權(quán)利要求書： 1.一種考慮設(shè)備利用率的露天礦車流規(guī)劃方法，其特征在于，包括：根據(jù)一個(gè)班次時(shí)間內(nèi)從卸載點(diǎn)到電鏟的礦卡車次數(shù)，構(gòu)建最大化系統(tǒng)產(chǎn)量的模型；

利用礦卡阻塞時(shí)間作為阻塞懲罰因子對所述模型進(jìn)行優(yōu)化；

對所述模型求解，獲得最優(yōu)車流規(guī)劃方案。

2.根據(jù)權(quán)利要求1所述的考慮設(shè)備利用率的露天礦車流規(guī)劃方法，其特征在于，所述模型的基礎(chǔ)目標(biāo)函數(shù)為：

其中，Ns表示鏟車數(shù)量；Nd表示卸點(diǎn)數(shù)量；K表示礦卡型號(hào)數(shù)；Wk表示k型車載重；xijk表示班次內(nèi)卸點(diǎn)i派遣至鏟點(diǎn)j的k型礦卡車次數(shù)。

3.根據(jù)權(quán)利要求2所述的考慮設(shè)備利用率的露天礦車流規(guī)劃方法，其特征在于，所述目標(biāo)函數(shù)的約束條件包括電鏟采裝能力約束：其中，Pj表示電鏟采裝能力(t/h)；T為班次時(shí)間。

4.根據(jù)權(quán)利要求2所述的考慮設(shè)備利用率的露天礦車流規(guī)劃方法，其特征在于，所述目標(biāo)函數(shù)的約束條件包括卸載點(diǎn)處理能力約束：

5.根據(jù)權(quán)利要求2所述的考慮設(shè)備利用率的露天礦車流規(guī)劃方法，其特征在于，所述的所述目標(biāo)函數(shù)的約束條件包括礦石質(zhì)量指標(biāo)約束：其中：αj表示鏟點(diǎn)j礦石品位；βib表示卸點(diǎn)i品位下限；βiu表示卸點(diǎn)i品位上限。

6.根據(jù)權(quán)利要求2所述的考慮設(shè)備利用率的露天礦車流規(guī)劃方法，其特征在于，所述目標(biāo)函數(shù)的約束條件包括礦卡數(shù)量約束：其中，Dij表示卸點(diǎn)i到鏟點(diǎn)j路徑距離；vlk表示k型礦卡重載速度；vek表示k型礦卡空載速度。

7.根據(jù)權(quán)利要求2所述的考慮設(shè)備利用率的露天礦車流規(guī)劃方法，其特征在于，對所述模型進(jìn)行優(yōu)化包括：

計(jì)算礦卡平均到達(dá)率λ：

式中，Tcijk為路徑ij上k型礦卡的初始生產(chǎn)周期時(shí)間；

利用礦卡阻塞時(shí)間作為阻塞懲罰因子進(jìn)行車流優(yōu)化：其中，Wjq表示電鏟j處礦卡平均等待時(shí)間；

優(yōu)化后的模型目標(biāo)函數(shù)為：

式中，η為阻塞懲罰項(xiàng)平衡因子，由礦卡運(yùn)營成本和礦石每噸收益共同決定。

8.根據(jù)權(quán)利要求7所述的考慮設(shè)備利用率的露天礦車流規(guī)劃方法，其特征在于，采用改進(jìn)的遺傳算法對所述優(yōu)化后的模型函數(shù)求解，包括：編碼：根據(jù)車流規(guī)劃解的結(jié)構(gòu)K×Nd×Ns矩陣，選擇一維矩陣1×(K×Nd×Ns)為染色體，其中K為礦卡型號(hào)數(shù)，Nd為卸點(diǎn)數(shù)，Ns為鏟點(diǎn)數(shù)；

交叉算子執(zhí)行步驟：

(1)隨機(jī)選擇兩個(gè)父代染色體i，j；

(2)生成一個(gè)在[0，1]區(qū)間內(nèi)的隨機(jī)數(shù)f；

(3)若f之0.6，執(zhí)行染色體均勻交叉；若0.3≤f＜0.6，染色體卸載點(diǎn)基因位置交換；若0≤f＜0.3，染色體鏟點(diǎn)基因位置交換；

突變算子執(zhí)行步驟：生成一個(gè)在[0，1]區(qū)間內(nèi)的隨機(jī)數(shù)f；若f≤0.3，對染色體各個(gè)基因位置按概率執(zhí)行高斯突變；若f＞0.3，則：(1)按鏟點(diǎn)生成隨機(jī)數(shù)，以此為權(quán)重對該列隨機(jī)高斯增量值進(jìn)行重新分配；

(2)按卸點(diǎn)生成隨機(jī)數(shù)，以此為權(quán)重對該行隨機(jī)高斯增量值進(jìn)行重新分配。

9.根據(jù)權(quán)利要求8所述的考慮設(shè)備利用率的露天礦車流規(guī)劃方法，其特征在于，重新分配方案為：隨機(jī)數(shù)高于平均值的基因?qū)?yīng)值得到提高，反之，低于平均值的相應(yīng)降低，計(jì)算公式為：

其中，delta為基因變化量，Xrandom為隨機(jī)數(shù)，Xmean為隨機(jī)數(shù)均值，Ng為高斯增量值。

說明書： 一種考慮設(shè)備利用率的露天礦車流規(guī)劃方法技術(shù)領(lǐng)域[0001] 本發(fā)明屬于礦卡調(diào)度技術(shù)領(lǐng)域，涉及考慮設(shè)備利用率的露天礦車流規(guī)劃方法。背景技術(shù)[0002] 露天礦系統(tǒng)是一個(gè)以挖掘?yàn)橹行?，通過對生產(chǎn)運(yùn)輸設(shè)備規(guī)劃與調(diào)度來實(shí)現(xiàn)生產(chǎn)計(jì)劃的大型生產(chǎn)系統(tǒng)。而車流規(guī)劃則是露天礦生產(chǎn)過程中的一個(gè)重要組成部分，車流規(guī)劃的

結(jié)果將直接決定礦石產(chǎn)量、生產(chǎn)進(jìn)度及生產(chǎn)效率。采用大型礦卡進(jìn)行運(yùn)輸?shù)穆短斓V，其運(yùn)輸

所占費(fèi)用更是占經(jīng)營費(fèi)用的60％以上，而隨著開采深度的增加，運(yùn)輸費(fèi)用占比也會(huì)不斷提

高，合理的礦卡車流規(guī)劃與實(shí)時(shí)調(diào)度不僅能增加礦山整體產(chǎn)量，同時(shí)也能降低生產(chǎn)成本，其

重要性不言而喻。

[0003] 目前人工規(guī)劃調(diào)度由于無法實(shí)時(shí)獲取生產(chǎn)設(shè)備的信息，在生產(chǎn)指揮調(diào)度中主觀性較強(qiáng)，盲目性較大，往往造成車流分布不均衡，導(dǎo)致礦卡阻塞、電鏟閑置，增加設(shè)備非生產(chǎn)時(shí)

間，不利于設(shè)備生產(chǎn)效率發(fā)揮。

[0004] 計(jì)算機(jī)控制卡車調(diào)度系統(tǒng)是經(jīng)過很長時(shí)間的理論研究和不斷的實(shí)踐嘗試，于上世紀(jì)80年代初在國外開始首次應(yīng)用于露天礦生產(chǎn)。自動(dòng)卡車調(diào)度系統(tǒng)主要通過實(shí)時(shí)采集、統(tǒng)

計(jì)、分析與處理生產(chǎn)信息，利用運(yùn)籌學(xué)方法，實(shí)現(xiàn)對生產(chǎn)計(jì)劃及礦卡車流優(yōu)化，從而降低設(shè)

備非生產(chǎn)時(shí)間，提高整體設(shè)備利用率，降低生產(chǎn)成本，對礦山經(jīng)營具有重要意義。

[0005] 而現(xiàn)有的計(jì)算機(jī)自動(dòng)規(guī)劃方法，相比人工規(guī)劃對工作人員的依賴性降低，能夠?qū)崿F(xiàn)自動(dòng)車流規(guī)劃，但由于忽視露天礦生產(chǎn)的復(fù)雜環(huán)境，規(guī)劃方案往往過于理想化，礦山生產(chǎn)

具有不確定性。為了克服這種問題，露天礦經(jīng)營者通常會(huì)分配過多的礦卡進(jìn)行運(yùn)輸，從而導(dǎo)

致卡車在卸載點(diǎn)、裝載點(diǎn)處或道路處的排隊(duì)阻塞，礦卡使用效率低下，生產(chǎn)成本較高。

[0006] 排隊(duì)論是通過對到達(dá)及服務(wù)時(shí)間的統(tǒng)計(jì)研究，得出這些數(shù)量指標(biāo)(等待時(shí)間、排隊(duì)長度等)的統(tǒng)計(jì)規(guī)律，然后以此來改進(jìn)服務(wù)系統(tǒng)的結(jié)構(gòu)，使系統(tǒng)既能滿足服務(wù)對象的要求，

又能使服務(wù)機(jī)構(gòu)的費(fèi)用最經(jīng)濟(jì)的一門學(xué)科。排隊(duì)論被廣泛應(yīng)用于計(jì)算機(jī)網(wǎng)絡(luò)、運(yùn)輸、生產(chǎn)等

各項(xiàng)資源共享的服務(wù)系統(tǒng)。在露天礦生產(chǎn)中，礦卡通過運(yùn)輸路徑抵達(dá)電鏟后排隊(duì)等待，依次

接受服務(wù)，該過程是一個(gè)經(jīng)典的排隊(duì)論問題。若能利用排隊(duì)論相關(guān)技術(shù)對該過程進(jìn)行優(yōu)化，

對于降低礦卡排隊(duì)等待時(shí)間、降低生產(chǎn)成本將具有重要作用。

發(fā)明內(nèi)容[0007] 本發(fā)明的目的是針對當(dāng)前露天礦山車流規(guī)劃中忽視設(shè)備阻塞的問題，通過合理建模，利用運(yùn)籌規(guī)劃等技術(shù)，設(shè)計(jì)了一種考慮設(shè)備利用率的生產(chǎn)優(yōu)化方法，同時(shí)考慮多種類型

礦卡，相比傳統(tǒng)的優(yōu)化方法更加符合真實(shí)生產(chǎn)情況，實(shí)用性更強(qiáng)。最后，針對所提出的問題

模型，本發(fā)明提出了一種改進(jìn)的遺傳算法，可以在較短時(shí)間內(nèi)求解得到合理的車流規(guī)劃方

案。

[0008] 為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種考慮設(shè)備利用率的露天礦車流規(guī)劃方法，包括：

[0009] 根據(jù)一個(gè)班次時(shí)間內(nèi)從卸載點(diǎn)到電鏟的礦卡車次數(shù)，構(gòu)建最大化系統(tǒng)產(chǎn)量的模型；

[0010] 利用礦卡阻塞時(shí)間作為阻塞懲罰因子對所述模型進(jìn)行優(yōu)化；[0011] 對所述模型求解，獲得最優(yōu)車流規(guī)劃方案。[0012] 作為本發(fā)明的一種優(yōu)選方式，所述模型的基礎(chǔ)目標(biāo)函數(shù)為：[0013][0014] 其中，Ns表示鏟車數(shù)量；Nd表示卸點(diǎn)數(shù)量；K表示礦卡型號(hào)數(shù)；Wk表示k型車載重；xijk表示班次內(nèi)卸點(diǎn)i派遣至鏟點(diǎn)j的k型礦卡車次數(shù)。

[0015] 進(jìn)一步優(yōu)選地，所述目標(biāo)函數(shù)的約束條件包括電鏟采裝能力約束：[0016][0017] 其中，Pj表示電鏟采裝能力(t/h)；T為班次時(shí)間；[0018] 進(jìn)一步優(yōu)選地，所述目標(biāo)函數(shù)的約束條件包括卸載點(diǎn)處理能力約束：[0019][0020] 進(jìn)一步優(yōu)選地，所述的所述目標(biāo)函數(shù)的約束條件包括礦石質(zhì)量指標(biāo)約束：[0021][0022] 其中：αj表示鏟點(diǎn)j礦石品位；βib表示卸點(diǎn)i品位下限；βiu表示卸點(diǎn)i品位上限。[0023] 進(jìn)一步優(yōu)選地，所述目標(biāo)函數(shù)的約束條件包括礦卡數(shù)量約束：[0024][0025] 其中，Dij表示卸點(diǎn)i到鏟點(diǎn)j路徑距離；vlk表示k型礦卡重載速度；vek表示k型礦卡空載速度。

[0026] 進(jìn)一步優(yōu)選地，對所述模型進(jìn)行優(yōu)化包括：[0027] 計(jì)算礦卡平均到達(dá)率λ：[0028][0029] 式中，Tcijk為路徑ij上k型礦卡的初始生產(chǎn)周期時(shí)間；[0030] 利用礦卡阻塞時(shí)間作為阻塞懲罰因子進(jìn)行車流優(yōu)化：[0031][0032] 其中，Wjq表示電鏟j處礦卡平均等待時(shí)間；[0033] 優(yōu)化后的模型目標(biāo)函數(shù)為：[0034][0035] 式中，η為阻塞懲罰項(xiàng)平衡因子，由礦卡運(yùn)營成本和礦石每噸收益共同決定。[0036] 進(jìn)一步優(yōu)選地，采用改進(jìn)的遺傳算法對所述優(yōu)化后的模型函數(shù)求解，包括：[0037] 編碼：根據(jù)車流規(guī)劃解的結(jié)構(gòu)K×Nd×Ns矩陣，選擇一維矩陣1×(K×Nd×Ns)為染色體，其中K為礦卡型號(hào)數(shù)，Nd為卸點(diǎn)數(shù)，Ns為鏟點(diǎn)數(shù)；

[0038] 交叉算子執(zhí)行步驟：(1)隨機(jī)選擇兩個(gè)父代染色體i,j；(2)生成一個(gè)在[0,1]區(qū)間內(nèi)的隨機(jī)數(shù)f；

[0039] (3)若f≥0.6，執(zhí)行染色體均勻交叉；若0.3≤f<0.6，染色體卸載點(diǎn)基因位置交換；若0≤f<0.3，染色體鏟點(diǎn)基因位置交換；

[0040] 突變算子執(zhí)行步驟：生成一個(gè)在[0,1]區(qū)間內(nèi)的隨機(jī)數(shù)f；若f≤0.3，對染色體各個(gè)基因位置按概率執(zhí)行高斯突變；若f>0.3，則：

[0041] (1)按鏟點(diǎn)生成隨機(jī)數(shù)，以此為權(quán)重對該列隨機(jī)高斯增量值進(jìn)行重新分配；[0042] (2)按卸點(diǎn)生成隨機(jī)數(shù)，以此為權(quán)重對該行隨機(jī)高斯增量值進(jìn)行重新分配。[0043] 進(jìn)一步優(yōu)選地，重新分配方案為：隨機(jī)數(shù)高于平均值的基因?qū)?yīng)值得到提高，反之，低于平均值的相應(yīng)降低，計(jì)算公式為：

[0044][0045] 其中，delta為基因變化量，Xrandom為隨機(jī)數(shù)，Xmean為隨機(jī)數(shù)均值，Ng為高斯增量值。[0046] 本發(fā)明的方法，根據(jù)礦山生產(chǎn)實(shí)際情況，建立以協(xié)同優(yōu)化產(chǎn)量與礦卡阻塞時(shí)間為目標(biāo)函數(shù)的車流規(guī)劃模型，相比于傳統(tǒng)的自動(dòng)車流規(guī)劃方法，本發(fā)明提供了一種衡量礦卡

設(shè)備利用率的標(biāo)準(zhǔn)，有效降低了設(shè)備非工作時(shí)間。經(jīng)過測試驗(yàn)證，本發(fā)明所提出的車流規(guī)劃

方案能夠顯著改善礦卡阻塞，降低生產(chǎn)成本，對于最大化礦山經(jīng)營收益具有顯著作用。

附圖說明[0047] 圖1為有限源的排隊(duì)系統(tǒng)示意圖；[0048] 圖2為車流規(guī)劃解結(jié)構(gòu)矩陣示意圖；[0049] 圖3染色體編碼形式示意圖；[0050] 圖4為均勻交叉的示例；[0051] 圖5為卸載點(diǎn)交叉的示例；[0052] 圖6為裝載點(diǎn)交叉的示例；[0053] 圖7為按行隨機(jī)增量突變示例；[0054] 圖8為不同平衡因子下礦卡數(shù)量與投入礦卡數(shù)關(guān)系圖。具體實(shí)施方式[0055] 為了便于理解本發(fā)明，下面結(jié)合附圖和具體實(shí)施例，對本發(fā)明進(jìn)行更詳細(xì)的說明。附圖中給出了本發(fā)明的較佳的實(shí)施例。但是，本發(fā)明可以以許多不同的形式來實(shí)現(xiàn)，并不限

于本說明書所描述的實(shí)施例。相反地，提供這些實(shí)施例的目的是使對本發(fā)明公開內(nèi)容的理

解更加透徹全面。

[0056] 本發(fā)明提供的其中一個(gè)實(shí)施例是：一種考慮設(shè)備利用率的露天礦車流規(guī)劃方法，該方法以最大化產(chǎn)量為目標(biāo)，首先，構(gòu)建基礎(chǔ)線性整數(shù)模型；然后，在該模型的基礎(chǔ)上考慮

礦卡阻塞問題，將礦卡阻塞時(shí)間作為懲罰因子進(jìn)行協(xié)同優(yōu)化；最后，采用改進(jìn)的遺傳算法對

優(yōu)化后的模型進(jìn)行求解，從而能夠確定一個(gè)完整班次內(nèi)來往卸載點(diǎn)及裝載點(diǎn)間各類型礦卡

的最優(yōu)行程次數(shù)，其結(jié)果為車輛實(shí)時(shí)調(diào)度提供重要依據(jù)。具體步驟詳述如下：

[0057] 一、構(gòu)建模型[0058] 為了建模礦卡?電鏟的車流規(guī)劃問題并以數(shù)學(xué)方式解決該問題，本部分對包含不同類型卡車和電鏟的多型號(hào)車隊(duì)提出了整數(shù)規(guī)劃模型。該模型的構(gòu)建方式是，在一個(gè)班次

時(shí)間內(nèi)確定從卸載點(diǎn)到電鏟的礦卡車次數(shù)，從而最大化產(chǎn)量。并在此模型基礎(chǔ)上考慮礦卡

阻塞時(shí)間成本。

[0059] 1.最大化系統(tǒng)產(chǎn)量的目標(biāo)函數(shù):[0060][0061] 2.約束條件[0062] 1)電鏟采裝能力約束[0063][0064] 該約束確保在一個(gè)班次內(nèi)的總車次數(shù)不得超過電鏟的最大裝車數(shù)。[0065] 2)卸載點(diǎn)處理能力約束[0066][0067] 該約束控制在一個(gè)班次時(shí)間內(nèi)，卸載點(diǎn)不停止工作情況下的最大處理車次數(shù)。[0068] 3)礦石質(zhì)量指標(biāo)約束[0069][0070] 4)礦卡數(shù)量約束[0071][0072] 該約束確保派遣礦卡數(shù)量少于各類型可用礦卡數(shù)。[0073] 5)非負(fù)整數(shù)約束[0074] xijk≥0,i＝1,2,…,Nd,j＝1,2,…,Ns,k＝1,2,…,K[0075] xijk∈N+[0076] 非負(fù)整數(shù)約束條件確保該解決方案在物理上有意義，即礦卡從卸載點(diǎn)到電鏟的行程數(shù)是非負(fù)整數(shù)。

[0077] 表1參數(shù)說明[0078][0079] 二、優(yōu)化模型[0080] 1.構(gòu)建阻塞模型[0081] 礦卡在電鏟阻塞等待本質(zhì)上是一個(gè)有限源的排隊(duì)論問題，該類排隊(duì)問題的主要特征是顧客總數(shù)有限，如果有m個(gè)顧客，每個(gè)顧客來到系統(tǒng)中接受服務(wù)后仍回到原來的總體，

經(jīng)過一段時(shí)間后還會(huì)再次請求服務(wù)，有限源排隊(duì)論模型示意圖如圖1所示。

[0082] 設(shè)每個(gè)顧客的到達(dá)率都是相同的，均為λ(這里λ的含義是指單位時(shí)間內(nèi)該顧客來到系統(tǒng)請求服務(wù)的次數(shù))，且每一顧客在系統(tǒng)外的時(shí)間均服從參數(shù)為λ的負(fù)指數(shù)分布。服務(wù)

率為μ(μ表示單位時(shí)間內(nèi)系統(tǒng)服務(wù)完成的顧客數(shù)，稱為平均服務(wù)率)，每一個(gè)顧客的平均服

務(wù)時(shí)間為1/μ。在露天礦生產(chǎn)系統(tǒng)中，λ為一個(gè)礦卡單位時(shí)間內(nèi)完成一個(gè)生產(chǎn)周期(卸載、空

載行駛、排隊(duì)等待、裝載、重載行駛)的次數(shù)，則1/λ為平均生產(chǎn)周期時(shí)間，μ為電鏟單位時(shí)間

內(nèi)裝載車數(shù)，1/μ為平均裝載時(shí)間，m為派遣給電鏟的總車數(shù)。

[0083] 根據(jù)排隊(duì)論相關(guān)知識(shí)，可直接得到如下結(jié)論：[0084] (1)電鏟空閑概率:[0085][0086] (2)礦卡平均等待時(shí)間：[0087][0088] 在真實(shí)露天礦生產(chǎn)作業(yè)中，各個(gè)電鏟可能有一條以上路徑可達(dá)，即電鏟的“顧客源”可能不止一個(gè)，本發(fā)明采取如下方式計(jì)算礦卡平均到達(dá)率λ：

[0089][0090] 式中，Tcijk為路徑ij上k型礦卡的初始生產(chǎn)周期時(shí)間。[0091] 2.利用礦卡阻塞時(shí)間作為阻塞懲罰因子進(jìn)行車流優(yōu)化，計(jì)算公式如下：[0092][0093] 3.最終優(yōu)化的模型目標(biāo)函數(shù)為：[0094][0095] 式中，η為阻塞懲罰項(xiàng)平衡因子，用以權(quán)衡系統(tǒng)阻塞懲罰與系統(tǒng)收益，由礦卡運(yùn)營成本和礦石每噸收益共同決定。

[0096] 三、模型函數(shù)求解[0097] 基于整數(shù)線性規(guī)劃的車流規(guī)劃所能解決的問題相對有限，在實(shí)際生產(chǎn)環(huán)境中，礦石品質(zhì)與目標(biāo)品質(zhì)的偏差，設(shè)備閑置時(shí)間等影響生產(chǎn)的重要因素均無法被線性化，本發(fā)明

采用改進(jìn)的遺傳算法對該非線性車流規(guī)劃問題進(jìn)行求解。

[0098] Geatpy是一個(gè)高性能實(shí)用型進(jìn)化算法工具箱，提供許多已實(shí)現(xiàn)的進(jìn)化算法中各項(xiàng)重要操作的庫函數(shù)，并提供一個(gè)高度模塊化、耦合度低的面向?qū)ο蟮倪M(jìn)化算法框架，利用

“定義問題類+調(diào)用算法模板”的模式來進(jìn)行進(jìn)化優(yōu)化，可用于求解單目標(biāo)優(yōu)化、多目標(biāo)優(yōu)

化、復(fù)雜約束優(yōu)化、組合優(yōu)化、混合編碼進(jìn)化優(yōu)化等。由于geatpy底層代碼閉源，本發(fā)明針對

車流規(guī)劃問題自行設(shè)計(jì)了遺傳算法交叉及突變算子，其余部分默認(rèn)使用geatpy所提供的方

法。改進(jìn)后的方法將用于求解非線性整數(shù)車流規(guī)劃問題。

[0099] 1.編碼方式[0100] 車流規(guī)劃解的結(jié)構(gòu)為K×Nd×Ns矩陣，其中K為礦卡型號(hào)數(shù)，Nd為卸點(diǎn)數(shù)，Ns為鏟點(diǎn)數(shù)，3×3×2的矩陣形式如圖2所示。

[0101] 染色體為1×(K×Nd×Ns)一維矩陣，1×18染色體形式如圖3所示。[0102] 2.交叉算子執(zhí)行步驟如下：[0103] (1)隨機(jī)選擇兩個(gè)父代染色體i,j；[0104] (2)生成一個(gè)在[0,1]區(qū)間內(nèi)的隨機(jī)數(shù)f：[0105] (a).若f≥0.6，執(zhí)行染色體均勻交叉，如圖4所示，P1和P2是父代解決方案，O1和O2是后代解決方案，Ref為參考交叉點(diǎn)；

[0106] (b).若0.3≤f<0.6，染色體卸載點(diǎn)基因位置交換，如圖5所示，P1和P2是父代解決方案，O1和O2是后代解決方案

[0107] (c).若0≤f<0.3，染色體裝載點(diǎn)基因位置交換，如圖6所示，P1和P2是父代解決方案，O1和O2是后代解決方案。

[0108] 3.突變算子執(zhí)行步驟如下：[0109] (1)生成一個(gè)在[0,1]區(qū)間內(nèi)的隨機(jī)數(shù)f；[0110] (2)若f≤0.3，對染色體各個(gè)基因位置按概率執(zhí)行高斯突變；[0111] (3)若f>0.3，則：[0112] (a)按列(鏟點(diǎn))生成隨機(jī)數(shù)，以此為權(quán)重對該列隨機(jī)高斯增量值進(jìn)行重分配，隨機(jī)數(shù)高于平均值的基因?qū)?yīng)值得到提高，反之，低于平均值的相應(yīng)降低，變化量計(jì)算公式為：

[0113][0114] 其中，delta為基因變化量，Xrandom為隨機(jī)數(shù)，Xmean為隨機(jī)數(shù)均值，Ng為高斯增量值。[0115] (b)按行(卸點(diǎn))生成隨機(jī)數(shù)，以此為權(quán)重對該行隨機(jī)高斯增量值進(jìn)行重新分配，處理方法同上。

[0116] 例如：隨機(jī)數(shù)為：10，5；高斯增量：6；變化量：[0117][0118] 重新分配結(jié)果如圖7所示。[0119] 使用本發(fā)明提出的改進(jìn)遺傳算法求解模型，得到不同平衡因子下產(chǎn)量及礦卡數(shù)統(tǒng)計(jì)結(jié)果如表2和圖8所示。

[0120]η 礦卡投入數(shù)量(輛) 系統(tǒng)產(chǎn)量(噸)

1.5 42 8882

1.25 45 9300

1 48 9520

0.75 49 9617

0.5 52 9767

0.25 53 9799

0 56 9800

[0121] 從圖8可知，考慮阻塞因子情況下(即η非零)，投入礦卡數(shù)量明顯低于不考慮阻塞因子情況(即η為零)，其中，當(dāng)η為1時(shí)，礦山產(chǎn)量僅下降2.6％，而礦卡投入數(shù)量下降14.3％，

生產(chǎn)成本明顯降低。η作為平衡因子由礦卡成本和礦石利潤共同決定，計(jì)算公式如下：

[0122][0123] 式中，C為礦卡平均運(yùn)營成本，P為每噸礦石所獲利潤，經(jīng)營者可根據(jù)實(shí)際情況選擇合適的平衡因子。

[0124] 本發(fā)明根據(jù)礦山生產(chǎn)實(shí)際情況，建立以協(xié)同優(yōu)化產(chǎn)量與礦卡阻塞時(shí)間為目標(biāo)函數(shù)的車流規(guī)劃模型，相比與傳統(tǒng)的自動(dòng)車流規(guī)劃方法，本發(fā)明提供了一種衡量礦卡設(shè)備利用

率的標(biāo)準(zhǔn)，有效降低了設(shè)備非工作時(shí)間。針對該礦山調(diào)度模型，本發(fā)明提供了一種改進(jìn)的遺

傳算法以快速求解該問題。最終測試結(jié)果表明，本發(fā)明所提出的車流規(guī)劃方案能夠顯著改

善礦卡阻塞，降低生產(chǎn)成本，對于最大化礦山經(jīng)營收益具有顯著作用。