Q
5j
″
；卡车集合C
z
，z＝1,2,
…
,k，z表示第z分区，k为卸载点总数；装载点A
i
到卸载点B
j
的距离为d
ij
；卡车的容量为C；卡车满载最大速度为V1，空载最大速度为V2；矿山工作一个班时为T。3.根据权利要求2所述的基于多目标遗传算法的露天矿卡车调度方法，其特征在于，所述步骤二中，构造的车辆规划模型为：模型的每一个目标函数由一个函数表示，所有的调度参数统称为X，构建的多目标优化目标函数如下：F(X)＝Min[F1(X),F2(X)]目标函数F1(X)为总运输量，F2(X)为卡车非作业时间，X
ijz
为车辆规划模型的解，表示第z辆卡车从第i个装载点到第j个卸载点次数：辆卡车从第i个装载点到第j个卸载点次数：4.根据权利要求3所述的基于多目标遗传算法的露天矿卡车调度方法，其特征在于，所述步骤二中，设定构造的车辆规划模型约束条件为：1)卡车从装载点运输出去的总量不超过装载点的存储量：
2)产量不低于卸载点的最低需求：3)一个班时内，不超过装载点的最大装车次数：4)一个班时内，不超过卸载点的最大卸车次数：5)满足破碎站的品位限制：5)满足破碎站的品位限制：6)卡车运行一个周期的时间包括重车行驶时间、空车行驶时间、卡车在装载点的装载时间、卡车在卸载点的卸载时间；超过道路的饱和度，卡车在装载点或者卸载点会排队等候，在装载点i和卸载点j之间的道路上运行...

【专利技术属性】
技术研发人员：谭正华，宋港国，曾小英，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：