阅读说明：本技术 一种基于自适应遗传算法的多金属多目标配矿方法 (A kind of more metal multiple target ore-proportioning methods based on self-adapted genetic algorithm ) 是由 顾清华 刘海龙 王迪 卢才武 冯治东 李学现 李俊飞 于 2019-08-30 设计创作，主要内容包括：一种基于自适应遗传算法的多金属多目标配矿方法,根据矿山配矿实际生产要求和指标,构建多金属多目标配矿模型,包括：品位偏差最小目标、采掘成本和运输成本最小目标、总产量偏差最小目标、矿石岩性的配比偏差最小目标、任务量约束、生产能力约束、氧化率约束、有害物质约束以及运输量约束；然后采用自适应遗传算法对多金属多目标配矿模型进行求解。本发明通过建立以采矿和运输成本、配矿后品位偏差、总产量偏差和配矿后矿石岩性配比偏差最小为目标的配矿模型,并采用自适应遗传优化算法,对多金属多目标配矿问题进行求解,实现了多金属多目标配矿的优化。(A kind of more metal multiple target ore-proportioning methods based on self-adapted genetic algorithm, summing target is wanted according to mine ore matching actual production, construct more metal multiple target ore matching models, comprising: grade deviation minimum target, cost of mining and transportation cost minimum target, total output deviation minimum target, the proportion deviation minimum target of ore lithology, task amount constraint, capacity constraint, oxygenation efficiency constraint, harmful substance constraint and freight volume constraint；Then more metal multiple target ore matching models are solved using self-adapted genetic algorithm.The present invention is dug up mine by establishing matches the ore matching model of the minimum target of deviation with ore lithology after grade deviation, total output deviation and ore matching after transportation cost, ore matching, and use Adaptive Genetic optimization algorithm, more metal multiple target ore matching problems are solved, the optimization of more metal multiple target ore matchings is realized.)

一种基于自适应遗传算法的多金属多目标配矿方法

技术领域

本发明属于矿业系统工程及矿山优化技术领域，特别涉及一种基于自适应遗传算法的多金属多目标配矿方法。

背景技术

配矿是矿山工业生产中保证矿石品位均衡和资源回收利用的重要手段，随着资源开采的综合回收利用，多金属多目标配矿优化问题成为矿业界普遍关注的焦点之一。科学合理的多金属多目标配矿能有效的保证配矿品位均衡，降低企业的运输成本，显著提高矿石的综合利用率和经济效益。从国内外来看，目前配矿的实际生产中，大部分配矿方法没有考虑影响选矿环节的矿石岩性、氧化率和有害物质等因素，或者对这些因素的考虑不足，但这些因素对选矿有重要的影响，在配矿中考虑这些因素不仅能够提高矿石质量，提高矿石回收率，还能够节约资源，提高企业效益，符合可持续发展的要求。因此为了满足当前金属露天矿对多金属多目标配矿的实际需求，有必要研究一种充分考虑这些因素的多金属多目标配矿方法。

发明内容

为了克服上述现有技术的缺点，解决当前金属露天矿多金属多目标配矿问题，本发明的目的在于提供一种基于自适应遗传算法的多金属多目标配矿方法，建立以采矿和运输成本、配矿后品位偏差、总产量偏差和配矿后矿石岩性配比偏差最小为目标的配矿模型，并提出一种自适应遗传优化算法，对多金属多目标配矿问题进行求解，实现了多金属多目标配矿的优化。

为了实现上述目的，本发明采用的技术方案是：

一种基于自适应遗传算法的多金属多目标配矿方法，包括如下步骤：

步骤1，根据矿山配矿实际生产要求和指标，构建多金属多目标配矿模型，包括：品位偏差最小目标、采掘成本和运输成本最小目标、总产量偏差最小目标、矿石岩性的配比偏差最小目标、任务量约束、生产能力约束、氧化率约束、有害物质约束以及运输量约束；

步骤2，采用自适应遗传算法对多金属多目标配矿模型进行求解。

与现有技术相比，本发明在现有配矿模型的基础上，引入矿石岩性、氧化率、和有害物质等影响因素，构建露天矿的多金属多目标配矿模型，并采用自适应遗传算法对多金属多目标配矿模型求解。比原本对矿石岩性、氧化率和有害物质等影响因素考虑不足的配矿模型更符合配矿实际生产要求。原本多采用线性规划的方法对配矿模型进行求解，但是由于配矿条件复杂往往不能得到实际有效的配矿结果，本发明提出的这种自适应遗传算法原理简单、容易实现，且在处理复杂问题具有可行性和优越性，在对多金属多目标配矿模型进行求解过程中，能够快速的得到符合实际且有效的配矿结果。

本发明对稳定入选矿石的质量，提高矿石的利用率，提高配矿效率，降低运输成本有着重要的意义。

附图说明

图1是本发明中采用自适应多遗传算法求解模型的流程图。

具体实施方式

下面结合附图和实例详细说明本发明的实施方式。

金属露天矿的多金属多目标配矿问题可描述为：某多金属露天矿山有m个出矿点，n个受矿点，矿区主要出产钼、钨、铜三种金属；岩性主要有矽卡岩型、透斜角岩、硅灰石角岩、长英角岩四种岩性；有害物质主要是铝化泥和二氧化硫，选矿厂要求的限值分别为4％和3％；选矿厂要求的矿石氧化率限值为16％；如下表1每个出矿点矿石的品位、矿石岩性、氧化率等指标都是有差异的，而且有些指标还不能直接满足选矿厂的要求。通过合理分配各个出矿点到受矿点的出矿量x_ij，使得受矿点矿石的各项指标都能满足选矿厂的要求如下表2和3，并且使得采掘和运输成本最小。

表1部分采区采场品位、氧化率、岩性状况

表2部分受矿点的岩性配比计划要求

表3部分受矿点的品位计划要求

项目	受矿点1	受矿点2	受矿点3	受矿点4
					Mo	0.110	0.098	0.073	0.110
Wo<sub>3</sub>	0.125	0.056	0.126	0.125
					Cu	0.011	0.006	0.014	0.011

本发明一种金属露天矿的多金属多目标配矿方法，包含有以下步骤：

1、确定露天矿山配矿实际生产要求和指标，根据矿山配矿实际生产要求和指标，构建多金属多目标配矿模型，过程中需综合考虑矿山的生产任务要求、最大生产能力、目标品位要求、采矿和运输成本、矿石岩性、氧化率和有害物质等多种因素。

具体地，根据矿山实际生产要求和指标，构建多金属多目标配矿模型，模型如下：

1)品位偏差最小目标：

其中，x_ij为出矿点i到受矿点j的矿石运输量；g_ai，g_bi，g_ci分别为出矿点i矿石中a，b，c三种金属的供矿品位；g_aj，g_bj，g_ci分别为受矿点j矿石中a，b，c三种金属的目标品位；m，n分别为出矿点i与受矿点j的个数。

2)采掘成本和运输成本最小目标：

其中，C_1ij，C_2ij分别表示出矿点i的单位开采成本和出矿点i到受矿点j的单位运距成本；L_ij表示出矿点i到受矿点j的运距。

3)总产量偏差最小目标：

其中，K表示配矿计划期的目标产量。

4)矿石岩性的配比偏差最小目标：

其中，为了求解简便，这里把属于同一岩性的出矿点排序的时候归为一类，按不同岩性类别分别分类排序，也就是出矿点1到出矿点a的全部属于a类岩性，出矿点a+1到出矿点b全部属于b类岩性，以此类推；u_aj，u_bj，u_cj……分别为配矿后受矿点j矿石中的a,b,c……类岩性的目标配比；

5)任务量约束：

其中，Q_i，A_i分别表示出矿点i的最小任务量和最大任务量；q_j,p_j分别表示受矿点j的最小任务量和最大任务量。

6)生产能力约束：

其中，M_i，N_j分别为每个出矿点和受矿点的生产和处理能力最大限量。

7)氧化率约束：

其中，g_di表示出矿点i的矿石氧化率的含量；a表示配矿后受矿点的矿石氧化率的要求配比最大限值。

8)有害物质约束：

其中，g_wfi表示出矿点i的矿石中第w种有害物质的含量百分比；b_w表示配矿后受矿点中矿石的第w种有害物质含量比的限值。

9)运输量约束。对于每一个出矿点到受矿点的运输量，如果安排的任务量太小，那么就没有车队愿意接受，通过合理安排各出矿点到受矿点的出矿量来满足车队对运输量的要求：

c≤x_ij≤d(i＝1,2,3…m；j＝1,2,3…n) (11)

其中，c，d分别表示出矿点到受矿点的最小，最大运输量要求。

2、对基本遗传算法进行改进得到一种自适应遗传算法，具体改进过程如下：

1)交叉率和变异率的改进

传统的遗传算法，交叉率和变异率是固定的，这样使得遗传算法的效率比较低，并且易于陷入局部最优。交叉率和变异率应该随着运算的进行，根据个体与种群和种群中解的离散程度的变化而变化，这样可以提高算法效率，避免陷入局部最优。

以下改进的自适应遗传算法的交叉和变异率公式：

其中，P_c为交叉率,P_m变异率；f_max为种群中的所有个体的最大适应度值；f_avg为种群中所有个体的平均适应度值；f′为参与交叉的两个个体中较大的适应度值；f为变异个体的适应度值；P_{c max}为最大的交叉率；P_{c min}为最小的交叉率；P_{m max}为最大的变异率；P_{m min}为最小的变异率。

2)变异方式的改进

一般的变异操作就是将即将进行变异操作的个体的固定数值的字符进行限制范围内的随机变化，这样每次变异的字符数和位置是固定的，不易于产生多样性的个体。如果将每次变异的字符数和位置进行变化，就能够丰富个体的多样性，更易于跳出局部最优解。本问题所用自适应遗传算法的变异操作为：

首先利用变异率乘个体维度得出每个个体需要变异的字符个数：

gene(i)＝d*P_m(i) (14)

其中，gene(i)表示种群中第i个体解需要变异的字符个数；d是指个体的维度，也就是字符串长度；P_m(i)表示种群中第i个体的变异率。

然后从各个个体的最后一位字符开始在限值范围内随机变化上式计算出的需要变异字符的对应个数，其他的字符不用变：

X″＝X₁+1b+rand*(ub-1b) (15)

其中，X″指变异产生的新个体；X₁指原个体中不需要变异的部分；1b指个体解中每个字符的最小值；ub指个体解中每个字符的最大值；rand表示区间(0,1)上的随机数。

3)选择过程的改进

传统遗传算法经过一轮的交叉变异后，不进行原解和新解的比较直接用新解代替原解，或者比较后直接选择新解和原解中较优的，前者会降低算法的效率而不易找到最优解，后者会降低解个体的多样性而容易陷入局部最优解。因此如果我们将原解和新解对比后，使较优解大概率被保留下来，而那些比较劣的解也能有较小的概率留下来部分，这样可以在提高算法效率的同时增加个体解的多样性，更容易跳出局部最优。本问题采取的选择过程具体为：

将经过一轮交叉变异后的所有解(包括母解)进行比较，利用轮盘赌的方式留下固定个数的个体，保持每轮开始之前，解的维度都是固定不变的。

3、采用自适应遗传算法对多金属多目标配矿模型进行求解，具体求解过程如下：

Step 1设置算法的参数，包括种群规模N，个体维度d，最大迭代次数t_max，最大、最小交叉率P_{c max}、P_{c min}和最大、最小变异率P_{m max}、P_{m min}，经过多次算法测试，拟定的具体参数值如下表4。

表4算法部分参数值

参数	具体值
		种群规模N	100
个体维度d	m*n
		最大迭代次数t<sub>max</sub>	1000
最大、最小交叉率P<sub>c max</sub>、P<sub>c min</sub>	0.9、0.6
		最大、最小变异率P<sub>m max</sub>、P<sub>m min</sub>	0.5、0.1

Step 2随机生成初始种群，计算各个体的适应值(由目标函数决定的适应度函数来确定)。由于本问题的解约束在区间(c，d)中，直接利用公式(16)即可在MATLAB软件中生产初始解。

x(i,j)＝e+(f-e)*rand() (16)

Step 3根据个体的适应度值计算个体的交叉率和变异率，并分别与随机生成的(0，1)之间的数进行比较。

Step 4将Step 3中交叉率大于随机数的个体随机进行两两配对，进行交叉操作，将Step 3中变异率大于随机数的个体进行变异操作。

Step 5将将经过一轮交叉变异后的所有解(包括母解)进行比较，利用轮盘赌的方式留下与起初种群个数相同的个体，保持每轮开始之前，解的维度都是固定不变的。

Step 6将留下来的解转到Step 2，直至达到终止条件，然后结束算法输出结果。

本发明针对露天矿多金属多目标配矿问题，以配矿后品位偏差最小、采矿和运输成本最小、总产量偏差和配矿后矿石岩性百分比偏差最小为目标，构建了多金属多目标的配矿优化模型，有效解决了露天矿的多金属多目标配矿问题。针对多金属多目标配矿优化模型，引入自适应遗传算法，实现了多金属多目标配矿模型的科学合理求解。上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。