一种基于改进PSO-ACO的矿车优化调度方法和系统

本发明属于矿山作业优化调度领域，同时属于智慧矿山领域。更具体地，涉及一种基于改进粒子群优化(particle swarm optimization，简称pso)-改进蚁群优化(antcolony optimization，简称aco)的矿车优化调度方法和系统。

背景技术：

1、矿车作为矿产的核心运输工具，其作业效率与能耗水平直接影响矿山的整体运营成本以及碳减排能力，在整个运输过程中，矿车运输费用约占开采矿石总成本的30％～40％。其运输能耗约占总能耗的60％。以平朔露天矿场为例，单台矿车一年的油耗量超过500吨，而930e车型的油耗量更是高达800吨，考虑到平朔矿场有200台这样的矿车，那么一年的油耗量超过10万吨。如果以每吨油8000元的价格计算，一个矿区一年的油耗费用将高达8亿元。仅以优化油耗成本为例，通过有效的调度策略，便可以降低5％-10％的运输成本，从而带来4000-8000万元的经济效益。当前，矿车能源消耗严重、矿车运输时间安排不合理等调度低效问题普遍存在，不仅提高了运输成本，还导致碳排放量的显著增加。因此，寻找高效、精确的矿车调度策略是降低矿车运输成本与碳排放量的关键。

2、当前，矿车的优化调度方式主要分为以下三种，分别是传统人工调度、运筹学调度、以及智能优化算法调度；传统的人工调度方式，根据调度员的经验对当前的情况进行判断，并基于此安排矿车的运输任务、路线和时间；运筹学调度通过数学模型和优化算法，能充分考虑全局状态，从而在全局范围内对运输任务进行分配；智能优化算法采用粒子群算法或蚁群算法，凭借其处理复杂问题的能力和自适应性，能够动态调整策略以适应不同参数变化。

3、然而，上述三种现有的矿车优化调度技术均存在一些不可忽略的问题：第一、由于这三种矿车优化调度方式并未充分考虑矿车的卸矿点时间窗以及碳排放成本等环境因素，会导致矿车调度效率低；第二、针对上述传统的人工调度方式而言，其严重受限于调度员经验差异以及环境适应性，而在面对多运输任务并行执行、时间窗约束等复杂环境下，难以满足矿山复杂环境下的作业对精确性、高效性以及低碳化的需求；第三、上述运筹学的调度方式依赖于精确的数据输入，并且在处理大规模数据和多重约束条件时，该种调度方法的复杂度较高；第四、针对上述智能优化算法的调度方式而言，粒子群算法虽然能快速逼近全局最优解，但其局部搜索能力不足；蚁群算法虽然具有很好的正反馈机制，但其收敛速度缓慢且容易陷入局部最优解。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了一种基于改进pso-aco联合的矿车优化调度方法和系统。其目的在于，解决现有优化调度方式未充分考虑矿车的卸矿点时间窗以及碳排放成本等环境因素，从而导致矿车调度效率低的技术问题，以及现有优化调度方式严重受限于调度员经验差异以及环境适应性，以及在面对多运输任务并行执行、时间窗约束等复杂环境下，难以满足矿山复杂环境下的作业对精确性、高效性以及低碳化的需求的技术问题，以及现有优化调度方式依赖于精确的数据输入，并且在处理大规模数据和多重约束条件时，导致其复杂度较高的技术问题。解决粒子群算法虽然能快速逼近全局最优解，但其局部搜索能力不足的技术问题，以及蚁群算法虽然具有很好的正反馈机制，但其收敛速度缓慢且容易陷入局部最优解的技术问题。

2、为实现上述目的，按照本发明的一个方面，提供了一种基于改进pso-aco矿车优化调度方法，包括以下步骤：

3、(1)获取矿车的卸矿点的基本运营调度数据和基本工作数据，并对该基本运营调度数据和基本工作数据分别进行预处理，以分别得到预处理后的基本运营调度数据和预处理后的基本工作数据。

4、(2)获取矿车调度与运营综合参数，并根据步骤(1)预处理后的基本运营调度数据和预处理后的基本工作数据获取矿车到达卸矿点时刻参数。

5、(3)根据步骤(2)中获取的矿车调度与运营综合参数、以及矿车到达卸矿点时刻参数，构建所有矿车的总运输成本最小化数学模型；

6、(4)为步骤(3)得到的所有矿车的总运输成本最小化数学模型添加多个约束条件，以得到更新后的所有矿车的总运输成本最小化数学模型。

7、(5)使用改进pso算法、并根据步骤(4)得到的更新后的所有矿车的总运输成本最小化数学模型，将步骤(3)得到的所有矿车的总运输成本最小化数学模型转换为改进pso算法的适应度评估函数，并根据该适应度评估函数获取粒子群中每个粒子的适应度值，获得所有矿车的最小总运输成本。

8、(6)将步骤(5)得到的所有矿车的最小总运输成本转换为改进aco算法的初始信息素增强量。

9、(7)使用改进aco算法、并根据步骤(6)得到的改进aco算法初始信息素增量获取所有矿车的最小总运输成本。

10、优选地，矿车的卸矿点的基本运营调度数据包括：矿车的卸矿点位置信息数据以及矿车的卸矿点时间窗约束数据；

11、矿车的基本工作数据包括：第n辆矿车的行驶速度和第n辆矿车到达卸矿点u的时间。

12、步骤(1)中对矿车的卸矿点的基本运营调度数据进行预处理，以得到预处理后的基本运营调度数据这一过程，首先是获取矿车的卸矿点和发车点的位置信息数据以及时间窗约束数据；然后，将矿车的卸矿点和发车点的位置信息数据转换为精确的坐标数据，并将得到的坐标数据在二维平面中以坐标(xu,yu)的形式进行可视化标记，其后，根据坐标(xu,yu)、并采用欧式距离计算第n辆矿车的发车点与每个卸矿点之间的欧氏距离、以及第n辆矿车的每两个卸矿点之间的欧式距离，其后，将时间窗约束数据以时、分的形式转换为数值型时间窗约束数据，随后，对数值型时间窗约束数据进行归一化处理，最后，将归一化处理后的时间窗约束数据中的所有时间窗按照时间先后顺序进行排序，以得到排序后的时间窗约束数据，所有欧氏距离和排序后的时间窗约束数据共同构成预处理后的基本运营调度数据，其中xu表示矿车的所有卸矿点中第u个卸矿点的横坐标，yu表示矿车的所有卸矿点中第u个卸矿点的纵坐标；

13、步骤(1)中对矿车基本工作数据进行预处理，以得到矿车预处理后的基本工作数据这一过程具体为，根据第n辆矿车的行驶速度以及得到的第n辆矿车的发车点与每个卸矿点之间的欧氏距离、以及第n辆矿车的每两个卸矿点之间的欧式距离，计算第n辆矿车的发车点与每个卸矿点之间的运输时间t1u＝d1u/vc、以及第n辆矿车的每两个卸矿点之间的运输时间tuv＝duv/vc，得到的所有运输时间就是预处理后的基本工作数据，其中，t1u表示矿车的发车点与每个卸矿点u之间的运输时间，d1u表示发车点与卸矿点u之间的欧氏距离，vc表示矿车当前行驶速度，duv表示卸矿点u与卸矿点v之间的欧氏距离，tuv表示矿车的每两个卸矿点之间的运输时间。

14、优选地，步骤(2)中获取的矿车调度与运营综合参数包括：位于发车点的所有矿车的集合、卸矿点集合、发车点、使用的矿车数量、第n辆矿车早于时间窗到达的机会成本、第n辆矿车晚于时间窗到达的惩罚成本、第n辆矿车在卸矿点u等待装车的时间、第n辆矿车在卸矿点v的卸车时间、第n辆矿车到达卸矿点u的时刻、第n辆矿车的固定运输成本cs、第n辆矿车单位距离的油耗价格、第n辆矿车空载状态下的单位距离油耗、第n辆矿车满载状态下的单位距离油耗、第n辆矿车的实时装载量、第n辆矿车的最大载重量、第n辆矿车的碳排放系数、第n辆矿车的单位距离碳排放成本、第n辆矿车服务卸矿点的数量、卸矿点对矿石的需求量、第n辆矿车从卸矿点u到卸矿点v的载重、第n辆矿车的使用状态参数sn、第n辆车在卸矿点u到卸矿点v的路段上的行驶参数、第n辆矿车在发车点到卸矿点u的路段上的行驶参数，且有n∈[1，矿车的总数n]。

15、步骤(2)中获取的第n辆矿车到达卸矿点v的时刻是通过以下公式表示：

16、tv＝tu+tuv+wu+wv,v∈m

17、其中tv表示第n辆矿车到达卸矿点v的时刻；tu表示第n辆矿车到达卸矿点u的时刻；wu表示第n辆矿车在卸矿点u等待和装车的时间；wv表示第n辆矿车在卸矿点v的卸车时间，m表示所有卸矿点组成的集合。

18、优选地，步骤(3)中的矿车总运输成本包括：所有矿车的固定成本、所有矿车配送时间窗的机会成本和惩罚成本、所有矿车油耗成本以及所有矿车碳排放成本；

19、步骤(3)中构建矿车总运输成本最小化数学模型这一过程包括以下子步骤：

20、(3-1)根据步骤(2)中得到的第n辆矿车的固定运输成本cs以及第n辆矿车的使用状态参数sn，获取矿车各项固定成本，并对获取的矿车各项成本进行系统性整合，以得到运输过程中所有矿车的固定成本。

21、本步骤具体为，首先根据步骤(2)中得到的第n辆矿车固定运输成本和第n辆矿车的使用状态参数sn，获取第n辆矿车在执行运输任务时的各项固定运输成本，包括矿车的折旧费用、日常损耗费用、固定装车与卸车费用以及维修保养费用，然后，将所有固定运输成本进行系统性整合，以得到每辆矿车的固定成本，最后，根据矿车的固定成本构建运输过程中所有矿车的固定成本c1，其具体表达式如下式所示：

22、

23、(3-2)根据步骤(2)中获取的第n辆矿车到达卸矿点u的时刻，获取所有矿车配送时间窗的机会成本和惩罚成本。

24、本步骤具体为，首先，根据步骤(2)中获取的第n辆矿车到达矿车的卸矿点u的时间与步骤(1)中获取的卸矿点的时间窗进行比较，然后，根据得到的比较结果、以及步骤(2)中获取的第n辆矿车早于时间窗到达的机会成本、第n辆矿车晚于时间窗到达的惩罚成本，获取第n辆矿车到达卸矿点u的机会成本和惩罚成本分布c2(u)，如下式所示。

25、

26、其中bu表示卸矿点u可接受的最早运输时间；eu表示卸矿点u可接受的最晚运输时间；a表示第n辆矿车早于时间窗到达的机会成本；b表示第n辆矿车晚于时间窗到达的惩罚成本(所有矿车的机会成本和惩罚成本均相同)。

27、最后，根据得到的第n辆矿车到达卸矿点u的机会成本和惩罚成本分布获取所有矿车配送时间窗的机会成本和惩罚成本c2如下：

28、

29、(3-3)使用负载估计法对步骤(2)中得到的第n辆矿车空载状态下的单位距离油耗、第n辆矿车满载状态下的单位距离油耗、以及第n辆矿车的实时装载量以及第n辆矿车的最大载重量进行处理，以得到第n辆矿车在载重量为q的状态下的油耗率；并根据得到的油耗率、步骤(1)中预处理得到的第n辆矿车的发车点与每个卸矿点之间的欧氏距离和每两个卸矿点之间的欧式距离、以及步骤(2)中获取的第n辆矿车单位距离的油耗价格，获取所有矿车的油耗成本；

30、本步骤具体为，首先，根据步骤(2)中获取的第n辆矿车空载状态下的单位距离油耗、第n辆矿车满载状态下的单位距离油耗、第n辆矿车实时装载量以及第n辆矿车的最大载重量，使用负载估计法，计算第n辆矿车在当前载重量下的单位距离油耗量，获取第n辆矿车在装载量为q的状态下的油耗率r(q)，其具体计算式如下式所示：

31、

32、其中ql表示第n辆矿车的最大载重量(所有矿车的最大载重量均相同)；r1表示第n辆矿车空载状态下单位距离油耗；r2表示第n辆矿车重载状态下单位距离油耗(所有矿车的空载状态下的单位距离油耗和重载状态下的单位距离油耗均相同)。

33、随后，根据计算得到的第n辆矿车在装载量为q的状态下的油耗率、以及步骤(1)中预处理得到的第n辆矿车的发车点与每个卸矿点之间的欧氏距离d1u和每两个卸矿点之间的欧式距离duv，获取在装载量为q的状态下，第n辆矿车在发车点与每个卸矿点之间运输的油耗量f1v(q)，以及第n辆矿车在每两个卸矿点之间运输的油耗量fuv(q)，其具体计算式如下式所示。

34、

35、然后，根据得到的在装载量为q的状态下，第n辆矿车在发车点与每个卸矿点之间运输的油耗量和每两个卸矿点之间运输的油耗量、以及步骤(2)获取的第n辆矿车单位距离的油耗价格cf获取在装载量为q的状态下，所有矿车的油耗成本c3(q)，如下式所示：

36、

37、其后，将上式中的q/ql转换为矿车的载重率以得到简化后的所有矿车的油耗成本；

38、随后，根据得到的简化后的所有矿车的油耗成本、以及步骤(2)得到的第n辆矿车在发车点到卸矿点v的路段上的行驶参数和第n辆车在卸矿点u到卸矿点v路段上的行驶参数获取所有矿车的油耗成本c3，如下式所示：

39、

40、(3-4)根据步骤(3-3)得到的在装载量为q的状态下，第n辆矿车在发车点与每个卸矿点之间运输的油耗量以及每两个卸矿点之间运输的油耗量、以及步骤(2)得到的第n辆矿车的碳排放系数和单位距离碳排放成本，获取所有矿车的碳排放成本。

41、本步骤具体为，首先,根据步骤(3-3)得到的在装载量为q的状态下，第n辆矿车在发车点与每个卸矿点之间运输的油耗量和每两个卸矿点之间运输的油耗量以及步骤(2)获取的第n辆矿车的碳排放系数，获取第n辆矿车运输过程中的碳排放量，随后，根据得到的第n辆矿车运输过程中的碳排放量、以及步骤(2)得到的第n辆矿车的单位距离碳排放成本，获取所有矿车的碳排放成本c4，如下式所示。

42、

43、其中γ表示第n辆矿车的单位距离碳排放成本；ε表示第n辆矿车的碳排放系数(所有矿车的单位距离碳排放成本和碳排放系数均相同)。

44、最后，根据矿车载重率以及所有矿车的碳排放成本，获取最终的所有矿车的碳排放成本c4，其具体形式如下式所示：

45、

46、(3-5)将步骤(3-1)得到的所有矿车的固定成本、步骤(3-2)得到的所有矿车配送时间窗的机会成本和惩罚成本、步骤(3-3)得到的所有矿车的油耗成本、以及步骤(3-4)得到的所有矿车的碳排放成本进行整合，以得到所有矿车的总运输成本最小化数学模型，如下式所示。

47、minc＝c1+c2+c3+c4

48、其中将步骤(3-1)得到的所有矿车的固定成本、步骤(3-2)得到的所有矿车配送时间窗的机会成本和惩罚成本、步骤(3-3)得到的所有矿车的油耗成本、以及步骤(3-4)得到的所有矿车的碳排放成本的计算公式代入到上述总运输成本最小化数学模型中，得到以下表达式：

49、

50、优选地，步骤(4)中添加的多个约束条件为：

51、a、使用的矿车数量不能超过矿车的总数n，如下式所示。

52、

53、b、每一辆矿车需要从发车点出发，完成运输任务后，返回发车点，如下式所示。

54、

55、c、每个卸矿点均需且仅需一次矿车进行运输作业服务，如下式所示。

56、

57、d、到达卸矿点与离开该卸矿点的矿车数量相同，如下式所示。

58、

59、e、每辆矿车的装载量不能超过其最大载重量，如下式所示。

60、

61、其中，qu表示卸矿点u对矿石的需求量。

62、f、所有使用的矿车，其总装载量要满足(即大于或者等于)所有矿车服务的所有卸矿点需要运输的矿石总量，如下式所示。

63、

64、其中，表示第n辆矿车从发车点到卸矿点u的载重。

65、g、矿车到达其服务的卸矿点的时间窗约束，如下式所示。

66、

67、h、保证每一辆矿车的运输任务是一个连续的过程，如下式所示。

68、

69、i、矿车的子回路消除约束，如下式所示。

70、

71、其中，|kn|表示第n辆矿车所服务的卸矿点的数量。

72、j、参数sn、的取值范围的约束条件，如下式所示。

73、

74、优选地，步骤(5)包括以下子步骤：

75、(5-1)对改进pso算法的粒子群参数进行初始化，以得到初始化后的粒子群参数。

76、(5-2)设置计数器k＝0。

77、(5-3)判断k是否大于预设的最大迭代次数num，如果是则进入步骤(5-13)，否则进入步骤(5-4)；

78、(5-4)根据步骤(5-1)得到的初始化后的粒子群参数、以及步骤(4)添加的多个约束条件，将步骤(3)中构建的所有矿车的总运输成本最小数学模型用作改进pso算法的适应度评估函数，其中适应度评估函数f(c)，如下式所示。

79、f(c)＝minc

80、(5-5)根据步骤(5-4)中得到的改进pso算法的适应度评估函数、以及粒子群中每个粒子i在其初始位置的适应度值，获取该粒子i第k次迭代时的个体历史最优适应度值粒子群中的粒子数量np]。

81、(5-6)从步骤(5-5)得到的所有粒子的个体历史最优适应度值中选择最小值作为第k次迭代时的全局历史最优适应度值gbestk(此时迭代次数k＝0)。

82、(5-7)根据步骤(5-1)获取的初始化后的粒子群参数获取粒子群中每个粒子在第k次迭代时的速度向量和位置向量，并根据该粒子在第k次迭代时的速度向量和位置向量计算该粒子在第k+1次迭代时的速度向量和位置向量。

83、(5-8)根据步骤(5-1)中预设的粒子群中每个粒子的速度限制和位置限制，对步骤(5-7)得到的该粒子在第k+1次迭代时的速度向量和位置向量进行筛选，从而得到筛选后的多个粒子。

84、(5-9)采用步骤(5-4)获取的适应度评估函数对步骤(5-8)筛选后的每个粒子的适应度值重新进行计算，以得到该粒子第k+1次迭代时的适应度值。

85、(5-10)根据步骤(5-5)计算得到的粒子第k次迭代时的个体历史最优适应度值和步骤(5-9)计算得到的每个粒子第k+1次迭代时的适应度值，获取粒子群中各粒子调整后的第k+1次迭代时的个体历史最优适应度值

86、(5-11)根据步骤(5-6)计算得到的第k次迭代时全局历史最优适应度值gbestk和步骤(5-10)得到的每个粒子第k+1次迭代时的个体历史最优适应度值获取粒子群中各粒子调整后的第k+1次迭代时的全局历史最优适应度值gbestk+1：

87、(5-12)设置k＝k+1，并返回步骤(5-3)。

88、(5-13)输出全局历史最优适应度值作为所有矿车的最小总运输成本。

89、优选地，步骤(5-1)中对改进pso算法的粒子群参数进行初始化为：设置粒子群中粒子的初始速度向量和初始位置向量为随机值；设置粒子群中粒子的数量np＝50；设置粒子群中粒子在搜索空间的速度限制[vb,vs]＝[-1,1]；设置粒子群中粒子在搜索空间中的位置限制[xb,xs]＝[-1,1]，其中xb表示粒子群中粒子的最大限制位置，xs表示粒子群中粒子的最小限制位置，vb表示粒子群中粒子的最大限制速度，vs表示粒子群中粒子的最小限制速度；设置粒子群中粒子的惯性权重、个体学习因子和群体学习因子为随机扰动自适应调整方式。

90、步骤(5-7)中粒子群中每个粒子i在第k+1次迭代时的速度更新公式和位置更新公式如下式所示：

91、

92、其中ω表示惯性权重，且有ω＝-0.4k/k+(1/n)·randnd()，randnd()表示服从正态分布的随机值；c1,c2表示个体学习因子和群体学习因子，c1＝-2k/k+(1/n)·randnd()，c2＝2k/k+n·randnd()；r1和r2表示区间[0,1]之间的随机数；表示粒子i在第k+1次迭代时的速度向量；表示粒子i在第k次迭代时的速度向量；表示粒子i在第k次迭代时的个体历史最优适应度值；gbestk表示在第k次迭代时的全局历史最优适应度值；表示粒子i在第k+1次迭代时的位置向量；表示粒子i在第k次迭代时的位置向量。

93、步骤(5-8)具体为，首先根据步骤(5-1)中预设的粒子群中粒子的速度限制对步骤(5-7)得到的每个粒子在第k+1次迭代时的速度向量进行筛选，从而得到第一组筛选后的粒子。

94、

95、然后，根据步骤(5-1)中预设的粒子群中粒子的位置限制对步骤(5-7)得到的每个粒子在第k+1次迭代时的位置向量进行筛选(具体表达式如下式所示)，从而得到第二组筛选后的粒子。

96、

97、最后，对上面得到的第一组粒子和第二组粒子取并集，从而得到筛选后的粒子。

98、优选地，步骤(6)中将步骤(5)得到的所有矿车的最小总运输成本转换为改进aco算法的初始信息素增强量的具体计算式如下式所示：

99、τ(0)＝τβ(0)+δτp

100、其中，τ(0)表示初始信息素分布值；τβ(0)表示信息素初始值，τβ(0)＝0；δτp表示将改进pso算法中得到的所有矿车的最小总运输成本转换为aco算法的信息素强度的增量，δτp＝gbestk+1，gbestk+1为步骤(5)得到的第k+1次迭代时得到的全局历史最优适应度值，且有k+1＝num。

101、优选地，步骤(7)具体包括以下子步骤：

102、(7-1)对改进aco算法中的蚁群相关参数进行初始化，并将步骤(6)得到的改进aco算法初始信息素增量用作改进aco算法中信息素的初始值，以得到初始化后的蚁群参数。

103、本步骤具体为，首先，设置蚁群中的蚂蚁数量r＝50；设置时间窗启发因子λ＝1；信息素启发因子α∈[0,5]，优选为1；期望启发因子β∈[0,10]，优选为7；信息素挥发程度系数优选为0.5；常数c0∈[0,1]，优选为0.5。然后，将步骤(6)得到的改进aco算法初始信息素增量用作改进aco算法中信息素的初始值。

104、(7-2)设置计数器nc＝1。

105、(7-3)判断nc是否大于预设的最大迭代次数ncmax(该最大迭代次数ncmax的取值范围是100到500，优选为200)，如果是则进入步骤(7-15)，否则，进入步骤(7-4)。

106、(7-4)设置当前蚂蚁数量r＝1。

107、(7-5)判断r是否大于步骤(7-1)初始化后的蚁群参数中预设的蚁群中的蚂蚁数量r，如果是进入步骤(7-11)，否则进入步骤(7-6)。

108、(7-6)将蚁群中的第r只蚂蚁放在矿车的发车点，并建立禁忌表，以记录第r只蚂蚁在本次循环中到达的每个卸矿点，将矿车的发车点加入禁忌表中，并将第r只蚂蚁尚未到达的矿车的多个卸矿点加入到预设的卸矿点集合mr中。

109、(7-7)判断第r只蚂蚁是否已经到达预设的卸矿点集合mr中的所有卸矿点，如果是则进入步骤(7-10)，否则进入步骤(7-8)。

110、(7-8)将步骤(1)获取的预处理后的基本运营调度数据中矿车的卸矿点时间窗约束数据与传统aco算法的状态转移概率公式结合，以获取改进后的状态转移概率公式，根据得到的改进后的状态转移概率公式获取第r只蚂蚁将到达的下一个卸矿点，并将该下一个卸矿点加入到禁忌表中，然后进入步骤(7-9)。

111、本步骤中将步骤(1)获取的矿车的卸矿点时间窗约束数据与传统aco算法的状态转移概率公式结合，以获取改进后的状态转移概率公式，其具体表达式如下式所示。

112、

113、其中表示t时刻第r只蚂蚁在矿车的卸矿点u处选择矿车的卸矿点v作为下一个节点的概率选择函数；τuv(t)表示t时刻运输路径(u,v)上的信息素浓度；ηuv(t)表示t时刻蚂蚁从矿车的卸矿点u到目标矿车的卸矿点v的期望程度，ηuv＝1/cuv；cuv表示蚂蚁从矿车的卸矿点u到矿车的卸矿点v所需运输费用；φuv(t)表示t时刻矿车的卸矿点时间窗的相对吻合值；p表示区间[0,1]之间的随机数；

114、(7-9)根据步骤(7-8)中第r只蚂蚁将到达的下一个卸矿点获取第r只蚂蚁的当前位置信息，并根据第r只蚂蚁的当前位置信息对卸矿点集合进行更新，从而得到更新后的卸矿点集合，并返回步骤(7-7)。

115、(7-10)设置r＝r+1，并返回步骤(7-5)。

116、(7-11)获取每只蚂蚁到达的所有卸矿点所构成的路径，并根据步骤(3)得到的所有矿车的总运输成本最小化数学模型，计算对应路径的运输费用，然后从所有蚂蚁生成的路径所对应的运输费用中选择最小值作为t时刻第nc次迭代时最优蚂蚁生成的路径所对应的运输费用pbest(t)，其中如果第nc次迭代为第一次迭代，则将t时刻第nc次迭代时最优蚂蚁生成的路径所对应的运输费用设置为t时刻第nc次迭代时全局最优蚂蚁生成的路径所对应的运输费用gbest(t)，然后进入步骤(7-12)。

117、(7-12)根据步骤(7-11)得到的t时刻第nc次迭代时最优蚂蚁生成的路径所对应的运输费用pbest(t)对t-1时刻第nc次迭代时全局最优蚂蚁生成的路径所对应的运输费用gbest(t-1)进行更新，以得到t时刻第nc次迭代时全局最优蚂蚁生成的路径所对应的运输费用gbest(t)，然后进入步骤(7-13)。

118、其中t时刻第nc次迭代时全局最优蚂蚁生成的路径所对应的运输费用更新公式如下式所示：

119、

120、(7-13)判断nc是否小于等于20，如果是，则根据步骤(7-11)得到的t时刻第nc次迭代时最优蚂蚁生成的路径所对应的运输费用pbest(t)更新t时刻第nc次迭代时该路径上的信息素浓度，以得到t+1时刻第nc次迭代时该路径上的信息素浓度，否则，根据步骤(7-12)得到的t时刻第nc次迭代时的全局最优蚂蚁生成的路径所对应的运输费用gbest(t)更新t时刻第nc次迭代时该路径上的信息素浓度，以得到t+1时刻第nc次迭代时该路径上的信息素浓度，然后进入步骤(7-14)。

121、其中t+1时刻第nc次迭代时路径上的信息素浓度更新公式如下式所示：

122、

123、其中δτuv(t)表示t时刻从卸矿点u到卸矿点v的路径上的信息素增量；δτuv(t)＝1/bt，其中bt取值如下式所示：

124、

125、(7-14)设置nc＝nc+1，清空禁忌表，并返回步骤(7-3)。

126、(7-15)输出t+1时刻第ncmax次迭代时的全局最优蚂蚁生成的路径所对应的运输费用gbest(t+1)作为所有矿车的最小总运输成本。

127、按照本发明的另一方面，提供了一种基于改进pso-aco矿车优化调度系统，包括：

128、第一模块，用于获取矿车的卸矿点的基本运营调度数据和基本工作数据，并对该基本运营调度数据和基本工作数据分别进行预处理，以分别得到预处理后的基本运营调度数据和预处理后的基本工作数据。

129、第二模块，用于获取矿车调度与运营综合参数，并根据第一模块预处理后的基本运营调度数据和预处理后的基本工作数据获取矿车到达卸矿点时刻参数。

130、第三模块，用于根据第二模块获取的矿车调度与运营综合参数、以及矿车到达卸矿点时刻参数，构建所有矿车的总运输成本最小化数学模型；

131、第四模块，用于为第三模块得到的所有矿车的总运输成本最小化数学模型添加多个约束条件，以得到更新后的所有矿车的总运输成本最小化数学模型。

132、第五模块，用于使用改进pso算法、并根据第四模块得到的更新后的所有矿车的总运输成本最小化数学模型，将第三模块得到的所有矿车的总运输成本最小化数学模型转换为改进pso算法的适应度评估函数，并根据该适应度评估函数获取粒子群中每个粒子的适应度值，获得所有矿车的最小总运输成本。

133、第六模块，用于将第五模块得到的所有矿车的最小总运输成本转换为改进aco算法的初始信息素增强量。

134、第七模块，用于使用改进aco算法、并根据第六模块得到的改进aco算法初始信息素增量获取所有矿车的最小总运输成本。

135、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

136、(1)由于本发明采用了步骤(1)到步骤(4)，通过建立包含所有矿车的固定成本、所有矿车配送时间窗的机会成本和惩罚成本、所有矿车油耗成本以及所有矿车碳排放成本的矿车总运输成本最小化数学模型，并为步骤(3)得到的所有矿车的总运输成本最小化数学模型添加多个约束条件，从而得到更新后的所有矿车的总运输成本最小化数学模型，实现矿车总运输成本的全面评估。因此能够解决现有优化调度方式未充分考虑矿车的卸矿点时间窗以及碳排放成本等环境因素，从而导致矿车调度效率低的技术问题。

137、(2)由于本发明采用了步骤(3)到步骤(7)，通过将所有矿车配送时间窗的机会成本和惩罚成本以及所有矿车碳排放成本纳入到矿车总运输成本的计算之中，并采用智能优化算法中的改进pso算法和aco算法对步骤(3)得到的所有矿车的总运输成本最小化数学模型进行求解，因此能够解决传统的人工调度方式严重受限于调度员经验差异以及环境适应性，并且在面对多运输任务并行执行、时间窗约束等复杂环境下，难以满足矿山复杂环境下的作业对精确性、高效性以及低碳化的需求的技术问题。

138、(3)由于本发明采用步骤(4)，通过对步骤(3)得到的所有矿车的总运输成本最小化数学模型添加多个约束条件，从而得到更新后的所有矿车的总运输成本最小化数学模型，因此能够解决解决现有优化调度方式依赖于精确的数据输入，并且在处理大规模数据和多重约束条件时，导致其复杂度较高的技术问题。

139、(4)由于本发明采用了步骤(5)到步骤(7)，采用改进pso算法和改进aco算法实现对矿车总运输费用最小化的优化，通过将改进pso得到的所有矿车的最小总运输成本转换为改进aco算法的初始信息素增强量，提高传统aco算法收敛速度且避免其容易陷入局部最优解，同时通过采用改进aco算法的正反馈机制增强pso算法局部搜索能力，因此能够解决传统aco算法时间复杂度过高，从而导致算法收敛速度缓慢的技术问题，以及初始信息素分布不足，导致初期的收敛时间过长的技术问题。

技术特征：

1.一种基于改进pso-aco矿车优化调度方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进pso-aco矿车优化调度方法，其特征在于，

3.根据权利要求1或2所述的基于改进pso-aco矿车优化调度方法，其特征在于，

4.根据权利要求1至3中任意一项所述的基于改进pso-aco矿车优化调度方法，其特征在于，

5.根据权利要求4所述的基于改进pso-aco矿车优化调度方法，其特征在于，步骤(4)中添加的多个约束条件为：

6.根据权利要求5所述的基于改进pso-aco矿车优化调度方法，其特征在于，步骤(5)包括以下子步骤：

7.根据权利要求6所述的基于改进pso-aco矿车优化调度方法，其特征在于，

8.根据权利要求7所述的基于改进pso-aco矿车优化调度方法，其特征在于，步骤(6)中将步骤(5)得到的所有矿车的最小总运输成本转换为改进aco算法的初始信息素增强量的具体计算式如下式所示：

9.根据权利要求8所述的基于改进pso-aco矿车优化调度方法，其特征在于，步骤(7)具体包括以下子步骤：

10.一种基于改进pso-aco矿车优化调度系统，其特征在于，包括：

技术总结
本发明公开了一种基本改进PSO‑ACO矿车优化调度方法，首先是基于矿山实际运输情况，建立包含车辆固定成本、时间窗成本、油耗成本、碳排放成本，以及各类约束条件的矿车总运输成本最小化数学模型。随后，将上述模型作为PSO算法的适应度评估函数，并根据迭代次数以及车辆规模对PSO算法中的群体学习因子、个体学习因子，以及惯性权重进行随机扰动自适应调整，再利用该改进PSO算法对矿车总运输成本最小化数学模型进行求解。最后，将改进PSO算法得到的最优解转换为ACO算法初始信息的增强量，并结合矿山实际运输情况对ACO算法的状态转移规则以及信息素更新方式进行改进，再利用改进后的ACO算法求解矿车总运输成本最小化数学模型。由此，实现矿区矿车的优化调度。

技术研发人员：刘健,王鼎,管增伦,李自成,刘江,沈斌,唐秀慧,杨超,李阳
受保护的技术使用者：武汉工程大学
技术研发日：
技术公布日：2024/12/5