CN113222463B - 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 - Google Patents

Abstract

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，综合卡车在调度运输过程中的各项成本，以装载点的最大产量、卸载点的最大承载量、卡车装卸时间及品位要求、充电要求等为约束条件，制定一个可行的方案使参与工作的各设备在规定时间内完成计划任务，同时可使综合费用、卡车总等待时间、卡车耗电费用及卸载点品位偏差率达到最低，并引入神经网络的代理辅助模型进行预测。神经网络代理模型可有效训练数据集和指导种群优化过程。在线数据驱动的方法也可使历史最优数据集模型向更精确的搜索方向递进，使优化过程更加可靠，同时加快计算速度。通过实验验证，本方法可以有效的提高露天矿的工作效率。

Description

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

技术领域

本发明属于矿业系统工程及矿山优化技术领域，特别涉及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。

背景技术

近年来，随着物联网，5G通信，大数据和人工智能技术的成熟，基于无人驾驶卡车的露天矿智能调度系统已成为矿山智能化建设的趋势。矿车作为露天矿的主要运输工具，相比于传统露天矿开采模式存在的诸多问题，如司机的安全问题、整个矿山对司机的管理等，使用无人驾驶卡车技术，一方面可以节约生产成本，另一方面也有助于提升露天开采效益。矿车的运输费用约占矿山运营成本的30％-40％，因此减少矿山企业生产成本，提高效益最行之有效的方法就是优化卡车调度，其本质是合理分配车辆和运输路线。如何在现有约束条件下实现低本高效生产，实现新型露天矿无人驾驶卡车的车流分配调度，是每个矿山企业亟需解决的关键问题。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供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，将神经网络代理辅助模型并引入到进化算法中，通过历史数据的训练和模型管理策略，不断修正神经网络的网络权值和阈值使误差函数沿负梯度方向下降，从而逼近期望输出，指导种群优化。使模型的预测结果更加准确，同时加快计算速度，最终获得良好的露天矿无人卡车调度方案。

为了实现上述目的，本发明采用的技术方案是：

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，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，至少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；

步骤(3)，使用至少包括历史运输成本、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；

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。

与现有技术相比，本发明在现有多目标调度模型的基础上，引入基于数据驱动的神经网络代理辅助模型，将通过历史数据(运输成本、挖机及无人卡车等待时间、品位偏差率等)训练的神经网络代理辅助模型和模型管理策略(基于逻辑回归的约束修正、随机排名、个体抽样)，嵌入进化算法(非支配排序、拥挤度距离估计、交叉变异)中，让该模型在历史经验数据的指导下朝更精确的搜索方向优化，在保证预测结果精准度的同时，减少搜索次数并降低计算时间。本发明可稳定入选矿石的品位，提高无人卡车以及挖机的的利用率，减少卡车和设备的空闲及等待时间，提高运输效率，降低运输成本。

附图说明

图1是本发明中采用基于数据驱动的神经网络代理辅助露天矿多目标卡车调度算法求解的流程图。

图2是本发明中基于传统调度方案实现的卡车运行方案的两小时调度时间甘特图。

图3是本发明中基于数据驱动的神经网络代理辅助多目标进化算法实现的卡车运行方案的两小时调度时间甘特图。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

本发明为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，考虑矿山运输的特点及环保问题，综合卡车在调度运输过程中的各项成本，以装载点的最大产量、卸载点的最大承载量、卡车装卸时间及品位要求、充电要求等为约束条件，制定一个可行的方案使能够参与工作的各机械设备在规定时间内完成计划任务，同时可使综合费用、卡车总等待时间、卡车耗电费用及卸载点品位偏差率达到最低。参考图1，其主要包括以下步骤：

步骤(1)，确定露天矿山调度生产实际要求和指标，至少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，表示如下：

1)目标函数：

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。

2)约束：

x_rij，y_rij∈{0，1，2，3...} (10)

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，ch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)，对基本进化算法进行改进得到基于数据驱动的神经网络代理辅助多目标进化算法，具体改进过程如下：

步骤(3.1)，使用至少包括历史运输成本、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。

对露天矿无人卡车调度模型采用字符编码方式记录每个染色体X的顺序，即所有无人卡车在一天8小时内的运载路线；生成路线是为了对露天矿调度进行精细化的管理，而在模型的中不需要体现路线，只需要获取x_rij即无人卡车的运输趟数即可计算。

假设露天矿中有5个装载点，有3个卸载点，无人卡车从A、B、C、D、E号装载点运送矿石往a，b，c号卸载点；以X矩阵表示一个染色体，公式如下：

X矩阵的每一行表示一辆无人卡车的路线，列数是无人卡车的路线长度，行数是一天8小时班次内调度的无人卡车数；即X中一行[A a B b C c]可表示一辆无人卡车一天8小时内的调度顺序，[A a B b C c，...，A a B c C b D a，...，cDbEa]代表对应的卡车运输路径，即有3辆卡车分别从A装载点、D装载点、c卸载点出发，随机产生3条运输路径。

通过如下方法初始化种群：首先，所有装卸点均默认最多有一辆无人卡车，随机生成初始位置，根据ASCII码值判断是否在装载点或卸载点；确认初始位置后，再为所有无人卡车随机产生一个可去点，即第一条运行路线，若初始位置在装载点则路线去向卸载点，若初始位置在卸载点则去向装载点；依据每辆无人卡车的完成先后次序，按照先完成先派单的思路，再随机生成一个可去点，寻找第二条路线。重复以上方法，遍历所有车辆，直到时间超时或剩余矿量不足后停止，产生所有无人卡车一天内8小时的运行路线规划图，得到一个完整的卡车运行方案，生成初始种群。

生成初始种群后，使用基于神经网络的代理模型来评估种群。在代理模型初次训练时，先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，对每个个体建立神经网络代理辅助模型；其中每个个体的目标函数值输入层的节点数为4，输出层的节点数为1；多次实验表明，对于隐层的神经网络，只要隐节点足够多，就可以以任意精度逼近函数。因此，本方法采用包括四个输入层，一个隐层和一个输出层的神经网络。

在网络设计过程中，网络中隐层神经元的数目与实际问题的复杂程度、输入和输出层的神经元数以及对期望误差的设定有着直接的联系。若隐层神经元个数过多，会加大网络计算量并容易产生过度拟合问题，神经元个数过少，则会影响网络性能，达不到预期效果。因此，神经元个数的最终确定还是需要根据经验和多次实验来确定。结合露天矿实际调度问题模型，本方法在选取隐层神经元个数的问题上参照了以下的经验公式(12)：

其中，n为输入层神经元个数，m为输出层神经元个数，a为[1，10]之间的常数。根据上式可以计算出神经元个数为3-12个之间。

步骤(3.2)，在模型管理策略中，本方法根据代理模型的误差调整权值与阈值。选用了S型传递函数及反传误差函数，其中T_i为期望输出、O_i为网络的计算输出，如式(13)和(14)，不断调节网络权值和阈值使误差函数E达到极小。

训练模型后，基于神经网络代理模型的近似函数F(x)，可以看作算法的适应度计算。由步骤(2)中每组数据的各项初始化的函数值(如F₁，F₂，F₃，F₄)作为输入，以统一量化的适应度函数值作为输出。模型公式如下：

F(x)＝BPNetwork(F₁(s)，F₂(s)，F₃(s)，F₄(s)) (15)

为减少神经网络对适应度函数值的预测误差，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进行误差修正，得到改进后的神经网络代理辅助模型。

其中，基于逻辑回归的约束修正策略是：采用修正代理约束定义的可行域和不可行域之间的边界策略，以减少将可行解分类为不可行解的可能性。加号表示的解是可行的，十字表示的解是不可行的。其中第j个约束θ_j(x)与代理模型

近似。由于逼近误差，两个可行解被归类为不可行解。如果将/>

的约束条件改为/>

其中α_j是可行解和不可行解之间的边界，则可以对错误分类的解进行修正。在每一代中，建立代理模型

后，用式(16)中描述的logistic回归模型学习其可行概率，其中β₀和β₁是要估计的两个参数，1≤j≤5，然后计算边界α_j，对于下面的选择，问题改为等式(17)，约束上有α_j偏移。

随机排序策略是：采用基于有约束和无约束的情况对总体进行随机排名，通过将约束问题转换为无约束问题，可以提高代理模型中处理约束的性能，即等式中的约束可以看作附加目标，如式(18)所示：

F*＝min(f₁(s),...,f₄(s),θ₁(x),...,θ₅(x))^T (18)

个体采样策略是：使用真实考虑人为偏好因素的加权计算方法从当前种群中选择并评估有前途的解决方案，将这些数据采样并添加到神经网络代理模型的训练集中以更新代理，有效提高神经网络代理模型的逼近精度。直到满足最终条件后，输出一组满足条件的非支配解，也就是一天8小时内对所有卡车调度方案的最优解。在后续进化算法中，可通过此处输出的个体适应度值、快速非支配排序和拥挤度距离估计的方法，选择较优的个体进入下一步的交叉变异。

步骤(3.3)，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。

在预测适应度函数值后，根据非支配排序，将父代解决方案和子代解决方案所有种群相结合并分成几个非支配目标域，以保证更好的目标域的种群被选中，其中，选择操作是结合算法从种群中选择个体的过程，选择操作完成后，将进行交叉和变异；筛选应确保种群中的每个个体都有被选中的可能性，并从种群中更轻松地挑选出具有出色表现的个体，即最终一天8小时内所有无人卡车的较优调度方案，以进一步提高绩效。

其中结合父代和子代种群，使用快速非支配排序和拥挤距离选择亲本种群，方法如下：

1)快速非支配排序

其主要思想是：种群P中，每个个体p都有两个参数s_p与n_p与之对应，其中s_p为个体p所支配个体的集合，n_p为支配个体p的个体数量，首先把n_p为0的所有个体都放入集合F₁中，同时赋予其所对应的非支配序号i_rank；然后对集合F₁中的每个个体p，考察其s_p集合，将集合中的每个个体q所对应的n_q减1(因为支配个体q的个体p已经放入F₁中)，如果n_q-1＝0，则表示个体q是s_p中的非支配解，将其放入另一集合Q中，并对Q进行分层级和赋予其非支配序号；重复以上操作直至所有个体都被分层级；

2)拥挤度距离估计

为了得到个体的拥挤度距离，需要计算种群中每个个体相对于相邻两个个体间的距离，即求出两个无人卡车一天8小时内调度方案适应度值间的距离，计算拥挤度距离的公式如下：

其中f_j为优化目标，按目标值大小依次排序；d_i为拥挤度距离，f_j(i+1)、f_j(i-1)为个体i的邻近个体的目标函数值，

为目标函数的极值，选择时采用的策略是同等条件下选取拥挤度距离大的个体参与进化，以保持种群的多样性。

繁殖作为进化算法的主体，促使着种群多样性的产生。本发明结合露天矿卡车调度的实际情况，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(概率为0.2)。

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

依据调度问题特殊的编码方式，本文产生N个均匀分布的随机数k_i∈[0,1]，i。当k_i小于P_m(概率为0.2)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。

其中针对不可行个体采用惩罚函数进行惩罚是：采用惩罚函数法对违反约束程度大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。即当交叉变异后，有些无人卡车一天8小时内调度方案变为不可行，其约束违反程度较高。则对这些不可行的调度方案进行惩罚，达到过滤的目的。处理形式如式(20)：

式中：λ，ω为惩罚因子；θ_j(x)为约束条件。惩罚后，将不可行的调度方案目标函数值变为无穷大，后续进行淘汰。

步骤(3.4)，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。

将通过历史数据训练的神经网络代理辅助模型和模型管理策略，嵌入进化算法中，使该算法在模型的指导下朝更精确的搜索方向优化，在减少搜索次数并降低计算时间的同时，保证预测结果的准确度。

步骤(4)，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，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(概率为0.2)，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。

综上，本发明提出了一种基于数据驱动的神经网络代理辅助进化算法，并引入神经网络的代理辅助模型进行预测。神经网络代理模型可有效训练数据集和指导种群优化过程。在线数据驱动的方法也可使历史最优数据集模型向更精确的搜索方向递进，使优化过程更加可靠，同时加快计算速度。

为了验证本发明提出的基于神经网络的数据驱动代理辅助进化算法的有效性，以安徽省某露天铁矿为应用对象进行仿真验证，该矿山有6个装载点，3个卸载点，20台载重量为45吨的卡车。

各装载点与卸载点之间的距离如表1所示，各装载点的矿石含量和品位如表2所示，矿山每班时长为8小时，卸载点卸矿总量一班的要求依次为3500吨、3500吨、4000吨，卡车的重载花费为每千米25元，卡车的空载花费为每千米20元，卡车每运行一小时卡车维修费用增加1.5元，卡车的重载速度为16km/h，卡车的空载速度为21km/h。破碎站品位偏差率不得大于0.125％。

表1装载点与卸载点之间的距离(km)

表2各装载点的铲位量(万吨)和品位含量(％)

	装载点A	装载点B	装载点C	装载点D	装载点E	装载点F
							矿石量	0.63	0.57	0.42	0.51	0.69	0.70
品位	0.148	0.135	0.117	0.112	0.141	0.121

Matlab2016在具有core I7-7700 3.6GHz CPU，8GB内存和Windows10操作系统的台式机上实施了实验，算法参数配置如表3所示。为了验证本发明提出的算法的调度结果，比较了矿区传统调度方案给出的结果。

表3算法参数配置

迭代代数	种群规模	交叉概率	突变概率
				100	100	0.5	0.02

实验结果：

根据单个班次内卡车总运输成本最小、总等待时间最小、总品位波动率、总耗电最小的目标，传统调度方案与基于数据驱动的神经网络代理辅助进化算法最终对比结果如表4所示，可知基于数据驱动的代理辅助进化算法在总运输成本、总等待时间、总品位波动率、总耗电方面均优于传统调度方案。

表4对比结果

本实验得到的卡车运行路线如表5所示(以卡车1～10号为例)，从表5数据可知，传统调度方案固定班次内卡车平均运载趟数为21，基于神经网络的数据驱动代理辅助进化算法固定班次内卡车平均运载趟数为23，可知，基于神经网络的数据驱动代理辅助进化算法在卡车利用率方面相比传统调度方案有所改善。

表5卡车运行路线表

本实验得到的卡车运行时刻如表6所示(以卡车1为例)，可知，基于神经网络的数据驱动代理辅助进化算法卡车单趟运行时间比较接近。均少于传统调度最大时刻差30min，单趟卡车平均运行时间约为10min，减少了卡车生产过程中排队现象的发生，提高了卡车利用率。

表6卡车运行时刻表

卡车的运输次数如表7所示。从表7数据可知，相比传统调度方案，基于神经网络的数据驱动代理辅助进化算法的各运输任务分布更为均衡。传统调度方案路线最大运输次数为31次，路线最少运输次数为6次，每条线路平均运输次数为17.4次；基于神经网络的数据驱动代理辅助进化算法路线最大运输次数为27次，路线最少运输次数为10次，每条线路平均运输次数为18次。可知，基于神经网络的数据驱动代理辅助进化算法在线路利用率方面相比传统调度方案有所改善。

表7卡车运行次数表

卡车运行时间甘特图如图2和图3所示，可见基于神经网络的数据驱动代理辅助进化算法各车运载趟数高于传统调度方案各车运载趟数，同时，单趟卡车运行时间更为均衡。可以看出，基于神经网络的数据驱动代理辅助进化算法在卡车的运输费用方面相比传统调度方案有所改善，可以有效提高露天矿的工作效率。

Claims (1)

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。

Images