考虑设备利用率的露天矿车流规划方法

349 编辑：中冶有色技术网来源：青岛慧拓智能机器有限公司

2023-12-22 14:44:02

权利要求书： 1.一种考虑设备利用率的露天矿车流规划方法，其特征在于，包括：根据一个班次时间内从卸载点到电铲的矿卡车次数，构建最大化系统产量的模型；

利用矿卡阻塞时间作为阻塞惩罚因子对所述模型进行优化；

对所述模型求解，获得最优车流规划方案。

2.根据权利要求1所述的考虑设备利用率的露天矿车流规划方法，其特征在于，所述模型的基础目标函数为：

其中，Ns表示铲车数量；Nd表示卸点数量；K表示矿卡型号数；Wk表示k型车载重；xijk表示班次内卸点i派遣至铲点j的k型矿卡车次数。

3.根据权利要求2所述的考虑设备利用率的露天矿车流规划方法，其特征在于，所述目标函数的约束条件包括电铲采装能力约束：其中，Pj表示电铲采装能力(t/h)；T为班次时间。

4.根据权利要求2所述的考虑设备利用率的露天矿车流规划方法，其特征在于，所述目标函数的约束条件包括卸载点处理能力约束：

5.根据权利要求2所述的考虑设备利用率的露天矿车流规划方法，其特征在于，所述的所述目标函数的约束条件包括矿石质量指标约束：其中：αj表示铲点j矿石品位；βib表示卸点i品位下限；βiu表示卸点i品位上限。

6.根据权利要求2所述的考虑设备利用率的露天矿车流规划方法，其特征在于，所述目标函数的约束条件包括矿卡数量约束：其中，Dij表示卸点i到铲点j路径距离；vlk表示k型矿卡重载速度；vek表示k型矿卡空载速度。

7.根据权利要求2所述的考虑设备利用率的露天矿车流规划方法，其特征在于，对所述模型进行优化包括：

计算矿卡平均到达率λ：

式中，Tcijk为路径ij上k型矿卡的初始生产周期时间；

利用矿卡阻塞时间作为阻塞惩罚因子进行车流优化：其中，Wjq表示电铲j处矿卡平均等待时间；

优化后的模型目标函数为：

式中，η为阻塞惩罚项平衡因子，由矿卡运营成本和矿石每吨收益共同决定。

8.根据权利要求7所述的考虑设备利用率的露天矿车流规划方法，其特征在于，采用改进的遗传算法对所述优化后的模型函数求解，包括：编码：根据车流规划解的结构K×Nd×Ns矩阵，选择一维矩阵1×(K×Nd×Ns)为染色体，其中K为矿卡型号数，Nd为卸点数，Ns为铲点数；

交叉算子执行步骤：

(1)随机选择两个父代染色体i，j；

(2)生成一个在[0，1]区间内的随机数f；

(3)若f之0.6，执行染色体均匀交叉；若0.3≤f＜0.6，染色体卸载点基因位置交换；若0≤f＜0.3，染色体铲点基因位置交换；

突变算子执行步骤：生成一个在[0，1]区间内的随机数f；若f≤0.3，对染色体各个基因位置按概率执行高斯突变；若f＞0.3，则：(1)按铲点生成随机数，以此为权重对该列随机高斯增量值进行重新分配；

(2)按卸点生成随机数，以此为权重对该行随机高斯增量值进行重新分配。

9.根据权利要求8所述的考虑设备利用率的露天矿车流规划方法，其特征在于，重新分配方案为：随机数高于平均值的基因对应值得到提高，反之，低于平均值的相应降低，计算公式为：

其中，delta为基因变化量，Xrandom为随机数，Xmean为随机数均值，Ng为高斯增量值。

说明书：一种考虑设备利用率的露天矿车流规划方法技术领域[0001] 本发明属于矿卡调度技术领域，涉及考虑设备利用率的露天矿车流规划方法。背景技术[0002] 露天矿系统是一个以挖掘为中心，通过对生产运输设备规划与调度来实现生产计划的大型生产系统。而车流规划则是露天矿生产过程中的一个重要组成部分，车流规划的

结果将直接决定矿石产量、生产进度及生产效率。采用大型矿卡进行运输的露天矿，其运输

所占费用更是占经营费用的60％以上，而随着开采深度的增加，运输费用占比也会不断提

高，合理的矿卡车流规划与实时调度不仅能增加矿山整体产量，同时也能降低生产成本，其

重要性不言而喻。

[0003] 目前人工规划调度由于无法实时获取生产设备的信息，在生产指挥调度中主观性较强，盲目性较大，往往造成车流分布不均衡，导致矿卡阻塞、电铲闲置，增加设备非生产时

间，不利于设备生产效率发挥。

[0004] 计算机控制卡车调度系统是经过很长时间的理论研究和不断的实践尝试，于上世纪80年代初在国外开始首次应用于露天矿生产。自动卡车调度系统主要通过实时采集、统

计、分析与处理生产信息，利用运筹学方法，实现对生产计划及矿卡车流优化，从而降低设

备非生产时间，提高整体设备利用率，降低生产成本，对矿山经营具有重要意义。

[0005] 而现有的计算机自动规划方法，相比人工规划对工作人员的依赖性降低，能够实现自动车流规划，但由于忽视露天矿生产的复杂环境，规划方案往往过于理想化，矿山生产

具有不确定性。为了克服这种问题，露天矿经营者通常会分配过多的矿卡进行运输，从而导

致卡车在卸载点、装载点处或道路处的排队阻塞，矿卡使用效率低下，生产成本较高。

[0006] 排队论是通过对到达及服务时间的统计研究，得出这些数量指标(等待时间、排队长度等)的统计规律，然后以此来改进服务系统的结构，使系统既能满足服务对象的要求，

又能使服务机构的费用最经济的一门学科。排队论被广泛应用于计算机网络、运输、生产等

各项资源共享的服务系统。在露天矿生产中，矿卡通过运输路径抵达电铲后排队等待，依次

接受服务，该过程是一个经典的排队论问题。若能利用排队论相关技术对该过程进行优化，

对于降低矿卡排队等待时间、降低生产成本将具有重要作用。

发明内容[0007] 本发明的目的是针对当前露天矿山车流规划中忽视设备阻塞的问题，通过合理建模，利用运筹规划等技术，设计了一种考虑设备利用率的生产优化方法，同时考虑多种类型

矿卡，相比传统的优化方法更加符合真实生产情况，实用性更强。最后，针对所提出的问题

模型，本发明提出了一种改进的遗传算法，可以在较短时间内求解得到合理的车流规划方

案。

[0008] 为了实现上述目的，本发明采用的技术方案是：一种考虑设备利用率的露天矿车流规划方法，包括：

[0009] 根据一个班次时间内从卸载点到电铲的矿卡车次数，构建最大化系统产量的模型；

[0010] 利用矿卡阻塞时间作为阻塞惩罚因子对所述模型进行优化；[0011] 对所述模型求解，获得最优车流规划方案。[0012] 作为本发明的一种优选方式，所述模型的基础目标函数为：[0013][0014] 其中，Ns表示铲车数量；Nd表示卸点数量；K表示矿卡型号数；Wk表示k型车载重；xijk表示班次内卸点i派遣至铲点j的k型矿卡车次数。

[0015] 进一步优选地，所述目标函数的约束条件包括电铲采装能力约束：[0016][0017] 其中，Pj表示电铲采装能力(t/h)；T为班次时间；[0018] 进一步优选地，所述目标函数的约束条件包括卸载点处理能力约束：[0019][0020] 进一步优选地，所述的所述目标函数的约束条件包括矿石质量指标约束：[0021][0022] 其中：αj表示铲点j矿石品位；βib表示卸点i品位下限；βiu表示卸点i品位上限。[0023] 进一步优选地，所述目标函数的约束条件包括矿卡数量约束：[0024][0025] 其中，Dij表示卸点i到铲点j路径距离；vlk表示k型矿卡重载速度；vek表示k型矿卡空载速度。

[0026] 进一步优选地，对所述模型进行优化包括：[0027] 计算矿卡平均到达率λ：[0028][0029] 式中，Tcijk为路径ij上k型矿卡的初始生产周期时间；[0030] 利用矿卡阻塞时间作为阻塞惩罚因子进行车流优化：[0031][0032] 其中，Wjq表示电铲j处矿卡平均等待时间；[0033] 优化后的模型目标函数为：[0034][0035] 式中，η为阻塞惩罚项平衡因子，由矿卡运营成本和矿石每吨收益共同决定。[0036] 进一步优选地，采用改进的遗传算法对所述优化后的模型函数求解，包括：[0037] 编码：根据车流规划解的结构K×Nd×Ns矩阵，选择一维矩阵1×(K×Nd×Ns)为染色体，其中K为矿卡型号数，Nd为卸点数，Ns为铲点数；

[0038] 交叉算子执行步骤：(1)随机选择两个父代染色体i,j；(2)生成一个在[0,1]区间内的随机数f；

[0039] (3)若f≥0.6，执行染色体均匀交叉；若0.3≤f<0.6，染色体卸载点基因位置交换；若0≤f<0.3，染色体铲点基因位置交换；

[0040] 突变算子执行步骤：生成一个在[0,1]区间内的随机数f；若f≤0.3，对染色体各个基因位置按概率执行高斯突变；若f>0.3，则：

[0041] (1)按铲点生成随机数，以此为权重对该列随机高斯增量值进行重新分配；[0042] (2)按卸点生成随机数，以此为权重对该行随机高斯增量值进行重新分配。[0043] 进一步优选地，重新分配方案为：随机数高于平均值的基因对应值得到提高，反之，低于平均值的相应降低，计算公式为：

[0044][0045] 其中，delta为基因变化量，Xrandom为随机数，Xmean为随机数均值，Ng为高斯增量值。[0046] 本发明的方法，根据矿山生产实际情况，建立以协同优化产量与矿卡阻塞时间为目标函数的车流规划模型，相比于传统的自动车流规划方法，本发明提供了一种衡量矿卡

设备利用率的标准，有效降低了设备非工作时间。经过测试验证，本发明所提出的车流规划

方案能够显著改善矿卡阻塞，降低生产成本，对于最大化矿山经营收益具有显著作用。

附图说明[0047] 图1为有限源的排队系统示意图；[0048] 图2为车流规划解结构矩阵示意图；[0049] 图3染色体编码形式示意图；[0050] 图4为均匀交叉的示例；[0051] 图5为卸载点交叉的示例；[0052] 图6为装载点交叉的示例；[0053] 图7为按行随机增量突变示例；[0054] 图8为不同平衡因子下矿卡数量与投入矿卡数关系图。具体实施方式[0055] 为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限

于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明公开内容的理

解更加透彻全面。

[0056] 本发明提供的其中一个实施例是：一种考虑设备利用率的露天矿车流规划方法，该方法以最大化产量为目标，首先，构建基础线性整数模型；然后，在该模型的基础上考虑

矿卡阻塞问题，将矿卡阻塞时间作为惩罚因子进行协同优化；最后，采用改进的遗传算法对

优化后的模型进行求解，从而能够确定一个完整班次内来往卸载点及装载点间各类型矿卡

的最优行程次数，其结果为车辆实时调度提供重要依据。具体步骤详述如下：

[0057] 一、构建模型[0058] 为了建模矿卡?电铲的车流规划问题并以数学方式解决该问题，本部分对包含不同类型卡车和电铲的多型号车队提出了整数规划模型。该模型的构建方式是，在一个班次

时间内确定从卸载点到电铲的矿卡车次数，从而最大化产量。并在此模型基础上考虑矿卡

阻塞时间成本。

[0059] 1.最大化系统产量的目标函数:[0060][0061] 2.约束条件[0062] 1)电铲采装能力约束[0063][0064] 该约束确保在一个班次内的总车次数不得超过电铲的最大装车数。[0065] 2)卸载点处理能力约束[0066][0067] 该约束控制在一个班次时间内，卸载点不停止工作情况下的最大处理车次数。[0068] 3)矿石质量指标约束[0069][0070] 4)矿卡数量约束[0071][0072] 该约束确保派遣矿卡数量少于各类型可用矿卡数。[0073] 5)非负整数约束[0074] xijk≥0,i＝1,2,…,Nd,j＝1,2,…,Ns,k＝1,2,…,K[0075] xijk∈N+[0076] 非负整数约束条件确保该解决方案在物理上有意义，即矿卡从卸载点到电铲的行程数是非负整数。

[0077] 表1参数说明[0078][0079] 二、优化模型[0080] 1.构建阻塞模型[0081] 矿卡在电铲阻塞等待本质上是一个有限源的排队论问题，该类排队问题的主要特征是顾客总数有限，如果有m个顾客，每个顾客来到系统中接受服务后仍回到原来的总体，

经过一段时间后还会再次请求服务，有限源排队论模型示意图如图1所示。

[0082] 设每个顾客的到达率都是相同的，均为λ(这里λ的含义是指单位时间内该顾客来到系统请求服务的次数)，且每一顾客在系统外的时间均服从参数为λ的负指数分布。服务

率为μ(μ表示单位时间内系统服务完成的顾客数，称为平均服务率)，每一个顾客的平均服

务时间为1/μ。在露天矿生产系统中，λ为一个矿卡单位时间内完成一个生产周期(卸载、空

载行驶、排队等待、装载、重载行驶)的次数，则1/λ为平均生产周期时间，μ为电铲单位时间

内装载车数，1/μ为平均装载时间，m为派遣给电铲的总车数。

[0083] 根据排队论相关知识，可直接得到如下结论：[0084] (1)电铲空闲概率:[0085][0086] (2)矿卡平均等待时间：[0087][0088] 在真实露天矿生产作业中，各个电铲可能有一条以上路径可达，即电铲的“顾客源”可能不止一个，本发明采取如下方式计算矿卡平均到达率λ：

[0089][0090] 式中，Tcijk为路径ij上k型矿卡的初始生产周期时间。[0091] 2.利用矿卡阻塞时间作为阻塞惩罚因子进行车流优化，计算公式如下：[0092][0093] 3.最终优化的模型目标函数为：[0094][0095] 式中，η为阻塞惩罚项平衡因子，用以权衡系统阻塞惩罚与系统收益，由矿卡运营成本和矿石每吨收益共同决定。

[0096] 三、模型函数求解[0097] 基于整数线性规划的车流规划所能解决的问题相对有限，在实际生产环境中，矿石品质与目标品质的偏差，设备闲置时间等影响生产的重要因素均无法被线性化，本发明

采用改进的遗传算法对该非线性车流规划问题进行求解。

[0098] Geatpy是一个高性能实用型进化算法工具箱，提供许多已实现的进化算法中各项重要操作的库函数，并提供一个高度模块化、耦合度低的面向对象的进化算法框架，利用

“定义问题类+调用算法模板”的模式来进行进化优化，可用于求解单目标优化、多目标优

化、复杂约束优化、组合优化、混合编码进化优化等。由于geatpy底层代码闭源，本发明针对

车流规划问题自行设计了遗传算法交叉及突变算子，其余部分默认使用geatpy所提供的方

法。改进后的方法将用于求解非线性整数车流规划问题。

[0099] 1.编码方式[0100] 车流规划解的结构为K×Nd×Ns矩阵，其中K为矿卡型号数，Nd为卸点数，Ns为铲点数，3×3×2的矩阵形式如图2所示。

[0101] 染色体为1×(K×Nd×Ns)一维矩阵，1×18染色体形式如图3所示。[0102] 2.交叉算子执行步骤如下：[0103] (1)随机选择两个父代染色体i,j；[0104] (2)生成一个在[0,1]区间内的随机数f：[0105] (a).若f≥0.6，执行染色体均匀交叉，如图4所示，P1和P2是父代解决方案，O1和O2是后代解决方案，Ref为参考交叉点；

[0106] (b).若0.3≤f<0.6，染色体卸载点基因位置交换，如图5所示，P1和P2是父代解决方案，O1和O2是后代解决方案

[0107] (c).若0≤f<0.3，染色体装载点基因位置交换，如图6所示，P1和P2是父代解决方案，O1和O2是后代解决方案。

[0108] 3.突变算子执行步骤如下：[0109] (1)生成一个在[0,1]区间内的随机数f；[0110] (2)若f≤0.3，对染色体各个基因位置按概率执行高斯突变；[0111] (3)若f>0.3，则：[0112] (a)按列(铲点)生成随机数，以此为权重对该列随机高斯增量值进行重分配，随机数高于平均值的基因对应值得到提高，反之，低于平均值的相应降低，变化量计算公式为：

[0113][0114] 其中，delta为基因变化量，Xrandom为随机数，Xmean为随机数均值，Ng为高斯增量值。[0115] (b)按行(卸点)生成随机数，以此为权重对该行随机高斯增量值进行重新分配，处理方法同上。

[0116] 例如：随机数为：10，5；高斯增量：6；变化量：[0117][0118] 重新分配结果如图7所示。[0119] 使用本发明提出的改进遗传算法求解模型，得到不同平衡因子下产量及矿卡数统计结果如表2和图8所示。

[0120]η 矿卡投入数量(辆) 系统产量(吨)

1.5 42 8882

1.25 45 9300

1 48 9520

0.75 49 9617

0.5 52 9767

0.25 53 9799

0 56 9800

[0121] 从图8可知，考虑阻塞因子情况下(即η非零)，投入矿卡数量明显低于不考虑阻塞因子情况(即η为零)，其中，当η为1时，矿山产量仅下降2.6％，而矿卡投入数量下降14.3％，

生产成本明显降低。η作为平衡因子由矿卡成本和矿石利润共同决定，计算公式如下：

[0122][0123] 式中，C为矿卡平均运营成本，P为每吨矿石所获利润，经营者可根据实际情况选择合适的平衡因子。

[0124] 本发明根据矿山生产实际情况，建立以协同优化产量与矿卡阻塞时间为目标函数的车流规划模型，相比与传统的自动车流规划方法，本发明提供了一种衡量矿卡设备利用

率的标准，有效降低了设备非工作时间。针对该矿山调度模型，本发明提供了一种改进的遗

传算法以快速求解该问题。最终测试结果表明，本发明所提出的车流规划方案能够显著改

善矿卡阻塞，降低生产成本，对于最大化矿山经营收益具有显著作用。