基于小生境的多目标进化算法

进化算法求解多目标优化问题平衡收敛性和多样性面临的主要挑战在两个方面：增强对帕累托最优前沿的选择压力和获得多样性良好的解集。然而,随着目标维数的增加,基于帕累托支配关系的选择标准无法有效地解决以上问题。因此,设计了一种基于小生境的多目标进化算法。基于小生境,提出了一种新的支配关系,其中,设计了一个聚合函数和一种采用目标向量角的密度估计方法分别度量候选解的收敛度和分布性。为了保证解集的收敛性,在同一个小生境内,仅仅收敛度最好的解是非支配解。为了维护解集的多样性,在任何两个不同的小生境内,一个小生境内兼具收敛度和分布性良好的解支配另一个小生境内收敛性和分布性均差的解,将提出的支配关系嵌入VaEA取代帕累托支配关系,设计了一种多目标进化算法VaEA-SDN。VaEA-SDN与NSGA-Ⅲ、VaEA、MSEA、NSGAII-CSDR、RPS-NSGAII以及CDR-MOEA等先进的算法在DTLZ(Deb-Thiele-Laumanns-Zitzler)和MaF(manyobjective function)基准测试系列问题上进行了广泛的对比仿真实验。仿真结果表明,VaEA-SDN平衡收敛收敛性...     

求解高维复杂函数的遗传-灰狼混合算法

高维函数优化一般是指维数超过100维的函数优化问题,由于"维数灾难"的存在,求解起来十分困难.针对灰狼算法迭代后期收敛速度慢,求解高维函数易陷入局部最优的缺点,在基本灰狼算法中引入3种遗传算子,提出一种遗传-灰狼混合算法(hybrid genetic grey wolf algorithm,HGGWA).混合算法能够充分发挥两种算法各自的优势,提高算法的全局收敛性,针对精英个体的变异操作有效防止算法陷入局部最优值.通过13个标准测试函数和10个高维测试函数验证算法的性能,并将优化结果与PSO、GSA、GWO三种基本算法以及9种改进算法进行比较.仿真结果表明,所提算法在收敛精度方面得到了极大改进,验证了HGGWA算法求解高维函数的有效性.     

基于改进YOLOv5的煤矿井下暗环境矿工安全穿戴智能识别

煤矿井下矿工安全智能识别是防止矿工受到意外伤害的重要保护措施之一。为了提高煤矿井下光线不足等暗环境下的识别准确率,提出一种基于改进YOLOv5的目标检测算法对矿工安全穿戴进行智能识别。首先,实地采集数据构建安全穿戴数据集,将其输入到弱光增强网络Zero-DCE中,提升模型的泛化能力;其次,提出C-ASPP模块,通过对ASPP改进并加入注意力机制,将其加入主干网络之中,使模型更加高效关注安全穿戴区域的特征;然后,在主干融入Transformer算法,增强模型对不同尺度目标的动态调整能力;最后,在特征融合阶段,使用双向特征融合金字塔模型,提高模型的特征提取能力和检测性能。试验结果表明：改进后的YOLOv5算法的平均检测精度提升至90.2%,较原算法提高了3个百分点,检测速度为81.2帧/s,相较于其他算法有着较高的准确度和速度,可满足井下工作区域内矿工安全穿戴识别要求。     

人工智能背景下采矿系统工程发展现状与展望

随着以人工智能为核心的第四次工业革命的到来,采矿系统工程作为采矿工程与系统工程的交叉学科方向,迎来了前所未有的发展机遇和挑战。首先梳理了采矿系统工程涉及的基本理论和研究方法,在此基础上对人工智能技术在采矿系统工程中的发展历史进行了回顾,通过对研究现状进行分析,综述了当前人工智能、大数据背景下采矿系统工程的研究方法和研究应用对象,最后指出了未来采矿系统工程在跨学科应用、大系统优化及智能采矿方面的发展趋势。研究表明：以进化计算和机器学习为代表的人工智能技术,在新一代新能源智能化无人采矿装备,无人采矿新技术、新工艺及新模式,采矿生产各工艺流程智能化和多系统融合大数据平台等4个重要发展方向中将发挥越来越重要的作用,是未来引领智能矿山建设的核心技术,人工智能技术与传统采矿工艺的结合必将推动采矿系统工程学科进入全新的发展阶段。     

求解大规模优化问题的改进麻雀搜索算法

针对麻雀搜索算法在求解大规模优化问题时存在收敛速度慢、寻优精度低和易陷入局部极值的缺点,提出一种基于精英反向学习策略的萤火虫麻雀搜索算法(ELFASSA).首先,通过反向学习策略初始化种群,为全局寻优奠定基础;其次,利用萤火虫扰动策略提高算法跳出局部最优的能力并加速收敛;最后,在麻雀位置更新后引入精英反向学习策略以获取精英解及动态边界,使精英反向解可以定位在狭窄的搜索空间中,有利于算法收敛.通过选取10个高维标准测试函数进行仿真实验,将其与麻雀搜索算法(SSA)及4种先进的改进算法进行性能对比,并与3种单一策略改进的麻雀搜索算法进行改进策略的有效性分析,仿真结果表明, ELFASSA算法在收敛速度和求解精度两方面明显优于其他对比算法.     

基于采选流程下的露天矿多金属多目标配矿优化模型

多金属配矿的目的是为了保证入选矿石品位的稳定和提高矿石的综合回收率。针对现有多金属配矿模型对选矿影响因素考虑不充分,导致精细化程度不足的问题,在考虑影响选矿回收率的矿石岩性、氧化率、有害物质等配矿指标的情况下,建立了以品位偏差、矿石岩性百分比偏差、总产量偏差和采掘运输成本为优化目标,基于采选流程的多金属多目标配矿优化数学模型。在标准遗传算法的基础上,对算法的变异过程和比较选择过程进行了改进,设计了一种自适应遗传算法对该模型进行求解。以国内某大型钼钨矿为例,将该模型的优化结果与传统模型的优化结果进行对比分析,并采用遗传算法、粒子群算法和所提出的自适应遗传算法分别进行模型求解。研究表明:①该模型在保证采掘运输成本不增加的情况下,对原有配矿模型未考虑的矿石岩性、氧化率、有害物质等影响因素进行了配矿优化,保证了矿石品位的均衡性以及矿石的可选性,从而增加了配矿优化模型的适用性,使得配矿优化模型更符合生产实际;②所提出的自适应遗传算法不仅能够避免陷入局部最优解,而且在计算效率上相比于粒子群算法和遗传算法分别提高了40%和56%,在模型求解精度上提高了10倍左右,表明了改进算法的有效性。     

基于径向空间划分的昂贵多目标进化算法

为了解决难以建立精确数学模型或者真实评估实验成本高昂的多目标优化问题, 提出了一种基于径向空间划分的昂贵多目标进化算法. 首先算法使用高斯回归作为代理模型逼近目标函数; 然后将目标空间的个体投影到径向空间, 结合目标空间和径向空间信息保留对种群贡献更高的个体; 之后由径向空间中个体的位置分布决定下一步应该选择哪些个体进行真实评估; 最后, 采用一种双档案管理策略维护代理模型的质量. 数值实验和现实问题上的结果表明, 与5种先进算法相比, 该算法在解决昂贵多目标优化问题时能够提供更高质量的解.     

基于IFOA-RotGBM的矿用挖掘机发动机故障诊断

针对矿山挖掘机发动机工作机理复杂、故障诊断效率低且精度不高的问题,提出了一种基于IFOA优化RotGBM的矿用挖掘机发动机故障诊断方法。首先利用随机森林-递归特征消除法(RF-RFE)对采集的挖掘机发动机故障数据进行特征提取,剔除冗余不相关特征;其次提出了一种改进的果蝇优化算法(IFOA)对LightGBM进行超参数寻优;然后融合旋转森林和LightGBM生成RotGBM,构建了新的故障诊断模型;最后利用某矿山挖掘机发动机故障数据对模型进行了验证,并与其他常用方法进行了性能对比分析。仿真结果表明:所提方法的诊断性能优于其他诊断方法,能达到98.31%的诊断精度,0.22%的误报率和2.5%的漏检率,满足矿山挖掘机发动机的故障诊断要求。     

“双碳”背景下露天矿智能化建设新模式的技术路径

随着智能化开采技术的不断发展,矿山开采模式需要不断革新,目前我国露天矿智能化建设存在不少问题亟待解决,传统的采矿设计和工艺已不能适应无人驾驶、新能源等智能装备的发展,“双碳”背景下对原有的生产模式和装备提出了新的挑战。通过回顾露天矿智能化建设的现状,重点围绕“双碳”背景下露天矿低碳智能开采转型升级问题,探索了一种低碳、连续、高效、安全的露天矿智能化建设新模式——CDEC采矿模式。该模式内涵包含4个方面,即清洁能源开发及碳封存与利用(Carbon)、露天矿开采设计的新理念(Design)、新能源智能装备定制化方案(Equipment)以及露天矿无人连续生产工艺(Continuous)。随后分别从构建多能互补的可再生能源系统、探索露天矿山低碳连续生产工艺、开发碳封存与生态碳汇技术体系3个方面探讨了该模式的技术路径。最终实现“可再生能源利用+新能源装备+碳封存与利用”的绿色能源供给利用方式,形成“移动缓冲装载机(可选)+无人驾驶+破碎系统+皮带运输或升降装置”的无人连续生产工艺,为“双碳”背景下露天矿智能化建设提供指导。     

考虑能量回收的露天矿新能源卡车路径规划

随着我国能源结构的调整和低碳政策的实施,新能源卡车已成为露天矿运输的装备之一。但新能源卡车的电池能耗大,合理规划路径从而减少能耗始终是露天矿运输中的问题所在。通过对卡车行驶中电池能耗与回收的分析,综合考虑卡车速度、卡车载重、坡度和道路等级4个影响因素,建立以能耗最小为目标的露天矿能量优化模型;同时为减少里程焦虑问题,将车载剩余能量、充电站位置因素纳入到问题模型中。然后提出了一种基于角度的双向搜索策略改进A^*算法(IA^*)。最后通过仿真实验证明,建立的能量优化模型针对里程焦虑问题,得到了能耗最小的可行路径,更能反映真实露天矿环境下新能源卡车的运输情况,验证了所提方法的实用性。