一、大型露天矿卡车实时调度系统的遗传算法研究（论文文献综述）
李晓光[1]（2021）在《露天矿新能源纯电动无人卡车多目标调度模型及仿真》文中提出
巩旭鹏[2]（2021）在《改进启发式算法及其在矿山生产调度中的应用》文中认为随着科技的不断进步,矿山开采也发生了很大的变化,进入了信息化时代。但在现阶段,开采工艺的信息化程度并不高,矿产资源并不能得到有效利用,造成企业效益低下。如何利用智能化技术进行生产调度成为可持续发展的必要前提,进一步提高矿山资源的整体利用率。由此,本文对以下几个方面进行研究分析:（1）介绍了目前采矿业的相关情况,通过对矿山资源优化及生产调度的详细描述,并给出了现有的主要研究方法。进一步对后文所用到的帝国主义竞争算法（Imperialist Competitive Algorithm,ICA）和遗传算法（Genetic Algorithm,GA）进行深入分析。基于其不足之处,提出了自适应帝国主义竞争算法（Imperialist Competitive Algorithm with Adaptive competition,AICA）和自适应遗传算法（Adaptive Genetic Algorithm,AGA）,克服了常规算法的缺陷。最后拿基准函数测试算法的有效性,结果表明了算法在求解时的优越性。（2）研究了基于AICA算法对矿山截止品味的优化,将矿山生产各环节的关系建立以以最大净现值（Net Present Value,NPV）为目标函数的优化模型。分别利用ICA和AICA算法对模型求解,结果证明了改进算法的优越性。并与现有Lane理论进行最优截止品味误差对比,AICA误差较小。最后以国内某矿山为例,进行理论验证。基于所建立模型和矿山数据,利用改进前后算法进行优化,结果显示AICA算法更优,得到的NPV更大,能为企业创造更大的效益。（3）根据矿山卡车的调度特点,分析其目标需求,根据现有文献的研究现状,建立了以矿卡运输代价最小、矿卡排队时间最短的多目标模型。基于AGA算法,设计出多目标加权和NSGA-II两种算法对模型求解,由结果对比可知,NSGA-II算法求解较优。本文的研究和结论进一步丰富和完善了矿山资源优化及生产调度决策的理论和方法,在理论和实际应用上都具有一定意义。
王骞[3]（2021）在《基于机器学习的露天矿卡车油耗预测分析及调度研究》文中研究表明在露天矿采掘生产过程中,如何达成绿色发展、降本增效的目标,是矿山企业发展面临的重要问题。燃油消耗指数是评价露天矿山绿色、经济的重要参数,对其进行精准地预测,既可实现露天矿卡车燃油消耗的精确管控,也是实现露天矿卡车控制成本调度的关键因素。通过对露天矿卡车油耗进行预测,优化露天矿卡车调度模型,以此来提高露天矿资源利用率,降低企业生产成本,提高企业经济效益,推动矿山经济、绿色、智能发展,实现矿山高效智能生产。具体工作主要有以下几个方面:（1）针对露天矿卡车燃油消耗预测所涉及的机器学习理论与算法进行了阐述,对卡车调度优化理论进行了梳理与分析,为解决基于卡车油耗预测的调度模型问题提供了基础。（2）针对影响露天矿卡车运输过程燃油消耗的因素进行分析,确定了露天矿卡车油耗预测模型的特征样本,并阐述了样本数据的采集与处理。（3）针对露天矿卡车的燃油消耗预测问题,利用机器学习支持向量机算法（Support Vector Machine,SVM）结合群智能优化算法（粒子群优化算法,PSO;遗传优化算法,GA）建立了露天矿卡车油耗预测模型,并利用相关特征数据,进行仿真实验。实验结果表明:PSOGA-SVM具有较好的预测性能。（4）针对卡车每一运输过程的油耗进行预测,将油耗预测的结果作为初始参数带入到露天矿卡车调度模型中,构建基于露天矿卡车油耗预测的调度模型。并通过河南某露天矿的智能管控系统采集现场生产实际数据,经过处理后,采用改进的混合蚁群算法进行模型求解,得到实际生产的调度规划方案。本论文的研究为矿山实现控制成本调度,提高矿山资源利用率提供了帮助,对露天矿经济、绿色发展具有一定的意义。
金裕[4]（2021）在《金属露天矿油电混编卡车调度优化及应用研究》文中提出随着新旧动能转换及《中国制造2025》的目标发布,绿色和智能成为未来矿山行业的发展主题。新能源电动矿车以其低能耗和零排放的特点,其规模在矿山车辆占比与日剧增,但是针对油电混编特性的行车调度问题应用研究较少。同时,现有配车方式多为机动配车模式,而在优化调度时保持配车的相对固定,更为符合矿山生产实际需求。本文在分析传统露天矿卡车调度多目标模型的基础之上,立足于矿山生产实际情况,建立考虑油电混编车辆供矿情况的兼顾固定配车和机动配车的露天矿卡车调度优化模型。模型通过改进人工鱼群算法进行求解,为解决金属露天矿油电混编卡车调度问题提供新的思路。主要工作内容包含以下4个部分:（1）对露天矿卡车调度优化研究进行总结,分析露天矿油电混编车辆调度现状,对露天矿卡车调度配车方式进行概述,为建立考虑油电混编车辆供矿情况的兼顾固定配车和机动配车的露天矿卡车调度多目标优化模型提供了理论基础。同时对多目标人工鱼群算法进行概述,为提出自适应人工鱼视野和步长及求解金属露天矿油电混编车辆调度模型做出理论铺垫。（2）分析传统露天矿卡车调度多目标调度模型不足,考虑油电混编车辆供矿情况的兼顾固定配车和机动配车的露天矿卡车调度实际需求,建立以露天矿品位偏差率、卡车总运输成本最小及挖机总等待时间最小为目标,考虑油电混编车辆供矿情况的兼顾固定配车和机动配车的露天矿卡车调度多目标优化模型（3）分析基本人工鱼群算法参数对收敛速度和精度的影响,改进人工鱼固定步长和视野为自适应步长和视野,同时引入人工鱼淘汰机制,根据人工鱼群算法特点,结合露天矿卡车调度实际问题,设计算法关键参数,将人工鱼群算法与露天矿卡车调度问题相结合,并对金属露天矿油电混编卡车调度模型进行求解。显示改进人工鱼群算法的优化效果更好。（4）通过提出的金属露天矿油电混编卡车调度模型和改进人工鱼群算法优化M露天矿的生产调度,为油电混编车辆调度问题提供可靠的解决方案,应用表明:此方法提高露天矿卡车运输效率、提高矿山企业经济效益、降低卡车运输成本、控制品位波动的目的。
顾清华,马平平,闫宝霞,卢才武,陈露[5]（2021）在《基于HGSVMA模型的露天矿卡车行程时间动态预测研究》文中研究说明针对露天矿卡车在车流规划中的行驶时间预测问题,提出一种基于遗传算法优化SVM参数方法,并考虑卡车状态、速度、载重量以及路面类型、坡度等9个影响因子,构建了基于HGSVMA模型的露天矿卡车行程时间预测模型。实验选取某大型露天矿卡车调度系统所采集的卡车行程时间进行仿真模拟,并将HGSVMA模型与GS-SVM模型、PSO-SVM模型和GA-SVM模型的预测结果进行对比,结果表明,HGSVMA模型预测效果最好,对提高露天矿卡车行程时间预测具有良好的应用前景。
莫明慧[6]（2020）在《露天矿无人驾驶卡车多目标车流分配调度算法及应用》文中研究指明随着露天采矿的不断发展,为更好地提高现代化露天矿安全生产效率,使用无人驾驶卡车代替传统的卡车作为运输工具,将在露天矿生产过程中发挥越来越重要的作用。在无人驾驶卡车的背景下,露天矿无人驾驶卡车车流分配调度是新型露天矿无人驾驶卡车调度的核心内容,合理的车流分配调度将大幅度提高智能开采效率。为了促进新型露天矿的发展朝着无人化、智能化、精细化、高效化发展,论文针对露天矿无人驾驶卡车多目标车流分配调度问题,展开了以下研究:（1）对国内外矿卡车流分配调度模型理论研究和优化研究进行了总结,对传统人工驾驶车流分配调度问题进行概述,对新型露天矿无人驾驶卡车车流分配调度与传统人工驾驶卡车调度问题的异同进行分析,为建立无人驾驶卡车多目标车流分配调度模型做理论基础。同时对多目标优化基本概念和多目标优化算法进行了概述,为求解无人驾驶卡车多目标车流分配调度模型做理论铺垫。（2）根据目前研究文献总结出,露天矿卡车车流分配调度时遵循的需求主要来源于收益、成本、矿石质量三个方面,建立了以运输成本最小、无人驾驶卡车总排队时间最小、品位偏差最小为目标函数的传统露天矿卡车多目标车流分配调度模型。通过与传统人工驾驶卡车车流分配调度模型的对比,建立了在无人驾驶卡车背景下以运输成本最小、无人驾驶卡车总排队时间最小、品位偏差最小为目标函数的露天矿无人驾驶卡车多目标车流分配调度模型。（3）根据建立的露天矿无人驾驶卡车多目标车流分配调度模型的特点,结合多目标遗传算法、基于分解多目标优化算法适应性和特点,最终选用pareto支配、分解与约束支配相融合的方法,提出一种新的基于分解约束支配的NSGA-II优化算法（Decomposition-based constrained dominance principle NSGA-II即DBCDP-NSGA-II）。并将算法用于求解露天矿无人驾驶卡车多目标车流分配调度模型中,并通过与C-NSGA-II（Constraint Non-dominated Sorting Genetic Algorithm-II）、C-MOEA/D（Constraint Multi-objective Evolutionary Algorithm Based on Decomposition）算法相对比,DBCDP-NSGA-II在三个目标函数方面均有最好解。并且算法一次运行结果包含多个Pareto最优解及多种车流分配调度计划,可以满足矿山不同生产需要,为露天矿生产管理者提供了多种选择方案。（4）将本研究提出的露天矿无人驾驶卡车多目标车流分配调度模型和求解算法用于某露天矿智能开采区的无人驾驶卡车车流分配调度管理中。选取该露天矿智能开采区某卡车某班次的相关数据,得到了pareto最优解集,展示了20辆无人驾驶卡车的调度方案,一个班次内1号无人驾驶卡车时间表和甘特图等。结果表明该车流分配调度算法降低了露天矿开采中的运输成本,减小了无人驾驶卡车的排队时间,有效控制了品位波动。
马平平[7]（2020）在《基于机器学习的露天矿卡车状态运行时间预测及调度应用》文中认为在露天矿采掘生产过程中,如何高效合理的利用采运设备进行生产,是矿山企业发展面临的重要问题。行程时间作为衡量道路通行能力的重要参数,对其进行实时预测,可以实现卡车在运行过程中的实时管控和调度,也是实现露天矿卡车实时调度、控制的关键因素。因此,通过对卡车状态以及状态运行时间进行预测,优化卡车调度模型,以此来提高卡车设备利用率,提高企业经济效益,推动矿山智能化发展,实现高效智能生产。具体工作主要有以下几个方面:（1）针对露天矿卡车状态识别以及状态时间预测所涉及的机器学习理论与算法进行了阐述,并介绍了卡车调度优化理论,为基于卡车状态运行时间预测的调度模型建立与求解提供了思路。（2）针对露天矿卡车在装运卸运输过程中的各种状态,利用机器学习算法建立了露天矿卡车状态识别模型,并利用智能调度管控平台采集到的相关特征数据,进行仿真实验。结果表明:Adaboost算法在露天矿卡车状态识别方面具有良好的识别性能。（3）针对卡车状态运行时间,利用机器学习算法建立了露天矿卡车状态运行时间预测模型,并利用相关特征数据,进行仿真实验。对于每一状态运行时间预测,所适用的最佳机器学习模型是不同的,SVM模型适用于空载和卸载状态运行时间预测,RF模型适用于待装、装载和重载状态运行时间预测。（4）通过对每一状态使用精准预测模型进行卡车状态运行时间预测,将预测结果作为参数带入到调度模型中,建立基于露天矿卡车状态运行时间预测的调度模型。并基于智能调度管控平台采集到的现场卡车实际运行数据,进行数据整合处理后,采用遗传-粒子群混合算法进行求解,得到更加切合实际的调度策略。本文的研究成果,进一步为卡车调度优化提供了新的方法与解决途径,也为智能化调度奠定了基础,对露天矿卡车生产调度具有重要的实用价值。
张媛[8]（2020）在《综合成本最小的露天矿卡车低碳调度优化研究》文中研究说明目前,绿色、低碳已成为运输业发展的目标,而露天矿卡车调度运输问题是一类特殊的物流运输问题,因此在矿山规模逐渐扩大的过程中,绿色发展、低碳化发展已成为重中之重。本文以露天矿卡车调度运输为研究对象,综合考虑卡车在运输过程中产生的各项成本,构建了综合成本最小的露天矿卡车低碳调度优化模型,将改进后的遗传算法与蚁群算法相结设计出了求解低碳调度问题的混合蚁群算法。本文所做的主要工作如下:（1）构建了露天矿卡车低碳调度优化模型,分析了低碳发展、碳减排对露天矿发展的重要性,结合露天矿卡车调度运输的特点与低碳、绿色等因素,综合分析了卡车在调度运输过程中产生的各项成本,从低碳角度出发,以总成本最小为目标对露天矿卡车的调度运输进行研究。（2）针对卡车低碳调度优化模型及新提出的算法的收敛性能,设计出符合低碳调度的因子,遗传算法中对交叉和变异进行了改进,蚁群算法中引入矿石品位差异因子,减少调度过程中因卡车所运载的矿石品位相差较大而影响配矿结果等问题,加入一种比较策略使遗传算法运行结束后能准确快速的进入蚁群算法继续求解。采用标准的车辆运输问题对改进后的算法的性能进行测试,对求解结果进行对比分析,表明混合算法的求解结果更符合要求。（3）根据河南某露天矿的调度要求,将提出的方法应用到实际调度中,对考虑不同因素的模型进行求解对比,证明了本文所建立的模型更符合实际情况,使用三种不同算法求解本文的低碳调度模型,表明改进后的混合算法的求解结果较优,整体的求解结果可明显降低调度成本,提高工作效率。通过此矿山的调度管控平台,将其与实时调度相结合,可降低能耗和碳排量,使调度工作更优。本论文的研究为矿山实现低碳调度,走低碳化发展道路提供了帮助,对露天矿的绿色发展具有重要意义。
徐新智[9]（2020）在《多装载机多卡车调度与运营研究》文中提出轮式装载机卡车装载与运输场景是典型的工程车辆运营场景,由于该场景具有工程车辆种类繁多,数量庞大和运输环境复杂等特点,因此对运营策略进行研究是十分必要的。在运营场景中,燃油消耗以及运输效率是两个重要的指标,在燃油消耗方面,相较于路面车辆,工程车辆由于负重高且运输环境复杂,因此燃油消耗普遍较高。为了节省化石燃料的使用,解决能源短缺和环境污染问题,运营者需要通过运营策略来降低燃油消耗。而在运输效率方面,通过运营策略提高运输效率有利于降低运营场景的运营成本。然而,提高运输效率需要更强劲的工程车辆动力系统,但会使燃油消耗增大;动力较弱的工程车辆虽然燃油消耗较低,但运输效率也较低,二者之间存在矛盾。为了平衡两个互相矛盾的指标,本研究提出一种新的评价方法和运营策略,新的评价方法为车队运营成本,兼顾了车队燃油消耗以及车队运输效率;运营策略为通过最小化车队运营成本,实现车队燃油消耗和车队运输效率的平衡。针对轮式装载机卡车装载与运输场景,本研究以工程车辆配置参数（卡车数量以及装载机数量）和运行参数（卡车装载时间）为运营场景中的变量,分析了其对车队燃油消耗、车队运输效率以及车队运营成本的影响;为了在运营场景中获得工程车辆的时间和位置信息,本研究制定了一种工程车辆调度管理策略;通过工程车辆动力学建模和仿真获得燃油消耗,并制定了量化车队燃油消耗、车队运输效率以及车队运营成本的方法;最后给出了运营决策方法,通过给出最佳配置运行参数使车队运营成本达到最小化,实现车队燃油消耗和车队运输效率的平衡。本论文具体安排如下:第一章介绍了论文的研究背景,回顾了工程车辆燃油消耗、运输效率以及运营成本研究的国内外研究现状,说明了工程车辆运营策略的重要性,并阐明了论文研究的重要意义,最后说明了本论文的研究内容。第二章介绍了轮式装载机卡车装载与运输场景,并对工程车辆运营策略展开研究,介绍了运营策略流程,包括配置运行参数研究、调度管理研究、运营量化研究和运营决策研究。阐述了工程车辆调度管理的具体方案,并给出了运营中车队燃油消耗、车队运输效率以及车队运营成本的量化方法,其中车队燃油消耗通过建模与仿真的手段获得。第三章对工程车辆动力系统进行了建模并完成了其控制器的设计,目的在于通过仿真获得工程车辆的燃油消耗。建立了主要元件的数学模型,基于发动机最佳工作点制定了控制策略,并在此基础上设计了发动机转速控制器和工程车辆速度控制器。第四章进行了工程车辆燃油消耗的仿真研究,在MATLAB/Simulink中搭建了工程车辆动力系统仿真模型,给出了工况设置方法,包括工程车辆速度曲线设置以及装载机作业系统压力、流量设置,明确了运营场景中工程车辆的动力学参数,获得了在不同卡车数量和卡车装载时间下的工程车辆燃油消耗。第五章进行了运营量化研究,根据第二章讲述的运营量化方法,计算出了工程车辆在所有配置运行参数下的车队燃油消耗、车队运输效率以及车队运营成本,并进行分析。运营决策研究通过对运营量化结果的分析和对比,给出使车队运营成本最小化的最佳配置运行参数,实现车队燃油消耗和车队运输效率的平衡。第六章总结了论文的主要研究成果,指出了研究过程中的不足之处,对未来的研究工作进行了展望。
刘设[10]（2019）在《基于随机过程的露天矿生产系统调度方法研究》文中进行了进一步梳理大型露天矿需要大规模的设备投资和能源消耗。如何在保证设备利用率的同时,实现节能降耗,是提高企业效益的关键。通常可以从矿山的开拓规划、生产工艺优化设计和生产物流调度三个层面实现降本提效。本文从设备调度层面,针对生产设备调度、维护管理等问题,进行分析和优化。其研究有利于提高设备有效利用时间,降低设备维护成本和单位生产成本。露天矿生产系统通过实时采集和实时调配运输设备来完成大规模的物料转移,是包括离散过程和连续过程、定性和定量问题混合的复杂系统。本文综合运用随机过程理论、灰色理论、数理统计分析和混合整数规划模型等方法,结合露天开采工艺和生产流程,通过对工艺设备与各种生产指标等历史数据的调查研究和量化分析,以揭示露天矿生产系统在随机条件下的部分运作特征,并对其中电铲、卡车等主要生产设备进行优化调度。主要内容包括:（1）结合露天矿生产工艺理论基础和实际应用需求,阐述了论文选题的背景和研究意义,归纳论述我国露天矿生产工艺应用现状及国内外研究方法。露天矿产量由于受设备状况、外障、自然因素、市场因素等众多不确定因素共同影响,具有很大的不确定性。针对生产随机性构建灰色神经网络集成模型,提高了生产材料消耗模型预测精度,为科学制定生产调度计划、实现资源合理配置提供依据。随机过程分析中马尔科夫链模型具有有限种状态的无后效性特点,从实测的时间序列中提取随机过程,应用多元时空序列马尔科夫过程对露天矿产量进行分析,不仅可以揭示产量随时间推进过程的宏观规律,而且可以作为分析产量指标发展的微观机制的基础。建立多元指标马尔科夫模型,对剥离产量和采煤产量的剥量、煤量、运距、提升高度等多个指标,将增长率波动划分为5种状态,根据安家岭煤矿23个月产量,计算状态转移概率,按最大概率原则准确预测2017年12月的产量的多项指标。（2）在分析露天矿生产系统中不确定因素基础上,对生产过程中的日故障时长时间参数进行时间序列统计,应用BP-ARIMA组合模型分析非稳定时间随机序列数学模型。通过数据库提取得到连续100天故障时长,故障时长时间序列图显示为非稳定时间随机序列。此模型均值及自相关系数估计都通过显着性检验,模型通过残差自相关检验,进一步应用神经网络优化残差修正拟合值提高精度。由于设备故障常常呈现出非线性行为,利用核主成分分析非线性特征提取的优势将其应用于设备故障模式识别和分析。由机械维修时间、电气维修时间、轮注时间、电焊时间、外障时间构成故障时间特征库,为实现非线性问题的高效求解,利用核函数将原始空间数据映射到特征空间并寻找线性关系。仿真实验结果表明,该模型能够降低计算的复杂度,具有良好的泛化能力,实现了对设备故障特征的降维处理,能够准确地识别出受随机因素影响大的设备,有效减少了计算复杂度。（3）电铲、卡车之类的关键性设备一旦出现故障,将严重影响煤矿的生产。为使设备处于性能良好状态,保证完成生产任务,通过监测与分析设备性能状态来制定行之有效的预防性维修策略。目前,设备可靠性监测与分析的一般思路是监测设备动态性能信号,信号经处理与分析后提取出关键性能特征参数,以识别设备运行状态,进而分析设备可靠性。然而,由于设备本身结构和运行环境的复杂性,设备使用过程中所监测到的性能特征参数,即观测序列,并不能与状态简单地一一对应。隐马尔科夫链模型具有双重随机过程机制,可以通过概率分布将设备状态观测序列与隐性能状态联系起来,从而更加真实描述和预测实际工程情况。本文识别离散多观测序列下设备隐含的状态变迁过程,根据建立状态变迁模型来推断设备运行性能状态,并实例分析重要设备730E型矿用卡车的状态变化。对730E型卡车故障数据信号进行训练、特征值提取和标量量化,建立具有观测值数和相应状态数的隐马尔科夫链模型。通过对设备运行性能状态进行监测、分析与预测,能够帮助露天矿矿企业及时发现和预测设备状态变化,制订合理的维修计划,提高设备可靠性,对提高设备利用率、减少设备维修费用、延长设备使用寿命、确保完成煤炭生产计划等都具有重要意义。（4）根据露天矿实际生产和调度情况,考虑设备定期维护车辆定期维护和故障对生产的影响,提炼出一类卡车调度问题进行研究。针对矿山实际运输车辆的产能约束和装车点生产顺序要求,以设备调度鲁棒性为优化目标,建立混合整数规划模型。模型优化目标包括两部分,实际运输总价值期望值和临时故障引起车辆调度变化的期望值。在生产调度中,实际运输总价值取决于电铲和卡车产能和有效运行时间。通过分析生产能力和设备产能关系,提出关于总运输能力上界的不等式。基于问题特征,设计了一种启发式算法对该调度问题进行求解,通过数据实验证明提出的算法能在可行的时间内求解问题,从解的鲁棒性和上限比较,可以看出求解质量令人满意。
二、大型露天矿卡车实时调度系统的遗传算法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、大型露天矿卡车实时调度系统的遗传算法研究（论文提纲范文）
（2）改进启发式算法及其在矿山生产调度中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词注释表 |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状及存在问题 |
| 1.2.1 国内外研究现状 |
| 1.2.2 存在问题 |
| 1.3 本文主要研究内容及意义 |
| 1.3.1 研究内容 |
| 1.3.2 研究意义 |
| 1.4 论文结构安排 |
| 第2章 相关理论与算法改进 |
| 2.1 矿山资源优化及生产调度概述 |
| 2.2 矿山资源优化及生产调度问题主要研究方法 |
| 2.2.1 精确算法 |
| 2.2.2 启发式算法 |
| 2.2.3 改进算法 |
| 2.3 改进ICA及实验测试 |
| 2.3.1 ICA的基本思想 |
| 2.3.2 ICA的改进 |
| 2.3.3 实验结果与分析 |
| 2.4 改进GA及实验测试 |
| 2.4.1 GA概述 |
| 2.4.2 GA改进策略 |
| 2.4.3 算法结果测试 |
| 2.5 本章小结 |
| 第3章 基于AICA的矿山截止品味优化 |
| 3.1 最优截止品位模型的确定 |
| 3.2 最大化目标函数 |
| 3.3 基于AICA的模型求解策略 |
| 3.3.1 实验结果分析 |
| 3.4 实例应用 |
| 3.5 本章小结 |
| 第4章 基于多目标遗传算法在矿山车辆调度中的应用 |
| 4.1 露天矿卡车运输调度多目标优化模型 |
| 4.1.1 目标函数 |
| 4.1.2 约束条件 |
| 4.2 多目标遗传算法 |
| 4.2.1 多目标加权遗传算法 |
| 4.2.2 NSGA-II算法 |
| 4.3 露天矿卡车调度多目标遗传算法 |
| 4.3.1 矿卡调度问题编码 |
| 4.3.2 产生初始种群 |
| 4.3.3 遗传算法及其改进策略 |
| 4.3.4 约束处理 |
| 4.3.5 矿石规划模拟算例 |
| 4.3.6 多目标加权遗传算法求解 |
| 4.3.7 基于NSGA-II算法的求解 |
| 4.4 不同方法计算结果对比分析 |
| 4.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间的研究成果及发表的学术论文 |
（3）基于机器学习的露天矿卡车油耗预测分析及调度研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 卡车油耗预测研究现状 |
| 1.2.2 卡车调度优化研究现状 |
| 1.2.3 研究现状评述 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本文创新点 |
| 2 相关理论与算法 |
| 2.1 机器学习理论与算法 |
| 2.1.1 机器学习理论 |
| 2.1.2 机器学习算法 |
| 2.2 露天矿卡车调度理论 |
| 2.2.1 露天矿卡车调度概述 |
| 2.2.2 露天矿卡车调度理论 |
| 2.3 本章小结 |
| 3 露天矿卡车油耗预测模型构建与分析 |
| 3.1 油耗影响因素分析与选取 |
| 3.1.1 影响因素分析与选取 |
| 3.2 数据采集与处理 |
| 3.2.1 数据采集 |
| 3.2.2 数据处理 |
| 3.3 卡车油耗预测模型构建 |
| 3.3.1 优化SVM参数的混合粒子群优化算法 |
| 3.3.2 基于PSOGA-SVM的油耗预测模型构建 |
| 3.4 露天矿卡车油耗预测模型实验分析 |
| 3.4.1 露天矿卡车油耗预测数据样本 |
| 3.4.2 露天矿卡车油耗预测结果 |
| 3.4.3 露天矿卡车油耗预测模型评价 |
| 3.5 本章小结 |
| 4 基于露天矿卡车油耗预测的调度模型构建及求解 |
| 4.1 基于露天矿卡车油耗预测的调度模型构建 |
| 4.1.1 调度问题描述 |
| 4.1.2 调度数学模型 |
| 4.2 求解卡车调度模型的混合蚁群算法 |
| 4.2.1 基本算法介绍 |
| 4.2.2 算法的改进策略 |
| 4.2.3 混合蚁群算法求解流程 |
| 4.3 求解算法性能评价 |
| 4.4 本章小结 |
| 5 实例应用 |
| 5.1 河南某露天矿基本情况 |
| 5.1.1 露天矿概述 |
| 5.1.2 露天矿智能调度系统 |
| 5.2 河南某露天矿调度优化应用 |
| 5.2.1 数据获取 |
| 5.2.2 优化结果 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
| 致谢 |
（4）金属露天矿油电混编卡车调度优化及应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 露天矿卡车调度优化 |
| 1.2.2 油电混编车辆调度 |
| 1.2.3 国内外配车方式 |
| 1.2.4 研究现状述评 |
| 1.3 本文研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本文创新点 |
| 1.5 本章小结 |
| 第2章 相关理论与算法 |
| 2.1 露天矿卡车调度问题 |
| 2.1.1 露天矿卡车调度特点 |
| 2.1.2 露天矿卡车调度理论 |
| 2.2 车辆调度问题算法研究 |
| 2.3 多目标优化理论及人工鱼群算法 |
| 2.3.1 多目标优化理论 |
| 2.3.2 人工鱼群算法 |
| 2.4 本章小结 |
| 第3章 金属露天矿油电混编卡车调度优化模型 |
| 3.1 金属露天矿油电混编卡车调度优化模型构建分析 |
| 3.1.1 卡车调度需求分析 |
| 3.1.2 配车模式分析 |
| 3.2 传统露天矿卡车多目标调度模型分析 |
| 3.2.1 传统露天矿卡车多目标调度模型目标函数 |
| 3.2.2 传统露天矿卡车多目标调度模型约束条件 |
| 3.3 金属露天矿油电混编卡车调度优化模型构建 |
| 3.3.1 金属露天矿油电混编卡车调度优化模型目标函数 |
| 3.3.2 金属露天矿油电混编卡车调度优化模型约束条件 |
| 3.4 本章小结 |
| 第4章 金属露天矿油电混编卡车调度优化问题求解 |
| 4.1 金属露天矿油电混编卡车调度优化求解算法关键问题设计 |
| 4.1.1 油电混编卡车调度优化问题编码 |
| 4.1.2 油电混编卡车调度优化问题种群初始化 |
| 4.1.3 油电混编卡车调度优化问题人工鱼设计 |
| 4.1.4 油电混编卡车调度优化模型约束处理 |
| 4.2 基本人工鱼群算法的改进 |
| 4.2.1 参数对收敛性能的影响分析 |
| 4.2.2 改进的人工鱼群算法 |
| 4.2.3 改进算法性能测试 |
| 4.3 金属露天矿油电混编卡车调度优化模型求解及分析 |
| 4.3.1 油电混编卡车调度优化模拟算例参数 |
| 4.3.2 金属露天矿油电混编卡车调度优化模型求解结果 |
| 4.4 本章小结 |
| 第5章 M露天矿卡车调度系统设计与应用 |
| 5.1 M露天矿卡车调度概述 |
| 5.2 M露天矿卡车调度系统 |
| 5.2.1 系统配置部署 |
| 5.2.2 系统功能设计 |
| 5.3 M露天矿调度优化应用 |
| 5.3.1 卡车调度问题数据获取 |
| 5.3.2 M露天矿卡车调度优化 |
| 5.3.3 M露天矿卡车实时调度 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
| 致谢 |
（5）基于HGSVMA模型的露天矿卡车行程时间动态预测研究（论文提纲范文）
| 1 HGSVMA模型 |
| 1.1 支持向量机 |
| 1.2 基于遗传算法改进支持向量机 |
| 2 实证分析 |
| 2.1 数据样本 |
| 2.2 模型评价指标 |
| 2.3 模型参数选取 |
| 2.4 模型预测结果 |
| 3 结语 |
（6）露天矿无人驾驶卡车多目标车流分配调度算法及应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 露天矿无人开采技术研究现状 |
| 1.2.2 矿卡车流分配调度模型理论研究现状 |
| 1.2.3 矿卡车流分配调度模型优化研究 |
| 1.2.4 已有研究存在的不足 |
| 1.3 本文研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 相关理论 |
| 2.1 露天矿矿车车流分配调度问题 |
| 2.1.1 车流分配调度概念 |
| 2.1.2 露天矿矿车车流分配调度基本理论 |
| 2.1.3 无人卡车调度与人工卡车调度的问题对比 |
| 2.2 多目标优化理论 |
| 2.2.1 多目标优化问题 |
| 2.2.2 Pareto最优解相关定义 |
| 2.2.3 求解多目标问题的优化算法 |
| 2.3 本章小结 |
| 3 露天矿无人驾驶卡车多目标车流分配调度模型 |
| 3.1 传统露天矿卡车车流分配调度模型 |
| 3.1.1 人工卡车车流分配调度模型目标函数 |
| 3.1.2 人工卡车车流分配调度模型约束条件 |
| 3.2 露天矿无人卡车车流分配调度建模分析 |
| 3.3 露天矿无人驾驶卡车多目标车流分配调度模型 |
| 3.3.1 无人驾驶卡车多目标车流分配调度模型假设条件 |
| 3.3.2 无人驾驶卡车多目标车流分配调度模型的目标函数构建 |
| 3.3.3 无人驾驶卡车多目标车流分配调度模型约束条件 |
| 3.4 本章小结 |
| 4 露天矿无人驾驶卡车多目标车流分配调度模型求解 |
| 4.1 多目标遗传算法 |
| 4.2 基于分解的多目标优化算法 |
| 4.3 分解约束支配NSGA-II优化算法的设计 |
| 4.3.1 权重向量选取 |
| 4.3.2 种群关联权重向量 |
| 4.3.3 分解约束支配排序 |
| 4.3.4 DBCDP-NSGA-II算法流程 |
| 4.4 优化算法求解混合矿岩规划模拟算例 |
| 4.4.1 初始化设置 |
| 4.4.2 不同方法计算结果对比分析 |
| 4.5 本章小结 |
| 5 华中地区某露天矿无人驾驶卡车多目标车流分配调度应用 |
| 5.1 华中地区某露天矿概述 |
| 5.2 华中地区某露天矿数值化智能开采生产管理系统 |
| 5.2.1 系统配置部署 |
| 5.2.2 系统功能简介 |
| 5.3 华中地区某露天矿无人驾驶卡车多目标车流分配调度应用 |
| 5.3.1 数据获取 |
| 5.3.2 优化结果 |
| 5.3.3 实时调度 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 创新点和结论 |
| 6.1.1 结论 |
| 6.1.2 创新点 |
| 6.2 展望 |
| 参考文献 |
| 作者在读期间研究成果 |
| 致谢 |
（7）基于机器学习的露天矿卡车状态运行时间预测及调度应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 行程时间预测研究现状 |
| 1.2.2 卡车调度优化研究现状 |
| 1.2.3 研究现状评述 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 创新点 |
| 1.5 论文组织结构 |
| 2 相关理论 |
| 2.1 机器学习理论 |
| 2.1.1 机器学习理论 |
| 2.1.2 机器学习算法 |
| 2.2 露天矿卡车调度理论 |
| 2.2.1 露天矿卡车调度概述 |
| 2.2.2 露天矿卡车调度理论 |
| 2.3 本章小结 |
| 3 露天矿卡车状态识别及运行时间预测模型构建 |
| 3.1 露天矿卡车状态类别 |
| 3.2 卡车状态识别模型构建 |
| 3.2.1 卡车状态识别特征样本采集 |
| 3.2.2 卡车状态识别模型构建 |
| 3.3 卡车状态运行时间预测模型构建 |
| 3.3.1 卡车状态运行时间特征样本采集 |
| 3.3.2 卡车状态运行时间预测模型构建 |
| 3.4 本章小结 |
| 4 露天矿卡车状态识别及运行时间预测模型计算分析 |
| 4.1 卡车状态识别模型计算分析 |
| 4.1.1 卡车状态识别样本数据 |
| 4.1.2 卡车状态识别结果 |
| 4.1.3 卡车状态识别模型评价 |
| 4.2 卡车状态运行时间预测模型计算分析 |
| 4.2.1 卡车状态运行时间预测样本数据 |
| 4.2.2 卡车状态运行时间预测结果 |
| 4.2.3 卡车状态运行时间预测模型评价 |
| 4.3 本章小结 |
| 5 基于露天矿卡车状态运行时间预测的调度应用 |
| 5.1 基于露天矿卡车状态运行时间预测的调度模型构建 |
| 5.1.1 问题描述 |
| 5.1.2 数学模型 |
| 5.2 求解调度模型的遗传-粒子群优化混合算法 |
| 5.2.1 遗传-粒子群混合算法改进策略 |
| 5.2.2 遗传-粒子群混合算法流程 |
| 5.3 实例应用 |
| 5.3.1 矿山概况 |
| 5.3.2 数据获取 |
| 5.3.3 优化结果 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读研究生期间取得的研究成果 |
| 致谢 |
（8）综合成本最小的露天矿卡车低碳调度优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 露天矿低碳应用研究现状 |
| 1.2.2 露天矿卡车调度建模研究现状 |
| 1.2.3 露天矿卡车调度问题求解方法研究现状 |
| 1.2.4 研究现状评述 |
| 1.3 本文研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 本文创新点 |
| 2 相关理论方法 |
| 2.1 露天矿卡车调度概述 |
| 2.1.1 露天矿卡车调度问题描述 |
| 2.1.2 露天矿卡车调度特点 |
| 2.1.3 露天矿卡车调度传统解决方法 |
| 2.2 低碳调度相关理论 |
| 2.2.1 低碳经济与低碳调度概述 |
| 2.2.2 运输过程碳排放影响因素分析 |
| 2.3 群智能优化算法理论 |
| 2.4 本章小结 |
| 3 露天矿卡车低碳调度优化模型 |
| 3.1 相关概念界定 |
| 3.1.1 低碳卡车运输的内涵 |
| 3.1.2 碳减排的内涵 |
| 3.2 低碳卡车调度问题研究 |
| 3.2.1 考虑二氧化碳排放因素的卡车运输问题 |
| 3.2.2 确定二氧化碳排放量 |
| 3.3 确定卡车调度运输优先级 |
| 3.4 低碳卡车调度优化模型 |
| 3.4.1 低碳卡车调度运输问题描述 |
| 3.4.2 模型的假设条件 |
| 3.4.3 综合成本分析 |
| 3.4.4 模型构建 |
| 3.5 本章小结 |
| 4 基于混合蚁群算法的低碳卡车调度优化模型求解 |
| 4.1 蚁群算法和遗传算法的改进 |
| 4.1.1 蚁群算法的改进 |
| 4.1.2 遗传算法的改进 |
| 4.2 求解低碳卡车调度优化模型的混合蚁群算法设计 |
| 4.2.1 混合蚁群算法基本原理 |
| 4.2.2 混合蚁群算法的寻优过程 |
| 4.2.3 混合蚁群算法流程 |
| 4.3 求解算法性能测试 |
| 4.4 本章小结 |
| 5 某露天矿卡车低碳调度优化与应用 |
| 5.1 河南某露天矿卡车低碳调度 |
| 5.1.1 河南某露天矿概况 |
| 5.1.2 露天矿智能调度系统 |
| 5.2 河南某露天矿低碳调度优化应用 |
| 5.2.1 调度基础数据的获取 |
| 5.2.2 低碳调度模型的验证 |
| 5.2.3 求解低碳调度方法的验证 |
| 5.3 河南某露天矿卡车低碳调度实施 |
| 5.4 本章小结 |
| 6 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的相关科研成果 |
| 致谢 |
（9）多装载机多卡车调度与运营研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 工程车辆燃油消耗 |
| 1.2.1 降低燃油消耗的意义 |
| 1.2.2 工程车辆燃油消耗的计算方法 |
| 1.3 工程车辆运输效率 |
| 1.3.1 运输效率的量化及提高方法 |
| 1.3.2 工程车辆的调度管理 |
| 1.4 工程车辆运营成本 |
| 1.4.1 工程车辆运营成本构成 |
| 1.4.2 工程车辆运营成本最小化方法 |
| 1.5 论文研究的意义以及内容 |
| 1.5.1 论文研究意义 |
| 1.5.2 论文研究内容 |
| 2 多装载机多卡车调度与运营研究 |
| 2.1 多装载机多卡车调度与运营场景 |
| 2.2 多装载机多卡车运营流程 |
| 2.3 多装载机多卡车配置参数和运行参数 |
| 2.4 多装载机多卡车调度管理 |
| 2.4.1 单装载机多卡车装载与运输 |
| 2.4.2 多装载机多卡车装载与运输 |
| 2.5 多装载机多卡车运营量化 |
| 2.5.1 车队运输时间 |
| 2.5.2 车队燃油消耗 |
| 2.5.3 车队运输效率 |
| 2.5.4 车队运营成本 |
| 2.6 本章小结 |
| 3 装载机与卡车动力系统建模与控制器研究 |
| 3.1 装载机与卡车动力系统建模 |
| 3.1.1 装载机发动机数学模型 |
| 3.1.2 装载机行走系统数学模型 |
| 3.1.3 装载机作业系统数学模型 |
| 3.2 装载机与卡车控制策略与控制器设计 |
| 3.2.1 装载机与卡车控制系统架构 |
| 3.2.2 装载机与卡车控制策略 |
| 3.2.3 装载机与卡车控制器设计 |
| 3.3 本章小结 |
| 4 装载机与卡车燃油消耗仿真研究 |
| 4.1 装载机与卡车仿真模型 |
| 4.2 装载机与卡车工况设置 |
| 4.2.1 卡车工况设置 |
| 4.2.2 装载机工况设置 |
| 4.3 装载机与卡车动力学参数 |
| 4.4 装载机与卡车仿真结果 |
| 4.4.1 卡车动力系统仿真结果分析 |
| 4.4.2 装载机动力系统仿真结果分析 |
| 4.5 本章小结 |
| 5 装载机与卡车运营量化与决策研究 |
| 5.1 运营场景参数设置与运营量化流程 |
| 5.2 单装载机多卡车运营量化结果与决策 |
| 5.2.1 车队燃油消耗 |
| 5.2.2 车队运输效率 |
| 5.2.3 车队运营成本 |
| 5.3 多装载机多卡车运营量化结果与决策 |
| 5.3.1 车队燃油消耗 |
| 5.3.2 车队运输效率 |
| 5.3.3 车队运营成本 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 作者简历 |
（10）基于随机过程的露天矿生产系统调度方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究 |
| 1.2.2 国内研究 |
| 1.3 研究内容和方法 |
| 1.4 论文结构 |
| 第2章 露天矿生产系统随机性分析 |
| 2.1 引言 |
| 2.2 露天矿生产系统分析 |
| 2.3 露天矿生产系统影响要素分析 |
| 2.3.1 资源条件对露天矿生产的影响 |
| 2.3.2 生产工艺系统对露天矿生产的影响 |
| 2.3.3 生产工艺环节对露天矿生产的影响 |
| 2.4 露天矿生产系统随机过程分析 |
| 2.4.1 随机过程理论的产生与应用 |
| 2.4.2 露天矿生产系统随机模拟方法 |
| 2.5 本章小结 |
| 第3章 基于组合模型的露天矿生产指标分析与预测 |
| 3.1 引言 |
| 3.2 改进的DGM(1,1)露天矿产量预测算法 |
| 3.2.1 露天矿生产产量指标构成 |
| 3.2.2 基于离散时间序列GM(1,1)的产量预测 |
| 3.2.3 引入缓冲算子提高GM(1,1)精度 |
| 3.2.4 基于灰色关联度的BP改进算法 |
| 3.3 多元时空序列Markov链分析 |
| 3.3.1 马尔科夫序列 |
| 3.3.2 多元时空序列马尔科夫链分析 |
| 3.4 基于改进的DGM(1,1)露天矿产量预测 |
| 3.4.1 安家岭露天煤矿基本情况 |
| 3.4.2 基于DGM(1,1)露天煤矿产量模拟与预测 |
| 3.4.3 基于GM-BP算法的生产材料消耗分析 |
| 3.5 基于多元Markov链露天矿产量分析与预测 |
| 3.5.1 煤矿产量多元时空序列Markov链分析 |
| 3.5.2 煤矿产量多元指标Markov链模型求解过程 |
| 3.5.3 露天矿产量预测分析 |
| 3.6 本章小结 |
| 第4章 露天矿设备性能状态分析与预测 |
| 4.1 引言 |
| 4.2 露天矿设备故障及状态识别方法 |
| 4.2.1 随机变量相关性分析 |
| 4.2.2 主成分分析基本流程 |
| 4.2.3 求特征值和特征向量法计算主元 |
| 4.2.4 核主元分析方法 |
| 4.3 露天矿设备故障随机分析 |
| 4.3.1 露天矿设备主成分分析 |
| 4.3.2 BP-ARIMA故障随机性分析 |
| 4.3.3 故障时长灾变预测 |
| 4.4 基于DHMM露天矿设备故障状态分析 |
| 4.4.1 露天矿设备故障统计 |
| 4.4.2 隐马尔科夫模型原理 |
| 4.4.3 基于DHMM的设备状态分析 |
| 4.5 矿用卡车730E状态分析 |
| 4.5.1 矿用卡车730E概况 |
| 4.5.2 730E性能参数离散化 |
| 4.5.3 DHMM模型求解与分析 |
| 4.6 本章小结 |
| 第5章 考虑设备维修的生产调度问题建模和优化 |
| 5.1 引言 |
| 5.2 混合整数规划模型 |
| 5.2.1 问题假设 |
| 5.2.2 卡车—电铲混合整数规划模型 |
| 5.3 产能目标的约束不等式 |
| 5.4 求解算法设计 |
| 5.4.1 三阶段算法过程 |
| 5.4.2 代理指标分析 |
| 5.5 计算实验 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录A |
| 在学研究成果 |
| 致谢 |
四、大型露天矿卡车实时调度系统的遗传算法研究（论文参考文献）
- [1]露天矿新能源纯电动无人卡车多目标调度模型及仿真[D]. 李晓光. 西安建筑科技大学, 2021
- [2]改进启发式算法及其在矿山生产调度中的应用[D]. 巩旭鹏. 兰州理工大学, 2021(01)
- [3]基于机器学习的露天矿卡车油耗预测分析及调度研究[D]. 王骞. 西安建筑科技大学, 2021(01)
- [4]金属露天矿油电混编卡车调度优化及应用研究[D]. 金裕. 西安建筑科技大学, 2021(01)
- [5]基于HGSVMA模型的露天矿卡车行程时间动态预测研究[J]. 顾清华,马平平,闫宝霞,卢才武,陈露. 中国矿业, 2021(04)
- [6]露天矿无人驾驶卡车多目标车流分配调度算法及应用[D]. 莫明慧. 西安建筑科技大学, 2020(01)
- [7]基于机器学习的露天矿卡车状态运行时间预测及调度应用[D]. 马平平. 西安建筑科技大学, 2020
- [8]综合成本最小的露天矿卡车低碳调度优化研究[D]. 张媛. 西安建筑科技大学, 2020(01)
- [9]多装载机多卡车调度与运营研究[D]. 徐新智. 浙江大学, 2020(06)
- [10]基于随机过程的露天矿生产系统调度方法研究[D]. 刘设. 沈阳工业大学, 2019(01)