CN116029475A - 一种基于改进粒子群优化算法的矿山生产计划方法及系统 - Google Patents
一种基于改进粒子群优化算法的矿山生产计划方法及系统 Download PDFInfo
- Publication number
- CN116029475A CN116029475A CN202111246191.6A CN202111246191A CN116029475A CN 116029475 A CN116029475 A CN 116029475A CN 202111246191 A CN202111246191 A CN 202111246191A CN 116029475 A CN116029475 A CN 116029475A
- Authority
- CN
- China
- Prior art keywords
- mine
- particle swarm
- production
- improved particle
- optimization algorithm
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于互联网的技术领域，具体涉及一种基于改进粒子群优化算法的矿山生产计划方法，包括步骤一、完善矿山基本信息；步骤二、导入矿山相关三维软件生成的报告或者矿山地质报告，估算矿山储量；步骤三、输入矿山生产参数，矿山生产参数包括矿山生产能力、矿石损失率、基建期、达产期生产能力系数及减产期生产能力系数；步骤四、设置寻优参数；步骤五、采用改进粒子群算法获得最佳经济效益情况下的各个生产相关的系数。本发明能够有效的提高算法的寻优精度和收敛性能。此外，本发明还公开了一种基于改进粒子群优化算法的矿山生产计划系统。
Description
技术领域
本发明属于互联网的技术领域，具体涉及一种基于改进粒子群优化算法的 矿山生产计划方法及系统。
背景技术
美国的Kennedy博士和Eberhart博士在观察鸟群觅食过程中飞行轨迹行为 时受到启发，提出粒子群算法(Particle Swarm Optimization,PSO)。该算法通过设 计一种没有质量没有体积的粒子来模拟鸟群中的鸟，粒子仅具备速度和位置两 个属性。在寻优空间中，每个粒子单独搜索最优解，并将搜索到的最优解记录 为个体最优解，将整个粒子群中所有粒子搜索到的最优解记录为全局最优解。 每个粒子根据自身的个体最优解和粒子群的全局最优解进行速度更新和位置更 新。
PSO的速度和位置更新公式如vi(t+1)＝ωvi(t)+c1r1(xpb,i-xi(t))+c2r2(xgb,i-xi(t))公 式1和xi(t+1)＝xi(t)+vi(t+1)公式2所示。公式1为PSO的速度更新公式，其 中vi(t+1)表示第i个粒子在第t+1次迭代时的速度，ω为惯性权重，c1和c2为 加速常数，通常将两个加速常数都设置为2，r1和r2为两个在(0,1)内的随机 数，xpb,i代表第i个粒子当前的个体历史最优位置，xgb,i为全局最优位置。公 式1分为三部分，第一部分称为记忆项，表示上一次迭代过程中的速度对当前 速度的影响，第二部分称为自认认知项，表示当前粒子个体历史最优位置对速 度的影响，第三部分称为群体认知项，表示粒子群的全局历史最优位置对速度 的影响。公式2为PSO的位置更新公式，其中xi(t)表示第i个粒子在第t次迭代 过程中的位置。
由于粒子群中的最优粒子对粒子群具有引导作用，当迭代后期，如果最优 粒子陷入局部最优解，那么很可能对粒子群形成错误的引导作用。
发明内容
本发明的目的之一在于：针对现有技术的不足，提供一种基于改进粒子群 优化算法的矿山生产计划方法，能够有效的提高算法的寻优精度和收敛性能。
为了实现上述目的，本发明采用如下技术方案：
一种基于改进粒子群优化算法的矿山生产计划方法，包括：
步骤一、完善矿山基本信息；
步骤二、导入矿山相关三维软件生成的报告或者矿山地质报告，估算矿山 储量；
步骤三、输入矿山生产参数，矿山生产参数包括矿山生产能力、矿石损失 率、基建期、达产期生产能力系数及减产期生产能力系数；
步骤四、设置寻优参数；
步骤五、采用改进粒子群算法获得最佳经济效益情况下的各个生产相关的 系数。
优选的，所述步骤一中，矿山基本信息包括地理位置信息和矿山类型。
优选的，所述步骤四中，包括：
在调用改进粒子群算法寻优算法时，传入寻优维度、寻优范围、粒子群大 小、迭代次数，获得全局最优解。
优选的，所述矿山生产计划方法基于ASP.NET，前端采用DevExpress、HTML、JavaScrip。
本发明的目的之二在于提供一种基于改进粒子群优化算法的矿山生产计划 系统，包括相连的矿山基本信息管理模块和矿山生产计划管理模块。
优选的，所述矿山基本信息管理模块包括矿山管理子模块、矿山分布子模 块、矿山基本信息子模块及矿山三维模型子模块。
优选的，所述矿山生产计划管理模块包括资源储量估算子模块、生产计划 管理模块子模块、矿山数据管理模块子模块。
优选的，所述矿山分布子模块以二维地图的形式展示矿山所在的地理位置。
优选的，所述矿山基本信息子模块包括矿山的地理信息和矿山的类型。
优选的，所述矿山三维模型子模块采用三维建模软件对矿山进行三维建模 并查看矿山模型。
本发明的有益效果在于，本发明包括步骤一、完善矿山基本信息；步骤二、 导入矿山相关三维软件生成的报告或者矿山地质报告，估算矿山储量；步骤三、 输入矿山生产参数，矿山生产参数包括矿山生产能力、矿石损失率、基建期、 达产期生产能力系数及减产期生产能力系数；步骤四、设置寻优参数；步骤五、 采用改进粒子群算法获得最佳经济效益情况下的各个生产相关的系数。本发明 针对粒子群算法容易陷入局部最优解以及收敛性能有待提升的缺点，提出改进 策略，提升算法性能，并将改进后的算法应用于矿山生产计划安排，完成矿山 生产计划系统的开发工作。
附图说明
下面将参考附图来描述本发明示例性实施方式的特征、优点和技术效果。
图1为本发明的CWBPSO的算法流程图。
图2为本发明的基于粒子群算法的矿山生产计划系统的构成图。
图3为本发明的矿山生产计划系统的操作步骤流程图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术 人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及 权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差 异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一 开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接受的误差 范围内，本领域技术人员能够在一定误差范围内解决技术问题，基本达到技术 效果。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或 暗示相对重要性。
在发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连 接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆 卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相 连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域 的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图1～3对本发明作进一步详细说明，但不作为对本发明的限定。
本发明将技术方案分为两个部分介绍，第一部分是针对粒子群算法采取的 改进策略的技术方案，第二部分是针对将改进后的算法应用到矿山生产计划系 统采取的技术方案。
本发明针对粒子群算法采取了两种改进策略，第一种是结合遗传算法中的 选择、交叉思想，对粒子群中的最差粒子进行改进，以增强种群多样性，提升 算法搜索能力及收敛速度。具体改进策略如下：在每一次迭代中，随机选择种 群中的两个粒子作为父代，进行算术交叉，生成子代粒子，比较新生成的子代 粒子和种群中的最差粒子的适应度函数值，如果新生成的子代粒子的适应度值 优于最差粒子，则用新生粒子替代最差粒子，否则继续保留最差粒子，保持种 群中粒子总数不变，公式3是生成子代粒子的公式，其中new(t)表示新生成的粒 子，rand表示一个(0,1)之间的随机数，xi(t)和xi(t)表示父代的两个粒子，父代 粒子是在粒子群中随机选择的两个粒子。本发明还针对粒子群采取了第二种改 进策略，由于粒子群中的最优粒子对粒子群具有引导作用，当迭代后期，如果 最优粒子陷入局部最优解，那么很可能对粒子群形成错误的引导作用，为解决 这个问题，本发明采用一个干扰因子对最优粒子进行干扰,如果受干扰的最优粒 子适应度函数优于原来的最优粒子，那么用受到干扰后的最优粒子替代原来的 最优粒子。当粒子群中粒子比较分散时，干扰因子比较小，发挥粒子群算法的 优势；当粒子群中粒子比较聚集时，干扰因子比较大，使其不容易陷入局部最 优解。本发明采用标准差衡量粒子群中粒子的离散程度，其计算方法如公式4 和公式5所示。公式4中的xj表示粒子群在第j维的位置平均值，dj(i)表示第i 个粒子在第j维与粒子群在第j维位置平均值的差的绝对值。公式5中，σ表示 标准差，N表示粒子群中粒子的总数，D表示粒子的维度。公式6中，gbestnew表 示添加干扰因子后的最优粒子，sign(x)是符号函数，rand是一个在(0,1)之 间的随机数，加号的左边是添加的干扰因子，当离散程度较小时，由公式6可 知，干扰因子比较小，当离散程度较大时，干扰因子则会变大。如公式7所示， 如果添加干扰因子的最优粒子适应度值优于原来的最优因子，则替换最优粒子。 第二种改进策略的主要目的是通过降低最优粒子陷入局部最优解的可能性，从 而提高算法的寻优精度。本发明将提出的改进粒子群算法命名为CWBPSO。
new(t)＝rand*xj(t)+(1-rand)xi(t)(公式3)
gbestnew＝sign(rand-0.5)e-σ*gbest(t)+gbest(t)(公式6)
本发明提出的改进粒子群算法CWBPSO针对最差粒子和最优粒子采取改进 措施，其算法流程图如图2所示，结合遗传算法针对最差粒子改进生成新粒子 的方法可以按照本发明的公式3进行，针对最优粒子的改进策略则是按照公式4、 公式5、公式6和公式7进行。本发明提出的CWBPSO由python实现，Python 版本号为3.7.4，使用的numpy库版本号为1.17.2。CWPSO的输入参数有寻优 维度、寻优范围、粒子群大小、迭代次数，输出为全局最优解和获得全局最优 解的位置。利用pyinstaller将使用python编码的CWPSO部分生成.exe可执行文 件。之后在生产计划系统中通过C#调用可执行文件。
基于改进粒子群优化算法的矿山生产计划方法，包括：
步骤一、完善矿山基本信息；
步骤二、导入矿山相关三维软件生成的报告或者矿山地质报告，估算矿山 储量；
步骤三、输入矿山生产参数，矿山生产参数包括矿山生产能力、矿石损失 率、基建期、达产期生产能力系数及减产期生产能力系数；
步骤四、设置寻优参数；
步骤五、采用改进粒子群算法获得最佳经济效益情况下的各个生产相关的 系数。
在根据本发明的基于改进粒子群优化算法的矿山生产计划方法中，步骤一 中，矿山基本信息包括地理位置信息和矿山类型。
步骤四中，包括：
在调用改进粒子群算法寻优算法时，传入寻优维度、寻优范围、粒子群大 小、迭代次数，获得全局最优解。
矿山生产计划方法基于ASP.NET，前端采用DevExpress、HTML、JavaScrip。
基于改进粒子群优化算法的矿山生产计划系统
一种基于改进粒子群优化算法的矿山生产计划系统，包括相连的矿山基本 信息管理模块和矿山生产计划管理模块。
矿山基本信息管理模块包括矿山管理子模块、矿山分布子模块、矿山基本 信息子模块及矿山三维模型子模块。
矿山生产计划管理模块包括资源储量估算子模块、生产计划管理模块子模 块、矿山数据管理模块子模块。
矿山分布子模块以二维地图的形式展示矿山所在的地理位置。
矿山基本信息子模块包括矿山的地理信息和矿山的类型。
接下来阐述系统的实施部分。基于改进粒子群算法的矿山生产计划系统分 为两个模块，分别为矿山基本信息管理模块和矿山生产计划管理模块。其中矿 山基本信息管理模块又分为矿山管理、矿山分布、矿山基本信息、矿山三维模 型等子模块，矿山生产计划管理模块又分为资源储量估算、生产计划管理、矿 山数据管理等子模块。矿山管理包括新建矿山、删除矿山、编辑矿山等功能。 矿山分布则是以二维地图的形式展示矿山所在的地理位置。矿山基本信息包括 矿山的地理信息、矿山的类型等基本信息及对应的增删改查等功能。矿山三维 模型则是利用三维建模软件对矿山进行三维建模并查看矿山模型。
资源储量估算可以由两种途径实现，第一种是通过地质报告导入，第二种 是通过三维软件系统导入。生产计划管理则是在完成一系列参数的设置后，能 够安排矿山的开采计划，从而保证开采矿山获得最高的经济效益。矿山数据管 理则包括对矿山已有数据的整理、清除等功能。
本发明中的矿山生产计划系统基于ASP.NET技术，采取MVC模式开发， 前端采用DevExpress、HTML、JavaScript等技术，后端开发语言为C#，数据库 采用Sql Server。系统中的矿山基本信息模块，主要涉及对数据库的增删改查相 关工作，系统中前端页面数据的展示功能采用GridView控件实现，利用 LinqDataSource绑定Sql Server中对应的数据库表。矿山的储量估算是通过相关 三维软件生成的报告或者地质报告进行的，两种报告都是Excel表格文件，本系 统采用OleDB读取Excel文件，将Excel文件当做一个数据源来进行数据的读取 操作。在完成Excel文件的读取后，将矿山储量相关信息写入数据库对应的表中。步骤S3中输入的矿山生产参数均存储到数据库表中，数据库表以矿山的编号为 主键进行存储，其中的矿山生产能力是一个上限参数，矿山在某一年的生产总 量是不能够超过矿山生产能力的。在使用C#调用exe程序时，采用Process类来 实现，首先创建Process类进程对象，然后传递寻优算法需要的启动参数即可。 当寻优程序得出结果后，会将结果返回，再利用C#解析为对应格式，存储到数 据库表中，并将最优生产计划在页面进行展示。
PSO的算法步骤如下：
步骤1，初始化：初始化粒子群(假设粒子群中有n个粒子)，在搜索空间 内为每个粒子随机赋予初始位置和速度；
步骤2，计算适应度值：根据适应度函数，计算每个粒子的适应度值；
步骤3，更新粒子个体最优位置：对每一个粒子计算其当前位置的适应度值， 将所得适应度值与该粒子的个体最优解进行比较，如果当前位置适应度值优于 个体历史最优解，则将当前粒子的位置更新为个体最佳位置，反之，则保持原 来的个体历史最优位置；
步骤4，更新粒子群全局最优位置：对每一个粒子，将其当前位置的适应度 值与全局最优解进行对比，如果优于全局最优解，那么将当前位置更新为全局 最优位置，反之，则保持原来的全局最优最值；
步骤5，更新粒子的位置和速度：根据PSO的公式对粒子的速度和位置进 行更新；
步骤6，判断算法是否结束：如果不满足结束条件，则返回步骤2，如果满 足结束条件，则结束算法，全局最佳位置求得的适应度函数值即为全局最优解。
HTML5和MVC模式得到越来越广泛的应用。MVC模式 (Model-View-Controller)是一种三层软件架构模式，采用分装的思想，把软件系 统分为三个基本部分。通过降低程序的耦合度，使得程序更加灵活，可配置性 更好。三层的描述如下：模型(Model)——模型是应用程序的一部分，负责从 数据库检索数据，将数据转换为对象。控制器(Controller)——控制器用于协 调各个模块的操作。它负责处理和验证用户的交互部分。视图(View)——应 用程序的前端，将程序数据的处理和显示数据的部分。
ASP.NET提供了一个很好的实现这种经典设计模式的类似环境。开发者通 过在ASPX页面中开发用户接口来实现视图；控制器的功能在逻辑功能代码(.cs) 中实现；模型通常对应应用系统的业务部分。在ASP.NET中实现这种设计而提 供的一个多层系统，较经典的ASP结构实现的系统来说有明显的优点。将用户 显示(视图)从动作(控制器)中分离出来,提高了代码的重用性。将数据(模 型)从对其操作的动作(控制器)分离出来可以让你设计一个与后台存储数据 无关的系统。就MVC结构的本质而言，它是一种解决耦合系统问题的方法。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还能够对上述 实施方式进行变更和修改。因此，本发明并不局限于上述的具体实施方式，凡 是本领域技术人员在本发明的基础上所作出的任何显而易见的改进、替换或变 型均属于本发明的保护范围。此外，尽管本说明书中使用了一些特定的术语， 但这些术语只是为了方便说明，并不对本发明构成任何限制。
Claims (10)
1.一种基于改进粒子群优化算法的矿山生产计划方法，其特征在于，包括：
步骤一、完善矿山基本信息；
步骤二、导入矿山相关三维软件生成的报告或者矿山地质报告，估算矿山储量；
步骤三、输入矿山生产参数，矿山生产参数包括矿山生产能力、矿石损失率、基建期、达产期生产能力系数及减产期生产能力系数；
步骤四、设置寻优参数；
步骤五、采用改进粒子群算法获得最佳经济效益情况下的各个生产相关的系数。
2.如权利要求1所述的一种基于改进粒子群优化算法的矿山生产计划方法，其特征在于：所述步骤一中，矿山基本信息包括地理位置信息和矿山类型。
3.如权利要求1所述的一种基于改进粒子群优化算法的矿山生产计划方法，其特征在于，所述步骤四中，包括：
在调用改进粒子群算法寻优算法时，传入寻优维度、寻优范围、粒子群大小、迭代次数，获得全局最优解。
4.如权利要求1所述的一种基于改进粒子群优化算法的矿山生产计划方法，其特征在于：所述矿山生产计划方法基于ASP.NET，前端采用DevExpress、HTML、JavaScrip。
5.一种基于改进粒子群优化算法的矿山生产计划系统，其特征在于：包括相连的矿山基本信息管理模块和矿山生产计划管理模块。
6.如权利要求5所述的一种基于改进粒子群优化算法的矿山生产计划系统，其特征在于：所述矿山基本信息管理模块包括矿山管理子模块、矿山分布子模块、矿山基本信息子模块及矿山三维模型子模块。
7.如权利要求5所述的一种基于改进粒子群优化算法的矿山生产计划系统，其特征在于：所述矿山生产计划管理模块包括资源储量估算子模块、生产计划管理模块子模块、矿山数据管理模块子模块。
8.如权利要求6所述的一种基于改进粒子群优化算法的矿山生产计划系统，其特征在于：所述矿山分布子模块以二维地图的形式展示矿山所在的地理位置。
9.如权利要求6所述的一种基于改进粒子群优化算法的矿山生产计划系统，其特征在于：所述矿山基本信息子模块包括矿山的地理信息和矿山的类型。
10.如权利要求6所述的一种基于改进粒子群优化算法的矿山生产计划系统，其特征在于：所述矿山三维模型子模块采用三维建模软件对矿山进行三维建模并查看矿山模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111246191.6A CN116029475A (zh) | 2021-10-26 | 2021-10-26 | 一种基于改进粒子群优化算法的矿山生产计划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111246191.6A CN116029475A (zh) | 2021-10-26 | 2021-10-26 | 一种基于改进粒子群优化算法的矿山生产计划方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116029475A true CN116029475A (zh) | 2023-04-28 |
Family
ID=86078128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111246191.6A Pending CN116029475A (zh) | 2021-10-26 | 2021-10-26 | 一种基于改进粒子群优化算法的矿山生产计划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116029475A (zh) |
-
2021
- 2021-10-26 CN CN202111246191.6A patent/CN116029475A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230117786A1 (en) | Generating integrated circuit placements using neural networks | |
| CN104137095B (zh) | 用于演进分析的系统 | |
| CN105894372A (zh) | 预测群体信用的方法和装置 | |
| US11663492B2 (en) | Alife machine learning system and method | |
| CN109255586A (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
| CN106095942A (zh) | 强变量提取方法及装置 | |
| CN113918837B (zh) | 城市兴趣点类别表示的生成方法及系统 | |
| Xu et al. | Bipolar fuzzy Petri nets for knowledge representation and acquisition considering non-cooperative behaviors | |
| CN106650930A (zh) | 模型参数优化的方法及装置 | |
| CN112115276A (zh) | 基于知识图谱的智能客服方法、装置、设备及存储介质 | |
| Rafiq et al. | Building information modeling steered by evolutionary computing | |
| CN111191323A (zh) | 一种设计变更控制方法 | |
| US20190005169A1 (en) | Dynamic Design of Complex System-of-Systems for Planning and Adaptation to Unplanned Scenarios | |
| US20220405455A1 (en) | Methods and systems for congestion prediction in logic synthesis using graph neural networks | |
| Dube | Topological augmentation: A step forward for qualitative partition reasoning | |
| US7698237B2 (en) | Interactive course of action analysis tool using case based injected genetic algorithm | |
| CN107491841A (zh) | 非线性优化方法及存储介质 | |
| CN116029475A (zh) | 一种基于改进粒子群优化算法的矿山生产计划方法及系统 | |
| US11609971B2 (en) | Machine learning engine using a distributed predictive analytics data set | |
| Lano et al. | Optimising model-transformations using design patterns | |
| CN114662009B (zh) | 一种基于图卷积的工业互联网工厂协同推荐方法 | |
| CN113987837A (zh) | 铁路选线评价系统及方法 | |
| CN107194278A (zh) | 一种基于Skyline的数据泛化方法 | |
| Pei et al. | Towards policy retrieval for provenance based access control model | |
| CN107533559A (zh) | 数据结构、用于填充数据结构的模型以及使用数据结构对处理装置进行编程的方法 |
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 |