CN112580259A - 基于遗传算法的智能矿山自动配矿方法及系统 - Google Patents

基于遗传算法的智能矿山自动配矿方法及系统 Download PDF

Info

Publication number
CN112580259A
CN112580259A CN202011489657.0A CN202011489657A CN112580259A CN 112580259 A CN112580259 A CN 112580259A CN 202011489657 A CN202011489657 A CN 202011489657A CN 112580259 A CN112580259 A CN 112580259A
Authority
CN
China
Prior art keywords
ore
blending
genetic algorithm
ore blending
proportion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011489657.0A
Other languages
English (en)
Other versions
CN112580259B (zh
Inventor
何小龙
刘涛
胡亚东
孙利波
张明生
段然
卢鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Cement Industry Design and Research Institute Co Ltd
Original Assignee
Tianjin Cement Industry Design and Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Cement Industry Design and Research Institute Co Ltd filed Critical Tianjin Cement Industry Design and Research Institute Co Ltd
Priority to CN202011489657.0A priority Critical patent/CN112580259B/zh
Publication of CN112580259A publication Critical patent/CN112580259A/zh
Application granted granted Critical
Publication of CN112580259B publication Critical patent/CN112580259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于遗传算法的智能矿山自动配矿方法及系统，属于矿山技术领域，其特征在于，所述基于遗传算法的智能矿山自动配矿方法包括如下步骤：步骤一、建立带有出矿量约束和出矿比例约束的、以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数的配矿模型；步骤二：利用遗传算法求解配矿模型，生成最优配矿比例；步骤三：对配矿结果进行分析验证，并进行微调。本发明采用基于遗传算法的多参数寻优方法，以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数，在满足出矿量、出矿比例等约束的同时，获得各个采矿点的配矿比例。

Description

基于遗传算法的智能矿山自动配矿方法及系统
技术领域
本发明属于矿山技术领域，特别是涉及一种基于遗传算法的智能矿山自动配矿方法及系统。
背景技术
近年来，随着矿山行业的建设及发展，智能矿山建设已成为矿山行业发展的必然趋势。环境感知技术、信息融合技术、计算机技术、无线通讯技术、自动控制技术、物联网技术等越来越多地被应用于智能矿山建设中，从而实现了采矿信息数字化、生产控制智能化、生产监测安全化、经营管理信息化，降低了矿石开采、分选加工、运输销售等环节的成本，提升了矿山全流程的运行效率，有效地保证了矿山的有效运营。作为采矿流程中的重要一环，配矿的目的在于合理利用不同品位的矿物资源，在正确的时间和地点开采出最佳的矿石质量和数量，达到矿石质量指标要求，控制矿石及其加工产品质量的均匀性和稳定性，降低生产成本，获得最佳的经济效益。但是，配矿涉及复杂的数据计算和巨大的信息处理量，同时还需要先进的优化算法才能顺利进行。
遗传算法是在20世纪70年代初由J.Holland教授首次提出的，它基于基因遗传学和达尔文“物竞天择，适者生存”的进化原理，是一种模拟生物在自然环境下的遗传机制和自然选择的进化过程而形成的一种迭代式自适应全局优化概率搜索算法。遗传算法能够并行地对解空间进行搜索，减小了初始种群的规模，从而提高计算效率；整体优化计算不依赖于梯度信息，仅需要目标函数的信息就可以找到最优解；有很强的鲁棒性，适用于处理高复杂度的非线性问题。遗传算法的基本原理是：首先将需要解决的问题存在的可能解编码成一个个“染色体”作为初始种群，采用适应度函数对种群中的每一个个体进行估值。按照适者生存原理进化，选择适应度值较高的优良个体并通过从遗传操作中抽象出来的复制算子、交叉算子以及变异算子对个体进行遗传操作，产生新一代的候选解群，经过特定进化次数或者达到预设收敛优化目标即停止进化，进而得到具有更强适应性的种群后代。
发明内容
为了解决上述技术问题，即智能矿山建设中供矿品位困难大、矿物资源浪费等技术问题，本发明采用基于遗传算法的多参数寻优方法，以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数，在满足出矿量、出矿比例等约束的同时，获得各个采矿点的配矿比例。
本发明的第一目的是提供一种基于遗传算法的智能矿山自动配矿方法，包括：
步骤一、建立带有出矿量约束和出矿比例约束的、以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数的配矿模型；
步骤二：利用遗传算法求解配矿模型，生成最优配矿比例；
步骤三：对配矿结果进行分析验证，并进行微调。
优选地，所述目标函数表达式为：
Figure BDA0002840371730000021
其中，m为参与计算的矿石成分的数量，n为出矿点的数量，qij表示配矿前第i个出矿点第j种成分的含量，Pi表示第i个出矿点的出矿比例；Sj表示第j种成分的矿石质量标准的含量，λj表示预先定义的第j种成分对配矿结果影响的权重，满足
Figure BDA0002840371730000022
优选地，所述出矿量约束表达式为：
Figure BDA0002840371730000023
其中，n表示出矿点的数量，Xi表示第i个出矿点的出矿量，C表示总出矿量。
优选地，所述出矿比例约束表示为：
Pi,lb≤Pi≤Pi,ub
其中，Pi,lb和Pi,ub分别为第i个出矿点出矿比例的下限和上限，Pi表示第i个出矿点的出矿比例。
优选地，所述遗传算法为适应度函数fitness，其为目标函数min f(x)的倒数，表示为：
Figure BDA0002840371730000031
其中，m为参与计算的矿石成分的数量，n为出矿点的数量，qij表示配矿前第i个出矿点第j种成分的含量，Pi表示第i个出矿点的出矿比例，Sj表示第j种成分的矿石质量标准的含量，λj表示预先定义的第j种成分对配矿结果影响的权重。
优选地，所述遗传算法的交叉操作公式表达为：
Figure BDA0002840371730000032
其中，Si,g+1和Sj,g+1为两条子代染色体，Si,g和Sj,g为两条亲代染色体，α为[0,1]之间的随机数。
本专利的第二发明目的是提供一种基于遗传算法的智能矿山自动配矿系统，包括：
建模部、建立带有出矿量约束和出矿比例约束的、以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数的配矿模型；
配矿部：利用遗传算法求解配矿模型，生成最优配矿比例；
优化部：对配矿结果进行分析验证，并进行微调。
本专利的第三发明目的是提供一种实现上述基于遗传算法的智能矿山自动配矿方法的计算机程序。
本专利的第四发明目的是提供一种实现上述基于遗传算法的智能矿山自动配矿方法的信息数据处理终端。
本专利的第五发明目的是提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于遗传算法的智能矿山自动配矿方法。
本发明的优点及积极效果为：
通过采用上述技术方案，本发明具有如下的技术效果：
(1)在已知多个采矿点多种成分含量的条件下，求解满足出矿量约束和出矿比例约束的、以配矿后矿石多种成分的含量与矿石质量标准偏差最小的目标函数，得到针对不同品位的采矿点最优的矿石配比，将矿石质量严格控制在允许的范围内，达到要求的供矿质量标准，保证矿石质量达到稳定和均衡，实现矿石质量控制；
(2)利用遗传算法求解最优的配矿比例，缩小了人工计算配矿结果的误差，避免了配矿矿量与目标出矿量相差过大的现象产生，提高矿山生产能力，实现矿石产量控制；
(3)对较低品位采矿点的出矿量、出矿比例进行约束，充分利用较低品位的矿石，以防采矿区整体CaO、MgO等有效成分比例越来越低，对今后的生产造成非常不利的影响，从而最大限度地合理利用矿山资源，延长矿山的开采年限。
附图说明
图1为本发明优选实例的流程图；
图2为本发明优选实例的原理架构图；
图3为本发明优选实例中遗传算法中的变异操作伪代码。
图4为本发明优选实例在Anaconda中实现的求解配矿后CaO含量收敛曲线示意图；
图5为本发明优选实例在Anaconda中实现的求解配矿后MgO含量收敛曲线示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
本发明将识别的实体分为八类，并利用BIOES标注对实体进行标注，然后连接字嵌入，位置嵌入和标签嵌入，使用双向长短期神经网络和条件随机场识别实体类型，得到实体标签。
请参阅图1至图5，具体方案为：
第一优选实施例：一种基于遗传算法的智能矿山自动配矿方法，
步骤1：建立带有出矿量约束和出矿比例约束的、以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数的配矿模型；
步骤2：利用遗传算法求解配矿模型，生成最优配矿比例；
步骤3：人工对配矿结果进行分析验证，并在局部进行细微的调整。
所述步骤1中的配矿模型的目标函数表示为：
Figure BDA0002840371730000051
其中，m为参与计算的矿石成分的数量，n为出矿点的数量，qij表示配矿前第i个出矿点第j种成分的含量，Pi表示第i个出矿点的出矿比例，
Sj表示第j种成分的矿石质量标准的含量，λj表示预先定义的第j种成分对配矿结果影响的权重，满足
Figure BDA0002840371730000052
为保证出矿量满足需求，所述步骤1中的配矿模型的出矿量约束为：
Figure BDA0002840371730000053
其中，n表示出矿点的数量，Xi表示第i个出矿点的出矿量，C表示总出矿量。
为防止矿石有效成分的含量越来越低，充分合理利用不同品位的矿石，所述步骤1中的配矿模型的出矿比例约束为：
Pi,lb≤Pi≤Pi,ub
其中，Pi,lb和Pi,ub分别为第i个出矿点出矿比例的下限和上限，Pi表示第i个出矿点的出矿比例。
所述步骤2中的遗传算法包括：
1)初始化参数
首先确定种群规模，随机生成N条染色体作为初始种群，设置最大迭代次数K和收敛目标G。
2)编码
为方便进行交叉、变异等遗传操作，需要将十进制的配矿比例表现型编码成二进制的染色体基因型。由于配矿比例在0到1之间，为了保证精度，保留小数点后四位小数，从而编码成具有14位基因的染色体。
3)适应度函数
遗传算法的评估指标采用适应度值，通过适应度函数选择优良的个体，适应度值越大，个体被选择的概率越大。这里取目标函数绝对值的倒数作为适应度函数fitness，表示为：
Figure BDA0002840371730000061
其中，min f(x)为配矿模型中的目标函数，m为参与计算的矿石成分的数量，n为出矿点的数量，qij表示配矿前第i个出矿点第j种成分的含量，Pi表示第i个出矿点的出矿比例，Sj表示第j种成分的矿石质量标准的含量，λj表示预先定义的第j种成分对配矿结果影响的权重。
4)复制
从当前个体中选择适应度值较高的亲代个体遗传产生新的子代个体，亲代个体的适应度值越大，被选择的概率就越大。
5)交叉
从亲代染色体中以Pc的概率选择适应度值较大的个体随机配对，并交换某些基因，从而生成新的子代，通常取0.4≤Pc≤0.99。本公开采用单点交叉法，其计算公式为：
Figure BDA0002840371730000071
其中，Si,g+1和Sj,g+1为两条子代染色体，Si,g和Sj,g为两条亲代染色体，α为[0,1]之间的随机数。
6)变异
完成交叉操作后的个体中的某些基因都有Pm的几率发生变异，也就是将二进制编码中的“0”变成“1”或者由“1”变成“0”，从而产生新的个体，通常取0.0001≤Pm≤0.01。本公开采用四位变异法，其伪代码如图3所示。
7)算法终止
在未达到最大迭代次数K或者达到收敛目标G时，算法将重复步骤4)-6)以产生更加优良的个体。当达到最大迭代次数K或者达到收敛目标G时，算法结束，同时将最后一代个体进行解码操作，将二进制的染色体基因型解码成十进制的配矿比例表现型，从而得到最优解。
实验结果表明该算法可以计算出收敛的配矿结果，配矿后CaO的含量的收敛曲线如图4所示。图4中横坐标表示遗传算法的迭代次数，纵坐标表示配矿后CaO的含量。配矿后MgO的含量的收敛曲线如图5所示。图5中横坐标表示遗传算法的迭代次数，纵坐标表示配矿后MgO的含量。
所述的步骤3即人工对利用遗传算法得到的配矿结果进行分析验证，并进行细微的调整。
综上所述，本公开提供了一种基于遗传算法的智能矿山自动配矿方法，采用遗传算法在已知各个采矿点矿石成分含量的条件下，求解带有出矿量约束和出矿比例约束的、以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数的配矿模型，得到最优的矿石配比，实现矿石质量的控制，从而充分合理利用矿物资源。
第二优选实施例：一种基于遗传算法的智能矿山自动配矿系统，包括：
建模部、建立带有出矿量约束和出矿比例约束的、以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数的配矿模型；
配矿部：利用遗传算法求解配矿模型，生成最优配矿比例；
优化部：对配矿结果进行分析验证，并进行微调。
所述建模部中的配矿模型的目标函数表示为：
Figure BDA0002840371730000081
其中，m为参与计算的矿石成分的数量，n为出矿点的数量，qij表示配矿前第i个出矿点第j种成分的含量，Pi表示第i个出矿点的出矿比例，Sj表示第j种成分的矿石质量标准的含量，λj表示预先定义的第j种成分对配矿结果影响的权重，满足
Figure BDA0002840371730000082
为保证出矿量满足需求，所述步骤1中的配矿模型的出矿量约束为：
Figure BDA0002840371730000083
其中，n表示出矿点的数量，Xi表示第i个出矿点的出矿量，C表示总出矿量。
为防止矿石有效成分的含量越来越低，充分合理利用不同品位的矿石，所述建模部中的配矿模型的出矿比例约束为：
Pi,lb≤Pi≤Pi,ub
其中，Pi,lb和Pi,ub分别为第i个出矿点出矿比例的下限和上限，Pi表示第i个出矿点的出矿比例。
所述配矿部中的遗传算法包括：
2)初始化参数
首先确定种群规模，随机生成N条染色体作为初始种群，设置最大迭代次数K和收敛目标G。
2)编码
为方便进行交叉、变异等遗传操作，需要将十进制的配矿比例表现型编码成二进制的染色体基因型。由于配矿比例在0到1之间，为了保证精度，保留小数点后四位小数，从而编码成具有14位基因的染色体。
3)适应度函数
遗传算法的评估指标采用适应度值，通过适应度函数选择优良的个体，适应度值越大，个体被选择的概率越大。这里取目标函数绝对值的倒数作为适应度函数fitness，表示为：
Figure BDA0002840371730000091
其中，min f(x)为配矿模型中的目标函数，m为参与计算的矿石成分的数量，n为出矿点的数量，qij表示配矿前第i个出矿点第j种成分的含量，Pi表示第i个出矿点的出矿比例，Sj表示第j种成分的矿石质量标准的含量，λj表示预先定义的第j种成分对配矿结果影响的权重。
4)复制
从当前个体中选择适应度值较高的亲代个体遗传产生新的子代个体，亲代个体的适应度值越大，被选择的概率就越大。
5)交叉
从亲代染色体中以Pc的概率选择适应度值较大的个体随机配对，并交换某些基因，从而生成新的子代，通常取0.4≤Pc≤0.99。本公开采用单点交叉法，其计算公式为：
Figure BDA0002840371730000101
其中，Si,g+1和Sj,g+1为两条子代染色体，Si,g和Sj,g为两条亲代染色体，α为[0,1]之间的随机数。
6)变异
完成交叉操作后的个体中的某些基因都有Pm的几率发生变异，也就是将二进制编码中的“0”变成“1”或者由“1”变成“0”，从而产生新的个体，通常取0.0001≤Pm≤0.01。本公开采用四位变异法，其伪代码如图3所示。
8)算法终止
在未达到最大迭代次数K或者达到收敛目标G时，算法将重复步骤4)-6)以产生更加优良的个体。当达到最大迭代次数K或者达到收敛目标G时，算法结束，同时将最后一代个体进行解码操作，将二进制的染色体基因型解码成十进制的配矿比例表现型，从而得到最优解。
实验结果表明该算法可以计算出收敛的配矿结果，配矿后CaO的含量的收敛曲线如图4所示。图4中横坐标表示遗传算法的迭代次数，纵坐标表示配矿后CaO的含量。配矿后MgO的含量的收敛曲线如图5所示。图5中横坐标表示遗传算法的迭代次数，纵坐标表示配矿后MgO的含量。
所述的优化部即人工对利用遗传算法得到的配矿结果进行分析验证，并进行细微的调整。
综上所述，本公开提供了一种基于遗传算法的智能矿山自动配矿方法，采用遗传算法在已知各个采矿点矿石成分含量的条件下，求解带有出矿量约束和出矿比例约束的、以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数的配矿模型，得到最优的矿石配比，实现矿石质量的控制，从而充分合理利用矿物资源。
一种实现上述第一优选实施例，即基于遗传算法的智能矿山自动配矿方法的计算机程序。
一种实现上述第一优选实施例，即基于遗传算法的智能矿山自动配矿方法的信息数据处理终端。
一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述第一优选实施例的基于遗传算法的智能矿山自动配矿方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (10)

1.一种基于遗传算法的智能矿山自动配矿方法，其特征在于，包括如下步骤：
步骤一、建立带有出矿量约束和出矿比例约束的、以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数的配矿模型；
步骤二：利用遗传算法求解配矿模型，生成最优配矿比例；
步骤三：对配矿结果进行分析验证，并进行微调。
2.根据权利要求1所述基于遗传算法的智能矿山自动配矿方法，其特征在于，所述目标函数表达式为：
Figure FDA0002840371720000011
其中，m为参与计算的矿石成分的数量，n为出矿点的数量，qij表示配矿前第i个出矿点第j种成分的含量，Pi表示第i个出矿点的出矿比例；Sj表示第j种成分的矿石质量标准的含量，λj表示预先定义的第j种成分对配矿结果影响的权重，满足
Figure FDA0002840371720000012
3.根据权利要求1所述基于遗传算法的智能矿山自动配矿方法，其特征在于，所述出矿量约束表达式为：
Figure FDA0002840371720000013
其中，n表示出矿点的数量，Xi表示第i个出矿点的出矿量，C表示总出矿量。
4.根据权利要求1所述基于遗传算法的智能矿山自动配矿方法，其特征在于，所述出矿比例约束表示为：
Pi,lb≤Pi≤Pi,ub
其中，Pi,lb和Pi,ub分别为第i个出矿点出矿比例的下限和上限，Pi表示第i个出矿点的出矿比例。
5.根据权利要求1所述基于遗传算法的智能矿山自动配矿方法，其特征在于，所述遗传算法为适应度函数fitness，其为目标函数min f(x)的倒数，表示为：
Figure FDA0002840371720000014
其中，m为参与计算的矿石成分的数量，n为出矿点的数量，qij表示配矿前第i个出矿点第j种成分的含量，Pi表示第i个出矿点的出矿比例，Sj表示第j种成分的矿石质量标准的含量，λj表示预先定义的第j种成分对配矿结果影响的权重。
6.根据权利要求1所述基于遗传算法的智能矿山自动配矿方法，其特征在于，所述遗传算法的交叉操作公式表达为：
Figure FDA0002840371720000021
其中，Si,g+1和Sj,g+1为两条子代染色体，Si,g和Sj,g为两条亲代染色体，α为[0,1]之间的随机数。
7.一种基于遗传算法的智能矿山自动配矿系统，其特征在于，包括：
建模部、建立带有出矿量约束和出矿比例约束的、以配矿后矿石多种成分的含量与矿石质量标准偏差最小为目标函数的配矿模型；
配矿部：利用遗传算法求解配矿模型，生成最优配矿比例；
优化部：对配矿结果进行分析验证，并进行微调。
8.一种实现权利要求1-6任一项所述基于遗传算法的智能矿山自动配矿方法的计算机程序。
9.一种实现权利要求1-6任一项所述基于遗传算法的智能矿山自动配矿方法的信息数据处理终端。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-6任一项所述的基于遗传算法的智能矿山自动配矿方法。
CN202011489657.0A 2020-12-16 2020-12-16 基于遗传算法的智能矿山自动配矿方法及系统 Active CN112580259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011489657.0A CN112580259B (zh) 2020-12-16 2020-12-16 基于遗传算法的智能矿山自动配矿方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011489657.0A CN112580259B (zh) 2020-12-16 2020-12-16 基于遗传算法的智能矿山自动配矿方法及系统

Publications (2)

Publication Number Publication Date
CN112580259A true CN112580259A (zh) 2021-03-30
CN112580259B CN112580259B (zh) 2022-05-13

Family

ID=75135575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011489657.0A Active CN112580259B (zh) 2020-12-16 2020-12-16 基于遗传算法的智能矿山自动配矿方法及系统

Country Status (1)

Country Link
CN (1) CN112580259B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115470261A (zh) * 2022-07-29 2022-12-13 山东黄金矿业(莱州)有限公司三山岛金矿 一种基于矿石流的黄金矿山大数据分析方法
CN115935720A (zh) * 2023-03-03 2023-04-07 凌霄(天津)工业互联网有限公司 一种基于大数据处理的配矿方法
CN115941505A (zh) * 2022-12-06 2023-04-07 天瑞集团信息科技有限公司 基于大数据和地理位置信息的矿山智能配矿方法及系统
CN116884536A (zh) * 2023-08-29 2023-10-13 济南明泉数字商务有限公司 一种工业废渣砖生产配方自动优化方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104846192A (zh) * 2015-05-18 2015-08-19 中南大学 一种计算铁矿石烧结最佳配加比例的方法
CN109165858A (zh) * 2018-09-05 2019-01-08 中国人民解放军国防科技大学 面向大区域目标观测的多星调度方法
CN110246547A (zh) * 2018-03-07 2019-09-17 鞍钢集团矿业有限公司 一种烧结过程配矿优化方法
CN110533185A (zh) * 2019-08-30 2019-12-03 西安建筑科技大学 一种基于自适应遗传算法的多金属多目标配矿方法
CN110533246A (zh) * 2019-08-30 2019-12-03 西安建筑科技大学 一种基于粒子群-鸽群混合优化算法的多金属露天矿多目标配矿方法
CN111242281A (zh) * 2020-01-07 2020-06-05 中国科学院计算技术研究所厦门数据智能研究院 一种深度卷积神经网络权值优化方法
CN111738580A (zh) * 2020-06-12 2020-10-02 鞍钢集团矿业有限公司 一种鞍山式铁矿配矿优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104846192A (zh) * 2015-05-18 2015-08-19 中南大学 一种计算铁矿石烧结最佳配加比例的方法
CN110246547A (zh) * 2018-03-07 2019-09-17 鞍钢集团矿业有限公司 一种烧结过程配矿优化方法
CN109165858A (zh) * 2018-09-05 2019-01-08 中国人民解放军国防科技大学 面向大区域目标观测的多星调度方法
CN110533185A (zh) * 2019-08-30 2019-12-03 西安建筑科技大学 一种基于自适应遗传算法的多金属多目标配矿方法
CN110533246A (zh) * 2019-08-30 2019-12-03 西安建筑科技大学 一种基于粒子群-鸽群混合优化算法的多金属露天矿多目标配矿方法
CN111242281A (zh) * 2020-01-07 2020-06-05 中国科学院计算技术研究所厦门数据智能研究院 一种深度卷积神经网络权值优化方法
CN111738580A (zh) * 2020-06-12 2020-10-02 鞍钢集团矿业有限公司 一种鞍山式铁矿配矿优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李志国: "基于遗传算法的多目标优化配矿", 《广西大学学报: 自然科学版》 *
柯丽华等: "配矿优化技术研究现状及发展趋势", 《中国矿业》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115470261A (zh) * 2022-07-29 2022-12-13 山东黄金矿业(莱州)有限公司三山岛金矿 一种基于矿石流的黄金矿山大数据分析方法
CN115941505A (zh) * 2022-12-06 2023-04-07 天瑞集团信息科技有限公司 基于大数据和地理位置信息的矿山智能配矿方法及系统
CN115941505B (zh) * 2022-12-06 2023-08-01 天瑞集团信息科技有限公司 基于大数据和地理位置信息的矿山智能配矿方法及系统
CN115935720A (zh) * 2023-03-03 2023-04-07 凌霄(天津)工业互联网有限公司 一种基于大数据处理的配矿方法
CN115935720B (zh) * 2023-03-03 2023-06-02 凌霄(天津)工业互联网有限公司 一种基于大数据处理的配矿方法
CN116884536A (zh) * 2023-08-29 2023-10-13 济南明泉数字商务有限公司 一种工业废渣砖生产配方自动优化方法及系统
CN116884536B (zh) * 2023-08-29 2024-03-12 济南明泉数字商务有限公司 一种工业废渣砖生产配方自动优化方法及系统

Also Published As

Publication number Publication date
CN112580259B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN112580259B (zh) 基于遗传算法的智能矿山自动配矿方法及系统
CN111832101B (zh) 一种水泥强度预测模型的构建方法及水泥强度预测方法
WO2019184777A1 (zh) 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质
CN105676814A (zh) 基于sfla-svm的数字化水岛在线加药控制方法
CN112036483B (zh) 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质
CN115018387B (zh) 订单揉合管理方法、系统、设备及存储介质
CN114302418A (zh) 网元设备性能的检测方法、装置及计算机可读介质
CN116340726A (zh) 一种能源经济大数据清洗方法、系统、设备及存储介质
CN111785326A (zh) 基于生成对抗网络的药物作用后基因表达谱预测方法
CN111639820A (zh) 一种水泥炉窑生产的能耗参数优化方法及系统
CN112990776B (zh) 一种配网设备健康度评价方法
CN110298506A (zh) 一种城市建设水平预测系统
CN116468147A (zh) 基于遗传算法的钢筋优化断料的计算方法及装置
CN110781978A (zh) 一种用于机器学习的特征处理方法和系统
CN113743003B (zh) 考虑温度、湿度影响的高压线路对地电场强度计算方法
CN114742173A (zh) 一种基于神经网络的变压器故障诊断方法及系统
CN114219605A (zh) 一种风控方法、装置及存储介质
CN114330090A (zh) 一种缺陷检测方法、装置、计算机设备和存储介质
CN113398593A (zh) 多智能体分层控制方法、装置、存储介质及电子设备
CN117130280B (zh) 泵房控制方法、装置、电子设备及存储介质
CN116072214B (zh) 基于基因显著性增强的表型智能预测、训练方法及装置
CN112163068B (zh) 一种基于自主进化学习器的信息预测方法及系统
CN111883208B (zh) 一种基因序列优化方法、装置、设备及介质
CN115688605B (zh) 一种基于多目标优化算法的民机研制需求排序方法
CN115578191A (zh) 一种基于遗传算法的自适应风控策略优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant