CN116050752A - 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
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 Download PDFInfo
- Publication number
- CN116050752A CN116050752A CN202211698309.3A CN202211698309A CN116050752A CN 116050752 A CN116050752 A CN 116050752A CN 202211698309 A CN202211698309 A CN 202211698309A CN 116050752 A CN116050752 A CN 116050752A
- Authority
- CN
- China
- Prior art keywords
- neural network
- point
- loading
- unmanned
- truck
- 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.)
- Withdrawn
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 40
- 230000005611 electricity Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 description 42
- 238000002474 experimental method Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mining & Mineral Resources (AREA)
- Genetics & Genomics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
Abstract
本发明公开了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。本方法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。
Description
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)，对无人卡车调度过程中的每个个体，通过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预设的神经网络，从而建立每个个体的神经网络代理辅助模型；
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：
xrij，yrij∈{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，xrij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，dij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，yrij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，cn表示无人卡车空载时的费用，cl表示无人卡车装车费用，cu表示第r辆无人卡车的单趟卸车费用，Tc表示露天矿班工作时长，Thrij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，Tnrij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，Tl表示无人卡车平均装车时间，Tu表示无人卡车平均卸车时间，Tfr表示第r辆无人卡车的空闲时间，gi表示第i个装载点的品位，Gj表示第j个卸载点的目标品位，cr表示第r辆卡车的耗电费用，or表示第r辆无人卡车的重载率，ΔTr表示第r辆无人卡车的运行时间，di为第i个装载点的出矿能力，la为一个班次内露天矿区对应装载点所满足的最大装车数，dj为第j个卸矿站的卸矿能力。um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)，对每个个体通过训练不同的神经网络，从而建立每个个体的神经网络代理辅助模型；在神经网络代理辅助模型初次训练时，先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xrij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[Aa 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，…，Aa B c C b D a，…，c D b E a]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：
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Ti为期望输出、Oi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θj(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αj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αj，对于下面的选择，问题改为等式(17)，约束上有αj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(20)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sp与np与之对应，其中sp为个体p所支配个体的集合，np为支配个体p的个体数量，首先把np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irank；然后对集合F1中的每个个体p，考察其sp集合，将集合中的每个个体q所对应的nq减1(因为支配个体q的个体p已经放入F1中)，如果nq-1＝0，则表示个体q是sp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fj为优化目标，按目标值大小依次排序；di为拥挤度距离，fj(i+1)、fj(i-1)为个体i的邻近个体的目标函数值，fj max、fj min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，本发明产生N个均匀分布的随机数ki∈[0,1]，i。当ki小于Pm(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(19)：
式中：λ，ω为惩罚因子；θj(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。通过实验验证，本发明可以有效提高露天矿的工作效率。
仿真实验过程：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，本发明以安徽省某露天铁矿为应用对象，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。如图所示，简单的展示了装载点与卸载点的位置，同时车队正在现场有序进行运输。
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(％)
表3算法参数配置
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。为了验证本发明提出的算法的调度结果，本发明比较了矿区传统调度方案给出的结果。
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算法参数配置
本发明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
本发明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所示。由图2可知，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。
Claims (10)
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的实际要求和指标；
其中，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)，对无人卡车调度过程中的每个个体，通过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预设的神经网络，从而建立每个个体的神经网络代理辅助模型；
其中，所述个体为全部卡车在一个班次内的路线分配方案，神经网络代理辅助模型的预测值为个体的适应度值；
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，获得调度方案。
2.根据权利要求1所述的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，所述步骤(2)中露天矿无人卡车多目标调度优化模型表示为如下公式：
xrij，yrij∈{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，xrij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，dij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，yrij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，cn表示无人卡车空载时的费用，cl表示无人卡车装车费用，cu表示第r辆无人卡车的单趟卸车费用，Tc表示露天矿班工作时长，Thrij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，Tnrij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，Tl表示无人卡车平均装车时间，Tu表示无人卡车平均卸车时间，Tfr表示第r辆无人卡车的空闲时间，gi表示第i个装载点的品位，Gj表示第j个卸载点的目标品位，cr表示第r辆卡车的耗电费用，or表示第r辆无人卡车的重载率，ΔTr表示第r辆无人卡车的运行时间，di为第i个装载点的出矿能力，la为一个班次内露天矿区对应装载点所满足的最大装车数，dj为第j个卸矿站的卸矿能力。um为第j个卸矿站的产量要求，a％为品位允许误差。
3.根据权利要求1所述的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，所述步骤(3)中，对露天矿无人卡车多目标调度优化模型采用字符编码方式记录每个染色体的顺序，即所有无人卡车在一天8小时内的运载路线；以X矩阵表示一个染色体，其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；
通过如下方法初始化种群：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；
对每个个体通过训练不同的神经网络，从而建立每个个体的神经网络代理辅助模型；在神经网络代理辅助模型初次训练时，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不同的神经网络，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；隐层神经元个数l按照下式确定：
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；
所述步骤(4)在模型管理策略中，选用S型传递函数及反传误差函数，根据代理模型的误差调整网络权值和阈值，使误差函数E达到极小，如下式：
其中Ti为期望输出、Oi为网络的计算输出。
4.根据权利要求3所述的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，训练模型后，将基于神经网络代理模型的近似函数F(x)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F1(s)，F2(s)，F3(s)，F4(s)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)) (14)
在后续进化算法中，通过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。
5.根据权利要求4所述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，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。
6.根据权利要求5所述的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，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sp与np与之对应，其中sp为个体p所支配个体的集合，np为支配个体p的个体数量，首先把np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irank；然后对集合F1中的每个个体p，考察其sp集合，将集合中的每个个体q所对应的nq减1，如果nq-1＝0，则表示个体q是sp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：
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fj为优化目标，按目标值大小依次排序；di为拥挤度距离，fj(i+1)、fj(i-1)为个体i的邻近个体的目标函数值，fj max、fj min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。
7.根据权利要求1或6所述的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，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ki∈[0,1]，当ki小于概率Pm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。
8.根据权利要求7所述的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，所述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；其中第j个约束θj(x)与代理模型
近似，将
的约束条件改为
其中αj是可行解和不可行解之间的边界，从而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(17)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αj，对于接下来随机排序策略中的有约束情况，将约束改为等式(18)，约束上有αj偏移；
所述针对不可行个体采用惩罚函数进行惩罚是：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，某些无人卡车一天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(19)：
式中：λ，ω为惩罚因子；θj(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；
所述随机排序策略是：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，提高代理模型中处理约束的性能，即将等式中的约束看作附加目标，如式(20)所示：
F*＝min(f1(s),…,f4(s),θ1(x),…,θ5(x))T (20)
所述个体采样策略是：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。
9.根据权利要求5所述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，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，使进化算法在神经网络代理辅助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。
10.根据权利要求1所述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，所述步骤(7)中，采用基于数据驱动的神经网络代理辅助进化算法进行求解，具体求解过程如下：
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211698309.3A CN116050752A (zh) | 2022-12-28 | 2022-12-28 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211698309.3A CN116050752A (zh) | 2022-12-28 | 2022-12-28 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116050752A true CN116050752A (zh) | 2023-05-02 |
Family
ID=86115720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211698309.3A Withdrawn CN116050752A (zh) | 2022-12-28 | 2022-12-28 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116050752A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117519054A (zh) * | 2023-12-11 | 2024-02-06 | 广州智业节能科技有限公司 | 一种高效冷站控制系统 |
| CN118036841A (zh) * | 2024-01-15 | 2024-05-14 | 北京国联视讯信息技术股份有限公司 | 基于智慧矿山服务的动态物料装载调度方法及系统 |
| CN118378973A (zh) * | 2024-06-27 | 2024-07-23 | 江西江铃集团晶马汽车有限公司 | 一种客车装配车间的agv配送系统及方法 |
-
2022
- 2022-12-28 CN CN202211698309.3A patent/CN116050752A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117519054A (zh) * | 2023-12-11 | 2024-02-06 | 广州智业节能科技有限公司 | 一种高效冷站控制系统 |
| CN117519054B (zh) * | 2023-12-11 | 2024-06-11 | 广州智业节能科技有限公司 | 一种高效冷站控制系统 |
| CN118036841A (zh) * | 2024-01-15 | 2024-05-14 | 北京国联视讯信息技术股份有限公司 | 基于智慧矿山服务的动态物料装载调度方法及系统 |
| CN118378973A (zh) * | 2024-06-27 | 2024-07-23 | 江西江铃集团晶马汽车有限公司 | 一种客车装配车间的agv配送系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113222463B (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 | |
| CN116050752A (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 | |
| Barak et al. | Energy-efficient multi-objective flexible manufacturing scheduling | |
| CN111311158B (zh) | 一种有限充电设施条件下的电动物流车路径规划方法 | |
| Lin et al. | Network model and effective evolutionary approach for AGV dispatching in manufacturing system | |
| CN117541026B (zh) | 一种智能物流运输车辆调度方法及系统 | |
| Wang et al. | Solving hybrid charging strategy electric vehicle based dynamic routing problem via evolutionary multi-objective optimization | |
| CN114444809B (zh) | 一种数据驱动下的多目标露天矿卡路径优化方法 | |
| CN117688968B (zh) | 一种基于粒子群算法的有轨电车车辆布局方法 | |
| CN115271130B (zh) | 面向船舶主动力设备维修订单的动态调度方法及系统 | |
| CN117078124A (zh) | 一种基于遗传算法的船舶指泊方法及系统 | |
| Hu et al. | Dynamic rebalancing optimization for bike-sharing system using priority-based MOEA/D algorithm | |
| CN114519463A (zh) | 一种众包通勤公交调度问题的嵌入式降维组合优化方法 | |
| Yang et al. | Joint optimization of space allocation and yard crane deployment in container terminal under uncertain demand | |
| CN115907066A (zh) | 基于混合麻雀智能优化算法的水泥企业车辆调度方法 | |
| CN115689081A (zh) | 基于适应性协同机制的厨余垃圾收运路径动态优化方法 | |
| 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 | |
| Pourvaziri et al. | Planning of electric vehicle charging stations: An integrated deep learning and queueing theory approach | |
| CN116205550A (zh) | 基于自适应离散粒子群算法的物流园车辆取货调度方法 | |
| CN116774693A (zh) | 一种露天矿无人驾驶矿卡智能调度方法 | |
| 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 | |
| CN113222460B (zh) | 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 | |
| CN114329783A (zh) | 一种多目标电动汽车充电网络规划方法 | |
| Zeng et al. | Multi-objective logistics distribution path optimization based on annealing evolution algorithm | |
| Wu et al. | A Hybrid Meta-Heuristic Approach for Emergency Logistics Distribution under Uncertain Demand |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230502 |
|
| WW01 | Invention patent application withdrawn after publication |