一種基于改進(jìn)遺傳算法的爆破方案多準(zhǔn)則選擇方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及露天開采爆破方案的選擇，特別是涉及通過(guò)改進(jìn)遺傳算法的爆破方案 多準(zhǔn)則選擇方法。
【背景技術(shù)】
[0002] 爆破方案的制定是采礦工作中的重要內(nèi)容。方案中的參數(shù)選擇受很多因素影響。 不同的礦區(qū)使用的爆破方案都有差異，其選擇主要是考慮產(chǎn)量、地質(zhì)條件、巖石的物理力學(xué) 性能和地下水環(huán)境等。
[0003] 爆破參數(shù)的確定應(yīng)滿足安全、技術(shù)和經(jīng)濟(jì)方面的要求。否者將產(chǎn)生嚴(yán)重的事故，其 中超爆和飛石是最為常見的事故。超爆是由于不恰當(dāng)?shù)膮?shù)設(shè)置導(dǎo)致的爆破深度超過(guò)預(yù)定 深度的現(xiàn)象，其對(duì)巖體的破壞將超過(guò)事先的預(yù)測(cè)，導(dǎo)致巖石的滑坡及崩塌等事故；飛石同樣 是由于參數(shù)的不當(dāng)導(dǎo)致爆炸能量使破壞后的巖石飛出事先設(shè)定的安全范圍，給周圍人機(jī)造 成破壞的事故。
[0004] 國(guó)內(nèi)外對(duì)超爆和飛石及其相關(guān)因素做了一些研究，但缺乏考慮超爆和飛石兩者耦 合作用對(duì)爆破方案選取的影響。針對(duì)目前的現(xiàn)場(chǎng)實(shí)際情況，工作人員基于自身的經(jīng)驗(yàn)往往 只能給出炮眼深（/?)、間距⑶、裝藥深度⑶、阻塞深度C?r)、單位炸藥消耗量（/列和鉆 孔率CS9)之一對(duì)超爆和飛石的定性影響，兩個(gè)或更多因素的影響就工作人員本身是無(wú)法 確定的。就影響因素本身而言，對(duì)超爆和飛石的正面和負(fù)面影響的劃分可能是不同的，甚至 是相反地，如炮眼深（/?)，一般的，炮眼深越深超爆深度可能越大，飛石量可能越大，但是飛 石距離會(huì)減小。所以，為貼近實(shí)際工程，為實(shí)際爆破方案的選擇服務(wù)，要建立一種能處理實(shí) 際工作人員提供的模糊數(shù)據(jù)，且能按照多準(zhǔn)則進(jìn)行決策判斷的爆破方案選擇方法。
[0005] 使用改進(jìn)遺傳算法進(jìn)行爆破方案的選擇。改進(jìn)之處在于基于礦場(chǎng)的實(shí)際100組爆 破方案參數(shù)的統(tǒng)計(jì)規(guī)律，使用遺傳算法初始化種群（即方案，100個(gè))。使用結(jié)構(gòu)元直覺(jué)模糊 集對(duì)遺傳算法生成的種群，即爆破方案參數(shù)進(jìn)行基于結(jié)構(gòu)元模糊處理。使用TOPSIS算法和 Hamming距離對(duì)方案進(jìn)行排序，將排序靠前的50個(gè)方案的染色體遺傳給下一代，另50個(gè)通 過(guò)交叉、變異等進(jìn)行遺傳。使用神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)際100組爆破方案的炮眼深0?)、間距（5)、 裝藥深度（5)、阻塞深度C?/ 1)、單位炸藥消耗量（/^)和鉆孔率CS9)與超爆深度（M)和飛 石距離時(shí)）的映射關(guān)系，使用訓(xùn)練后的神將網(wǎng)絡(luò)篩選符合你、視值域的子代，并進(jìn)行補(bǔ)充， 后進(jìn)行下一代的計(jì)算。試驗(yàn)表明該方法明顯提高了遺傳算法的收斂性和適應(yīng)性，且得到的 最優(yōu)爆破方案符合實(shí)際情況。

【發(fā)明內(nèi)容】

[0006] 表1模糊語(yǔ)義劃分表
【主權(quán)項(xiàng)】
1. 一種基于改進(jìn)遺傳算法的爆破方案多準(zhǔn)則選擇方法，其特征在于，運(yùn)用結(jié)構(gòu)元方法 表述的模糊數(shù)直覺(jué)模糊集，根據(jù)好、猶豫、不好的模糊語(yǔ)義劃分，對(duì)爆破方案參數(shù)進(jìn)行了模 糊化，使用遺傳算法（GA)選擇最優(yōu)爆破方案。
2. -種基于改進(jìn)遺傳算法的爆破方案多準(zhǔn)則選擇方法，其特征在于，綜合考慮超爆和 飛石危害性最小，考慮爆破方案參數(shù)包括；炮眼深化L)、間距（S)、裝藥深度炬）、阻塞深度 (ST)、單位炸藥消耗量（P巧和鉆孔率（SD)，它們對(duì)超爆深度炬B)和飛石距離（FR)。
3. 根據(jù)權(quán)利要求1所述的遺傳算法，其特征在于，按照實(shí)際統(tǒng)計(jì)特征隨機(jī)生成100種爆 破方案，使用TOPSIS方法作為GA的適函數(shù)，綜合超爆深度和飛石距離兩套準(zhǔn)則，對(duì)100種 方案進(jìn)行排序。
4. 根據(jù)權(quán)利要求3所述的按照實(shí)際統(tǒng)計(jì)特征隨機(jī)生成100種爆破方案，其特征在于，同 時(shí)考慮到與實(shí)際的關(guān)聯(lián)問(wèn)題，使用神經(jīng)網(wǎng)絡(luò)篩選子代中BB和FR符合要求的方案，并進(jìn)行淘 汰方案的數(shù)量補(bǔ)充。
5. 根據(jù)權(quán)利要求1所述的好、猶豫、不好的模糊語(yǔ)義劃分，其特征在于，語(yǔ)義"不好"表 示化、S、公、況?的對(duì)應(yīng)于。不好"的值不利于控制做和巧?的值趨好，y g(x) =0謠 義"猶豫"表示可能由于經(jīng)驗(yàn)不足原因，造成現(xiàn)場(chǎng)工作人員無(wú)法確定化、S、公、sr、伴\況?的 值對(duì)應(yīng)于"猶豫"的值是否影響M和/W的值，及影響程度，0< y ?<1 ;語(yǔ)義"好"表示化心、 公、況?的對(duì)應(yīng)于"好"的值利于控制做和巧？的值趨化y好（x)=l。
6. 根據(jù)權(quán)利要求3所述的使用TOPSIS方法作為GA的適函數(shù)，其特征在于，使用TOPSIS 法對(duì)GA中初始種群和子代生成的方案進(jìn)行排序的步驟： St巧1取正則模糊結(jié)構(gòu)元&將目u= Mu, Ny 用模糊結(jié)構(gòu)元表示為 目u= fu(E)，gu似，其中fu似和gu似為[-1，U到[(U]上的同序單調(diào)函數(shù)，滿足 Mu= fu巧），Nu= gu巧），i=l，2,…，m; m為方案?jìng)€(gè)數(shù)，j=l，2,…，n;，n為直覺(jué)模糊數(shù)個(gè)數(shù)； St巧2確定模糊數(shù)直覺(jué)模糊理想點(diǎn)，又設(shè)目j^= fy膽)，gj^巧），（j=l, 2,…，n)為n 個(gè)最小的模糊數(shù)直覺(jué)模糊數(shù)，則稱A^=(目1^，e 2^，…e。^，）T為模糊數(shù)直覺(jué)模糊負(fù)理想點(diǎn)，式 中：fj-(x)=0, gj-(x)=l ; step 3利用相對(duì)貼近度建立模型，求準(zhǔn)則權(quán)重，方案的理想與負(fù)理想點(diǎn)分別為： di+=d(A^A+)=E ?j'd(目。，目 j+)，di_=d(A^A-)=E ?j'd(目。，目 j-); 每個(gè)方案的優(yōu)化模型如式（1)、（2)所示，設(shè)?表示決策者給出的準(zhǔn)則權(quán)重的集合； min di+=d (A。A+); s. t. CO G 0, E ?尸1，> 0, j=l, 2, ???，n (1) max di_=d (A。A_); s. t. CO G 0, E ?尸1，《j > 0, j=l, 2,…，n (2) 綜合考慮理想點(diǎn)和負(fù)理想點(diǎn)的距離，將式（1)、（2)綜合得到如圖2所示的公式（3); 求解上式，可得最優(yōu)決策權(quán)重《 = (?1，…; Step 4計(jì)算每個(gè)方案與理想點(diǎn)和負(fù)理想點(diǎn)的相對(duì)貼近度，如圖3所示的公式（4)所 示； St巧5使用Step 1到St巧4分別根據(jù)表2的飛石距離和超爆深度兩組準(zhǔn)則對(duì)100 個(gè)方案計(jì)算相對(duì)貼近度，然后取每個(gè)方案計(jì)算得到的兩個(gè)dit的平均值avgdi%對(duì)100個(gè)方 案按avgdi""降序排序； Step 1到Step 5構(gòu)造了 GA適函數(shù)，用于整個(gè)爆破方案決策的第六步。
7. -種基于改進(jìn)遺傳算法的爆破方案多準(zhǔn)則選擇方法，其特征在于，結(jié)構(gòu)元直覺(jué)模糊 集優(yōu)化遺傳算法在多準(zhǔn)則條件下的爆破方案選擇流程： 1步：采集實(shí)際爆破方案數(shù)據(jù)，用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練； 2步對(duì)采集的數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，形成化、S、公、況?與做、巧?的映射關(guān)系， 化、S、公、況?為訓(xùn)練輸入值，做、巧?為訓(xùn)練輸出值，該樣做的目的在于遺傳算法根據(jù) 表1生成種群時(shí)，種群中的指標(biāo)只包括化、S、公、sr、伴\況?，做和巧？是在化、S、公、sr、伴\ 確定后實(shí)際爆破的效果確定的，如果同樣在表1條件下隨機(jī)生成，M和/W是不能表現(xiàn)實(shí) 際情況的，所W對(duì)該礦場(chǎng)的100次爆破數(shù)據(jù)記錄，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，并得到能反應(yīng)化、S、 公、況?與做、巧？的映射關(guān)系神經(jīng)網(wǎng)絡(luò)； 3步；根據(jù)表1對(duì)該礦場(chǎng)的100次爆破數(shù)據(jù)進(jìn)行統(tǒng)計(jì)得到的結(jié)果，按照各參數(shù)的值域和 平均值隨機(jī)生成初始種群； 4步：按照各參數(shù)的值域和平均值隨機(jī)生成個(gè)體為100的初始種群； 5步；將化、S、公、況?根據(jù)表2進(jìn)行模糊化處理，形成TOPSIS適合使用的直覺(jué)模 糊集的結(jié)構(gòu)元表示方式； 6步；根據(jù)TOPSIS準(zhǔn)則，分別根據(jù)表2的飛石距離和超爆深度兩組準(zhǔn)則對(duì)100個(gè)方案計(jì) 算相對(duì)貼近度，然后取每個(gè)方案計(jì)算得到的飛石距離和超爆深度兩個(gè)dit的平均值avgdi% 對(duì)100個(gè)方案按avgdit降序排序； 7步；停止遺傳算法的條件為前10個(gè)方案的avgdit相差小于0. 1 ; 8步；保留排序靠前50個(gè)方案，通過(guò)該50個(gè)方案的染色體的交叉與變異生成50個(gè)子 代染色體，即形成50個(gè)新的方案； 9步：將原有的50個(gè)方案和新生成的50個(gè)組成下一代種群； 10步：使用步驟2)訓(xùn)練完的神經(jīng)網(wǎng)絡(luò)對(duì)該100個(gè)方案中化、S、公、況?可能形成 的M、/W進(jìn)行預(yù)測(cè)； 11步；根據(jù)表1的BB和FR的值域和平均值，如果預(yù)測(cè)的BB和FR符合BB和FR的值 域，則進(jìn)行5)步；如果不符合，則進(jìn)行12)步； 12步：該時(shí)子代數(shù)小于100,需要再進(jìn)行染色體的交叉與變異，W補(bǔ)充缺失的染色體 數(shù)，即方案數(shù)； 13步；當(dāng)滿足停止遺傳的條件時(shí)，TOPSIS降序排列的第一個(gè)方案即是所求方案。
【專利摘要】本發(fā)明公開了一種基于改進(jìn)遺傳算法的爆破方案多準(zhǔn)則選擇方法，特征在于，使用TOPSIS方法作為GA的適函數(shù)，綜合超爆深度和飛石距離兩套準(zhǔn)則，對(duì)方案進(jìn)行排序，其過(guò)程分為三步：運(yùn)用結(jié)構(gòu)元方法表述的模糊數(shù)直覺(jué)模糊集，根據(jù)好、猶豫、不好的模糊語(yǔ)義劃分，對(duì)上述爆破方案參數(shù)進(jìn)行了模糊化；按照實(shí)際統(tǒng)計(jì)特征隨機(jī)生成100種爆破方案，使用TOPSIS方法作為GA的適函數(shù)，綜合超爆深度和飛石距離兩套準(zhǔn)則，對(duì)100種方案進(jìn)行排序；考慮與實(shí)際的關(guān)聯(lián)問(wèn)題，使用神經(jīng)網(wǎng)絡(luò)篩選子代中BB和FR符合要求的方案，并進(jìn)行淘汰方案的數(shù)量補(bǔ)充。本發(fā)明的目的在于得到綜合考慮超爆深度和飛石距離下的最優(yōu)爆破方案?？蓮V泛用于露天礦爆破方案的選擇。
【IPC分類】G06N3-08
【公開號(hào)】CN104636802
【申請(qǐng)?zhí)枴緾N201310565025
【發(fā)明人】崔鐵軍, 赫飛, 趙東洋, 吳作啟
【申請(qǐng)人】遼寧工程技術(shù)大學(xué)
【公開日】2015年5月20日
【申請(qǐng)日】2013年11月14日