權(quán)利要求

1.數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，其特征在于，包括如下步驟： 步驟1，根據(jù)礦山生產(chǎn)需求及指標(biāo)，結(jié)合運(yùn)輸成本與運(yùn)輸效率間的權(quán)衡關(guān)系，以運(yùn)輸總距離最短、時(shí)間損失懲罰成本最小為目標(biāo)，構(gòu)建多目標(biāo)露天礦卡路徑優(yōu)化模型； 步驟2，使用至少包括礦卡編號(hào)、位置高程、礦卡速度、行駛時(shí)間與距離在內(nèi)的露天礦實(shí)際生產(chǎn)數(shù)據(jù)集訓(xùn)練，為尋優(yōu)個(gè)體即車隊(duì)礦卡路線方案集合建立隨機(jī)森林代理輔助模型，模型預(yù)測(cè)值即為所述優(yōu)化模型的目標(biāo)值； 步驟3，圍繞多目標(biāo)露天礦卡路徑優(yōu)化模型特性，對(duì)多目標(biāo)蟻群求解算法進(jìn)行改進(jìn)； 步驟4，采用數(shù)據(jù)驅(qū)動(dòng)下的隨機(jī)森林輔助優(yōu)化算法對(duì)多目標(biāo)露天礦卡路徑優(yōu)化模型進(jìn)行求解。2.根據(jù)權(quán)利要求1所述數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，其特征在于，所述步驟1中多目標(biāo)露天礦卡路徑優(yōu)化模型表示為如下公式： (1)運(yùn)輸總距離最短目標(biāo)：  其中，F(xiàn) 1表示礦卡運(yùn)輸成本，R為所派出礦卡的總數(shù)，M為礦石裝載點(diǎn)的集合，N為礦石卸載點(diǎn)的集合，c 1表示線路中的單位運(yùn)輸成本，d ij表示礦區(qū)路網(wǎng)中節(jié)點(diǎn)i到j(luò)之間的路線長(zhǎng)度，x ijr為0-1變量，當(dāng)x ijr＝1時(shí)，代表第r輛礦卡從第i個(gè)裝載點(diǎn)行駛到了第j個(gè)卸載點(diǎn)，i∈{1,2,…,M}，j∈{1,2,…,N}，r∈{1,2,…,R}； (2)時(shí)間損失懲罰成本最小目標(biāo)：  其中，F(xiàn) 2代表各裝載點(diǎn)、卸載點(diǎn)時(shí)間損失成本之和， 代表礦卡到達(dá)第i個(gè)裝載點(diǎn)的時(shí)間，即表示在該裝載點(diǎn)的起始時(shí)間， 為第i個(gè)裝載點(diǎn)的時(shí)間窗要求， 代表早于 時(shí)刻到達(dá)的單位懲罰費(fèi)用， 為晚于 時(shí)刻到達(dá)的單位懲罰費(fèi)用； 代表礦卡到達(dá)第j個(gè)卸載點(diǎn)的時(shí)間，即表示在該卸載點(diǎn)的起始時(shí)間，  為第j個(gè)卸載點(diǎn)的時(shí)間窗要求， 代表早于 時(shí)刻到達(dá)的單位懲罰費(fèi)用， 為晚于 時(shí)刻到達(dá)的單位懲罰費(fèi)用； (3)礦卡載重約束：  其中，g j代表在單次運(yùn)輸中第r輛礦卡在第j個(gè)卸載點(diǎn)提供的礦石重量，W r表示第r輛礦卡的最大載重量； (4)運(yùn)送時(shí)間限制約束：  其中，w i表示在第i個(gè)裝載點(diǎn)的排隊(duì)等候時(shí)間，st i表示在第i個(gè)裝載點(diǎn)的裝載時(shí)間，t ij表示礦卡在由第i個(gè)裝載點(diǎn)行駛到第j個(gè)卸載點(diǎn)所花費(fèi)的路程時(shí)間； (5)流量守恒約束  x i*r∈{0,1} x *jr∈{0,1} 其中，x i*r＝1代表第r輛礦車在第i個(gè)裝載點(diǎn)完成裝載任務(wù)，x *jr＝1代表第r輛車在第j個(gè)卸載點(diǎn)進(jìn)行卸載； (6)決策變量約束 x ijr∈{0,1} 其中，決策變量的取值為0或1； (7)非負(fù)變量約束  其中，優(yōu)化模型中涉及變量均為非負(fù)值。 3.根據(jù)權(quán)利要求1所述數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，其特征在于，所述步驟2中，為所述優(yōu)化模型的每個(gè)目標(biāo)分別建立隨機(jī)森林代理輔助模型；所述隨機(jī)森林代理輔助模型的建立步驟為：基于礦卡歷史數(shù)據(jù)訓(xùn)練集，采用bootstrap方法有放回地隨機(jī)采樣生成C個(gè)子樣本集，并用于訓(xùn)練C個(gè)分類回歸樹；計(jì)算所有分類回歸樹的平均值，并將其作為該隨機(jī)森林代理輔助模型的最終輸出。 4.根據(jù)權(quán)利要求3所述數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，其特征在于，在訓(xùn)練分類回歸樹的過(guò)程中，根據(jù)各樣本子集中的礦卡軌跡數(shù)據(jù)進(jìn)行特征節(jié)點(diǎn)劃分，所獲得的均方和誤差最小之處被視為所有拆分點(diǎn)中的最佳拆分，依次進(jìn)行二叉樹分裂，達(dá)到終止條件后，分類回歸樹停止生長(zhǎng)。 5.根據(jù)權(quán)利要求1至4任一權(quán)利要求所述數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，其特征在于，所述步驟2中，采用基于個(gè)體的模型管理策略評(píng)估修正隨機(jī)森林代理輔助模型的近似誤差，以提高預(yù)測(cè)精度，方法如下： 首先通過(guò)下式評(píng)估非支配個(gè)體的第y個(gè)優(yōu)化目標(biāo)的真實(shí)值和預(yù)測(cè)值之間的誤差，記為er y，所述非支配個(gè)體表示當(dāng)前最優(yōu)的礦卡運(yùn)輸方案；  其中， 為第h個(gè)非支配個(gè)體在第y個(gè)優(yōu)化目標(biāo)的真實(shí)值， 為第h個(gè)非支配個(gè)體在第y個(gè)優(yōu)化目標(biāo)的預(yù)測(cè)值，H為非支配個(gè)體的數(shù)量； 然后，根據(jù)此誤差對(duì)所有非支配個(gè)體的目標(biāo)預(yù)測(cè)值進(jìn)行修正，由于所求的是目標(biāo)函數(shù)最小化，則通過(guò)第y個(gè)目標(biāo)函數(shù)的值減去其對(duì)應(yīng)的誤差值來(lái)修正，即F y-er y； 最后，將修正后的非支配個(gè)體視為新樣本放入訓(xùn)練數(shù)據(jù)集中，從而完成對(duì)隨機(jī)森林代理輔助模型的更新。 6.根據(jù)權(quán)利要求1所述數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，其特征在于，所述步驟3，尋優(yōu)過(guò)程中，在蟻群算法優(yōu)化框架的基礎(chǔ)上，引入自適應(yīng)信息素更新機(jī)制和改進(jìn)蟻周模型，提升求解效率及方案質(zhì)量；并引入Pareto適應(yīng)度評(píng)估機(jī)制，以選擇更有潛力的非支配個(gè)體。 7.根據(jù)權(quán)利要求6所述數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，其特征在于，所述自適應(yīng)信息素更新機(jī)制如下： 結(jié)合蟻群算法在不同的搜索階段呈現(xiàn)出的不同的搜索偏重，采用自適應(yīng)調(diào)節(jié)的信息素?fù)]發(fā)因子，其能夠根據(jù)搜索進(jìn)度的需要自適應(yīng)地調(diào)整信息素?fù)]發(fā)量，如下式所示：  其中，ρ為信息素?fù)]發(fā)因子，F(xiàn)E代表當(dāng)前的函數(shù)評(píng)估次數(shù)，每一只螞蟻代表一組礦車運(yùn)輸方案； 所述改進(jìn)蟻周模型的方法如下： 根據(jù)所述優(yōu)化模型，對(duì)蟻周模型進(jìn)行改進(jìn)，同時(shí)從運(yùn)輸距離和等待時(shí)間懲罰兩個(gè)角度評(píng)估每只螞蟻信息素的增量，旨在更準(zhǔn)確地引導(dǎo)螞蟻進(jìn)行最優(yōu)路徑的探索；  其中，Q 1和Q 2分別為信息素在路徑優(yōu)化模型中時(shí)間損失懲罰成本最小和運(yùn)輸總距離成本最小兩個(gè)目標(biāo)上的信息素總量，L e為第e只螞蟻在其所走過(guò)的總的路徑長(zhǎng)度，P e為第e只螞蟻在其走過(guò)路徑上所受到的違反時(shí)間窗懲罰； 所述Pareto適應(yīng)度評(píng)估機(jī)制如下： 針對(duì)多目標(biāo)優(yōu)化問(wèn)題的特性，將SPEA2中的評(píng)估機(jī)制引入到蟻群算法中，從而對(duì)每個(gè)個(gè)體的潛力進(jìn)行全面評(píng)估，同時(shí)，引入k近鄰方法，將個(gè)體的分布情況考慮在內(nèi)，公式如下所示： F(e)＝R(e)+D(e)     其中，F(xiàn)(e)，R(e)和D(e)分別表示第e只螞蟻的適應(yīng)度值，支配等級(jí)值和位置分布信息，S(e)表示在種群P和外部檔案集Q中螞蟻e支配的螞蟻數(shù)量，u為P和Q集合中的螞蟻， 為從第e只螞蟻到第k只相鄰螞蟻的歐幾里得距離。 8.根據(jù)權(quán)利要求1所述數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，其特征在于，所述步驟4的求解過(guò)程如下： Step 1，初始化算法參數(shù)及禁忌表，參數(shù)包括種群規(guī)模N p，分類回歸樹的數(shù)量C，分類回歸樹的分裂停止條件T，信息素重要程度因子α，啟發(fā)信息重要度因子β，信息素總量Q，信息素?fù)]發(fā)系數(shù)ρ，最大評(píng)估次數(shù)FE max； Step 2：初始螞蟻隨機(jī)從任一裝載點(diǎn)開始搜索運(yùn)輸路線，并且根據(jù)轉(zhuǎn)移概率選擇下一個(gè)要訪問(wèn)的路線節(jié)點(diǎn)； Step 3：將螞蟻已訪問(wèn)過(guò)的路線節(jié)點(diǎn)記錄在禁忌表內(nèi)； Step 4：判斷螞蟻是否已經(jīng)到達(dá)礦區(qū)路網(wǎng)中的任一卸載點(diǎn)，滿足條件，則執(zhí)行Step 5，否則，返回Step 2； Step 5：使用隨機(jī)森林代理輔助模型對(duì)所有路線方案進(jìn)行預(yù)測(cè)評(píng)估； Step 6：根據(jù)適應(yīng)度評(píng)估機(jī)制對(duì)方案質(zhì)量進(jìn)行評(píng)估，劃分Pareto等級(jí)； Step 7：基于自適應(yīng)信息素更新機(jī)制和改進(jìn)蟻周模型，對(duì)路徑上的信息素進(jìn)行全局更新； Step 8：儲(chǔ)存當(dāng)前最優(yōu)的路徑方案，并記錄其總運(yùn)輸距離和時(shí)間成本； Step 9：使用當(dāng)前非支配個(gè)體對(duì)代理模型進(jìn)行誤差修正并更新； Step 10：對(duì)迭代狀態(tài)進(jìn)行判斷，如果已達(dá)到終止條件，則輸出當(dāng)前最優(yōu)Pareto路徑方案；反之，則將禁忌表清空，返回Step 2。

說(shuō)明書

技術(shù)領(lǐng)域

本發(fā)明屬于礦業(yè)系統(tǒng)工程及礦山優(yōu)化技術(shù)領(lǐng)域，特別涉及一種數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法。

背景技術(shù)

近年來(lái)，隨著人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)、云計(jì)算等新興技術(shù)不斷深化應(yīng)用到礦業(yè)領(lǐng)域，全球礦業(yè)正在經(jīng)歷一場(chǎng)新的技術(shù)革命。露天開采作為我國(guó)礦產(chǎn)資源開采的重要方式，其運(yùn)輸費(fèi)用占據(jù)了生產(chǎn)運(yùn)營(yíng)總成本的50％左右。同時(shí)，礦卡運(yùn)輸是目前我國(guó)露天礦生產(chǎn)運(yùn)輸?shù)闹饕绞?。因此，?duì)其運(yùn)輸路徑進(jìn)行全局規(guī)劃，合理分配礦卡和運(yùn)輸路線，實(shí)現(xiàn)生產(chǎn)運(yùn)營(yíng)降本增效是每個(gè)礦山企業(yè)密切關(guān)注且亟待解決的問(wèn)題。

然而，現(xiàn)有相關(guān)技術(shù)很少將礦山路況、天氣等對(duì)運(yùn)輸效率有較大影響的真實(shí)因素考慮在內(nèi)，導(dǎo)致所得方案難以滿足實(shí)際生產(chǎn)需求。同時(shí)，由于企業(yè)對(duì)運(yùn)輸方案的需求更加多元化，理想的運(yùn)輸方案往往需要多項(xiàng)指標(biāo)同時(shí)考慮，達(dá)到最優(yōu)。因此，為了解決此問(wèn)題，有必要研究一種基于軌跡數(shù)據(jù)信息的多目標(biāo)露天礦卡路徑優(yōu)化方法。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，解決當(dāng)前金屬露天礦卡隊(duì)運(yùn)輸路徑問(wèn)題，本發(fā)明的目的在于提供一種數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，建立以運(yùn)輸總距離最短、時(shí)間損失懲罰成本最小為目標(biāo)的露天礦卡路徑優(yōu)化模型，并設(shè)計(jì)數(shù)據(jù)驅(qū)動(dòng)下的隨機(jī)森林輔助優(yōu)化算法對(duì)多目標(biāo)露天礦卡路徑優(yōu)化模型進(jìn)行求解。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：

一種數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，包括如下步驟：

步驟1，根據(jù)礦山生產(chǎn)需求及指標(biāo)，結(jié)合運(yùn)輸成本與運(yùn)輸效率間的權(quán)衡關(guān)系，以運(yùn)輸總距離最短、時(shí)間損失懲罰成本最小為目標(biāo)，構(gòu)建多目標(biāo)露天礦卡路徑優(yōu)化模型；

步驟2，使用至少包括礦卡編號(hào)、位置高程、礦卡速度、行駛時(shí)間與距離在內(nèi)的露天礦實(shí)際生產(chǎn)數(shù)據(jù)集訓(xùn)練，為尋優(yōu)個(gè)體即車隊(duì)礦卡路線方案集合建立隨機(jī)森林代理輔助模型，模型預(yù)測(cè)值即為所述優(yōu)化模型的目標(biāo)值；

步驟3，圍繞多目標(biāo)露天礦卡路徑優(yōu)化模型特性，對(duì)多目標(biāo)蟻群求解算法進(jìn)行改進(jìn)；

步驟4，采用數(shù)據(jù)驅(qū)動(dòng)下的隨機(jī)森林輔助優(yōu)化算法對(duì)多目標(biāo)露天礦卡路徑優(yōu)化模型進(jìn)行求解。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

本發(fā)明采用數(shù)據(jù)驅(qū)動(dòng)下的隨機(jī)森林輔助優(yōu)化算法具有正反饋機(jī)制，求解效率高，且在處理復(fù)雜問(wèn)題時(shí)具有可行性和優(yōu)越性，在對(duì)多目標(biāo)露天礦卡路徑優(yōu)化模型進(jìn)行求解過(guò)程中，能夠獲得更符合礦山生產(chǎn)現(xiàn)狀的運(yùn)輸方案。本發(fā)明從礦山生產(chǎn)實(shí)際情況出發(fā)，對(duì)提高運(yùn)輸效率，降低運(yùn)輸成本，提高礦山企業(yè)經(jīng)濟(jì)效益方面有著重要的意義。

附圖說(shuō)明

圖1是本發(fā)明中采用數(shù)據(jù)驅(qū)動(dòng)下的隨機(jī)森林輔助優(yōu)化算法求解模型的流程圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)例詳細(xì)說(shuō)明本發(fā)明的實(shí)施方式。

本發(fā)明提出了一種數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法，在現(xiàn)有礦卡路徑模型的基礎(chǔ)上，引入數(shù)據(jù)驅(qū)動(dòng)下的隨機(jī)森林代理輔助模型，將包含路況、天氣等不確定因素的歷史數(shù)據(jù)用于指導(dǎo)改進(jìn)多目標(biāo)蟻群算法(自適應(yīng)信息素更新機(jī)制，改進(jìn)蟻周模型，Pareto適應(yīng)度評(píng)估機(jī)制)的搜索，如圖1所示，主要包含以下步驟：

步驟1，根據(jù)礦山生產(chǎn)需求及指標(biāo)，結(jié)合運(yùn)輸成本與運(yùn)輸效率間的權(quán)衡關(guān)系，以運(yùn)輸總距離最短、時(shí)間損失懲罰成本最小為目標(biāo)，構(gòu)建多目標(biāo)露天礦卡路徑優(yōu)化模型。

(1)運(yùn)輸總距離最短目標(biāo)：

其中，F(xiàn) 1表示礦卡運(yùn)輸成本，R為所派出礦卡的總數(shù)，M為礦石裝載點(diǎn)的集合，N為礦石卸載點(diǎn)的集合，c 1表示線路中的單位運(yùn)輸成本，d ij表示礦區(qū)路網(wǎng)中節(jié)點(diǎn)i到j(luò)之間的路線長(zhǎng)度，x ijr為0-1變量，當(dāng)x ijr＝1時(shí)，代表第r輛礦卡從第i個(gè)裝載點(diǎn)行駛到了第j個(gè)卸載點(diǎn)，i∈{1,2,…,M}，j∈{1,2,…,N}，r∈{1,2,…,R}；

(2)時(shí)間損失懲罰成本最小目標(biāo)：

其中，F(xiàn) 2代表各裝載點(diǎn)、卸載點(diǎn)時(shí)間損失成本之和， 代表礦卡到達(dá)第i個(gè)裝載點(diǎn)的時(shí)間，即表示在該裝載點(diǎn)的起始時(shí)間， 為第i個(gè)裝載點(diǎn)的時(shí)間窗要求， 代表早于 時(shí)刻到達(dá)的單位懲罰費(fèi)用， 為晚于 時(shí)刻到達(dá)的單位懲罰費(fèi)用； 代表礦卡到達(dá)第j個(gè)卸載點(diǎn)的時(shí)間，即表示在該卸載點(diǎn)的起始時(shí)間， 為第j個(gè)卸載點(diǎn)的時(shí)間窗要求， 代表早于 時(shí)刻到達(dá)的單位懲罰費(fèi)用， 為晚于 時(shí)刻到達(dá)的單位懲罰費(fèi)用；

(3)礦卡載重約束：

其中，g j代表在單次運(yùn)輸中第r輛礦卡在第j個(gè)卸載點(diǎn)提供的礦石重量，W r表示第r輛礦卡的最大載重量；

(4)運(yùn)送時(shí)間限制約束：

其中，w i表示在第i個(gè)裝載點(diǎn)的排隊(duì)等候時(shí)間，st i表示在第i個(gè)裝載點(diǎn)的裝載時(shí)間，t ij表示礦卡在由第i個(gè)裝載點(diǎn)行駛到第j個(gè)卸載點(diǎn)所花費(fèi)的路程時(shí)間；

(5)流量守恒約束

x i*r∈{0,1}

x *jr∈{0,1}

其中，x i*r＝1代表第r輛礦車在第i個(gè)裝載點(diǎn)完成裝載任務(wù)，x *jr＝1代表第r輛車在第j個(gè)卸載點(diǎn)進(jìn)行卸載；為了保證由各裝載點(diǎn)出發(fā)的礦卡必須到達(dá)各卸載點(diǎn)進(jìn)行運(yùn)輸服務(wù)，從而形成完整的運(yùn)送路線，因此從裝載點(diǎn)出發(fā)的礦卡數(shù)必須等于在各卸載點(diǎn)進(jìn)行服務(wù)的總礦卡數(shù)；

6)決策變量約束

x ijr∈{0,1}

其中，決策變量的取值為0或1；

(7)非負(fù)變量約束

其中，優(yōu)化模型中涉及變量均為非負(fù)值。

步驟2，使用至少包括礦卡編號(hào)、位置高程、礦卡速度、行駛時(shí)間與距離在內(nèi)的露天礦實(shí)際生產(chǎn)數(shù)據(jù)集訓(xùn)練，為尋優(yōu)個(gè)體即車隊(duì)礦卡路線方案集合建立隨機(jī)森林代理輔助模型，模型預(yù)測(cè)值即為所述優(yōu)化模型的目標(biāo)值。模型管理的具體方法如下：

(1)建立隨機(jī)森林代理輔助模型，步驟為：首先基于礦卡歷史數(shù)據(jù)訓(xùn)練集，采用bootstrap方法有放回地隨機(jī)采樣生成C個(gè)子樣本集，并用于訓(xùn)練C個(gè)分類回歸樹。在訓(xùn)練分類回歸樹的過(guò)程中，根據(jù)各樣本子集中礦區(qū)路段節(jié)點(diǎn)距離、時(shí)間等礦卡軌跡數(shù)據(jù)信息進(jìn)行特征節(jié)點(diǎn)劃分，所獲得的均方和誤差最小之處被視為所有拆分點(diǎn)中的最佳拆分，依次進(jìn)行二叉樹分裂，達(dá)到終止條件后，分類回歸樹停止生長(zhǎng)。根據(jù)上述步驟，依次構(gòu)建C個(gè)分類回歸樹。最后，計(jì)算所有分類回歸樹的平均值，并將其作為該隨機(jī)森林模型的最終輸出。由于步驟1中優(yōu)化模型具有多個(gè)目標(biāo)，因此，需要為每個(gè)路徑優(yōu)化目標(biāo)分別構(gòu)建此隨機(jī)森林代理輔助模型。

(2)采用基于個(gè)體的模型管理策略評(píng)估修正隨機(jī)森林代理輔助模型的近似誤差，以提高預(yù)測(cè)精度。首先通過(guò)下式來(lái)評(píng)估非支配個(gè)體的第y個(gè)目標(biāo)的真實(shí)值和預(yù)測(cè)值之間的差距，記為er y。此處非支配個(gè)體表示當(dāng)前最優(yōu)的礦卡運(yùn)輸方案。

其中， 為第h個(gè)非支配個(gè)體在第y個(gè)優(yōu)化目標(biāo)的真實(shí)值， 為第h個(gè)非支配個(gè)體在第y個(gè)優(yōu)化目標(biāo)的預(yù)測(cè)值，H為非支配個(gè)體的數(shù)量。

然后，根據(jù)此誤差對(duì)所有非支配個(gè)體的目標(biāo)預(yù)測(cè)值進(jìn)行修正，由于所求的是目標(biāo)函數(shù)最小化，則通過(guò)第y個(gè)目標(biāo)函數(shù)的值減去其對(duì)應(yīng)的誤差值來(lái)修正，即F y-er。

最后，將修正后的非支配個(gè)體視為新樣本放入訓(xùn)練數(shù)據(jù)集中，從而完成對(duì)隨機(jī)森林代理輔助模型的更新。

步驟3，為提升算法的優(yōu)化效率及運(yùn)輸方案的質(zhì)量，圍繞多目標(biāo)露天礦卡路徑優(yōu)化模型特性，對(duì)多目標(biāo)蟻群求解算法進(jìn)行改進(jìn)，尋優(yōu)過(guò)程中，在蟻群算法優(yōu)化框架的基礎(chǔ)上，引入自適應(yīng)信息素更新機(jī)制和改進(jìn)蟻周模型，提升求解效率及方案質(zhì)量；并引入Pareto適應(yīng)度評(píng)估機(jī)制，以選擇更有潛力的非支配個(gè)體。具體如下：

(1)自適應(yīng)信息素更新機(jī)制

結(jié)合進(jìn)化算法在不同的搜索階段呈現(xiàn)出的不同的搜索偏重，設(shè)計(jì)一種可以自適應(yīng)調(diào)節(jié)的信息素?fù)]發(fā)因子，其能夠根據(jù)搜索進(jìn)度的需要自適應(yīng)地調(diào)整信息素?fù)]發(fā)量，如下式所示：

其中，ρ為信息素?fù)]發(fā)因子，F(xiàn)E代表當(dāng)前的函數(shù)評(píng)估次數(shù)。在此處，每一只螞蟻代表一組礦車運(yùn)輸方案?；诖烁聶C(jī)制，螞蟻在搜索前期信息素?fù)]發(fā)量較大，可以在盡可能廣闊的區(qū)域內(nèi)進(jìn)行搜尋，有利于對(duì)最優(yōu)運(yùn)輸路徑展開全局探索。隨著迭代的進(jìn)行，在搜索中后期，蟻群逐漸收斂到Pareto最優(yōu)的運(yùn)輸方案附近，此時(shí)信息素?fù)]發(fā)量自適應(yīng)調(diào)節(jié)到較小值，以加快蟻群算法的收斂速度，從而節(jié)省計(jì)算資源。

(2)改進(jìn)蟻周模型

根據(jù)所建立的路徑優(yōu)化模型，對(duì)蟻周模型進(jìn)行改進(jìn)，同時(shí)從運(yùn)輸距離和等待時(shí)間懲罰兩個(gè)角度評(píng)估每只螞蟻信息素的增量，旨在更準(zhǔn)確地引導(dǎo)螞蟻進(jìn)行最優(yōu)路徑的探索。

其中，Q 1和Q 2分別為信息素在路徑優(yōu)化模型中時(shí)間損失懲罰成本最小和運(yùn)輸總距離成本最小兩個(gè)目標(biāo)上的信息素總量，L e為第e只螞蟻在其所走過(guò)的總的路徑長(zhǎng)度，P e為第e只螞蟻在其走過(guò)路徑上所受到的違反時(shí)間窗懲罰。

(3)Pareto適應(yīng)度評(píng)估機(jī)制

針對(duì)多目標(biāo)優(yōu)化問(wèn)題的特性，將SPEA2中的評(píng)估機(jī)制引入到蟻群算法中，不僅使用了快速非支配排序的思想，同時(shí)還考慮到了非支配個(gè)體和被支配個(gè)體之間的關(guān)系，從而對(duì)每個(gè)個(gè)體的質(zhì)量進(jìn)行全面評(píng)估。此外，該適應(yīng)度機(jī)制還引入了k近鄰方法，將個(gè)體的分布情況考慮在內(nèi)，從而能夠有效地平衡螞蟻種群的多樣性和收斂性。整體而言，同時(shí)考慮個(gè)體支配關(guān)系與位置分布信息的適應(yīng)度評(píng)估機(jī)制能夠更全面科學(xué)地評(píng)估運(yùn)輸方案的優(yōu)劣。具體公式如下所示：

F(e)＝R(e)+D(e)

S(e)＝|{u|u∈P+Q∧e＞u}|

其中，F(xiàn)(e)，R(e)和D(e)分別表示第e只螞蟻的適應(yīng)度值，支配等級(jí)值和位置分布信息。S(e)表示在種群P和外部檔案集Q中螞蟻e支配的螞蟻數(shù)量，u為P和Q集合中的螞蟻。 為從第e只螞蟻到第k只相鄰螞蟻的歐幾里得距離，為了計(jì)算該值，螞蟻e與種群P和外部檔案集Q中的其他螞蟻的距離都要計(jì)算，并按照升序方式進(jìn)行排序。

步驟4，采用數(shù)據(jù)驅(qū)動(dòng)的隨機(jī)森林輔助蟻群優(yōu)化算法對(duì)多目標(biāo)露天礦卡路徑優(yōu)化模型進(jìn)行求解，過(guò)程如下：

Step 1，初始化算法參數(shù)及禁忌表，參數(shù)包括種群規(guī)模N p，分類回歸樹的數(shù)量C，分類回歸樹的分裂停止條件T，信息素重要程度因子α，啟發(fā)信息重要度因子β，信息素總量Q，信息素?fù)]發(fā)系數(shù)ρ，最大評(píng)估次數(shù)FE max等；

Step 2：初始螞蟻隨機(jī)從任一裝載點(diǎn)開始搜索運(yùn)輸路線，并且根據(jù)轉(zhuǎn)移概率選擇下一個(gè)要訪問(wèn)的路線節(jié)點(diǎn)；

Step 3：將螞蟻已訪問(wèn)過(guò)的路線節(jié)點(diǎn)記錄在禁忌表內(nèi)；

Step 4：判斷螞蟻是否已經(jīng)到達(dá)礦區(qū)路網(wǎng)中的任一卸載點(diǎn)。滿足條件，則執(zhí)行Step5，否則，返回Step 2；

Step 5：使用隨機(jī)森林代理輔助模型對(duì)所有路線方案進(jìn)行預(yù)測(cè)評(píng)估；

Step 6：根據(jù)適應(yīng)度評(píng)估機(jī)制對(duì)方案質(zhì)量進(jìn)行評(píng)估，劃分Pareto等級(jí)；

Step 7：基于自適應(yīng)信息素更新機(jī)制和改進(jìn)蟻周模型，對(duì)路徑上的信息素進(jìn)行全局更新；

Step 8：儲(chǔ)存當(dāng)前最優(yōu)的路徑方案，并記錄其總運(yùn)輸距離和時(shí)間成本；

Step 9：使用當(dāng)前非支配個(gè)體對(duì)代理模型進(jìn)行誤差修正并更新；

Step 10：對(duì)迭代狀態(tài)進(jìn)行判斷，如果已達(dá)到終止條件，則輸出當(dāng)前最優(yōu)Pareto路徑方案；反之，則將禁忌表清空，返回Step 2。

本發(fā)明針對(duì)露天礦卡礦卡運(yùn)輸問(wèn)題，根據(jù)礦山實(shí)際生產(chǎn)要求和指標(biāo)，構(gòu)建以運(yùn)輸總距離最短、時(shí)間損失懲罰成本最小為目標(biāo)的多目標(biāo)露天礦卡路徑優(yōu)化模型；并采用數(shù)據(jù)驅(qū)動(dòng)的隨機(jī)森林輔助優(yōu)化算法對(duì)該模型進(jìn)行求解，能夠獲得到更符合礦山生產(chǎn)現(xiàn)狀的運(yùn)輸方案，從礦山生產(chǎn)實(shí)際情況出發(fā)，有效地提高運(yùn)輸效率，降低運(yùn)輸成本，對(duì)顯著提高礦山企業(yè)經(jīng)濟(jì)效益有著重要的意義。

數(shù)據(jù)驅(qū)動(dòng)下的多目標(biāo)露天礦卡路徑優(yōu)化方法.pdf