[发明专利]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

权利要求书

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实际要求和指标，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，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。

步骤(3)，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神经网络，对每个个体即全部卡车一个班次内的路线分配方案建立神经网络代理辅助模型，模型的预测值即为个体的适应度值；

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；所述进化优化算法根据不同卡车优化时间，对子代种群的亲本种群进行单点交叉和点突变，过程如下：

1)单点交叉

对于长度为l的个体，首先随机产生一个整数pos作为交叉点的位置，pos∈[1,L-1]，然后将两个父体在该交叉点右边的子串进行交换，产生两个后代个体；

2)突变

产生N个均匀分布的随机数k_i∈[0,1]，当k_i小于概率P_m时，对第i个个体进行变异，即对每条运行路线的随机路线点进行变异，变异时应注意对应位置的变异限制；

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，求解过程如下：

Step 1初始化、为神经网络准备训练数据；

Step 2训练初始的神经网络代理模型

Step 3神经网络代理模型预测各个体的适应度函数值，同时不断调节网络权值和阈值使误差函数最小；

Step 4为了减少将可行解分类为不可行解的可能性，采用逻辑回归策略修正代理约束定义的可行域和不可行域之间的边界；

Step 5对满足条件的个体进行选择操作，通过快速非支配排序和拥挤度距离估计，从种群中更轻松地挑选出具有出色表现的个体；

Step 6对选择操作后的个体，根据染色体的长短，分两种情况对子代种群的亲本种群进行单点交叉，多点交叉和点突变，并利用基于神经网络的代理模型对子代种群进行评估；

Step 7对满足条件的个体的不可行解进行惩罚，将约束转化到目标函数之上从而变为无约束问题，并进行随机排名；

Step 8通过模型管理策略，对下一代父母种群进行采样；

Step 9重新训练神经网络代理辅助模型；

Step 10判断是否满足终止条件，是则结束算法输出结果，否则转Step 3。