CN104636802A - 一种基于改进遗传算法的爆破方案多准则选择方法 - Google Patents

Abstract

本发明公开了一种基于改进遗传算法的爆破方案多准则选择方法，特征在于，使用TOPSIS方法作为GA的适函数，综合超爆深度和飞石距离两套准则，对方案进行排序，其过程分为三步：运用结构元方法表述的模糊数直觉模糊集，根据好、犹豫、不好的模糊语义划分，对上述爆破方案参数进行了模糊化；按照实际统计特征随机生成100种爆破方案，使用TOPSIS方法作为GA的适函数，综合超爆深度和飞石距离两套准则，对100种方案进行排序；考虑与实际的关联问题，使用神经网络筛选子代中BB和FR符合要求的方案，并进行淘汰方案的数量补充。本发明的目的在于得到综合考虑超爆深度和飞石距离下的最优爆破方案。可广泛用于露天矿爆破方案的选择。

Description

一种基于改进遗传算法的爆破方案多准则选择方法

技术领域

本发明涉及露天开采爆破方案的选择，特别是涉及通过改进遗传算法的爆破方案多准则选择方法。

背景技术

爆破方案的制定是采矿工作中的重要内容。方案中的参数选择受很多因素影响。不同的矿区使用的爆破方案都有差异，其选择主要是考虑产量、地质条件、岩石的物理力学性能和地下水环境等。

爆破参数的确定应满足安全、技术和经济方面的要求。否者将产生严重的事故，其中超爆和飞石是最为常见的事故。超爆是由于不恰当的参数设置导致的爆破深度超过预定深度的现象，其对岩体的破坏将超过事先的预测，导致岩石的滑坡及崩塌等事故；飞石同样是由于参数的不当导致爆炸能量使破坏后的岩石飞出事先设定的安全范围，给周围人机造成破坏的事故。

国内外对超爆和飞石及其相关因素做了一些研究，但缺乏考虑超爆和飞石两者耦合作用对爆破方案选取的影响。针对目前的现场实际情况，工作人员基于自身的经验往往只能给出炮眼深(HL)、间距(S)、装药深度(B)、阻塞深度(ST)、单位炸药消耗量(PF)和钻孔率(SD)之一对超爆和飞石的定性影响，两个或更多因素的影响就工作人员本身是无法确定的。就影响因素本身而言，对超爆和飞石的正面和负面影响的划分可能是不同的，甚至是相反地，如炮眼深(HL)，一般的，炮眼深越深超爆深度可能越大，飞石量可能越大，但是飞石距离会减小。所以，为贴近实际工程，为实际爆破方案的选择服务，要建立一种能处理实际工作人员提供的模糊数据，且能按照多准则进行决策判断的爆破方案选择方法。

使用改进遗传算法进行爆破方案的选择。改进之处在于基于矿场的实际100组爆破方案参数的统计规律，使用遗传算法初始化种群（即方案，100个）。使用结构元直觉模糊集对遗传算法生成的种群，即爆破方案参数进行基于结构元模糊处理。使用TOPSIS算法和Hamming距离对方案进行排序，将排序靠前的50个方案的染色体遗传给下一代，另50个通过交叉、变异等进行遗传。使用神经网络训练实际100组爆破方案的炮眼深(HL)、间距(S)、装药深度(B)、阻塞深度(ST)、单位炸药消耗量(PF)和钻孔率(SD)与超爆深度(BB)和飞石距离(FR)的映射关系，使用训练后的神将网络筛选符合BB、FR值域的子代，并进行补充，后进行下一代的计算。试验表明该方法明显提高了遗传算法的收敛性和适应性，且得到的最优爆破方案符合实际情况。

发明内容

表1 模糊语义划分表

    表1中，语义“不好”表示HL、S、B、ST、PF、SD的对应于“不好”的值不利于控制BB和FR的值趋好，μ_好（x）=0；语义“犹豫”表示可能由于经验不足等原因，造成现场工作人员无法确定HL、S、B、ST、PF、SD的值对应于“犹豫”的值是否影响BB和FR的值，及影响程度，0<μ_好（x）<1；语义“好”表示HL、S、B、ST、PF、SD的对应于“好”的值利于控制BB和FR的值趋好，μ_好（x）=1。从表中可以看出飞石距离和超爆深度的语义划分有三种情况：1）完全一样，如S、B、PF、SD；2）趋势一样，划分不同，如ST；3）趋势相反，划分不同，如HL。这些也决定了决策的模糊性和复杂性，从而提出了决策方法。

使用TOPSIS法对GA中初始种群和子代生成的方案进行排序，步骤如下。

Step 1 取正则模糊结构元E，将β_ij=?M_ij,N_ij?用模糊结构元表示为β_ij=?f_ij(E),g_ij(E) ?，其中f_ij(E)和g_ij(E)为[-1,1]到[0,1]上的同序单调函数，满足M_ij= f_ij(E)，N_ij= g_ij(E)，i=1,2,…,m;  m为方案个数，j=1,2,…,n;，n为直觉模糊数个数；

Step 2 确定模糊数直觉模糊理想点，又设β_j ^-=?f_j ^-(E),g_j ^-(E) ?,(j=1,2,…,n)为n个最小的模糊数直觉模糊数，则称A^-=(β₁ ^-,β₂ ^-,…β_n ^-,)^T为模糊数直觉模糊负理想点，式中：f_j ^-(x)=0,g_j ^-(x)=1；

Step 3 利用相对贴近度建立模型，求准则权重，方案的理想与负理想点分别为：d_i ⁺=d(A_i,A⁺)=∑ω_jd(β_ij,βj⁺), d_i ^-=d(A_i,A^-)=∑ω_jd(β_ij,βj^-)；

每个方案的优化模型如式（1）、（2）所示，设Θ表示决策者给出的准则权重的集合；

min d_i ⁺=d(A_i,A⁺);

s.t.ω∈Θ,

                   ∑ω_j=1,ω_j≥0,j=1,2,…,n                (1)

max d_i ^-=d(A_i,A^-);

s.t.ω∈Θ,

                   ∑ω_j=1,ω_j≥0,j=1,2,…,n                (2)

综合考虑理想点和负理想点的距离，将式（1）、（2）综合得到如图11所示的公式（3）；

求解上式，可得最优决策权重ω=(ω₁,ω₂,…ω_n)^T；

Step 4 计算每个方案与理想点和负理想点的相对贴近度，如图12所示的公式（4）所示；

Step 5 使用Step 1到Step 4 分别根据表2的飞石距离和超爆深度两组准则对100个方案计算相对贴近度，然后取每个方案计算得到的两个d_i ^*的平均值avgd_i ^*，对100个方案按avgd_i ^*降序排序；

Step 1 到 Step 5构造了GA适函数，用于整个爆破方案决策的第六步。

结构元直觉模糊集优化遗传算法在多准则条件下的爆破方案选择流程如图1所示。

1）采集实际爆破方案数据，用于神经网络的训练。

2）对采集的数据进行神经网络训练，形成HL、S、B、ST、PF、SD与BB、FR的映射关系，HL、S、B、ST、PF、SD为训练输入值，BB、FR为训练输出值。这样做的目的在于遗传算法根据表1生成种群时，种群中的指标只包括HL、S、B、ST、PF、SD。BB和FR是在HL、S、B、ST、PF、SD确定后实际爆破的效果确定的，如果同样在表1条件下随机生成，BB和FR是不能表现实际情况的。所以对该矿场的100次爆破数据记录，进行神经网络训练，并得到能反应HL、S、B、ST、PF、SD与BB、FR的映射关系神经网络。

3）根据表1对该矿场的100次爆破数据进行统计得到的结果，按照各参数的值域和平均值随机生成初始种群。

4） 按照各参数的值域和平均值随机生成个体为100的初始种群。

5） 将HL、S、B、ST、PF、SD根据表2进行模糊化处理。形成TOPSIS适合使用的直觉模糊集的结构元表示方式。

6） 根据TOPSIS准则，分别根据表2的飞石距离和超爆深度两组准则对100个方案计算相对贴近度，然后取每个方案计算得到的飞石距离和超爆深度两个d_i ^*的平均值avgd_i ^*，对100个方案按avgd_i ^*降序排序。

7） 停止遗传算法的条件为前10个方案的avgd_i ^*相差小于0.1。

8） 保留排序靠前50个方案，通过这50个方案的染色体的交叉与变异生成50个子代染色体，即形成50个新的方案。

9） 将原有的50个方案和新生成的50个组成下一代种群。

10）使用步骤2）训练完的神经网络对这100个方案中HL、S、B、ST、PF、SD可能形成的BB、FR进行预测。

11）根据表1的BB和FR的值域和平均值，如果预测的BB和FR符合BB和FR的值域，则进行5）步；如果不符合，则进行12）步

12） 这时子代数小于100，需要再进行染色体的交叉与变异，以补充缺失的染色体数，即方案数。

13） 当满足停止遗传的条件时，TOPSIS降序排列的第一个方案即是所求方案。

附图说明

图1爆破方案选择流程。

图2 公式（3）。

图3 公式（4）。

具体实施方式

鞍钢集团某铁矿位于鞍山市东南12km，铁矿床位于千山山脉西北缘，地貌属丘陵地形，现矿区内最高点位于矿区东北部，海拔标高为100.2m，现在开采到约－280m水平。矿体赋存在鞍山群变质岩系中，矿体下盘与片麻状花岗质混合岩以F15断层接触，上盘与绿泥石英片岩整合接触，东端与千山花岗岩以F1断层接触，西端与混合花岗岩以F14断层接触，矿体走向300～320°，倾向NE，倾角60～80°，矿体与围岩产状基本一致。

收集的数据包括参数HL、S、B、ST、PF、SD、BB和FR，参数统计信息如表2所示，数据(HL,S,B,ST,PF,SD,BB,FR)一共为100组。

 

表2 输入输出参数相关信息

结构元直觉模糊集优化遗传算法在多准则条件下的爆破方案选择流程如图1所示。

1）  采集实际爆破方案数据，用于神经网络的训练。

2）  对采集的数据进行神经网络训练，形成HL、S、B、ST、PF、SD与BB、FR的映射关系，HL、S、B、ST、PF、SD为训练输入值，BB、FR为训练输出值。这样做的目的在于遗传算法根据表1生成种群时，种群中的指标只包括HL、S、B、ST、PF、SD。BB和FR是在HL、S、B、ST、PF、SD确定后实际爆破的效果确定的，如果同样在表1条件下随机生成，BB和FR是不能表现实际情况的。所以对该矿场的100次爆破数据记录，进行神经网络训练，并得到能反应HL、S、B、ST、PF、SD与BB、FR的映射关系神经网络。

3）  根据表1对该矿场的100次爆破数据进行统计得到的结果，按照各参数的值域和平均值随机生成初始种群。

4）  按照各参数的值域和平均值随机生成个体为100的初始种群。

5）  将HL、S、B、ST、PF、SD根据表2进行模糊化处理。形成TOPSIS适合使用的直觉模糊集的结构元表示方式。

6）   根据TOPSIS准则，分别根据表2的飞石距离和超爆深度两组准则对100个方案计算相对贴近度，然后取每个方案计算得到的飞石距离和超爆深度两个d_i ^*的平均值avgd_i ^*，对100个方案按avgd_i ^*降序排序。

7）  停止遗传算法的条件为前10个方案的avgd_i ^*相差小于0.1。

8）  保留排序靠前50个方案，通过这50个方案的染色体的交叉与变异生成50个子代染色体，即形成50个新的方案。

9）  将原有的50个方案和新生成的50个组成下一代种群。

10）      使用步骤2）训练完的神经网络对这100个方案中HL、S、B、ST、PF、SD可能形成的BB、FR进行预测。

11）              根据表1的BB和FR的值域和平均值，如果预测的BB和FR符合BB和FR的值域，则进行5）步；如果不符合，则进行12）步

12）              这时子代数小于100，需要再进行染色体的交叉与变异，以补充缺失的染色体数，即方案数。

13）              当满足停止遗传的条件时，TOPSIS降序排列的第一个方案即是所求方案。

 

表3 最优爆破方案最终结果排序前十方案列表

    表3显示了经过构造的结构元直觉模糊集优化遗传算法生成并选择的最终爆破方案的前十组方案。HL、S、B、ST、PF、SD是由遗传算法生成并选择的，由于在整个算法的构造过程中考虑了实际的方案数据，所以生成的参数较贴合实际。BB、FR是根据HL、S、B、ST、PF、SD生成的神经网络预测值，该神经网络也是通过实际的数据训练得到的。通过本算法得到的爆破参数符合实际，并能预测BB、FR值，特别是适合，综合考虑搜集和处理现场工作人员的经验，以及以进行爆破活动得到的数据，进而得到相同条件下的爆破优化方案。

Claims (7)

1.一种基于改进遗传算法的爆破方案多准则选择方法，其特征在于，运用结构元方法表述的模糊数直觉模糊集，根据好、犹豫、不好的模糊语义划分，对爆破方案参数进行了模糊化，使用遗传算法（GA）选择最优爆破方案。

2.一种基于改进遗传算法的爆破方案多准则选择方法，其特征在于，综合考虑超爆和飞石危害性最小，考虑爆破方案参数包括：炮眼深(HL)、间距(S)、装药深度(B)、阻塞深度(ST)、单位炸药消耗量(PF)和钻孔率(SD)，它们对超爆深度(BB)和飞石距离(FR)。

3.根据权利要求1所述的遗传算法，其特征在于，按照实际统计特征随机生成100种爆破方案，使用TOPSIS方法作为GA的适函数，综合超爆深度和飞石距离两套准则，对100种方案进行排序。

4.根据权利要求3所述的按照实际统计特征随机生成100种爆破方案，其特征在于，同时考虑到与实际的关联问题，使用神经网络筛选子代中BB和FR符合要求的方案，并进行淘汰方案的数量补充。

5.根据权利要求1所述的好、犹豫、不好的模糊语义划分，其特征在于，语义“不好”表示HL、S、B、ST、PF、SD的对应于“不好”的值不利于控制BB和FR的值趋好，μ_好（x）=0；语义“犹豫”表示可能由于经验不足原因，造成现场工作人员无法确定HL、S、B、ST、PF、SD的值对应于“犹豫”的值是否影响BB和FR的值，及影响程度，0<μ_好<1；语义“好”表示HL、S、B、ST、PF、SD的对应于“好”的值利于控制BB和FR的值趋好，μ_好（x）=1。

6.根据权利要求3所述的使用TOPSIS方法作为GA的适函数，其特征在于，使用TOPSIS法对GA中初始种群和子代生成的方案进行排序的步骤：

Step 1 取正则模糊结构元E，将β_ij=?M_ij,N_ij?用模糊结构元表示为β_ij=?f_ij(E),g_ij(E) ?，其中f_ij(E)和g_ij(E)为[-1,1]到[0,1]上的同序单调函数，满足M_ij= f_ij(E)，N_ij= g_ij(E)，i=1,2,…,m;  m为方案个数，j=1,2,…,n;，n为直觉模糊数个数；

Step 2 确定模糊数直觉模糊理想点，又设β_j ^-=?f_j ^-(E),g_j ^-(E) ?,(j=1,2,…,n)为n个最小的模糊数直觉模糊数，则称A^-=(β₁ ^-,β₂ ^-,…β_n ^-,)^T为模糊数直觉模糊负理想点，式中：f_j ^-(x)=0,g_j ^-(x)=1；

Step 3 利用相对贴近度建立模型，求准则权重，方案的理想与负理想点分别为：d_i ⁺=d(A_i,A⁺)=∑ω_jd(β_ij,βj⁺), d_i ^-=d(A_i,A^-)=∑ω_jd(β_ij,βj^-)；

每个方案的优化模型如式（1）、（2）所示，设Θ表示决策者给出的准则权重的集合；

min d_i ⁺=d(A_i,A⁺);

s.t.ω∈Θ,

                   ∑ω_j=1,ω_j≥0,j=1,2,…,n                (1)

max d_i ^-=d(A_i,A^-);

s.t.ω∈Θ,

                   ∑ω_j=1,ω_j≥0,j=1,2,…,n                (2)

综合考虑理想点和负理想点的距离，将式（1）、（2）综合得到如图2所示的公式（3）；

求解上式，可得最优决策权重ω=(ω₁,ω₂,…ω_n)^T；

Step 4 计算每个方案与理想点和负理想点的相对贴近度，如图3所示的公式（4）所示；

Step 5 使用Step 1到Step 4 分别根据表2的飞石距离和超爆深度两组准则对100个方案计算相对贴近度，然后取每个方案计算得到的两个d_i ^*的平均值avgd_i ^*，对100个方案按avgd_i ^*降序排序；

Step 1 到 Step 5构造了GA适函数，用于整个爆破方案决策的第六步。

7.一种基于改进遗传算法的爆破方案多准则选择方法，其特征在于，结构元直觉模糊集优化遗传算法在多准则条件下的爆破方案选择流程：

1步：采集实际爆破方案数据，用于神经网络的训练；

2步：对采集的数据进行神经网络训练，形成HL、S、B、ST、PF、SD与BB、FR的映射关系，HL、S、B、ST、PF、SD为训练输入值，BB、FR为训练输出值，这样做的目的在于遗传算法根据表1生成种群时，种群中的指标只包括HL、S、B、ST、PF、SD，BB和FR是在HL、S、B、ST、PF、SD确定后实际爆破的效果确定的，如果同样在表1条件下随机生成，BB和FR是不能表现实际情况的，所以对该矿场的100次爆破数据记录，进行神经网络训练，并得到能反应HL、S、B、ST、PF、SD与BB、FR的映射关系神经网络；

3步：根据表1对该矿场的100次爆破数据进行统计得到的结果，按照各参数的值域和平均值随机生成初始种群；

4步：按照各参数的值域和平均值随机生成个体为100的初始种群；

5步：将HL、S、B、ST、PF、SD根据表2进行模糊化处理，形成TOPSIS适合使用的直觉模糊集的结构元表示方式；

6步：根据TOPSIS准则，分别根据表2的飞石距离和超爆深度两组准则对100个方案计算相对贴近度，然后取每个方案计算得到的飞石距离和超爆深度两个d_i ^*的平均值avgd_i ^*，对100个方案按avgd_i ^*降序排序；

7步：停止遗传算法的条件为前10个方案的avgd_i ^*相差小于0.1；

8步：保留排序靠前50个方案，通过这50个方案的染色体的交叉与变异生成50个子代染色体，即形成50个新的方案；

9步：将原有的50个方案和新生成的50个组成下一代种群；

10步：使用步骤2）训练完的神经网络对这100个方案中HL、S、B、ST、PF、SD可能形成的BB、FR进行预测；

11步：根据表1的BB和FR的值域和平均值，如果预测的BB和FR符合BB和FR的值域，则进行5）步；如果不符合，则进行12）步；

12步：这时子代数小于100，需要再进行染色体的交叉与变异，以补充缺失的染色体数，即方案数；

13步：当满足停止遗传的条件时，TOPSIS降序排列的第一个方案即是所求方案。