露天矿卡车优化调度专家系统

为了解决露天矿卡车优化调度问题,引入了专家系统.给出了露天矿卡车优化调度专家系统的基本结构和模型方法,建立了卡车优化调度的卡车实时调度准则知识库、推理机决策机制、数据库数据采集及解释模块,阐述了露天矿卡车优化调度的功能实现.

基于轻量化图注意力机制的露天矿卡车调度优化算法

有效地管理和调度露天矿卡车,有助于大幅提升运输效率、降低矿山运营成本。现有研究聚焦于利用深度强化学习(Deep Reinforcement Learning,DRL)构建学习模型求解路径优化问题,然而,该模型针对Transformer架构的参数训练时,会产生大量参数冗余。为此,提出了一种轻量化图注意力机制的露天矿卡车调度优化算法。将微分方程数值解法——阿当姆斯(Adams)法用于Transformer模型的权重学习中,通过Adams的残差训练方法,可提高网络后期的优化精度,进一步压缩模型的规模,高效求解露天矿卡车调度优化问题。研究表明:该方法在降低最优间隙的同时将源模型的参数量压缩1/2,减少了对GPU设备的训练依赖。采用随机生成的露天矿卡数据集算例对该算法性能进行了验证,反映出采用Adams-Transformer模型有助于提升露天矿卡车调度效率。

基于改进DCW-QPSO算法的露天矿卡车调度优化方法

为了提高露天矿卡车运输效率,有效降低矿山企业开采成本,针对量子粒子群算法(QPSO)在优化求解过程中易陷入局部最优的问题,本研究引入惯性权自适应调整的量子粒子群优化算法(DCW-QPSO),并借助于遗传算法的变异操作,将DCW-QPSO的粒子更新方法改进,然后将改进DCW-QPSO用于求解露天矿卡车运输调度方案。调度方案以总运输成本最低为目标函数,并综合考虑矿石产量、品位均衡、卡车等待时间最短等约束条件。通过在国内某大型露天铁矿的应用发现,卡车调度优化结果符合矿山实际生产需求,为企业管理者提高了决策依据。改进算法在模型求解过程中全局搜索能力及算法稳定性都得到显著提升,具有一定的实际应用价值。

基于SA-CSA算法的露天矿卡车调度优化方法

为提高露天矿卡车的运输效率,降低矿山企业的开采成本,以露天矿卡车运输调度的综合成本最低为目标函数,考虑矿石产量、品位均衡、运输时间等约束条件,结合模拟退火法(SA)和乌鸦搜索算法(CSA),提出SA-CSA算法求解露天矿卡车调度优化问题,并以某大型露天矿山为例,将SA-CSA算法的优化结果与SA算法和CSA算法的优化结果比较。结果表明:SA-CSA算法的求解精度和收敛速度均优于SA算法和CSA算法。

基于遗传算法的神经网络在露天矿卡车调度系统中的应用研究

介绍了神经网络和遗传算法2种优化方法的算法原理、特点和实现,在它们优势互补的条件下,提出了一种新的集成求解方法,利用遗传算法很强的全局搜索能力来弥补神经网络容易陷入局部最优的优化方法,给出了算法流程。最后以抚顺西露天矿的长远总体规划为例,说明该方法具有很好的解决卡车调度系统优化问题的能力,为今后求解类似问题提供了一个很好的研究方法。

基于速度场的露天矿卡车多路段行程时间组合预测模型

受限于露天矿道路的复杂性,现有的卡车行程时间预测方法在实际部署中存在困难,导致卡车优化调度系统只实现调度而非优化。提出了一种基于速度场的露天矿卡车多路段行程时间组合预测模型。将露天矿道路划分为多个路段,采用随机森林算法构建单元预测模型,预测卡车在每一路段的行驶时间,再对各单元预测模型预测值累加,得出卡车在复合路段上的行程时间预测值。为提高预测精度,将卡车平均速度作为行程时间影响因素,根据已采集的卡车速度信息构建速度场,求取路段上所有点卡车速度的平均值,将其近似为卡车在该路段的平均速度并输入单元预测模型。以伊敏露天矿卡车调度系统中的卡车行程信息为基础数据,训练得到组合预测模型,并对该模型进行预测精度与实时性实验,结果表明:基于速度场的露天矿卡车多路段行程时间组合预测模型对于复合路段上的卡车行程时间具有较高的预测精度,平均绝对误差百分比为4.81%,较基于随机森林算法的单一预测模型降低2%以上;组合预测模型运算时间不超过1 s,可实现卡车行程时间实时预测。