一种露天矿无人驾驶矿卡智能调度方法

1.本发明涉及无人驾驶技术领域，具体而言，涉及一种露天矿无人驾驶矿卡智能调度方法。


背景技术：

2.露天矿作为国家战略物资及人民生活资料的主要来源，其安全、高效生产具有重要意义。露天矿生产可分为“装-运-卸”三个过程，其中运输是露天矿生产的核心环节，而矿用卡车，简称矿卡，作为露天矿运输的重要载运工具，具有载重量大、油耗量高等特点，因此对矿卡的智能调度能够有效保障矿区作业安全、提高生产效率、降低燃油消耗。目前，露天矿山生产的仍主要依靠人工调度，但人工调度具有一定局限性，容易出现车-铲匹配不合理、压车等待时间过长等现象，从而导致生产设备利用率低。
3.针对上述问题，已有相关专利提供了解决方案。申请号为202110764499.3的“一种露天矿山矿卡调度方法、系统、装置及存储介质”公开的方法具体步骤包括确定矿山生产任务，建立矿卡调度模型，利用基于改进的邻域搜索算法得到最优解，提高了采、运设备的利用率，保障了矿山生产活动的高效运转。申请号为202010288171.4的“一种无人矿卡路口通行智能调度系统及方法”公开的方法通过决策指挥中心端获取矿卡位置信息，判断矿卡所处区域，并根据所处区域制定矿卡的调度指令，使得矿卡能够以较为合理和平稳的速度高效通行，从而降低了因加减速不当引起的油耗。
4.对比已有的露天矿无人驾驶矿卡智能调度技术，目前公开文献未能针对露天矿复杂道路拓扑结构进行最优路径选择，从而降低矿卡行驶过程中的等待时间、最大化矿卡运输效率及利润、提高矿山企业的核心竞争力，为此提出一种露天矿无人驾驶矿卡智能调度方法。


技术实现要素：

5.本发明旨在提供一种露天矿无人驾驶矿卡智能调度方法，以解决或改善上述技术问题中的至少之一。
6.有鉴于此，本发明的第一方面在于提供一种露天矿无人驾驶矿卡智能调度方法。
7.本发明的第一方面提供了一种露天矿无人驾驶矿卡智能调度方法，所述调度方法包括：露天矿山生产模型和调度算法，且调度算法具体包括如下步骤：s1，设定种群规模为n、最大迭代次数为k、目标期望time
target
；s2，采用并列行进算法并行计算得到n个调度方案；s3，将n个调度方案分别输入到露天矿山生产模型中在预设约束条件下计算获得n个生产结果；s4，将s3中生产结果转化为适应度并由高到低排序，保留前50％对应的调度方案作为父代方案；s5，采用自适应遗传算法通过s4中的父代方案，获得n个调度方案；s6，将s5中的调度方案输入到露天矿山生产模型中在预设约束条件下计算获得n个生产结果；s7，将s6中生产结果转化为适应度并由高到低排序，保留前50％对应的调度方案作为父代方案；s8，判断父代方案是否满足目标期望time
target
或是否达到最大迭代次数k，若是则结束遗传算
法计算过程，并将适应度最大的父代方案作为调度任务输出，若未完成，则采用自适应遗传算法通过s6中的父代方案，获得n个调度方案并返回步骤s3。
8.本发明提供的一种露天矿无人驾驶矿卡智能调度方法，调度算法开发是本发明除露天矿生产模型构建外的另一重要部分发明，算法的并行处理可有效提高算法计算效率；自适应变异参数可保证遗传算法收敛至更优解；
9.通过预设目标期望，可对生产结果所需时间进行预先锚定，在通过调度算法进行具体实施过程的计算，并开设n个子进程的种群规模，进行多个平行的计算，可最大程度的对计算平台设备的利用，同时加快计算速度，并通过自适应遗传算法对计算获得的调度任务进行变异处理，得到新的调度任务。
10.通过从车-电铲-破碎站锁定关系行驶过程及装载和卸载过程过程三个维度，为露天矿生产提供更加丰富灵活的智能调度策略选择；
11.通过并列行进算法，开启多个子进程以充分利用硬件计算平台算力，同时避免了在单一进程中出现故障时，使整体的进程停滞，也大幅提高遗传算法计算效率，满足露天矿生产需求，提高计算效率；
12.通过自适应遗传算法，在遗传算法迭代循环中自适应更新交叉-变异参数，在生成新的备选方案的同时，可有效避免陷入局部最优解。
13.另外，根据本发明的实施例提供的技术方案还可以具有如下附加技术特征：
14.上述任一技术方案中，所述预设约束条件为调度策略约束、装载过程约束、行驶过程约束和卸载过程约束。
15.在该技术方案中，通过从车-电铲-破碎站锁定关系行驶过程及装载和卸载过程过程多个维度，为露天矿生产提供更加丰富灵活的智能调度策略选择。
16.上述任一技术方案中，所述调度策略约束包括：
17.定铲配车调度策略，矿卡-电铲及电铲-破碎站均为一对一锁定关系，即
18.智能调度策略，矿卡-电铲之间为一对多的生产设备型号锁定关系：而电铲-破碎站直接为一对一锁定关系：
19.需求导向调度策略，矿卡-电铲及电铲-破碎站均为一对多的生产设备型号锁定关系，即系，即
20.其中，tk表示第k个矿卡，li表示第i个电铲，uj表示第j个破碎站；x表示锁定关系，若有锁定关系则赋值为1，若没有锁定关系则赋值为0，tk为矿卡的型号，li为电铲的型号，ui为破碎站型号。
21.在该技术方案中，智能调度策略分为三种:定铲配车、智能调度、需求导向。其中定铲配车是指矿卡往返于固定电铲与破碎站之间，是目前矿方通常采用的调度策略，这种调度策略约束最为严格；智能调度是指矿卡需重载前往固定破碎站，但从破碎站驶出后可空载去往该型号矿卡可达的多个电铲，这种调度策略最为合理；需求导向是指矿卡从电铲驶出后可重载去往所载物料可卸载的多个破碎站，从破碎站驶出后可空载去往该型号矿卡可达的多个电铲，这种调度策略约束最为宽松。
22.上述任一技术方案中，所述行驶过程约束包括：
23.连续性约束，矿卡行驶过程中需要满足其中
24.基尔霍夫约束，车流需要满足基尔霍夫约束，车流需要满足
25.安全约束，露天矿交叉路口在某时刻仅允许一辆矿卡驶入，即
26.其中，表示矿卡tk在t时刻是否在道路pq行驶，若是在h＝1，反之为0，起终位置为p及q、表示矿卡tk在t时刻是否在道路cross
p
行驶，若是在h＝1，反之为0、t0为任意开始时间、δt为道路通行时间、为矿卡tk的行驶速度、len
pq
为表示两个交叉口p和q间的距离。
27.在该技术方案中，矿卡运输的行驶过程中约束条件包含但不限于：行驶连续性约束、车流基尔霍夫定律、单行路及交叉路口通行约束，通过多种约束手段，并采用数学表达的方式使得最终的确认结果更加的准确以及符合预期，避免矿卡在行驶过程中脱离设定轨迹及控制。
28.上述任一技术方案中，所述装载过程约束包括：电铲产量约束，电铲的产量不需要满足电铲工作约束，电铲工作时同一时刻仅能为一辆矿卡提供装载服务，即其中，表示电铲li当日的最小产量需求、表示矿卡tk的最大荷载重量、为矿卡tk在电铲li的装载次数、表示t时刻矿卡是否在电铲li工作，若是为1，反之为0。
29.在该技术方案中，装载端约束条件包含但不限于：电铲设备的单服务特性、需满足矿卡当日运输计划、不得超过电铲设备生产能力等；
30.通过对电铲与矿卡之间的约束，使得矿卡在装载和与电铲的对接中，整个过程与结果能够符合预设目标，借助数学表达公式，使得预设目标在计算后更加的准确和稳定，降低偏差。
31.上述任一技术方案中，所述卸载过程约束包括：破碎站产量约束，破碎站的产量不能超过其最大破碎量破碎站工作约束，破碎站工作时同一时刻仅能为一辆矿卡提供卸载服务，即其中，表示电铲li当日的最大产量、为矿卡tk在破碎站ujli的卸载次数、表示t时刻矿卡是否在破碎站uj工作，若是为1，反之为0。
32.在该技术方案中，卸载约束条件包含但不限于：破碎站设备的单服务特性、需满足矿卡当日运输计划、不得超过破碎站设备生产能力等；
33.通过对破碎站与矿卡之间的约束，使得矿卡在卸载和与破碎站的对接中，整个过程与结果能够符合预设目标，借助数学表达公式，使得预设目标在计算后更加的准确和稳定，降低偏差。
34.上述任一技术方案中，所述的露天矿生产模型，具体为：f＝a
×feff
+b
×feco
，其中：a,b为权重系数、f
eff
为生产效率函数、f
eco
为经济效益函数、f为总目标函数；所述生产效率函数f
eff
为f
eff_1
或f
eff_2
，具体为：或
所述经济效益函数f
eco
，具体为：，具体为：其中，time(tk)为矿卡tk的完成当日生产计划的工作时间、表示矿卡tk的空载油耗权重系数、表示矿卡tk的重载油耗权重系数、表示从电铲li行驶至破碎站uj的在起始点和终点间第k最短路径的长度、表示矿卡tk从电铲li行驶至破碎站uj行驶在起始点和终点间第k最短路径的次数、u为破碎站集合，u＝{u1,u2,
…
,un}、t为矿卡集合t＝{t1,t2,
…
,tm}、l为电铲编号l＝{l1,l2,
…
,l
t
}。
35.在该技术方案中，通过数学表达及编程语言模拟露天矿生产中装-运-卸过程，并充分考虑各环节约束条件，如调度策略约束、装载过程约束、行驶过程约束和卸载过程约束，以构建高准确性模型，高准确性的露天矿生产模型；
36.若需要设定生产效率最高,可根据矿方生产计划选择：或
37.若需要设定经济效益最高，在矿区生产过程中主要的经济消耗来自于矿卡的油耗，计算过程忽略电铲、破碎站的生产设备的耗电量，仅考虑矿卡油耗：
[0038][0039]
可分别考虑矿卡在空载和重载是的油耗水平，以便在计算实际矿卡的油耗时，能够更加的精准和贴合实际，保证了计算结果能够最大程度的与预设预期相对应。
[0040]
上述任一技术方案中，所述s2的步骤，具体包括：s201，父进程根据计算平台硬件性能开启多个子进程，并向子进程发送备选调度方案；s202，每个子进程与一个露天矿生产模型相连，能够计算备选调度方案的生产产量、行驶时间、油量消耗，从而得到备选调度方案的适应度；s203，将调度方案的适应度返回至父进程，并由父进程返回遗传算法。
[0041]
在该技术方案中，遗传算法父进程根据计算平台硬件性能开启多个子进程，并向子进程发送备选调度任务，每个子进程为一个露天矿生产模型，计算备选调度方案的适应度，并将此适应度返回至父进程。
[0042]
上述任一技术方案中，所述s5的步骤，具体包括：对父代方案采用交叉操作和/或变异操作的方式生成新的n个调度方案。
[0043]
在该技术方案中，为得到新的备选调度方案，首先保留种群中适应度较高的个体，用于作为父辈将基因遗传至下一代，并通过自适应遗传算法更新遗传算法中的交叉-变异参数，再通过交叉操作及变异操作得到新的备选解，由此可在逐代的计算中持续优化调度方案的适应度。
[0044]
上述任一技术方案中，所述交叉操作为，两个父辈个体按预设交叉方式相互交换其部分基因，从而形成两个新的个体；和/或所述变异操作为，采用预设变异方式用不同的基因值替换其等位基因而形成新的个体；其中，所述预设交叉方式为两点交叉或均匀交叉，所述预设变异方式为种群间变异或种群内变异。
[0045]
在该技术方案中，通过交叉方式和变异方式获得新的调度任务，能够避免局部最优解，能够最大可能的在合理范围内计算出最优的方案，并且分贝对交叉方式和变异方式
提出一种以上的收端，可多样化寻找可能存在的最优解方案，使得最终的调度任务的适应度尽可能的提高。
[0046]
本发明的有益效果为：
[0047]
提供丰富的智能调度策略。通过从车-铲-物料锁定关系、优化目标及路径选择方式三个维度，为露天矿生产提供更加丰富灵活的智能调度策略选择；
[0048]
高准确性的露天矿生产模型，通过数学表达及编程语言模拟露天矿生产中装-运-卸过程，并充分考虑各环节约束条件，以构建高准确性模型；
[0049]
提高计算效率，通过并列行进算法，开启多个子进程以充分利用硬件计算平台算力，大幅提高遗传算法计算效率，满足露天矿生产需求；
[0050]
有效避免局部最优。通过自适应遗传算法，在遗传算法迭代循环中自适应更新交叉-变异参数，在生成新的备选方案的同时，可有效避免陷入局部最优解。
[0051]
根据本发明的实施例的附加方面和优点将在下面的描述部分中变得明显，或通过根据本发明的实施例的实践了解到。
附图说明
[0052]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制。
[0053]
图1为本发明的调度算法流程图；
[0054]
图2为本发明的露天矿无人驾驶矿卡智能调度策略；
[0055]
图3为本发明的并列行进算法流程图；
[0056]
图4为本发明的自适应遗传算法流程图。
具体实施方式
[0057]
为了可以更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0058]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0059]
请参阅图1-4，本发明的第一方面提供了一种露天矿无人驾驶矿卡智能调度方法，包括：构建露天矿生产模型和开发调度算法，将露天矿生产模型在预设约束条件下所需的生产结果作为调度算法的输入，通过调度算法的多个并行的遗传算法及自适应遗传算法对生产结果计算出最优的调度任务；露天矿生产模型，具体为：f＝a
×feff
+b
×feco
，其中：a,b为根据生产需求确定的权重系数、f
eff
为生产效率函数、f
eco
为经济效益函数、f为总目标函数。的自适应遗传算法对多个并行的遗传算法计算出的n个调度任务采用参数交叉互换和/或参数变异替换生成新的调度任务，并将新的调度任务在的预设约束条件中进行评价；预设约束条件为调度策略约束、装载过程约束、行驶过程约束和卸载过程约束；其中，调度策略约束根据矿卡、电铲型号和破碎站设定。
[0060]
本发明提供的一种露天矿无人驾驶矿卡智能调度方法，通过从车-电铲-破碎站锁定关系行驶过程及装载和卸载过程过程三个维度，为露天矿生产提供更加丰富灵活的智能
调度策略选择；
[0061]
通过数学表达及编程语言模拟露天矿生产中装-运-卸过程，并充分考虑各环节约束条件，如调度策略约束、装载过程约束、行驶过程约束和卸载过程约束，以构建高准确性模型，高准确性的露天矿生产模型；
[0062]
通过并列行进算法，开启多个子进程以充分利用硬件计算平台算力，同时避免了在单一进程中出现故障时，使整体的进程停滞，也大幅提高遗传算法计算效率，满足露天矿生产需求，提高计算效率；
[0063]
通过自适应遗传算法，在遗传算法迭代循环中自适应更新交叉-变异参数，在生成新的备选方案的同时，可有效避免陷入局部最优解。
[0064]
上述任一实施例中，如图1-4所示，生产效率函数f
eff
为f
eff_1
或f
eff_2
，具体为：或或经济效益函数f
eco
，具体为：，具体为：其中，time(tk)为矿卡tk的完成当日生产计划的工作时间、表示矿卡tk的空载油耗权重系数、表示矿卡tk的重载油耗权重系数、表示从电铲li行驶至破碎站uj的第k最短路径的长度、表示矿卡tk从电铲li行驶至破碎站uj行驶第k最短路径的次数、u为破碎站编号(u＝{u1,u2,
…
,un})、t为矿卡编号(t＝{t1,t2,
…
,tm})、l为电铲编号(l＝{l1,l2,
…
,l
t
})。
[0065]
在该实施例中，若需要设定生产效率最高,可根据矿方生产计划选择：或
[0066]
若需要设定经济效益最高，在矿区生产过程中主要的经济消耗来自于矿卡的油耗，计算过程忽略电铲、破碎站的生产设备的耗电量，仅考虑矿卡油耗：
[0067][0068]
可分别考虑矿卡在空载和重载是的油耗水平，以便在计算实际矿卡的油耗时，能够更加的精准和贴合实际，保证了计算结果能够最大程度的与预设预期相对应。
[0069]
上述任一实施例中，如图2所示，调度策略约束包括：定铲配车调度策略，矿卡-电铲及电铲-破碎站均为一对一锁定关系，即智能调度策略，矿卡-电铲之间为一对多的生产设备型号锁定关系：电铲之间为一对多的生产设备型号锁定关系：而电铲-破碎站直接为一对一锁定关系：需求导向调度策略，矿卡-电铲及电铲-破碎站均为一对多的生产设备型号锁定关系，即破碎站均为一对多的生产设备型号锁定关系，即其中，tk表示第k个矿卡，li表示第i个电铲，uj表示第j个破碎站；x表示锁定关系，若有锁定关系则赋值为1，若没有锁定关系则赋值为0。
[0070]
在该实施例中，智能调度策略分为三种:定铲配车、智能调度、需求导向。其中定铲配车是指矿卡往返于固定电铲与破碎站之间，是目前矿方通常采用的调度策略，这种调度策略约束最为严格；智能调度是指矿卡需重载前往固定破碎站，但从破碎站驶出后可空载去往该型号矿卡可达的多个电铲，这种调度策略最为合理；需求导向是指矿卡从电铲驶出后可重载去往所载物料可卸载的多个破碎站，从破碎站驶出后可空载去往该型号矿卡可达
的多个电铲，这种调度策略约束最为宽松。
[0071]
上述任一实施例中，如图1-4所示，行驶过程约束包括：连续性约束，矿卡行驶过程中需要满足其中基尔霍夫约束，车流需要满足基尔霍夫约束，车流需要满足安全约束，露天矿交叉路口在某时刻仅允许一辆矿卡驶入，即，其中，表示任意路段，起终位置为p及q、表示路口cross
p
、t0为任意开始时间、δt为道路通行时间、为矿卡tk的行驶速度、len
pq
为表示两个交叉口间的距离。
[0072]
在该实施例中，矿卡运输的行驶过程中约束条件包含但不限于：行驶连续性约束、车流基尔霍夫定律、单行路及交叉路口通行约束，通过多种约束手段，并采用数学表达的方式使得最终的确认结果更加的准确以及符合预期，避免矿卡在行驶过程中脱离设定轨迹及控制。
[0073]
上述任一实施例中，如图1-4所示，装载过程约束包括：电铲产量约束，电铲的产量不需要满足电铲工作约束，电铲工作时同一时刻仅能为一辆矿卡提供装载服务，即其中，表示电铲li当日的最小产量需求、表示矿卡tk的最大荷载重量、为矿卡tk在电铲li的装载次数。
[0074]
在该实施例中，装载端约束条件包含但不限于：电铲设备的单服务特性、需满足矿卡当日运输计划、不得超过电铲设备生产能力等；
[0075]
通过对电铲与矿卡之间的约束，使得矿卡在装载和与电铲的对接中，整个过程与结果能够符合预设目标，借助数学表达公式，使得预设目标在计算后更加的准确和稳定，降低偏差。
[0076]
上述任一实施例中，如图1-4所示，卸载过程约束包括：破碎站产量约束，破碎站的产量不能超过其最大破碎量产量不能超过其最大破碎量破碎站工作约束，破碎站工作时同一时刻仅能为一辆矿卡提供卸载服务，即其中，表示电铲li当日的最大产量、为矿卡tk在破碎站ujli的卸载次数。
[0077]
在该实施例中，卸载约束条件包含但不限于：破碎站设备的单服务特性、需满足矿卡当日运输计划、不得超过破碎站设备生产能力等；
[0078]
通过对破碎站与矿卡之间的约束，使得矿卡在卸载和与破碎站的对接中，整个过程与结果能够符合预设目标，借助数学表达公式，使得预设目标在计算后更加的准确和稳定，降低偏差。
[0079]
上述任一实施例中，如图1所示，调度算法，具体包括如下步骤：s1，设定种群规模n、最大迭代次数k、终止目标条件f
target
、并随机生成n个体作为初始群体p(0)；s2，采用多个遗传算法并行计算得到n个备选的调度任务；s3，采用自适应遗传算法通过s2中计算得到的调度任务，获得新的调度任务，并借助预设约束条件进行评价；s4，判断调度方案是否满足终止目标条件f
target
或是否达到最大迭代次数k，若已完成则结束遗传算法计算过程，若未完成则返回步骤s2。
[0080]
在该实施例中，调度算法开发是本发明除露天矿生产模型构建外的另一重要部分
本发明，遗传算法的并行处理可有效提高算法计算效率；自适应变异参数可保证遗传算法收敛至更优解；
[0081]
通过预设终止目标条件f
target
，可对生产结果所需的目的进行预先锚定，在通过调度算法进行具体实施过程的计算，并开设n个子进程的种群规模，进行多个平行的计算，可最大程度的对计算平台设备的利用，同时加快计算速度，并通过自适应遗传算法对计算获得的调度任务进行变异处理，得到新的调度任务，并采用预设约束条件进行合理性的判定，并余目标条件进行。
[0082]
上述任一实施例中，如图3所示，s2的步骤，具体包括：s201，父进程根据计算平台硬件性能开启多个子进程，并向子进程发送备选调度任务；s202，每个子进程为一个露天矿生产模型，能够计算备选调度任务的生产产量、行驶时间、油量消耗，从而得到备选调度任务的适应度；s203，将调度任务的适应度返回至父进程，并由父进程返回遗传算法。
[0083]
在该实施例中，遗传算法父进程根据计算平台硬件性能开启多个子进程，并向子进程发送备选调度任务，每个子进程为一个露天矿生产模型，计算备选调度方案的适应度，并将此适应度返回至父进程。
[0084]
具体地，从父进程中对每一个子进程发送一个调度任务，然后子进程根据露天矿山生产模型就算出对应的适应度，包括但不限于生产产量、行驶时间和油量消耗等统计指标。
[0085]
上述任一实施例中，如图4所示，s3的步骤，具体包括：s301，保留n个调度任务中适应度较高的个体，用于作为父辈将基因遗传至下一代，而适应度较低的个体将被淘汰；s302，采用交叉操作和/或变异操作的方式生成新的子代个体；s303，对新生成的子代个体判断附后符合预设约束条件，若不满足则重新生成新的子代个体。
[0086]
在该实施例中，为得到新的备选调度方案，首先保留种群中适应度较高的个体，用于作为父辈将基因遗传至下一代，并通过自适应遗传算法更新遗传算法中的交叉-变异参数，再通过交叉操作及变异操作得到新的备选解。
[0087]
上述任一实施例中，如图4所示，交叉操作为，两个父辈个体按预设交叉方式相互交换其部分基因，从而形成两个新的个体；和/或变异操作为，采用预设变异方式用不同的基因值替换其等位基因而形成新的个体；其中，预设交叉方式为两点交叉或均匀交叉，预设变异方式为种群间变异或种群内变异。
[0088]
在该实施例中，通过交叉方式和变异方式获得新的调度任务，能够避免局部最优解，能够最大可能的在合理范围内计算出最优的方案，并且分贝对交叉方式和变异方式提出一种以上的收端，可多样化寻找可能存在的最优解方案，使得最终的调度任务的适应度尽可能的提高。
[0089]
具体地，自适应遗传算法可分别在种群间变异和种群内变异：
[0090]
化寻找可能存在的最优解方案，使得最终的调度任务的适应度尽可能的提高。
[0091]
具体地，自适应遗传算法可分别在种群间变异和种群内变异：
[0092]
种群间变异，根据每种调度任务的统计指标，计算调度任务方案的适应度，即再选择具有较高适应度的优势调度任务，即然后在种群间的通产量矿卡之间交换基因；
[0093]
种群内变异，根据固定方案下的每辆矿卡的统计指标，计算每辆矿卡的变异系数，
即依概率执行交叉、突变、逆序等变异，然后在种群内同车型矿卡若ti＞tj，则转移一个装卸任务；
[0094]
其中，参数time(tk)表示矿卡tk的工作时长。表示调度方案di的适应度，在此实施例中由矿卡的平均行驶时间即效率决定，且工作时间越短即工作效率越高，适应度越大。调度方案di的被保留的概率为在本实施例中该调度方案保留概率由其自身适应度占全部备选调度方案适应度的占比决定。表示在某调度方案中矿卡tk进行交叉变异的概率，在本实施例中，该矿卡工作时间越长进行变异的概率越大，反之越小。
[0095][0096]
实施例1
[0097]
第一步：露天矿无人驾驶矿卡智能调度策略设定：
[0098]
根据露天矿实际生产中矿卡与电铲型号之间的匹配关系、及矿卡所载物料与破碎站之间的约束条件，
[0099]
将智能调度策略划分为：固定编组、智能调度及需求导向。
[0100]
露天矿无人驾驶矿卡路径选择策略设定：综合考虑露天矿生产中的经济性及效率，将路径选择策略划分为：最短路径行驶、多备选路径行驶及重载矿卡最短路径、空载矿卡多备选路径行驶三种策略。
[0101]
露天矿无人驾驶矿卡生产目标设定：根据露天矿生产中的具体需求，将目标函数设置为：经济性最优及效率最高。
[0102]
第二步：露天矿生产模型约束条件设定：露天矿生产模型通过数学表达与编程语言模拟露天矿生产中的“装-运-卸”过程。其中装卸端约束条件包含但不限于：生产设备的单服务特性、需满足当日运输计划、不得超过设备生产能力等。运输过程的约束条件包含但不限于：行驶连续性约束、车流基尔霍夫定律、单行路及交叉路口通行约束。
[0103]
第三步：遗传算法进行初始化设置：定义种群规模、最大迭代次数k、终止目标条件f
target
等参数，并生成初始化备选调度方案。
[0104]
第四步：遗传算法并行化运算：遗传算法父进程根据计算平台硬件性能开启多个子进程，并向子进程发送备选调度方案，每个子进程为一个露天矿生产模型，计算备选调度方案的适应度，并将此适应度返回至父进程。
[0105]
第五步：自适应遗传算法：为得到新的备选调度方案，首先保留种群中适应度较高的个体，用于作为父辈将基因遗传至下一代，并通过自适应遗传算法更新遗传算法中的交叉-变异参数，再通过交叉操作及变异操作得到新的备选解。
[0106]
第六步：判断循环过程是否达到最大迭代次数或备选调度方案是否已满足目标需求，若已完成则结束遗传算法计算过程，若未完成则返回步骤四。
[0107]
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所
示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0108]
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

技术特征：
1.一种露天矿无人驾驶矿卡智能调度方法，其特征在于，所述调度方法采用露天矿山生产模型和调度算法，且调度算法具体包括如下步骤：s1，设定种群规模为n、最大迭代次数为k、目标期望time
target
；s2，采用并列行进算法并行计算得到n个调度方案；s3，将n个调度方案分别输入到露天矿山生产模型中在预设约束条件下计算获得n个生产结果；s4，将s3中生产结果转化为适应度并由高到低排序，保留前50％对应的调度方案作为父代方案；s5，采用自适应遗传算法通过s4中的父代方案，获得n个调度方案；s6，将s5中的调度方案输入到露天矿山生产模型中在预设约束条件下计算获得n个生产结果；s7，将s6中生产结果转化为适应度并由高到低排序，保留前50％对应的调度方案作为父代方案；s8，判断父代方案是否满足目标期望time
target
或是否达到最大迭代次数k，若是则结束遗传算法计算过程，并将适应度最大的父代方案作为调度任务输出，若未完成，则采用自适应遗传算法通过s6中的父代方案，获得n个调度方案并返回步骤s3。2.根据权利要求1所述的一种露天矿无人驾驶矿卡智能调度方法，其特征在于，所述预设约束条件为调度策略约束、装载过程约束、行驶过程约束和卸载过程约束。3.根据权利要求2所述的一种露天矿无人驾驶矿卡智能调度方法，其特征在于，所述调度策略约束包括：定铲配车调度策略，矿卡-电铲及电铲-破碎站均为一对一锁定关系，即智能调度策略，矿卡-电铲之间为一对多的生产设备型号锁定关系：而电铲-破碎站直接为一对一锁定关系：需求导向调度策略，矿卡-电铲及电铲-破碎站均为一对多的生产设备型号锁定关系，即即其中，t
k
表示第k个矿卡，l
i
表示第i个电铲，u
j
表示第j个破碎站；x表示锁定关系，若有锁定关系则赋值为1，若没有锁定关系则赋值为0，t
k
为矿卡的型号，l
i
为电铲的型号，u
i
为破碎站型号。4.根据权利要求2所述的一种露天矿无人驾驶矿卡智能调度方法，其特征在于，所述行驶过程约束包括：连续性约束，矿卡行驶过程中需要满足其中基尔霍夫约束，车流需要满足基尔霍夫约束，车流需要满足安全约束，露天矿交叉路口在某时刻仅允许一辆矿卡驶入，即其中，表示矿卡t
k
在t时刻是否在道路pq行驶，若是在h＝1，反之为0，起终位置为p
及q、表示矿卡t
k
在t时刻是否在道路cross
p
行驶，若是在h＝1，反之为0、t0为任意开始时间、δt为道路通行时间、为矿卡t
k
的行驶速度、len
pq
为表示两个交叉口p和q间的距离。5.根据权利要求2所述的一种露天矿无人驾驶矿卡智能调度方法，其特征在于，所述装载过程约束包括：电铲产量约束，电铲的产量不需要满足1电铲产量约束，电铲的产量不需要满足1电铲工作约束，电铲工作时同一时刻仅能为一辆矿卡提供装载服务，即其中，表示电铲l
i
当日的最小产量需求、表示矿卡t
k
的最大荷载重量、为矿卡t
k
在电铲l
i
的装载次数、表示t时刻矿卡是否在电铲l
i
工作，若是为1，反之为0。6.根据权利要求2所述的一种露天矿无人驾驶矿卡智能调度方法，其特征在于，所述卸载过程约束包括：破碎站产量约束，破碎站的产量不能超过其最大破碎量破碎站工作约束，破碎站工作时同一时刻仅能为一辆矿卡提供卸载服务，即其中，表示电铲l
i
当日的最大产量、为矿卡t
k
在破碎站u
j
l
i
的卸载次数、表示t时刻矿卡是否在破碎站u
j
工作，若是为1，反之为0。7.根据权利要求1所述的一种露天矿无人驾驶矿卡智能调度方法，其特征在于，所述的露天矿生产模型，具体为：f＝a
×
f
eff
+b
×
f
eco
，其中：a,b为权重系数、f
eff
为生产效率函数、f
eco
为经济效益函数、f为总目标函数；所述生产效率函数f
eff
为f
eff_1
或f
eff_2
，具体为：或所述经济效益函数f
eco
，具体为：其中，time(t
k
)为矿卡t
k
的完成当日生产计划的工作时间、表示矿卡t
k
的空载油耗权重系数、表示矿卡t
k
的重载油耗权重系数、表示从电铲l
i
行驶至破碎站u
j
的在起始点和终点间第k最短路径的长度、表示矿卡t
k
从电铲l
i
行驶至破碎站u
j
行驶在起始点和终点间第k最短路径的次数、u为破碎站集合，u＝{u1,u2,
…
,u
n
}、t为矿卡集合t＝{t1,t2，
…
，t
m
}、l为电铲编号l＝{l1,l2,
…
,l
t
}。8.根据权利要求1所述的一种露天矿无人驾驶矿卡智能调度方法，其特征在于，所述s2的步骤，具体包括：s201，父进程根据计算平台硬件性能开启多个子进程，并向子进程发送备选调度方案；s202，每个子进程与一个露天矿生产模型相连，能够计算备选调度方案的生产产量、行驶时间、油量消耗，从而得到备选调度方案的适应度；
s203，将调度方案的适应度返回至父进程，并由父进程返回遗传算法。9.根据权利要求1所述的一种露天矿无人驾驶矿卡智能调度方法，其特征在于，所述s5的步骤，具体包括：对父代方案采用交叉操作和/或变异操作的方式生成新的n个调度方案。10.根据权利要求8所述的一种露天矿无人驾驶矿卡智能调度方法，其特征在于，所述交叉操作为，两个父辈个体按预设交叉方式相互交换其部分基因，从而形成两个新的个体；和/或所述变异操作为，采用预设变异方式用不同的基因值替换其等位基因而形成新的个体；其中，所述预设交叉方式为两点交叉或均匀交叉，所述预设变异方式为种群间变异或种群内变异。

技术总结
本发明属于无人驾驶技术领域，具体公开了一种露天矿无人驾驶矿卡智能调度方法，调度算法包括：采用并列行进算法得到N个调度方案；将个调度方案分别输入到露天矿山生产模型中在预设约束条件下计算获得个生产结果；保留前50％对应的调度方案作为父代方案；采用自适应遗传算法通过父代方案，获得N个调度方案；在预设约束条件下计算获得个生产结果；保留前50％对应的调度方案作为父代方案；判断父代方案是否满足目标期望或是否达到最大迭代次数，若是则结束，并将适应度最大的父代方案作为调度任务输出，本发明具有以下明显优点：提供丰富的智能调度策略、高准确性的露天矿生产模型、充分利用硬件计算平台算力并提高计算效率、有效避免局部最优。避免局部最优。避免局部最优。


技术研发人员：余贵珍 孙韧韬 周彬 李涵 宋东泽
受保护的技术使用者：北京航空航天大学
技术研发日：2023.03.07
技术公布日：2023/9/20