CN113222462A - 一种基于协同进化的露天矿多能源卡车调度优化方法 - Google Patents

Abstract

一种基于协同进化的露天矿多能源卡车调度优化方法，根据现有露天矿实时调度实际的运输过程，建立以运输总成本最小和卡车闲置时间最小的露天矿多能源卡车调度模型；对基本协同进化优化算法进行改进，得到新的协同进化优化算法；采用所述新的协同进化优化算法对调度模型进行求解。与现有技术相比，本发明不必将多个目标线性加权转换为单目标问题，而是直接对多目标问题进行求解。在原有基本露天矿卡车调度模型的基础上增加了充电时间的约束、新能源汽车闲置时间的约束以及班次时间的限制。然后采用协同进化优化算法对模型进行求解，对于指导露天矿多能源卡车生产调度、降低矿山企业经营成本有着重要的现实意义。

Description

一种基于协同进化的露天矿多能源卡车调度优化方法

技术领域

本发明属于属于露天矿山作业优化技术领域，同时也属于计算机领域和运筹学领域，涉及露天矿山运输卡车的智能调度，特别涉及一种基于协同进化的露天矿多能源卡车调度优化方法。

背景技术

卡车运输是露天矿生产过程中的重要环节，在露天矿生产过程中，卡车运输所产生的成本一般不低于总成本的40％。卡车运输优化调度对矿山企业改善生产工艺流程、节约成本有着重要的现实意义。目前，在露天矿生产过程中，新能源卡车逐渐被大量使用，进而产生了露天矿多能源卡车调度优化问题。这类问题的现有研究较少，其难点一是考虑新能源汽车充电情况下，燃油卡车和新能源卡车如何调度，难点二是在矿山道路环境下，如何避免新能源卡车电量不足导致动力不足对生产的影响。

发明内容

为了克服上述现有技术的缺点，解决上述难点，指导矿山企业调度生产，本发明的目的在于提供一种基于协同进化的露天矿多能源卡车调度优化方法。

为了实现上述目的，本发明采用的技术方案是：

一种基于协同进化的露天矿多能源卡车调度优化方法，包括：

步骤1，根据现有露天矿实时调度实际的运输过程，建立以运输总成本最小和卡车闲置时间最小的露天矿多能源卡车调度模型；

步骤2，对基本协同进化优化算法进行改进，得到新的协同进化优化算法；

步骤3，采用所述新的协同进化优化算法对调度模型进行求解。

与现有技术相比，本发明不必将多个目标线性加权转换为单目标问题，而是直接对多目标问题进行求解。在现有露天矿卡车调度模型的基础上，考虑新能源卡车对调度的影响，建立了以运输总成本和卡车闲置时间为目标的露天矿卡车调度路径优化模型，模型在原有基本露天矿卡车调度模型的基础上增加了充电时间的约束、新能源汽车闲置时间的约束以及班次时间的限制。然后采用一种协同进化优化算法对模型进行求解。协同进化优化算法已被证明适用于带约束的多目标优化问题，在处理露天矿卡车调度优化模型的过程中，能够快速的得到符合实际生产需求的运输路径。

另外，本发明提供的是一组解，同时可以满足不同偏好决策者的需求，对于指导露天矿多能源卡车生产调度、降低矿山企业经营成本有着重要的现实意义。

附图说明

图1是一辆车在一个班次内的一条调度轨迹图。

图2是本发明采用的协同进化优化算法的流程图。

图3是协同进化算法运行示意图。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

本发明是一种基于协同进化优化的露天矿多能源卡车调度方法，首先建立以运输总成本最小和卡车闲置时间最小的多目标混合整数规划卡车调度模型，然后对基本的协同优化框架进行改进，与NSGA-II算法混合形成新的协同进化优化算法，最后采用改进后的协同进化优化算法对调度模型进行求解。

图1示出了一辆车在一个班次内的一条调度轨迹，其中大写字母表示装载点，小写字母表示卸载点，一条路径用字母可以表示为aAbBeCd。图1中卡车从a装载点出发最终返回装载点d。

参考图2，本发明的具体步骤描述如下：

步骤1、根据现有露天矿山实时调度实际的运输过程，建立以运输总成本和闲置时间最小为目标的露天矿多能源卡车调度模型。

(1)运输总成本最小。

运输总成本包括四部分。第一部分是卡车的固定出行成本，由卡车使用的数量决定。第二部分是卡车运输成本，运输成本由行驶距离决定，卡车运输成本包含空载运输和重载运输。第三部分是燃油卡车的碳排放成本，碳排放的多少由卡车的行驶距离和卡车货物的重量决定。第四部分是新能源卡车的用电成本，用电量的消耗取决于卡车的容量、行驶距离和道路坡度。

具体而言，运输总成本目标函数如下所示：

(2)闲置时间最小

露天矿卡车调度闲置时间包括三个部分。第一部分是卡车在装载点等待产生的闲置时间。第二部分是卡车在卸载点等待产生的闲置时间。第三部分是新能源卡车的充电闲置时间。

(3)约束条件

露天矿实际生产过程中还应满足装载点产量、卸载点容量、计划生产量、品味要求、卡车电量限制、班次时间限制等一系列约束条件。

约束(1)表示一个班次内的矿卡工作量至少满足最低计划要求，但不得超过卸载点j的最大容量。约束(2)表示从装载点i运输出去的总量不能超过该装载点总量。约束(3)和(4)表示车流守恒，进入装载点和卸载点的卡车应与从装载点和卸载点出去的卡车一致。约束(5)表示卸点矿石品位应满足限制要求。约束(6)表示卡车初始从卸载点发车，初始发车时间为0。约束(7)表示卡车从卸载点到装载点的时间约束，包括行驶时间、在装载点的服务时间和闲置时间。约束(8)表示燃油卡车从装载点到卸载点的时间约束，包括行驶时间、在卸载点的服务时间和闲置时间。约束(9)表示新能源卡车从装载点到卸载点的时间约束，与燃油卡车相比，新能源卡车还需要考虑充电时间。约束(10)表示卡车最终回到卸载点，同时到达时间不得超过一个班次的最大时间。约束(11)和(12)表示卡车的等待时间。约束(13)和(14)表示卡车是否产生等待时间，产生等待时间为1，否则为0。约束(15)表示卡车开始工作时的电量为初始电量。约束(16)表示新能源卡车离开卸载点j'到达卸载点j的电量。约束(17)表示新能源卡车从到达卸载点j的电量当选择充电时，离开的电量为最大电量，否则为当前剩余电量。约束(18)表示当卡车当前电量不足以时卡车下一次到达卸载点，则选择在当前卸载点充满电。约束(19)和(20)表示卡车是否通过该条路径，通过则为1，否则为0。当卡车k在卡车k'服务时间内到达时即产生等待时间；

表1基本符号说明

步骤2、对基本协同进化优化算法进行改进，得到新的协同进化优化算法。

基本协同进化优化算法中，存在原始种群和辅助种群两个种群。原始种群中的解必须满足所有的目标和约束要求。辅助种群中的解则只需要满足所有目标的要求即可。通过对两个种群各自生成的后代进行合并之后的截断操作，利用辅助种群中的解提高原始种群中解的质量。两个种群都通过遗传变异算子生成后代，产生的后代解具有极大的不稳定性。为了克服这一不足，对两个种群采取不同的方式生成后代。原始种群采用模拟二进制交叉算子和一种新的邻域变异算子生成新的后代，以保证单个卡车路线能够覆盖全部的解空间。辅助种群采用一种改进的差分算子生成后代。参考图3，协同进化算法中原始种群的个体用圆表示；辅助种群的个体用矩形表示。原始种群个体必须在可行区域，而辅助种群个体没有限制。随着种群迭代，在辅助种群的帮助下，原始种群最终找到最佳的非支配解前沿。

对于原始种群而言，假设两个父代个体x¹＝(x₁ ¹,...,x_i,j ¹,...,x_j ¹)和x²＝(x₁ ²,...,x_i,j ²,...,x_j ²)，使用模拟二进制交叉算子生成两个后代个体c¹＝(c₁ ¹,...,c_i,j ¹,...,c_j ¹)和c²＝(c₁ ²,...,c_i,j ²,...,c_j ²)，计算公式如下：

(21)中x_i,j ¹表示第一个父代个体的决策变量，即车辆在班次作业时间内访问的节点，可以是某个装载点i或者卸载点j，x_j ¹表示最后访问的节点是某个卸载点j。同理，x_i,j ²表示第二个父代个体的决策变量，可以是某个装载点i或者卸载点j，x_j ²表示最后访问的节点是某个卸载点j。c_i,j ¹和c_i,j ²分别表示两个子代个体的决策变量，即某个装载点i或者卸载点j，c_j ¹和c_j ²分别表示最后访问的节点是某个卸载点j。

(22)中β是由分布因子η按照公式(17)动态随机决定的，η是一个自定义的参数，η值越大则产生的后代个体逼近父代个体的概率越大，rand表示[0,1]之间的随机数。

邻域变异算子有三种方式，对于需要变异的解为x_p＝(x₁,...,x_i,j,...,x_j)，其所对应的编码染色体为a¹＝[a₁,a₂,a₃,a₄,a₅,a₆]，则有：

方式一，两点变异

任意选择一个解对应染色体的两个节点，交换位置，产生新解；

方式二，逆序变异

任意选择一个解对应染色体的两个节点，将两个节点之间的节点位置逆序，产生新解；

方式三，多项式变异

多项式变异针对的是解层面，对应的公式如下：

x_p+1＝x_p+δ(x_pmax-x_pmin) (23)

γ₁＝(x_p-x_pmin)/(x_pmax-x_pmin),γ₂＝(x_pmax-x_p)/(x_pmax-x_pmin) (25)

其中，μ是[0,1]之间的随机数，λ是一个自定义参数，x_p表示当前需要变异的个体解向量，x_pmax表示当前种群中解的上限，x_pmin表示当前种群解的下限。x_p+1表示变异之后的下一代个体解向量。

对辅助种群，采用改进的差分算子生成新的后代以尽量避免所有卡车整体路线之间冲突的情况，方法如下：

任意选择三个解为x_p ¹,x_p ²,x_p ³，F₁和F₂是变异因子，x_p ^best是原始种群中的最佳解，则生成新解x_p+1的计算公式如下：

x_p+1＝x_p ¹+F₁×(x_p ²-x_p ³)+F₂×(x_p ^best-x_p ¹) (26)

在公式(26)中，x_p ¹表示原始解向量，(x_p ²-x_p ³)加入随机扰动维持种群多样性，(x_p ^best-x_p ¹)为引入原始种群的信息，增强辅助种群在可行区域的搜索能力。

本发明将原始种群和辅助种群将模型目标和约束分开处理，辅助种群只考虑目标，原始种群考虑同时考虑目标和约束，对于新产生的后代，使用贪婪选择策略，比较原始矿车路线与新生成的矿车路线(父代与生成的子代)，保留它们之间对矿山生产目标更有利的个体(更优秀的个体)。

步骤3、采用新的协同进化优化算法对调度模型进行求解，过程为：

Step1：初始化参数，确定种群规模N，最大迭代次数G_max，变异算子最大搜索次数C_max，变异算子最大搜索次数。

Step2：根据模型的目标和约束条件，生成原始种群P和辅助种群Q。

Step3：原始种群通过模拟二进制交叉和邻域变异算子生成N/2个新个体，辅助种群通过改进差分算子生成N/2个新个体。对于变异产生的新个体，利用贪婪选择策略保留更优秀的后代。贪婪选择策略步骤如下：设计数器Count为1。若新产生的子代支配变异之前的父代，则用子代替换父代，然后将其加入后代种群；若新产生的子代被父代支配，则保留父代个体，再利用邻域变异算子生成新子体进行比较，直到达到最大搜索次数，将子代和父代中更优秀的个体加入后代种群。

Step4：将原始种群P、原始种群产生的子代种群p和辅助种群产生的子代种群q合并形成新种群P₁，将辅助种群Q、原始种群产生的子代种群p和辅助种群产生的子代种群q合并形成新种群Q₁。

Step5：对合并后的新种群P₁和Q₁环境选择，对种群进行截断。首先对新种群非支配排序，将整个种群划分为不同的非支配层(Z₁,Z₂,..Z_n)，将临界层(满足条件|Z₁|+|Z₂|+...+|Z_i|<n，|Z₁|+|Z₂|+...+|Z_i+1|>n，Z_i+1为临界层)之前的个体加入后代种群。对临界层中的个体进行拥挤度值计算，选择拥挤度值更小的个体加入后代种群。当后代种群个体数量达到N时停止。

Step6：迭代次数加1，判断是否满足终止条件。

Step7：当达到最大迭代次数G_max的时候，输出最终得到的原始种群。

Claims (9)

1.一种基于协同进化的露天矿多能源卡车调度优化方法，其特征在于，包括：

步骤1，根据现有露天矿实时调度实际的运输过程，建立以运输总成本最小和卡车闲置时间最小的露天矿多能源卡车调度模型；

步骤2，对基本协同进化优化算法进行改进，得到新的协同进化优化算法；

步骤3，采用所述新的协同进化优化算法对调度模型进行求解。

2.根据权利要求1所述基于协同进化的露天矿多能源卡车调度优化方法，其特征在于，所述步骤1中，运输总成本目标函数如下所示：

其中，K表示卡车集合，K＝{1,2,...,l,l+1,...,l+m}，1～l表示燃油卡车，l+1～l+m表示新能源卡车，P_C表示耗电量与坡度相关的系数，F^k表示卡车k的固定发车成本，包括折旧费、修理费和人工费，

表示卡车k第n次经过当前路径，n＝1,2,3,...，A表示有向弧集，A＝{(i,j)|i∈V₀,j∈V₁}，V₀表示露天矿装载点集合，V₁表示露天矿卸载点集合，i＝1,2,...,p，j＝1,2,...,q，p表示露天矿装载点数量，q表示露天矿卸载点数量，

表示卡车k在重载下的单位公里可变运输成本，d_ij表示从装载点i到卸载点j的距离，

表示卡车k第n次从装载点i到卸载点j，如果是则为1，否则为0；

表示卡车k第n次从卸载点j到装载点i，如果是则为1，否则为0；

表示卡车k在空载下的单位公里可变运输成本，C_c表示单位碳排放量价格，

表示卡车k在重载下的单位公里可变碳排放量，

表示卡车k在空载下的单位公里可变碳排放量，E_c表示单位用电量价格，

表示卡车k在重载下的单位公里可变耗电量，h_j表示卸载点j高程，h_i表示装载点i高程，

表示卡车k在空载下的单位公里可变耗电量；

所述卡车闲置时间目标函数如下所示：

其中，

表示卡车k在第n次在装载点i的等待时间，

表示卡车k在第n次在卸载点j的等待时间，

表示车辆k第n次到达卸载点j的剩余电量，Q^k表示车辆最大电量，λ^k表示卡车k充电速率，

表示卡车k第n次在卸载点j充电，如果是则为1，否则为0。

3.根据权利要求2所述基于协同进化的露天矿多能源卡车调度优化方法，其特征在于，所述露天矿多能源卡车调度模型的约束条件如下：

约束(1)表示一个班次内的矿卡工作量满足最低计划要求，但不得超过卸载点j的最大容量；约束(2)表示从装载点i运输出去的总量不能超过该装载点总量；约束(3)和(4)表示车流守恒，进入装载点和卸载点的卡车应与从装载点和卸载点出去的卡车一致；约束(5)表示卸点矿石品位应满足最大品味偏差要求；约束(6)表示卡车初始从卸载点发车；约束(7)表示卡车从卸载点j到装载点i的时间约束；约束(8)表示卡车从装载点i到卸载点j的时间约束；约束(9)表示新能源卡车从装载点到卸载点的时间约束；约束(10)表示卡车最终回到卸载点，同时到达时间不得超过一个班次的最大时间；约束(11)和(12)表示卡车的等待时间；约束(13)和(14)表示卡车是否产生等待时间；约束(15)表示卡车开始工作时的电量为初始电量；约束(16)表示新能源卡车离开卸载点j'到达卸载点j的电量；约束(17)表示新能源卡车从到达卸载点j的电量当选择充电时，离开的电量为最大电量，否则为当前剩余电量；约束(18)表示当卡车当前电量不足令卡车到达下一个卸载点j'时，则选择在当前卸载点j充满电；约束(19)和(20)表示卡车是否通过该条路径，通过则为1，否则为0。

4.根据权利要求3所述基于协同进化的露天矿多能源卡车调度优化方法，其特征在于，所述对基本协同进化优化算法进行改进是对原始种群和辅助种群采取不同的方式生成后代。

5.根据权利要求4所述基于协同进化的露天矿多能源卡车调度优化方法，其特征在于，对原始种群，采用模拟二进制交叉算子和邻域变异算子生成新的后代以保证单个卡车路线能够覆盖全部的解空间，方法如下：

两个父代个体x¹＝(x₁ ¹,...,x_i,j ¹,...,x_j ¹)和x²＝(x₁ ²,...,x_i,j ²,...,x_j ²)，使用模拟二进制交叉算子生成两个后代个体c¹＝(c₁ ¹,...,c_i,j ¹,...,c_j ¹)和c²＝(c₁ ²,...,c_i,j ²,...,c_j ²)，计算公式如下：

式(21)中x_i,j ¹表示第一个父代个体的决策变量，即车辆在班次作业时间内访问的节点，x_j ¹表示最后访问的节点是某个卸载点j，x_i,j ²表示第二个父代个体的决策变量，x_j ²表示最后访问的节点是某个卸载点j；c_i,j ¹和c_i,j ²分别表示两个子代个体的决策变量，即某个装载点i或者卸载点j，c_j ¹和c_j ²分别表示最后访问的节点是某个卸载点j；

式(22)中β是由分布因子η按照公式(17)动态随机决定的，η是一个自定义的参数，η值越大则产生的后代个体逼近父代个体的概率越大，rand表示[0,1]之间的随机数；

所述邻域变异算子有三种方式，对于需要变异的解为x_p＝(x₁,...,x_i,j,...,x_j)，其所对应的编码染色体为a¹＝[a₁,a₂,a₃,a₄,a₅,a₆]，则有：

方式一，两点变异

任意选择一个解对应染色体的两个节点，交换位置，产生新解；

方式二，逆序变异

任意选择一个解对应染色体的两个节点，将两个节点之间的节点位置逆序，产生新解；

方式三，多项式变异

多项式变异针对的是解层面，对应的公式如下：

x_p+1＝x_p+δ(x_pmax-x_pmin) (23)

γ₁＝(x_p-x_pmin)/(x_pmax-x_pmin),γ₂＝(x_pmax-x_p)/(x_pmax-x_pmin) (25)

其中，μ是[0,1]之间的随机数，λ是一个自定义参数，x_p表示当前需要变异的个体解向量，x_pmax表示当前种群中解的上限，x_pmin表示当前种群解的下限，x_p+1表示变异之后的下一代个体解向量；

对辅助种群，采用改进的差分算子生成新的后代以尽量避免所有卡车整体路线之间冲突的情况，方法如下：

任意选择三个解为x_p ¹,x_p ²,x_p ³，F₁和F₂是变异因子，x_p ^best是原始种群中的最佳解，则生成新解x_p+1的计算公式如下：

x_p+1＝x_p ¹+F₁×(x_p ²-x_p ³)+F₂×(x_p ^best-x_p ¹) (26)

在公式(26)中，x_p ¹表示原始解向量，(x_p ²-x_p ³)加入随机扰动维持种群多样性，(x_p ^best-x_p ¹)为引入原始种群的信息，增强辅助种群在可行区域的搜索能力。

6.根据权利要求5所述基于协同进化的露天矿多能源卡车调度优化方法，其特征在于，所述原始种群和辅助种群将模型目标和约束分开处理，辅助种群只考虑目标，原始种群考虑同时考虑目标和约束，对于新产生的后代，使用贪婪选择策略，比较原始矿车路线与新生成的矿车路线，保留它们之间对矿山生产目标更有利的个体。

7.根据权利要求6所述基于协同进化的露天矿多能源卡车调度优化方法，其特征在于，贪婪选择策略步骤如下：设计数器Count为1，若新产生的子代支配变异之前的父代，则用子代替换父代，然后将其加入后代种群；若新产生的子代被父代支配，则保留父代个体，再利用邻域变异算子生成新子体进行比较，直到达到最大搜索次数，将子代和父代中更优秀的个体加入后代种群。

8.根据权利要求5所述基于协同进化的露天矿多能源卡车调度优化方法，其特征在于，模型求解过程为：

Step1：初始化参数，确定种群规模N，最大迭代次数G_max，变异算子最大搜索次数C_max，变异算子最大搜索次数；

Step2：根据模型的目标和约束条件，生成原始种群P和辅助种群Q；

Step3：原始种群通过模拟二进制交叉和邻域变异算子生成N/2个新个体，辅助种群通过改进差分算子生成N/2个新个体；

Step4：将原始种群P、原始种群产生的子代种群p和辅助种群产生的子代种群q合并形成新种群P₁，将辅助种群Q、原始种群产生的子代种群p和辅助种群产生的子代种群q合并形成新种群Q₁；

Step5：对合并后的新种群P₁和Q₁环境选择，对种群进行截断；

Step6：迭代次数加1，判断是否满足终止条件；

Step7：当达到最大迭代次数G_max的时候，输出最终得到的原始种群。

9.根据权利要求8所述基于协同进化的露天矿多能源卡车调度优化方法，其特征在于，所述Step5中，首先对新种群非支配排序，将整个种群划分为不同的非支配层(Z₁,Z₂,..Z_n)，将临界层(满足条件|Z₁|+|Z₂|+...+|Z_i|<n，|Z₁|+|Z₂|+...+|Z_i+1|>n，Z_i+1为临界层)之前的个体加入后代种群，对临界层中的个体进行拥挤度值计算，选择拥挤度值更小的个体加入后代种群，当后代种群个体数量达到N时停止。

Images