基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法技术

本发明专利技术公开了一种基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法，综合卡车在调度运输过程中的各项成本，以装载点的最大产量、卸载点的最大承载量、卡车装卸时间及品位要求、充电要求等为约束条件，制定一个可行的方案使能够参与工作的各机械设备在规定时间内完成计划任务，同时可使综合费用、卡车总等待时间、卡车耗电费用及卸载点品位偏差率达到最低。本方法提出了一种基于数据驱动的神经网络代理辅助进化算法，并引入神经网络的代理辅助模型进行预测。神经网络代理模型可有效训练数据集和指导种群优化过程。在线数据驱动的方法也可使历史最优数据集模型向更精确的搜索方向递进，使优化过程更加可靠，同时加快计算速度。算速度。算速度。

【技术实现步骤摘要】
基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法


[0001]本专利技术属于矿业系统工程及矿山优化
，特别涉及一种基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法。

技术介绍

[0002]近年来，随着物联网，5G通信，大数据和人工智能技术的成熟，基于无人驾驶卡车的露天矿智能调度系统已成为矿山智能化建设的趋势。矿车作为露天矿的主要运输工具，相比于传统露天矿开采模式存在的诸多问题，如司机的安全问题、整个矿山对司机的管理等，使用无人驾驶卡车技术，一方面可以节约生产成本，另一方面也有助于提升露天开采效益。矿车的运输费用约占矿山运营成本的30％
‑
40％，因此减少矿山企业生产成本，提高效益最行之有效的方法就是优化卡车调度，其本质是合理分配车辆和运输路线。如何在现有约束条件下实现低本高效生产，实现新型露天矿无人驾驶卡车的车流分配调度，是每个矿山企业亟需解决的关键问题。

技术实现思路

[0003]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法，将神经网络代理辅助模型并引入到进化算法中，通过历史数据的训练和模型管理策略，不断修正神经网络的网络权值和阈值使误差函数沿负梯度方向下降，从而逼近期望输出，指导种群优化。使模型的预测结果更加准确，同时加快计算速度，最终获得良好的露天矿无人卡车调度方案。
[0004]为了实现上述目的，本专利技术采用的技术方案是：
[0005]一种基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法，包括以下步骤：
[0006]步骤(1)，确定露天矿山调度生产实际要求和指标，至少包括露天矿山装卸载点数量、无人卡车数量、装卸载点间距离、各装载点的矿石含量、班次时长、卸载点卸矿总量、无人卡车重载花费、无人卡车空载花费、维修费用、运载速度、品位偏差率以及充电能力要求；
[0007]步骤(2)，以总运输成本最小、总等待时间最小、耗电费用最小及卸载点品位偏差率最小为目标，以装载点的出矿能力、卸载点的卸矿能力、装载点最大装车次数、卸载点卸矿总量、卸载点品位限制及无人卡车电量为约束，构建露天矿无人卡车多目标调度优化模型；
[0008]步骤(3)，对无人卡车调度过程中的每个个体，通过使用至少包括历史运输成本、等待时间、耗电费用及品位偏差率的露天矿实际生产数据集训练预设的神经网络，从而建立每个个体的神经网络代理辅助模型；
[0009]步骤(4)，在模型管理策略中，采用基于逻辑回归的约束修正策略、随机排序策略和个体采样策略，以减少神经网络对适应度值的预测误差，得到改进后的神经网络代理辅助模型；
[0010]步骤(5)，在进化优化算法中，通过快速非支配排序和拥挤度距离估计的方法，选择适应度值较优的个体；通过交叉变异策略增加种群的多样性，并针对不可行个体采用惩罚函数进行惩罚；
[0011]步骤(6)，将改进后的神经网络代理辅助模型与进化优化算法结合，得到基于数据驱动的神经网络代理辅助进化算法；
[0012]步骤(7)，采用基于数据驱动的神经网络代理辅助进化算法对步骤(2)中建立的露天矿无人卡车多目标调度优化模型进行求解。
[0013]与现有技术相比，本专利技术在现有多目标调度模型的基础上，引入基于数据驱动的神经网络代理辅助模型，将通过历史数据(运输成本、挖机及无人卡车等待时间、品位偏差率等)训练的神经网络代理辅助模型和模型管理策略(基于逻辑回归的约束修正、随机排名、个体抽样)，嵌入进化算法(非支配排序、拥挤度距离估计、交叉变异)中，让该模型在历史经验数据的指导下朝更精确的搜索方向优化，在保证预测结果精准度的同时，减少搜索次数并降低计算时间。本专利技术可稳定入选矿石的品位，提高无人卡车以及挖机的的利用率，减少卡车和设备的空闲及等待时间，提高运输效率，降低运输成本。
附图说明
[0014]图1是本专利技术中采用基于数据驱动的神经网络代理辅助露天矿多目标卡车调度算法求解的流程图。
[0015]图2是本专利技术中基于数据驱动的神经网络代理辅助多目标进化算法实现的卡车运行方案的两小时调度时间甘特图。
具体实施方式
[0016]下面结合附图和实施例详细说明本专利技术的实施方式。
[0017]本专利技术为一种基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法，考虑矿山运输的特点及环保问题，综合卡车在调度运输过程中的各项成本，以装载点的最大产量、卸载点的最大承载量、卡车装卸时间及品位要求、充电要求等为约束条件，制定一个可行的方案使能够参与工作的各机械设备在规定时间内完成计划任务，同时可使综合费用、卡车总等待时间、卡车耗电费用及卸载点品位偏差率达到最低。参考图1，其主要包括以下步骤：
[0018]步骤(1)，确定露天矿山调度生产实际要求和指标，至少包括露天矿山装卸载点数量、无人卡车数量、装卸载点间距离、各装载点的矿石含量、班次时长、卸载点卸矿总量、无人卡车重载花费、无人卡车空载花费、维修费用、运载速度、品位偏差率以及充电能力要求。
[0019]步骤(2)，以总运输成本最小、总等待时间最小、耗电费用最小及卸载点品位偏差率最小为目标，以装载点的出矿能力、卸载点的卸矿能力、装载点最大装车次数、卸载点卸矿总量、卸载点品位限制及无人卡车电量为约束，构建露天矿无人卡车多目标调度优化模型，表示如下：
[0020]1)目标函数：
[0021][0022][0023][0024][0025]式(1)表示总运输成本最小的目标，式(2)表示总等待时间最小的目标，式(3)表示卸载点品位偏差率最小的目标，式(4)表示耗电费用最小的目标。
[0026]2)约束：
[0027][0028][0029][0030][0031][0032]x
rij
，y
rij
∈{0，1，2，3
…
}(10)
[0033]式(5)表示任务装载点的运矿总量不能大于该装载点的出矿能力，式(6)表示任务装载点的装车次数应小于一个班次内装载点最大装车次数，式(7)表示任务卸载点的卸矿总量不能大于该卸载点的卸矿能力，式(8)表示任务卸载点的卸矿总量不能小于对应卸载点的产量要求，式(9)表示任务卸载点的品位限制要求，式(10)表示每个线路上的运输次数要求。
[0034]r表示正常工作的无人卡车的序号，k表示正常工作的无人卡车数量，i表示装载点序号，j表示卸载点序号，m表示为无人卡车供矿的装载点数量，n表示为无人卡车卸矿的卸载点数量，x
rij
表示第r辆无人卡车从第i个装载点完成装载任务到第j个卸载点完成卸载任务的运输次数，d
ij
表示第i个装载点到第j个卸载点的距离，c
h
表示无人卡车重载时的费用，y
rij
表示第r辆无人卡车从第j个卸载点完成卸载任务后到第i个装载点完成装载任务的运输次数，c
n
表示无人卡车空载时的费用，c
l...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法，其特征在于，包括以下步骤：步骤(1)，确定露天矿山调度生产的实际要求和指标；其中，实际要求和指标至少包括露天矿山装卸载点数量、无人卡车数量、装卸载点间距离、各装载点的矿石含量、班次时长、卸载点卸矿总量、无人卡车重载花费、无人卡车空载花费、维修费用、运载速度、品位偏差率以及充电能力要求；步骤(2)，以总运输成本最小、总等待时间最小、耗电费用最小及卸载点品位偏差率最小为目标，以装载点的出矿能力、卸载点的卸矿能力、装载点最大装车次数、卸载点卸矿总量、卸载点品位限制及无人卡车电量为约束，构建露天矿无人卡车多目标调度优化模型；步骤(3)，对无人卡车调度过程中的每个个体，通过使用至少包括历史运输成本、等待时间、耗电费用及品位偏差率的露天矿实际生产数据集训练预设的神经网络，从而建立每个个体的神经网络代理辅助模型；其中，所述个体为全部卡车在一个班次内的路线分配方案，神经网络代理辅助模型的预测值为个体的适应度值；步骤(4)，在模型管理策略中，采用基于逻辑回归的约束修正策略、随机排序策略和个体采样策略，以减少神经网络对适应度值的预测误差，得到改进后的神经网络代理辅助模型；步骤(5)，在进化优化算法中，通过快速非支配排序和拥挤度距离估计的方法，选择适应度值较优的个体；通过交叉变异策略增加种群的多样性，并针对不可行个体采用惩罚函数进行惩罚；步骤(6)，将改进后的神经网络代理辅助模型与进化优化算法结合，得到基于数据驱动的神经网络代理辅助进化算法；步骤(7)，采用基于数据驱动的神经网络代理辅助进化算法对步骤(2)中建立的露天矿无人卡车多目标调度优化模型进行求解，获得调度方案。2.根据权利要求1所述的一种基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法，其特征在于，所述步骤(2)中露天矿无人卡车多目标调度优化模型表示为如下公式：方法，其特征在于，所述步骤(2)中露天矿无人卡车多目标调度优化模型表示为如下公式：方法，其特征在于，所述步骤(2)中露天矿无人卡车多目标调度优化模型表示为如下公式：方法，其特征在于，所述步骤(2)中露天矿无人卡车多目标调度优化模型表示为如下公式：方法，其特征在于，所述步骤(2)中露天矿无人卡车多目标调度优化模型表示为如下公式：方法，其特征在于，所述步骤(2)中露天矿无人卡车多目标调度优化模型表示为如下公式：
x
rij
，y
rij
∈{0，1，2，3
…
}
ꢀꢀꢀꢀ
(10)式(1)表示总运输成本最小的目标，式(2)表示总等待时间最小的目标，式(3)表示卸载点品位偏差率最小的目标，式(4)表示耗电费用最小的目标，式(5)表示任务装载点的运矿总量不能大于该装载点的出矿能力，式(6)表示任务装载点的装车次数应小于一个班次内装载点最大装车次数，式(7)表示任务卸载点的卸矿总量不能大于该卸载点的卸矿能力，式(8)表示任务卸载点的卸矿总量不能小于对应卸载点的产量要求，式(9)表示任务卸载点的品位限制要求，式(10)表示每个线路上的运输次数要求；r表示正常工作的无人卡车的序号，k表示正常工作的无人卡车数量，i表示装载点序号，j表示卸载点序号，m表示为无人卡车供矿的装载点数量，n表示为无人卡车卸矿的卸载点数量，x
rij
表示第r辆无人卡车从第i个装载点完成装载任务到第j个卸载点完成卸载任务的运输次数，d
ij
表示第i个装载点到第j个卸载点的距离，c
h
表示无人卡车重载时的费用，y
rij
表示第r辆无人卡车从第j个卸载点完成卸载任务后到第i个装载点完成装载任务的运输次数，c
n
表示无人卡车空载时的费用，c
l
表示无人卡车装车费用，c
u
表示第r辆无人卡车的单趟卸车费用，T
c
表示露天矿班工作时长，Th
rij
表示第r辆无人卡车从第i个完成装载任务的装载点到第j个完成卸载任务的卸载点的运行时间，Tn
rij
表示第r辆无人卡车从第j个完成卸载任务的卸载点后到第i个完成装载任务的装载点的运行时间，T
l
表示无人卡车平均装车时间，T
u
表示无人卡车平均卸车时间，Tf
r
表示第r辆无人卡车的空闲时间，g
i
表示第i个装载点的品位，G
j
表示第j个卸载点的目标品位，c
r
表示第r辆卡车的耗电费用，o
r
表示第r辆无人卡车的重载率，ΔT
r
表示第r辆无人卡车的运行时间，d
i
为第i个装载点的出矿能力，l
a
为一个班次内露天矿区对应装载点所满足的最大装车数，d
j
为第j个卸矿站的卸矿能力。u
m
为第j个卸矿站的产量要求，a％为品位允许误差。3.根据权利要求1所述的一种基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法，其特征在于，所述步骤(3)中，对露天矿无人卡车多目标调度优化模型采用字符编码方式记录每个染色体的顺序，即所有无人卡车在一天8小时内的运载路线；以X矩阵表示一个染色体，其每一行表示一辆无人卡车的路线，列数是无人卡车的路线长度，行数是一天8小时班次内调度的无人卡车数；通过如下方法初始化种群：所有装卸点均默认最多有一辆无人卡车，随机生成初始位置，根据ASCII码值判断是否在装载点或卸载点；确认初始位置后，再为所有无人卡车随机产生一个可去点，即第一条运行路线，若初始位置在装载点则路线去向卸载点，若初始位置在卸载点则去向装载点；依据每辆无人卡车的完成先后次序，按照先完成先派单的思路，再随机生成一个可去点，寻找第二条路线；重复以上方法，遍历所有车辆，直到时间超时或剩余矿量不足后停止，产生所有无人卡车一天内8小时的运行路线规划图，得到一个完整的卡车运行方案，生成初始种群；对每个个体通过训练不同的神经网络，从而建立每个个体的神经网络代理辅助模型；
在神经网络代理辅助模型初次训练时，先使用包括历史运输成本、等待时间、耗电费用及品位偏差率的露天矿实际生产数据集训练不同的神经网络，其中每个个体的目标函数值输入层的节点数为4，输出层的节点数为1；隐层神经元个数l按照下式确定：其中，n为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数；所述步骤(4)在模型管理策略中，选用S型传递函数及反传误差函数，根据代理模型的误差调整网络权值和阈值，使误差函数E达到极小，如下式：误差调整网络权值和阈值，使误差函数E达到极小，如下式：其中T
i
为期望输出、O
i
为网络的计算输出。4.根据权利要求3所述的一种基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法，其特征在于，训练模型后，将基于神经网络代理模型的近似函数F...

【专利技术属性】
技术研发人员：金裕，毛晶，小康，
申请(专利权)人：西安优迈智慧矿山研究院有限公司，
类型：发明
国别省市：