CN114662943B - 基于多目标遗传算法的露天矿卡车调度方法 - Google Patents
基于多目标遗传算法的露天矿卡车调度方法 Download PDFInfo
- Publication number
- CN114662943B CN114662943B CN202210313408.9A CN202210313408A CN114662943B CN 114662943 B CN114662943 B CN 114662943B CN 202210313408 A CN202210313408 A CN 202210313408A CN 114662943 B CN114662943 B CN 114662943B
- Authority
- CN
- China
- Prior art keywords
- point
- truck
- unloading
- objective
- loading
- 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.)
- Active
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 28
- 238000005065 mining Methods 0.000 claims abstract description 15
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 239000002893 slag Substances 0.000 claims description 4
- 239000011435 rock Substances 0.000 claims description 3
- 238000012067 mathematical method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
Abstract
本发明公开了一种基于多目标遗传算法的露天矿卡车调度方法,包括以下步骤:步骤一:采集矿区生产要素基本信息;步骤二:根据步骤一采集的矿区生产要素基本信息,以卡车总运输量和卡车非作业时间最小为目标,以矿山各生产要素和生产原则为约束,建立多目标数学模型,即为车辆规划模型;步骤三:利用多目标遗传算法NSGA‑III求解车辆规划模型,求解出当前场景下完成矿山任务需要启用的最少卡车数量以及理想的车流规划。本发明求解的车流规划,用户有多种选择,可以根据实际需求选择合适的派车方案,工作效率高。
Description
技术领域
本发明涉及一种基于多目标遗传算法的露天矿卡车调度方法。
背景技术
矿业历经了机械化、自动化时代,如今正步入智慧化时代,智能化和数字化是矿山发展的趋势,其中卡车调度的优化是露天矿山智能化建设的研究热点。在露天矿的开采过程中,卡车的运输费用占了整个矿山生产成本的50%以上,卡车的非作业时间占了30%以上,合理高效地利用矿山设备不但可以减少对设备的损耗,也能进一步降低矿山的生产成本,有效提升企业的市场竞争能力。
国内外对露天矿卡车调度方法研究的文献较多,有White J W提出来的两阶段法,该方法在LINGO上用数学方法求解线性规划模型,用动态规划求解实时调度模型;上个世纪70年代末,由美国Modular公司开发的DISPATCH的调度系统就已经应用到实际的露天矿中,有Souza等提出的混合式启发算法,有赵勇等提出的基于流率饱和度的露天矿卡车调度,有邢军等提出的基于产量完成饱和度的露天矿卡车调度。
这些研究大多数基于矿山单个指标建立单目标车流规划模型对卡车进行调度,而企业通常需要解决涉及多个目标的问题,这些目标往往相互冲突,需要寻求最优的方案。
发明内容
为了解决上述技术问题,本发明提供一种算法简单、工作效率高的基于多目标遗传算法的露天矿卡车调度方法。
本发明解决上述问题的技术方案是:一种基于多目标遗传算法的露天矿卡车调度方法,包括以下步骤:
步骤一:采集矿区生产要素基本信息;
步骤二:根据步骤一采集的矿区生产要素基本信息,以卡车总运输量和卡车非作业时间最小为目标,以矿山各生产要素和生产原则为约束,建立多目标数学模型,即为车辆规划模型;
步骤三:利用多目标遗传算法NSGA-III求解车辆规划模型,求解出当前场景下完成矿山任务需要启用的最少卡车数量以及理想的车流规划。
上述基于多目标遗传算法的露天矿卡车调度方法,所述步骤一中,采集的矿区生产要素基本信息包括:
装载点集合Ai,i=1,2,…,m,i表示第i装载点,m为装载点总数;
第i个装载点矿石存储量为Q1i,第i个装载点岩石存储量为Q2i,第i个装载点矿山品位为Pi;
卸载点集合Bj,j=1,2,…,n,j表示第j卸载点,n为卸载点总数,卸载点包括n1个破碎站和n2个渣场;
第j个卸载点一个班时产量的最低需求量为Q3j,第j′个破碎站的品位要求上限为Q4j′,第j″个破碎站的品位值要求下限为Q5j″;
卡车集合Cz,z=1,2,…,k,z表示第z分区,k为卸载点总数;
装载点Ai到卸载点Bj的距离为dij;卡车的容量为C;
卡车满载最大速度为V1,空载最大速度为V2;
矿山工作一个班时为T。
上述基于多目标遗传算法的露天矿卡车调度方法,所述步骤二中,构造的车辆规划模型为:
模型的每一个目标函数由一个函数表示,所有的调度参数统称为X,构建的多目标优化目标函数如下:
F(X)=Min[F1(X),F2(X)]
目标函数F1(X)为总运输量,F2(X)为卡车非作业时间,Xijz为车辆规划模型的解,表示第z辆卡车从第i个装载点到第j个卸载点次数:
上述基于多目标遗传算法的露天矿卡车调度方法,所述步骤二中,设定构造的车辆规划模型约束条件为:
1)卡车从装载点运输出去的总量不超过装载点的存储量:
2)产量不低于卸载点的最低需求:
3)一个班时内,不超过装载点的最大装车次数:
4)一个班时内,不超过卸载点的最大卸车次数:
5)满足破碎站的品位限制:
6)卡车运行一个周期的时间包括重车行驶时间、空车行驶时间、卡车在装载点的装载时间、卡车在卸载点的卸载时间;超过道路的饱和度,卡车在装载点或者卸载点会排队等候,在装载点i和卸载点j之间的道路上运行一趟的时间为T2ij,从i号装载点到j号卸载点最多能同时运行的卡车数为Aij,一个班次中,每辆卡车在这条路线上最多可以运行的次数为Bij,则:
7)不超过卡车数量:
上述基于多目标遗传算法的露天矿卡车调度方法,所述步骤三中,多目标优化问题,目标往往是冲突的,需要找到平衡的折中解,因此引入Pareto最优化理论:如果解x1在所有目标函数上的效果都比x2好,则称x1支配x2,如果在解集中,不存在任何一个解支配x1,则称x1为非支配解,所有的非支配解在笛卡尔坐标系下构成一个Pareto前沿面;
对车辆规划模型的解算,采用的是NSGA-III算法,这是一种基于参考点的多目标进化算法,算法核心思想如下:
(1)归一化:
遍历M个目标函数在每个目标维度t的最小值,构成最小数值集合按照下式标量化集合中的数值,将目标函数ft(x)转化为f’t(x):
ST表示种群个体;
完成这一步后,接下来寻找极值点,为归一化做准备,用到一个名为ASF的函数,该函数定义如下,W为坐标轴的单位方向向量:
Wt表示坐标轴的单位方向向量W维度t的值,maxt:M表示M个目标函数中每个目标函数在t个目标维度中的最大值;
接着遍历每个目标函数,找到使得ASF数值最小的个体,这些个体就是极值点,然后根据这些点的具体函数值,计算出对应坐标轴上的截距,截距的实际意义是每个坐标点在对应坐标轴上的坐标值,将其记录为at,得到at和Zt的具体数值以后,计算归一化的公式如下所示:
(2)参考点的确定:
归一化后,NSGA-III的参考点在归一化的超平面内进行:当有M个目标函数时,则可以围成M-1个归一化超平面,假定沿着每一个目标函数所在轴进行p等分的话,则参考点选择H个,H公式如下:
(3)关键层解的选择策略:
每个参考点又存在两种情况,有一个或多个种群成员与它相关,或者不需要任何种群成员与它关联;
参考点设定之后,将已经在种群中的每个解都关联到一个参考点,关联之后,每个参考点l有一个与它关联的解的数量ρl,然后对ρl分情况讨论:
如果这个参考点关联的种群个体数量ρl为零,但在第N层级的种群中有个体被关联到这个参考点向量,则从中寻找距离最小的点,并将其从第N层级的种群中抽取,加入到被选择的下一代种群中,设置ρlρl+1;如果在第N层级的种群中没有个体被引用到该参考点,则删除该参考点向量;
如果ρl>0,则从中选择距离最近的参考点直到种群规模为N为止。
本发明的有益效果在于:
本发明首先采集矿区生产要素信息;然后根据采集的矿区生产要素基本信息,以卡车总运输量和卡车非作业时间最小为目标,以矿山各生产要素和生产原则为约束,建立车辆规划模型;最后利用多目标遗传算法NSGA-III求解车辆规划模型,求解出当前场景下完成矿山任务需要启用的最少卡车数量,以及理想的车流规划,本发明求解的车流规划,用户有多种选择,可以根据实际需求选择合适的派车方案。
附图说明
图1为本发明的流程图。
图2为本发明多目标遗传算法NSGA-III的流程图。
图3为10辆卡车场景下的露天矿实例优化结果图。
图4为6辆卡车时的优化结果图。
图5为5辆卡车时的优化结果图。
图6为4辆卡车时的优化结果。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示,一种基于多目标遗传算法的露天矿卡车调度方法,包括以下步骤:
步骤一:采集矿区生产要素基本信息。
采集的矿区生产要素基本信息包括:
装载点集合Ai,i=1,2,…,m,i表示第i装载点,m为装载点总数;
第i个装载点矿石存储量为Q1i,第i个装载点岩石存储量为Q2i,第i个装载点矿山品位为Pi;
卸载点集合Bj,j=1,2,…,n,j表示第j卸载点,n为卸载点总数,卸载点包括n1个破碎站和n2个渣场;
第j个卸载点一个班时产量的最低需求量为Q3j,第j′个破碎站的品位要求上限为Q4j′,第j″个破碎站的品位值要求下限为Q5j″;
卡车集合Cz,z=1,2,…,k,z表示第z分区,k为卸载点总数;
装载点Ai到卸载点Bj的距离为dij;卡车的容量为C;
卡车满载最大速度为V1,空载最大速度为V2;
矿山工作一个班时为T。
步骤二:根据步骤一采集的矿区生产要素基本信息,以卡车总运输量和卡车非作业时间最小为目标,以矿山各生产要素和生产原则为约束,建立多目标数学模型,即为车辆规划模型。
车辆规划模型为:
模型的每一个目标函数由一个函数表示,所有的调度参数统称为X,构建的多目标优化目标函数如下:
F(X)=Min[F1(X),F2(X)]
目标函数F1(X)为总运输量,F2(X)为卡车非作业时间,Xijz为车辆规划模型的解,表示第z辆卡车从第i个装载点到第j个卸载点次数:
上述基于多目标遗传算法的露天矿卡车调度方法,所述步骤二中,设定构造的车辆规划模型约束条件为:
1)卡车从装载点运输出去的总量不超过装载点的存储量:
2)产量不低于卸载点的最低需求:
3)一个班时内,不超过装载点的最大装车次数:
4)一个班时内,不超过卸载点的最大卸车次数:
5)满足破碎站的品位限制:
6)卡车运行一个周期的时间包括重车行驶时间、空车行驶时间、卡车在装载点的装载时间、卡车在卸载点的卸载时间;超过道路的饱和度,卡车在装载点或者卸载点会排队等候,在装载点i和卸载点j之间的道路上运行一趟的时间为T2ij,从i号装载点到j号卸载点最多能同时运行的卡车数为Aij,一个班次中,每辆卡车在这条路线上最多可以运行的次数为Bij,则:
7)不超过卡车数量:
步骤三:利用多目标遗传算法NSGA-III求解车辆规划模型,求解出当前场景下完成矿山任务需要启用的最少卡车数量以及理想的车流规划。
多目标优化问题,目标往往是冲突的,需要找到平衡的折中解,因此引入Pareto最优化理论:如果解x1在所有目标函数上的效果都比x2好,则称x1支配x2,如果在解集中,不存在任何一个解支配x1,则称x1为非支配解,所有的非支配解在笛卡尔坐标系下构成一个Pareto前沿面;
对车辆规划模型的解算,采用的是NSGA-III算法,这是一种基于参考点的多目标进化算法,算法核心思想如下:
(1)归一化:
遍历M个目标函数在每个目标维度t的最小值,构成最小数值集合按照下式标量化集合中的数值,将目标函数ft(x)转化为f’t(x):
ST表示种群个体;
完成这一步后,接下来寻找极值点,为归一化做准备,用到一个名为ASF的函数,该函数定义如下,W为坐标轴的单位方向向量:
Wt表示坐标轴的单位方向向量W维度t的值,maxt:M表示M个目标函数中每个目标函数在t个目标维度中的最大值。如果:
目标函数甲在三个维度的目标值是f1(x)(2,3,5)
目标函数乙在三个维度的目标值是f2(x)(4,3,5)
目标函数丙在三个维度的目标值是f3(x)(3,3,4)。
每一维目标的最小值分别为2,3,4,则理想点为(2,3,4)
即甲三个目标值是f’1(x)(0,0,1),乙的三个目标是f’2(x)(2,0,1),丙的三个目标是f’3(x)(1,0,0)
W为坐标轴的单位方向向量,(1,0,0),(0,1,0),(0,0,1)。
(1,0,0)中W1为1,W2为0,依次类推,NSGA-III默认Wt为0时,取10-6。
如果:
有三个目标函数为(1,2,6)、(2,5,2)、(4,9,3),经过ASF计算后,变成如下结果
(1,2,6)变成了(1,2*10^6,6*10^6)
(2,5,2)变成了(2,5*10^6,2*10^6)
(4,9,3)变成了(4,9*10^6,3*10^6)
maxt:M表示分别取三个点(1,2*10^6,6*10^6)、(2,5*10^6,2*10^6)、(4,9*10^6,3*10^6)在所有维度中最大的那个值,即(6*10^6,5*10^6,9*10^6)。
接着遍历每个目标函数,找到使得ASF数值最小的个体,这些个体就是极值点,然后根据这些点的具体函数值,计算出对应坐标轴上的截距,截距的实际意义是每个坐标点在对应坐标轴上的坐标值,将其记录为at,得到at和Zt的具体数值以后,计算归一化的公式如下所示:
(2)参考点的确定:
归一化后,NSGA-III的参考点在归一化的超平面内进行:当有M个目标函数时,则可以围成M-1个归一化超平面,假定沿着每一个目标函数所在轴进行p等分的话,则参考点选择H个,H公式如下:
(3)关键层解的选择策略:
每个参考点又存在两种情况,有一个或多个种群成员与它相关,或者不需要任何种群成员与它关联;
参考点设定之后,将已经在种群中的每个解都关联到一个参考点,关联之后,每个参考点l有一个与它关联的解的数量ρl,然后对ρl分情况讨论:
如果这个参考点关联的种群个体数量ρl为零,但在第N层级的种群中有个体被关联到这个参考点向量,则从中寻找距离最小的点,并将其从第N层级的种群中抽取,加入到被选择的下一代种群中,设置ρlρl+1;如果在第N层级的种群中没有个体被引用到该参考点,则删除该参考点向量;
如果ρl>0,则从中选择距离最近的参考点直到种群规模为N为止。
实施例
某露天矿矿区有5个装载点,4个卸载点,运量为100吨的卡车10辆,由北斗导航监测系统测到各装载点和卸载点之间的距离如表1所示,装载点的存储量和品位信息由表2所示,卸载点有3个破碎站,一个渣场,一个班时的需求如表3所示,卡车的信息如表4所示。为了方便标识装载点、卸载点、道路、卡车。装载点和卸载点依次用罗马数字标识,卸载点j到装载点i道路用i-j标识,卡车依次用阿拉伯数字标识。
表1
表2
表3
对于这样一个矿山,决策变量定义为单辆卡车在每条道路上的车次,所以决策变量的个数为200个,约束条件个数50个,在MATLAB平台上编制NSGA-III多目标遗传算法进行优化求解,其中种群数量设置为100,采用实数编码,锦标赛选择,交叉算子设置为0.9,变异算子设置为0.01,得到优化方案的Pareto最优解集如图3所示。这张图中,f1表示总运输量,f2表示卡车非作业时间。从图3可以看出,NSGA-III求解得到了问题的若干个理想解,解集构成的Pareto前沿面分布均匀,收敛性好,相比较单目标优化用数学的方法得到单个解,Pareto最优解集能给调度人员提供更多的选择,调度工作人员可以根据矿山实际需求,合理地选择派车方案进行作业,达到总运输量最小并且充分利用卡车的目的。本实施例通过依次减少卡车数量,得到完成矿山既定任务所需最少卡车数量,并得出每辆卡车的车流规划,如图4、图5、图6所示。
根据图4、图5、图6,卡车数量从6辆到4辆,总运输量基本不变的情况下,卡车非作业时间快速减少,但在4辆卡车时,卡车非作业时间出现了负数,说明4辆卡车无法完成矿山的任务,因此得出在当前矿山情景下,最少5辆卡车才能完成矿山的任务需求。以5辆卡车为例,各方案指标如表4所示。
表4
选择Pareto上一组解,车流规划结果如表5所示:
表5
由实施例可知,本发明求解的车流规划,用户有多种选择,可以根据实际需求选择合适的派车方案。
Claims (2)
1.一种基于多目标遗传算法的露天矿卡车调度方法,其特征在于,包括以下步骤:
步骤一:采集矿区生产要素基本信息;
步骤二:根据步骤一采集的矿区生产要素基本信息,以卡车总运输量和卡车非作业时间最小为目标,以矿山各生产要素和生产原则为约束,建立多目标数学模型,即为车辆规划模型;
所述步骤二中,构造的车辆规划模型为:
模型的每一个目标函数由一个函数表示,所有的调度参数统称为X,构建的多目标优化目标函数如下:
F(X)=Min[F1(X),F2(X)]
目标函数F1(X)为总运输量,F2(X)为卡车非作业时间,Xijz为车辆规划模型的解,表示第z辆卡车从第i个装载点到第j个卸载点次数:
设定构造的车辆规划模型约束条件为:
1)卡车从装载点运输出去的总量不超过装载点的存储量:
2)产量不低于卸载点的最低需求:
3)一个班时内,不超过装载点的最大装车次数:
4)一个班时内,不超过卸载点的最大卸车次数:
5)满足破碎站的品位限制:
6)卡车运行一个周期的时间包括重车行驶时间、空车行驶时间、卡车在装载点的装载时间、卡车在卸载点的卸载时间;超过道路的饱和度,卡车在装载点或者卸载点会排队等候,在装载点i和卸载点j之间的道路上运行一趟的时间为T2ij,从i号装载点到j号卸载点最多能同时运行的卡车数为Aij,一个班次中,每辆卡车在这条路线上最多可以运行的次数为Bij,则:
7)不超过卡车数量:
步骤三:利用多目标遗传算法NSGA-III求解车辆规划模型,求解出当前场景下完成矿山任务需要启用的最少卡车数量以及理想的车流规划;
所述步骤三中,多目标优化问题,目标往往是冲突的,需要找到平衡的折中解,因此引入Pareto最优化理论:如果解x1在所有目标函数上的效果都比x2好,则称x1支配x2,如果在解集中,不存在任何一个解支配x1,则称x1为非支配解,所有的非支配解在笛卡尔坐标系下构成一个Pareto前沿面;
对车辆规划模型的解算,采用的是NSGA-III算法,这是一种基于参考点的多目标进化算法,算法核心思想如下:
(1)归一化:
遍历M个目标函数在每个目标维度t的最小值,构成最小数值集合按照下式标量化集合中的数值,将目标函数ft(x)转化为f’t(x):
ST表示种群个体;
完成这一步后,接下来寻找极值点,为归一化做准备,用到一个名为ASF的函数,该函数定义如下,W为坐标轴的单位方向向量:
Wt表示坐标轴的单位方向向量W维度t的值,maxt:M表示M个目标函数中每个目标函数在t个目标维度中的最大值;
接着遍历每个目标函数,找到使得ASF数值最小的个体,这些个体就是极值点,然后根据这些点的具体函数值,计算出对应坐标轴上的截距,截距的实际意义是每个坐标点在对应坐标轴上的坐标值,将其记录为at,得到at和Zt的具体数值以后,计算归一化的公式如下所示:
(2)参考点的确定:
归一化后,NSGA-III的参考点在归一化的超平面内进行:当有M个目标函数时,则可以围成M-1个归一化超平面,假定沿着每一个目标函数所在轴进行p等分的话,则参考点选择H个,H公式如下:
(3)关键层解的选择策略:
每个参考点又存在两种情况,有一个或多个种群成员与它相关,或者不需要任何种群成员与它关联;
参考点设定之后,将已经在种群中的每个解都关联到一个参考点,关联之后,每个参考点l有一个与它关联的解的数量ρl,然后对ρl分情况讨论:
如果这个参考点关联的种群个体数量ρl为零,但在第N层级的种群中有个体被关联到这个参考点向量,则从中寻找距离最小的点,并将其从第N层级的种群中抽取,加入到被选择的下一代种群中,设置ρlρl+1;如果在第N层级的种群中没有个体被引用到该参考点,则删除该参考点向量;
如果ρl>0,则从中选择距离最近的参考点直到种群规模为N为止。
2.根据权利要求1所述的基于多目标遗传算法的露天矿卡车调度方法,其特征在于,所述步骤一中,采集的矿区生产要素基本信息包括:
装载点集合Ai,i=1,2,...,m,i表示第i装载点,m为装载点总数;
第i个装载点矿石存储量为Q1i,第i个装载点岩石存储量为Q2i,第i个装载点矿山品位为Pi;
卸载点集合Bj,j=1,2,...,n,j表示第j卸载点,n为卸载点总数,卸载点包括n1个破碎站和n2个渣场;
第j个卸载点一个班时产量的最低需求量为Q3j,第j′个破碎站的品位要求上限为Q4j′,第j″个破碎站的品位值要求下限为Q5j″;
卡车集合Cz,z=1,2,...,k,z表示第z分区,k为卸载点总数;
装载点Ai到卸载点Bj的距离为dij;卡车的容量为C;
卡车满载最大速度为V1,空载最大速度为V2;
矿山工作一个班时为T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210313408.9A CN114662943B (zh) | 2022-03-28 | 基于多目标遗传算法的露天矿卡车调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210313408.9A CN114662943B (zh) | 2022-03-28 | 基于多目标遗传算法的露天矿卡车调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114662943A CN114662943A (zh) | 2022-06-24 |
CN114662943B true CN114662943B (zh) | 2024-05-31 |
Family
ID=
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396278A (zh) * | 2020-04-30 | 2021-02-23 | 青岛慧拓智能机器有限公司 | 一种基于露天无人矿山的卡车调度方法 |
CN112508344A (zh) * | 2020-11-12 | 2021-03-16 | 青岛慧拓智能机器有限公司 | 一种考虑设备利用率的露天矿车流规划方法 |
WO2021142917A1 (zh) * | 2020-01-15 | 2021-07-22 | 深圳大学 | 多车场车辆路径规划方法、装置、计算机设备及存储介质 |
CN113222460A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 一种基于高维多目标进化算法的露天矿卡车多目标调度优化方法 |
CN113222462A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 一种基于协同进化的露天矿多能源卡车调度优化方法 |
CN113222463A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 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 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021142917A1 (zh) * | 2020-01-15 | 2021-07-22 | 深圳大学 | 多车场车辆路径规划方法、装置、计算机设备及存储介质 |
CN112396278A (zh) * | 2020-04-30 | 2021-02-23 | 青岛慧拓智能机器有限公司 | 一种基于露天无人矿山的卡车调度方法 |
CN112508344A (zh) * | 2020-11-12 | 2021-03-16 | 青岛慧拓智能机器有限公司 | 一种考虑设备利用率的露天矿车流规划方法 |
CN113222460A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 一种基于高维多目标进化算法的露天矿卡车多目标调度优化方法 |
CN113222462A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 一种基于协同进化的露天矿多能源卡车调度优化方法 |
CN113222463A (zh) * | 2021-05-31 | 2021-08-06 | 西安建筑科技大学 | 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 |
Non-Patent Citations (3)
Title |
---|
利用双目标规划对露天矿车辆运输进行优化;冯泽杰;李帅;;科技创新与应用;20200908(26);全文 * |
基于NSGA-Ⅲ和道路运输能力饱和度的露天矿卡车调度优化方法;谭正华等;《金属矿山》;20221231;全文 * |
自适应信息反馈NSGA-Ⅲ算法;王启翔;许峰;;科技创新与应用;20200928(30);全文 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951978B (zh) | 一种基于改进K-means算法的城市集中型充电站规划方法 | |
CN104025367B (zh) | 蓄电池转移辅助装置及蓄电池转移辅助方法 | |
CN112200367B (zh) | 一种支持充放电策略的电动汽车配送路径优化方法 | |
CN111091238A (zh) | 一种自动化集装箱码头agv智能化调度方法 | |
CN106875075A (zh) | 一种基于出行行为学的电动汽车充电站布点方法 | |
CN111563672B (zh) | 一种多载agv数量配置方法 | |
CN114386792A (zh) | 一种基于遗传算法的城市生活垃圾收运车辆调度方法 | |
CN113222463A (zh) | 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 | |
CN108985497A (zh) | 一种agv智能运输车数量及充电桩数量的规划方法及系统 | |
CN114358233A (zh) | 基于双混合粒子群的多agv路径规划问题优化方法及系统 | |
Duan et al. | Combined configuration of container terminal berth and quay crane considering carbon cost | |
CN115456180A (zh) | 一种基于三链马尔科夫模型的电动汽车数量预测方法 | |
CN114662943B (zh) | 基于多目标遗传算法的露天矿卡车调度方法 | |
CN112418742B (zh) | 信息物理融合的电动汽车换电站网络双层控制方法 | |
CN112508344B (zh) | 一种考虑设备利用率的露天矿车流规划方法 | |
CN114897285A (zh) | 一种基于剩余电量的共享汽车调度方法 | |
CN117634772A (zh) | 一种考虑卡车性能的露天矿无人驾驶卡车调度方法 | |
CN112508481A (zh) | 一种智能仓储多agv调度方法 | |
CN113743797B (zh) | 基于大数据的无桩共享单车运营调度策略优化方法及系统 | |
CN114662943A (zh) | 基于多目标遗传算法的露天矿卡车调度方法 | |
CN115848196A (zh) | 基于动态需求和新能源消纳的电动汽车有序充电引导方法 | |
CN115358455A (zh) | 考虑电池更换和混合时间窗约束的电动车路径优化方法 | |
CN115640877A (zh) | 露天矿山的车流规划方法、装置、设备及存储介质 | |
CN114707707A (zh) | 一种基于改进的遗传算法对agv任务调度的方法及系统 | |
Ghobadi Samani et al. | A Mathematical Model to Optimize Allocation Sequence in Dispatching Problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |