基于Multiagent技術的露天礦山生產調度系統的優化實現

摘要：針對動態變化、復雜非線性的露天礦山生產調度系統引入多智能體技術進行建模優化，將系統分為任務Agent、生產調度Agent、爆破Agent、運輸Agent以及破碎Agent五個單智能體。在任務Agent中給出礦山的礦石需求量，運用自適應神經模糊推理系統（ANFIS）和遺傳算法（GA）對爆破Agent進行建模優化；破碎Agent根據破碎能力以及破碎需求量對運輸Agent進行約束，引入自適應變異程序改進粒子群算法（PSO）對運輸Agent進行優化；生產調度Agent協調處理礦石需求量與各生產工藝Agent生產能力之間的矛盾，運用MATLAB軟件對模型進行模擬實現。以某露天礦山為例構建露天礦山生產調度系統，建模優化結果表明該方法可行。

關鍵詞：露天礦山生產調度系統；多智能體； GAANFIS算法；粒子群優化算法

中圖分類號：TP273 文獻標識碼：A

1引言

露天礦山生產調度系統是一個涉及多因素、多層次的、動態變化的柔性系統，具有遞階結構、不確定性、多目標、多約束等特點[1]。這要求露天礦山生產調度系統具有局部自治和分布式決策特性。但目前對礦山生產調度系統的研究大多停留在對各個生產工藝建模優化的研究中[2-4]，不能實現整個調度系統的建模優化。引入了多智能體系統（MAS）[5-8]構建露天礦山生產調度系統管理體系結構，建立相應的多智能體系統模型構架，實現礦山生產調度整體的協調優化，這對于實現數字化露天礦山具有一定的影響作用。

2構建基于MAS技術的露天礦山生產調

度系統

多智能體系統采用的是分布式結構，是由多個單智能體（Agent）組成的。每一個單智能體都具有自治性、社會能力、反應能力以及自發行為等，且各單智能體之間是相互協商合作的，是可以動態調整的。露天礦山開采工藝過程一般為：穿孔、爆破、鏟運與破碎，各工序環節相互銜接，相互制約[9]。在基于多智能體技術的露天礦山生產調度系統中將礦山開采系統分為任務Agent、生產調度Agent、爆破Agent、運輸Agent與破碎Agent。

任務Agent是整個多智能體系統中的一個重要組成部分，是系統實現人機結合的一個重要組成。其主要作用就是根據市場需求與開采技術等因素，確定礦山的礦石需求量。且根據系統反饋來的信息，確定礦山的開采任務與開采方案。

穿孔爆破是露天開采的重要工序，穿孔爆破的工作質量以及爆破效果的好壞，直接影響后續作業的生產成本。爆破Agent的作用首先是對礦山以往的爆破數據進行建模，然后根據任務Agent給出的礦石需求量得出每個平臺的最優爆破方案。

運輸Agent的任務是根據爆破Agent中每個平臺的爆破量，爆破點到破碎點的距離以及礦山的運輸能力建模優化，得出調度優化方案。

破碎Agent則是根據破碎機的破碎能力對運輸Agent進行約束。生產調度Agent的作用是實現Agent與MAS之間以及Agent與Agent之間的通信，使得各Agent能夠相互協調，相互協作，如圖1所示。

3基于MAS的露天礦山生產調度系統的

結構設計

在建立的基于多智能體理論的露天礦山生產調度系統基本框架的基礎上，設計Agent的內部模型[10]。圖2是Agent的內部通用模型。在基于MAS的生產調度系統中利用黑板模式來進行通信。黑板作為一個全局共享的工作區，是對所有的Agent開放的，在其中存放著各Agent的初始數據、中間結果、最終結果等。各Agent在黑板中查找所需要的信息。

MAS系統功能的實現還需要各Agent之間的協作來完成。本文的協作方式采用Durfee提出的部分全局規劃（PGP）。根據部分全局規劃理論，首先創建各Agent的局部規劃，即解決各Agent自身確定的任務；第二步是通過黑板進行通信，各Agent在黑板中查詢并接收自身需求的信息；第三步則是各Agent根據接收到的信息以及自身的局部規劃，修改自己的規劃。即將自身的Agent作為PGP的一部分，考慮接收的信息，組成PGP形式的規劃。第四步則是修改和優化部分局部規劃，并將信息發布到黑板中，判斷是否為最優結果，是則結束運算，否則轉向第二步。

4生產調度系統中各Agent的建模優化

爆破Agent涉及到很多參數，并且屬于復雜非線性模糊建模的問題。傳統的建模方法并不能有效的建立爆破Agent。在文獻[2-3]中介紹了自適應神經模糊推理系統（ANFIS）具有較強的非線性映射能力，可有效的對爆破參數進行建模，同時遺傳算法（GA）可實現對模型的優化，即利用GA-ANFIS算法對爆破Agent進行建模優化。以爆破參數中的超深、孔間距、排間距、大塊率以及炸藥單耗的歷史數據作為輸入，以爆破礦石量的歷史數據作為輸出進行建模。對建立的模型進行優化，以爆破礦石量最大為目標函數，以實際礦山其他參數的規定范圍為約束條件，運用GAANFIS算法對各平臺的模型進行優化。

5某露天礦山生產調度系統數據收集與

實現

5.1露天礦山生產調度系統的數據收集

5.2露天礦山生產調度系統的實現

運用MATLAB軟件對露天礦山生產調度系統進行模擬。首先根據公司短期目標確定礦山的月生產礦石量為20萬t，其任務Agent的運行界面如圖3所示：然后進入爆破Agent進行爆破優化，得出每個平臺每日的炸藥單耗，優化后礦山的生產礦量以及其他爆破參數如圖4所示，圖5是模型輸出與實際輸出的對比；運輸Agent根據爆破Agent中的優化后的爆破礦石量進行運輸優化，得出各平臺到各破碎站的運輸車次、運輸車輛以及破碎量，如圖6所示，圖7-8所表示的是裝載點到破碎站的運輸優化；最后將調度方案在任務Agent中顯示出來，獲得各平臺每月開采量、炸藥消耗、運輸車輛安排、優化后總礦石量18.846萬t、炸藥總消耗32.3t以及總運費1928840元，如圖3所示。

6結束語

針對露天礦山實際生產調度系統，建立了一個基于多智能體技術的礦山生產調度系統。并且應用ANFIS-GA算法與改進的粒子群算法（PSO）分別對系統中的爆破Agent、運輸Agent進行建模優化。生產調度Agent根據礦山的實際情況對各工藝Agent進行約束，在不超出各工藝Agent的最大生產能力的前提下完成礦山的生產計劃。將模型應用到實際露天礦山中，獲得該礦山最優調度方案。該系統的運行結果能夠適用該礦山實際生產要求，在滿足生產礦石需求的前提下，該模型優化后的炸藥消耗、運輸費用比實際生產成本要低，對礦山生產調度計劃的制定有一定的參考價值。

參考文獻

[1]戴劍勇，楊仕教，丁德鑫. 扁平化管理模式下露天礦山生產調度系統群集擬生態優化研究[J].南華大學：自然科學版， 2009，23（3）：14-17.

[2]楊仕教.露天礦山生產調度系統群集擬生態優化方法及應用研究[D]. 長沙：中南大學.2007.

[3]Yang Shi-jiao， Dai Jianyong， Wu Changzhen， Li Bing， Huo Xiaoyu. Optimization Research for Cement Materials Mine Production Scheduling System Based on MultiAgent Technology[J]. Computer Distributed Control and Intelligent Environmental Monitoring （CDCIEM）. 2012（118）： 473-479.

[4]戴劍勇，楊仕教，古德生. 遺傳算法在水泥礦山卡車運輸調度系統中的應用[J]. 中國工程科學，2006，8（8）：77-80.

[5]M Wooldridge， N Jennings. Intelligent agents： theory and practice [J]. The Knowledge Engineering Review. 1995. 10（2）： 115-152.

[6]Michael Wooldridge. An Introduction to MultiAgent Systems[M]. New York， USA： John Wiley Sons. 2001.

[7]徐新黎，俞靚亮，王磊，等.基于多智能體的流程工業動態調度研究[J].計算機工程.2012，38（4）：10-13.

[8]鄢超波，賴華貴.趙千川.多智能體并行仿真框架[J].系統仿真學報.2010，22（1）：191-195.

[9]王青，史維祥.采礦學[M]. 北京：冶金工業出版社.2009.

[10]倪建軍.復雜系統多Agent建模與控制的理論及應用[M]. 北京：電子工業出版社.2011.

[11]霍曉宇， 楊仕教，吳長振，等.露天礦山運輸調度系統粒子群優化研究. 煤炭學報.2012， 37（增刊1）： 234-239.

[12]鄧鐵永，張世文，李智勇. 改進粒子群算法在多模態函數化中的應用[J].系統工程，2011，28（11）：110-115.