Global scheduling model for trackless rubber-tyred vehicle in underground coal mines
-
摘要:
井工煤矿无轨胶轮车数量多，运输易受搬家倒面、突发事件等影响，传统的人工调度方法效率低，且易造成车辆闲置、空载、里程浪费等问题，而现有的辅助运输车辆调度方法大多面向固定任务使用离散事件优化的方案，将全局模型拆解为局部模型，缺乏对井工煤矿整体情况的分析。针对上述问题，提出了一种基于百度工业求解器的井工煤矿无轨胶轮车全局调度模型，介绍了该模型中信息收集模块、数据建模模块和工业求解器模块设计方案，以及无轨胶轮车全局调度流程。该模型采用基于“分批求解、迭代优化”的无轨胶轮车全局调度算法，由百度工业求解器基于动作调整启发式算法对车辆调度问题进行优化求解，解决了传统调度模型求解时间长、易陷入局部最优解等问题。实验结果表明，基于百度工业求解器的井工煤矿无轨胶轮车全局调度模型较人工调度方法大幅降低了使用车次，提高了车辆运转效率，调度优化的求解时间低于基于Gurobi求解器的局部调度模型，更适用于井下辅助运输场景下大规模复杂调度任务。
Abstract:There are a large number of trackless rubber-tyred vehicles in underground coal mines. The transportation is easily affected by moving surfaces, emergencies, and other factors. Traditional manual scheduling methods are inefficient and prone to problems such as idle, empty, and wasted vehicles. However, existing auxiliary transportation vehicle scheduling methods mostly focus on fixed tasks using discrete event optimization schemes. It breaks down the global model into local models, and lacks analysis of the overall situation of underground coal mines. In order to solve the above problems, a global scheduling model for trackless rubber-tyred vehicle in underground coal mines based on Baidu industrial solver is proposed. The design scheme of the information collection module, data modeling module, and industrial solver module in this model are introduced, as well as the global scheduling process for trackless rubber-tyred vehicles. This model adopts a global scheduling algorithm for trackless rubber-tyred vehicles based on "batch solving and iterative optimization". The vehicle scheduling problem is optimized and solved by Baidu industrial solver based on action adjust heuristic algorithm. It solves the problems of long solving time and easy getting stuck in local optimal solutions in traditional scheduling models. The experimental results show that the global scheduling model for trackless rubber-tyred vehicles based on Baidu industrial solver significantly reduces the number of vehicles used and improves vehicle operation efficiency compared to manual scheduling methods. The solution time for scheduling optimization is lower than that of the local scheduling model based on Gurobi solver. It is more suitable for large-scale complex scheduling tasks in underground auxiliary transportation scenarios.
-
0. 引言
在井工煤矿生产中，辅助运输一般是指采用有轨列车、无轨胶轮车、单轨吊等运输人员、物资、设备等的运输方式。其中无轨胶轮车具有行驶路线灵活、运输能力大、爬坡能力强等优势，在新建大型矿井中得到了越来越多的应用[1]，相应地产生了无轨胶轮车调度管理系统[2]。无轨胶轮车运输具有需求多样、临时运输需求较多、末端路线结构多变等特点，易受搬家倒面、突发事件等影响，且随着矿井生产规模增大，无轨胶轮车数量急剧增加，传统的人工调度管理方式效率低，无法满足日渐增长的调度需求，造成车辆闲置、空载、里程浪费等问题[3-5]。随着5G、人工智能、高精度定位等新兴技术在煤矿广泛应用[6-7]，通过基于全局优化的人工智能算法来优化车辆调度，提高无轨胶轮车运输效率和安全性，成为提高矿井生产率的关键[8-9]。
在地面车辆调度管理领域，刘恺[10]基于深度强化学习技术，提出了带有自适应奖励机制和多目标优化的巡航车辆调度和车辆资源管理方法，从时间和空间维度平衡供需关系，优化了车辆资源在时空维度的配置。杨华龙等[11]提出了基于汇集预测的车辆调度方法，综合考虑物流配送成本和客户满意度，能有效预测随机客户需求，降低了调度成本。唐非[12] 围绕地勤服务公司的车辆配置和使用决策问题，研究了最少用车的特种车辆调度问题，建立了以最小化特种车辆数、无效服务时间比率和服务时间标准差为目标的多目标非线性数学模型，设计了多阶段启发式算法，通过实例仿真验证了模型和算法的有效性。上述研究以城市道路上的乘用车调度为主，研究角度为人员与车辆或物料与车辆之间的匹配。这与煤矿无轨胶轮车既需运输人员又要运输物料的需求有较大差异[13]。此外，井下环境较地面更加复杂，无轨胶轮车行驶规则与地面车辆有较大区别。因此，地面成熟的车辆调度算法和框架无法直接应用于井下环境[14]。
在煤矿辅助运输车辆调度研究方面，曹春玲等[15]将井下车辆调度策略抽象为一系列离散事件（包括预占用申请、区段联锁运算、信号灯控制、意外事故处理等），针对3种调度策略建立了巷道Petri网模型并进行分析；李梦雨[16]应用AnyLogic软件建立了井下辅助运输车辆调度系统仿真模型，实现了调度系统基本功能，对应用调度策略前后车辆运行效率、成本等指标进行了对比分析。现有研究大多采用面向固定任务使用离散事件优化的方案进行车辆调度优化，通过将全局模型拆解为局部模型来简化优化问题，从而达到快速求解调度结果的目的[17]，缺乏对井工煤矿整体情况的分析，在实际应用部署中无法达到理想效果[18-20]。因此，本文提出一种基于百度工业求解器的井工煤矿无轨胶轮车全局调度模型，并通过实验验证了该模型可解决传统调度模型求解时间长、易陷入局部最优解等问题，提升了无轨胶轮车调度管理效率，更适用于井下辅助运输场景下大规模复杂调度任务。
1. 无轨胶轮车全局调度模型原理
无轨胶轮车全局调度模型由信息收集模块、数据建模模块和工业求解器模块组成。信息收集模块可采集井下地图信息、车辆信息和工单信息（包括工单需求、工单时间、工单运输地点、待运输的人员/物料信息等），可分析各信息间的相互关系并导入数据建模模块。数据建模模块对采集信息的相互关系进行建模，通过数学方式将优化条件、约束及目标在模型对应。工业求解器模块根据优化目标对数学模型进行优化，得到最终的决策结果。
无轨胶轮车全局调度模型运行流程如图1所示。对井下地图信息和工单信息进行数据校验，确保没有错误或相互冲突的信息。通过数据校验后，相关信息输入数据建模模块建模，经分析判断模型是否存在可行解，若不存在可行解则输出冲突信息供管理人员进行判断调整，存在可行解的模型输入百度工业求解器进行优化分析，将得到的最优解作为决策信息返回。
![]()
图 1 无轨胶轮车全局调度模型运行流程Figure 1. Operation process of global scheduling model for trackless rubber-tyred vehicle2. 无轨胶轮车全局调度模型设计
2.1 信息收集模块
信息收集模块通过信息采集器自动采集信息，包括地图信息采集器、车辆信息采集器、工单信息采集器。
地图信息采集器采集并格式化存储煤矿井下四维基础数据，即三维空间和时间相关数据，具体包括巷道、点状与线状对象的位置关系、属性信息及其四维时空变化过程信息。地图信息采集器功能见表1。
表 1 地图信息采集器功能Table 1. Function of map information collector功能名称 功能描述 巷道采集 采集竖井和巷道坐标，进行巷道和坐标相关操作（包括新增巷道、修改巷道、删除巷道、停用巷道、新增坐标记录、修改坐标记录、删除坐标记录、停用坐标记录），重绘巷道，绘制指定时刻的巷道状态 点对象采集 选择点对象类型树，图选点对象，进行点对象和坐标相关操作（新增对象、删除对象、修改对象、停用对象、新增坐标记录、删除坐标记录、修改坐标记录、停用坐标记录） 线对象采集 选择线对象类型树，图选线对象，进行线对象和坐标相关操作（新增线对象、删除线对象、修改线对象、停用线对象、新增坐标记录、删除坐标记录、修改坐标记录、停用坐标记录） 车辆信息采集器用来收集无轨胶轮车相关信息，包括车型、车辆尺寸、车辆载人量、车辆载货量、车辆状态、剩余油（电）量等。
工单信息采集器用来采集无轨胶轮车派车工单的相关要求及信息，主要包括任务开始/结束时间、任务开始/结束地点、运输物料信息、运输人员信息、特殊要求等。
2.2 数据建模模块
数据建模模块的输入数据主要是录入的工单信息和需要调度的车辆信息，包括调度任务的总行驶里程、工单任务的最早开始或最晚结束时间、工单任务的载人或载货信息、可调度的车辆数、车辆可用或检修状态、车辆可载人或载货量、车辆速度、车辆油耗及电耗、可驾驶资质信息等。
在井下无轨胶轮车调度过程中，通常存在可用车辆资源规模大、待运输人员或物料数量多等情况，此时工业求解器的求解空间呈指数级增大，任务目标结果求解时间增加，影响煤矿井下资源管理的稳定性。对此，提出了基于分批求解、迭代优化的无轨胶轮车全局调度算法，伪代码如下（以运输物料为例）。
Algorithm 1 分批求解、迭代优化算法
1：待运输物料集合$ W $
2：待分配车辆集合$U$
3：分批求解物料的批尺度（batch size） $ {w_{{\mathrm{bs}}}} = 25 $（超参数）
4：分批求解车辆的批尺度（batch size） ${u_{{\mathrm{bs}}}} = 15$（超参数）
5：最终车辆−物料分配结果缓存$ R $
6：for $ {w_{{\mathrm{bs}}}} $ in $ {\mathrm{len}}W $ do
7： 顺序取出部分订单物料$ {w_{{\mathrm{bs}}}} $ in $ W $
8： while $ {w_{{\mathrm{bs}}}} $ is not None and $U$ is not None and 最大迭代计算次数 do
9： 随机选取执行任务车辆${u_{{\mathrm{bs}}}} = {\mathrm{random}}(m,{u_{{\mathrm{bs}}}})$ //m为待分配车辆总数
10： 百度工业求解器求解分配车辆${U_{{\mathrm{dispatched}}}}$和分配物料$ {W_{{\mathrm{dispatched}}}}$，建模${{B}} ({w_{{\mathrm{bs}}}}, {u_{{\mathrm{bs}}}}) $
11： 清除这一轮求解中已被分配的车辆$U = U - {U_{{\mathrm{dispatched}}}}$
12： 清除这一轮求解中已被分配的物料$ {W} = {W} - {W_{{\mathrm{dispatched}}}} $
13： $R = R + \{ {U_{{\mathrm{dispatched}}}}:{W_{{\mathrm{dispatched}}}}\}$
14： end while
15：end for
16：return $ R $
第1−4行为算法初始化流程，用于读取数据建模模块的输入数据、定义关键的中间参数变量、设置分批求解超参数；第6行开始为针对大量输入的待运输物料分批求解，即从全部待运输物料$ W $中取出1个批次$ {w_{{\mathrm{bs}}}} $；第8行开始为针对大规模输入的可用车辆资源分批求解，即从全部可用车辆资源$U$中取出1个批次$ {u_{{\mathrm{bs}}}} $；第10行为调用百度工业求解器对当前批次的待运输物料和可用车辆资源进行优化求解；第11−13行为在百度工业求解器求解出车辆调度结果后，将本轮求解结果保存在中间参数变量$ R $中，并从全部待运输物料$ W $和全部可用车辆资源$U$中删除当前已分配的任务工单和车辆资源，并进入下一轮的分批求解、迭代优化流程；第16行为完成全部的分批求解循环后，返回最终车辆调度结果。
提出的无轨胶轮车全局调度算法可减小工业求解器的求解空间，提高求解效率，优化求解结果。该算法中${{B}}({w_{{\mathrm{bs}}}},{u_{{\mathrm{bs}}}})$为基于百度工业求解器的调度优化模型，建模方案设计如下。
1） 输入数据设定。设可调用的车辆资源集合为$ {N_{{\mathrm{car}}}} $；待运输人员或物料的任务工单集合为$ {N_{{\mathrm{task}}}} $；可分配车辆为$ i，i\in {N}_{{\mathrm{{\mathrm{car}}}}} $；待分配任务工单为$ j，j\in {N}_{{\mathrm{task}}} $；车辆$ i $行驶速度为$V(i)$，可用时间段为$ ({T}_{1}(i)， {T}_{2}(i)) $，当日初始油（电）量为$ I(i) $，单位里程耗油（电）量为$ F(i) $；车辆i与任务工单j的资质匹配关系（包括载客量、可载物料体积、可载物料质量等）为$ C(i,j) $，若车辆i与任务工单j资质匹配，则$ C(i,j) = 1 $，反之$ C(i,j) = 0 $；任务工单j的总行驶里程为$ D(j) $，最早开始时间或最晚结束时间为$ T(j) $；2个任务工单j和$j{'} $之间的行驶距离为$ D(j,{j}^{\prime })， {j}^{\prime }\in {N}_{{\mathrm{task}}}$。
2） 决策变量设计。设车辆$ i $是否接受任务工单$ j $为$ X(i.j) $，$ X(i.j) $为1表示接受工单，为0表示不接受工单；车辆 $ i $ 接受任务工单j的时间为$ Y(i,j) $，其为整数变量；车辆i在接受任务工单j后是否接受任务工单$ j{'} $以合单运输为$ Z(i,j,j') $，$ Z(i,j,j') $为1表示接受工单，为0表示不接受工单。
3） 相关约束条件设计。
约束1：任务工单j仅被1辆车接受，即
$$ {\displaystyle \sum _{i}X(i,j)}\leq 1 \\$$ (1) 约束2：车辆接受的不同工单时间不冲突，即
$$ \begin{split} &Y(i,j)-Y(i,{j}^{\prime })\geq (D({j}^{\prime })+D({j}^{\prime },j))/V(i),\\ & \quad{\mathrm{if}}\text{ }Z(i,j,{j}^{\prime })=1\text{，}T(j) > T({j}^{\prime }) \end{split} $$ (2) 约束3：车辆工作时间必须为可用时段，即
$$ {T_1}(i) X(i,j) \leqslant Y(i,j) \leqslant {T_2}(i) X(i,j) $$ (3) 约束4：车辆耗油（电）量不大于每日初始油（电）量，即
$$ F(i)\left(\sum\limits_{j} {D(j) X(i,j)} + \sum\limits_{j,j'} {D(j,j')} Z(i,j,j')\right) \leqslant I(i) \\ $$ (4) 约束5：车辆与工单资质匹配，即
$$ X(i,j)=0，{\mathrm{if}}\text{ }C(i,j)=0 $$ (5) 约束6：变量间关系为
$$ \left\{\begin{aligned} &Y(i,j) \leqslant M X(i,j) \\ &X(i,j) = \sum\limits_{j'} {Z(i,j,j')} \end{aligned}\right. $$ (6) 式中M为工单执行顺序。
4） 优化目标设计。
最大化订单完成数量，即
$$ \max \sum\limits_i {\sum\limits_j {X(i,j)} } $$ (7) 最小化任务等待时间，即
$$ \min \sum\limits_j {|T(j) - \sum\limits_i {Y(i,j)} |} $$ (8) 最小化总耗油（电）量，即
$$ \min \sum\limits_i {{F_i}} \left(\sum\limits_j {D(j) X(i,j)} + \sum\limits_{j,j'} {D(j,j') Z(i,j,j')} \right) $$ (9) 2.3 工业求解器模块
综合井下无轨胶轮车运输系统调度问题的求解精度、效率等因素，采用百度工业求解器对无轨胶轮车全局调度模型进行优化。百度工业求解器具有多种基础优化算法模块来开发调度优化算法。本文设计了基于强化学习策略调整的启发式算法。该算法采用强化学习生成动作策略加速求解器收敛速度，且基于云原生的并行框架，充分利用GPU+CPU的异构算力，可解决超大规模复杂问题。百度工业求解器优化算法流程如图2所示。
2.4 无轨胶轮车全局调度过程
1） 业务系统或移动端应用发来用车请求（含用车时间、物料申请、用车地点等）。
2） 对来自业务系统的车辆、人员、物料等基础信息和订单信息进行校验，重点判别有无字段缺失及字符无效等情况。
3） 若校验通过，百度工业求解器对无轨胶轮车全局调度模型进行预处理和计算，无可行解时转步骤4），有可行解时转步骤5）。
4） 报警并输出模型约束冲突信息，用户根据自定义的约束优先级进行选择和调整，通过数据建模模块生成新的模型后返回步骤3）。
5） 采用百度工业求解器进行问题求解，可引入强化学习策略网络来加速求解过程：在每个分支节点由强化学习策略网络输出动作后，由百度工业求解器基于动作调整启发式算法进行优化求解，计算后更新问题的上界，通过判断更新的上界是否等于下界来判断是否求解完成。若未完成求解，由百度工业求解器的分支模块生成新的问题，进入下一轮迭代，直至求解出最优解或达到预设的求解时间。
6） 将得到的最优调度结果反馈至业务系统，形成有效的运输工单。
3. 实验与结果分析
设置不同规模的仿真优化问题来验证基于百度工业求解器的井工煤矿无轨胶轮车全局调度模型性能。收集某井工煤矿无轨胶轮车2个月的调度运行计划，平均每个调度工单需完成1～6种物料的运输，整个调度车队包括106辆不同型号的无轨胶轮车。
根据煤矿井下实际地图信息，采用Python 3.8.8搭建仿真平台，对物料运输工单进行运输任务优化模拟。仿真平台CPU为Intel（R） Xeon（R） CPU E5−2680 v4 @ 2.40 GHz。采用基于百度工业求解器的全局调度模型与人工调度、基于主流商业求解器Gurobi的局部调度模型[21]进行调度优化。2种算法的批尺度均设为25。
3.1 不同规模调度问题优化结果对比
将采集的工单数据进行分类编组，根据每个工单所包含运输物料的种类、数量，将运输工单任务分为5组。第1组：14个工单，16个待运输物料，56辆可调度车辆，平均每个工单运输1.1个物料。第2组：14个工单，25个待运输物料，56辆可调度车辆，平均每个工单运输1.8个物料。第3组：14个工单，25个待运输物料，106辆可调度车辆，平均每个工单运输1.8个物料。第4组：46个工单，198个待运输物料，106辆可调度车辆，平均每个工单运输4.3个物料。第5组：60个工单，284个待运输物料，106辆可调度车辆，平均每个工单运输4.7个物料。
第1组和第2组调度问题较简单，求解结果见表2（部分工单由于缺少相应车辆而无法完成）。可看出对于简单调度问题，人工调度与基于求解器的调度模型差距不大，但基于求解器的调度模型可显著减少完成工单的车辆，提高车辆使用率，降低车辆空驶率；基于百度工业求解器的全局调度模型与基于Gurobi求解器的局部调度模型性能相当。
表 2 第1组和第2组无轨胶轮车调度问题的求解结果Table 2. Calculated results for group 1 and group 2 scheduling problems of trackless rubber-tyred vehicle组别 调度方法 使用车次 完成工单个数 运输物料个数 第1组 人工调度 15 10 13 基于Gurobi求解器 14 11 16 基于百度工业求解器 11 11 16 第2组 人工调度 21 8 20 基于Gurobi求解器 14 10 21 基于百度工业求解器 14 10 21 第3—5组调度问题较复杂，每个工单需要运输的物料更多，且可使用的车辆数量大幅增加，求解结果见表3。可看出采用人工调度方法时，一般1辆车运输1种物料，车辆空驶率较高，资源浪费严重，且无法满足大量物料运输需求，特别是对于第4组和第5组调度问题，人工调度方法仅满足约80%的物料运输需求，而采用基于求解器的调度模型可满足95%以上的物料运输需求，且极大降低了使用车次，提高了车辆运转效率。另外，基于百度工业求解器的全局调度模型表现最稳定，针对最复杂的第5组调度问题，该模型在完成工单个数和运输物料个数2项指标上均优于基于Gurobi求解器的局部调度模型，更适用于复杂的车辆调度优化问题。
表 3 第3—5组无轨胶轮车调度问题的求解结果Table 3. Calculated results for group 3, group 4 and group 5 scheduling problems of trackless rubber-tyred vehicle组别 调度方法 使用车次 完成工单个数 运输物料个数 第3组 人工调度 26 10 20 基于Gurobi求解器 17 12 21 基于百度工业求解器 14 13 21 第4组 人工调度 154 44 153 基于Gurobi求解器 21 46 197 基于百度工业求解器 20 46 197 第5组 人工调度 228 58 225 基于Gurobi求解器 36 56 274 基于百度工业求解器 36 59 280 3.2 优化速度对比
人工调度方法一般通过1个调度指令派出1个车次，从接到运输需求到查询排班再到通知驾驶员耗时3～5 min，当运输需求较大时，该方式无法及时响应。基于百度工业求解器的全局调度模型与基于Gurobi求解器的局部调度模型求解时间见表4。可看出当调度问题规模较小时，2种模型的求解速度接近；当调度问题规模增大时，基于Gurobi求解器的局部调度模型求解时间大幅增加，表明求解结果易陷入局部最优，导致时间浪费。因此，在实际无轨胶轮车调度管理应用中，采用基于百度工业求解器的全局调度模型求解大规模车辆调度问题更合适。
表 4 2种无轨胶轮车调度模型的求解时间Table 4. Calculated time of two scheduling models for trackless rubber-tyred vehicle可用车
辆数/辆工单个数 运输物
料个数求解时间/s 基于Gurobi
求解器基于百度工业
求解器56 3 3 5.23 4.78 10 10 10.01 8.99 14 16 23.47 21.29 14 25 29.62 27.25 106 3 3 17.69 16.19 10 10 21.07 19.35 14 16 33.57 30.15 14 25 50.52 46.63 46 198 442.39 399.48 60 284 504.72 453.71 3.3 批尺度选择
超参数批尺度对基于百度工业求解器的井工煤矿无轨胶轮车全局调度模型求解结果与求解时间影响较大。批尺度主要影响单次调度优化计算涉及的优化参数规模，批尺度过小会使优化参数无法表示全局调度问题，过大会增大调度问题的计算规模，增加求解时间。因此，批尺度需根据待求解问题的规模进行相应调整。
为了选择合适的全局调度模型超参数，设置不同的批尺度，针对第4组和第5组工单配置进行调度优化，结果见表5。可看出当批尺度设置为15时，虽然调度问题的求解时间更短，但由于单次优化的任务过少，无法全局表达待优化问题，所以优化性能有所降低。当批尺度增大到40时，虽然优化性能稍有提升，但求解时间大幅增加。针对目前井工煤矿无轨胶轮车调度问题的现有规模，选择批尺度为25可较好地平衡调度优化性能与求解时间，能在较短的时间内得到较好的优化结果。
表 5 不同批尺度下的无轨胶轮车调度优化结果Table 5. Scheduling optimization results of trackless rubber-tyred vehicle under different batch-size组别 批尺度 使用车次 完成工单个数 运输物料个数 求解时间/s 第4组 15 22 44 194 243.92 25 20 46 197 399.48 40 19 46 197 2622 第5组 15 40 55 269 284.37 25 36 59 280 453.71 40 36 59 281 3441 4. 结论
1） 采用百度工业求解器对井工煤矿无轨胶轮车调度任务进行优化可显著提升车辆使用效率，减少车辆使用数量，降低煤矿辅助运输系统运行成本。
2） 采用百度工业求解器从无轨胶轮车运输整体情况进行优化能更好地应对井工煤矿大规模复杂辅助运输系统调度任务，较传统车辆调度方法表现更加优异。
3） 下一步将从煤矿井下实际应用场景出发，进一步探索智能优化算法在煤矿辅助运输系统调度管理中的应用。
-
![]()
图 1 无轨胶轮车全局调度模型运行流程
Figure 1. Operation process of global scheduling model for trackless rubber-tyred vehicle
表 1 地图信息采集器功能
Table 1 Function of map information collector
功能名称 功能描述 巷道采集 采集竖井和巷道坐标，进行巷道和坐标相关操作（包括新增巷道、修改巷道、删除巷道、停用巷道、新增坐标记录、修改坐标记录、删除坐标记录、停用坐标记录），重绘巷道，绘制指定时刻的巷道状态 点对象采集 选择点对象类型树，图选点对象，进行点对象和坐标相关操作（新增对象、删除对象、修改对象、停用对象、新增坐标记录、删除坐标记录、修改坐标记录、停用坐标记录） 线对象采集 选择线对象类型树，图选线对象，进行线对象和坐标相关操作（新增线对象、删除线对象、修改线对象、停用线对象、新增坐标记录、删除坐标记录、修改坐标记录、停用坐标记录） 
下载: 导出CSV
表 2 第1组和第2组无轨胶轮车调度问题的求解结果
Table 2 Calculated results for group 1 and group 2 scheduling problems of trackless rubber-tyred vehicle
组别 调度方法 使用车次 完成工单个数 运输物料个数 第1组 人工调度 15 10 13 基于Gurobi求解器 14 11 16 基于百度工业求解器 11 11 16 第2组 人工调度 21 8 20 基于Gurobi求解器 14 10 21 基于百度工业求解器 14 10 21
下载: 导出CSV
表 3 第3—5组无轨胶轮车调度问题的求解结果
Table 3 Calculated results for group 3, group 4 and group 5 scheduling problems of trackless rubber-tyred vehicle
组别 调度方法 使用车次 完成工单个数 运输物料个数 第3组 人工调度 26 10 20 基于Gurobi求解器 17 12 21 基于百度工业求解器 14 13 21 第4组 人工调度 154 44 153 基于Gurobi求解器 21 46 197 基于百度工业求解器 20 46 197 第5组 人工调度 228 58 225 基于Gurobi求解器 36 56 274 基于百度工业求解器 36 59 280
下载: 导出CSV
表 4 2种无轨胶轮车调度模型的求解时间
Table 4 Calculated time of two scheduling models for trackless rubber-tyred vehicle
可用车
辆数/辆工单个数 运输物
料个数求解时间/s 基于Gurobi
求解器基于百度工业
求解器56 3 3 5.23 4.78 10 10 10.01 8.99 14 16 23.47 21.29 14 25 29.62 27.25 106 3 3 17.69 16.19 10 10 21.07 19.35 14 16 33.57 30.15 14 25 50.52 46.63 46 198 442.39 399.48 60 284 504.72 453.71
下载: 导出CSV
表 5 不同批尺度下的无轨胶轮车调度优化结果
Table 5 Scheduling optimization results of trackless rubber-tyred vehicle under different batch-size
组别 批尺度 使用车次 完成工单个数 运输物料个数 求解时间/s 第4组 15 22 44 194 243.92 25 20 46 197 399.48 40 19 46 197 2622 第5组 15 40 55 269 284.37 25 36 59 280 453.71 40 36 59 281 3441
下载: 导出CSV
-
[1] 秦高威,李红旗,王洪恩. 赵固矿区辅助运输系统提效研究[J]. 煤矿机械,2018,39(9):39-40. QIN Gaowei,LI Hongqi,WANG Hong'en. Research on efficiency of auxiliary transportation system in Zhaogu Coal Mine Area[J]. Coal Mine Machinery,2018,39(9):39-40.
[2] 糜瑞杰,杨双锁,杨欢欢,等. 副井无轨胶轮车辅助运输系统的应用研究[J]. 矿业研究与开发,2019,39(6):114-117. MI Ruijie,YANG Shuangsuo,YANG Huanhuan,et al. Application research on auxiliary transportation system of trackless rubber wheel vehicle in auxiliary shaft[J]. Mining Research and Development,2019,39(6):114-117.
[3] 杨坤. 矿井无轨胶轮车智能化管理系统研究[J]. 工矿自动化,2023,49(1):162-170. YANG Kun. Research on the intelligent management system of the trackless rubber-tyred vehicles in the coal mine[J]. Journal of Mine Automation,2023,49(1):162-170.
[4] 袁晓明. 煤矿无轨辅助运输工艺和发展方向研究[J]. 煤炭工程,2019,51(5):1-5. YUAN Xiaoming. Analysis of coal mine trackless auxiliary transportation technology and the development direction[J]. Coal Engineering,2019,51(5):1-5.
[5] 陈晓晶. 井工煤矿运输系统智能化技术现状及发展趋势[J]. 工矿自动化,2022,48(6):6-14,35. CHEN Xiaojing. Current status and development trend of intelligent technology of underground coal mine transportation system[J]. Journal of Mine Automation,2022,48(6):6-14,35.
[6] 王国法, 杜毅博. 煤矿智能化标准体系框架与建设思路[J]. 煤炭科学技术,2020,48(1):1-9. WANG Guofa, DU Yibo. Coal mine intelligent standard system framework and construction ideas[J]. Coal Science and Technology,2020,48(1):1-9.
[7] 王国法,杜毅博. 智慧煤矿与智能化开采技术的发展方向[J]. 煤炭科学技术,2019,47(1):1-10. WANG Guofa,DU Yibo. Development direction of intelligent coal mine and intelligent mining technology[J]. Coal Science and Technology,2019,47(1):1-10.
[8] 孙继平,江嬴. 矿井车辆无人驾驶关键技术研究[J]. 工矿自动化,2022,48(5):1-5,31. SUN Jiping,JIANG Ying. Research on key technologies of mine unmanned vehicle[J]. Journal of Mine Automation,2022,48(5):1-5,31.
[9] 鲍新平,汪涛. 基于AI视觉智能识别的煤矿斜井轨道运输安全管理系统[J]. 工矿自动化,2023,49(增刊1):72-75. BAO Xinping,WANG Tao. A safety management system for coal mine inclined shaft rail transportation based on intelligent AI visual recognition[J]. Journal of Mine Automation,2023,49(S1):72-75.
[10] 刘恺. 基于深度强化学习的车辆资源调度与交易算法研究[D]. 成都:电子科技大学,2022. LIU Kai. Research on vehicle resource scheduling and trading algorithm based on deep reinforcement learning[D]. Chengdu:University of Electronic Science and Technology,2022.
[11] 杨华龙,赵亮,靳莉哲,等. 基于汇集预测的随机客户需求配送车辆调度问题[J]. 系统管理学报,2019,28(5):917-926. YANG Hualong,ZHAO Liang,JIN Lizhe,et al. Distribution vehicle scheduling problem based on aggregation and prediction of random customer demands[J]. Journal of Systems & Management,2019,28(5):917-926.
[12] 唐非. 机场地勤服务中特种车辆调度及其优化算法[D]. 沈阳:东北大学,2019. TANG Fei. Special vehicle scheduling and its optimization algorithm in airport ground services[D]. Shenyang:Northeast University,2019.
[13] 包翔宇,单成伟,吴岩明. 基于UWB精确定位的辅助运输交通灯自动控制系统[J]. 工矿自动化,2022,48(6):100-111. BAO Xiangyu,SHAN Chengwei,WU Yanming. Automatic control system of auxiliary transportation traffic light based on UWB precise positioning[J]. Journal of Mine Automation,2022,48(6):100-111.
[14] 胡青松,孟春蕾,李世银,等. 矿井无人驾驶环境感知技术研究现状及展望[J]. 工矿自动化,2023,49(6):128-140. HU Qingsong,MENG Chunlei,LI Shiyin,et al. Research status and prospects of perception technology for unmanned mining vehicle driving environment[J]. Journal of Mine Automation,2023,49(6):128-140.
[15] 曹春玲,李梦雨,张娜齐. 煤矿辅助运输调度系统的层次颜色Petri网建模[J]. 工业工程,2021,24(6):1-7. CAO Chunling,LI Mengyu,ZHANG Naqi. Modeling of hierarchical color Petri net for coal mine auxiliary transportation dispatching system[J]. Industrial Engineering Journal,2021,24(6):1-7.
[16] 李梦雨. 煤矿井下辅助运输车辆调度系统的研究[D]. 西安:西安科技大学,2021. LI Mengyu. Research on reliability of coal mine underground transport system[D]. Xi'an:Xi'an University of Science and Technolog,2021.
[17] 侯成铭. 煤矿井下燃油运输车辆调度多目标优化分析[J]. 兰州工业学院学报,2023,30(2):88-93. HOU Chengming. Multi-objective optimization analysis of fuel transport vehicle scheduling in underground coal mine[J]. Journal of Lanzhou Institute of Technology,2023,30(2):88-93.
[18] 孙莹,连民杰. 基于改进蚁群算法的地下矿车辆生产调度路径优化研究[J]. 金属矿山,2010(2):51-54. SUN Ying,LIAN Minjie. Research on vehicle routing and scheduling problems based on improved ACA in underground mine[J]. Metal Mine,2010(2):51-54.
[19] 王兆锐,林剑,张俊丽,等. 基于车公里成本的多车型车辆规划方法[J]. 物流技术,2019,38(1):82-87. WANG Zhaorui,LIN Jian,ZHANG Junli,et al. Multi-model vehicle scheduling based on per vehicle-kilometer cost[J]. Logistics Technology,2019,38(1):82-87.
[20] WANG Zhan,LAMBERT A. A low-cost consistent vehicle localization based on interval constraint propagation[J]. Journal of Advanced Transportation,2018. DOI: 10.1155/2018/2713729.
[21] 钟宏扬,彭乘风,廖勇,等. 基于组合规则的作业车间AGV联合调度优化[J]. 制造技术与机床,2022(11):183-192. ZHONG Hongyang,PENG Chengfeng,LIAO Yong,et al. Combined rules based optimization for AGV joint scheduling in job shop[J]. Manufacturing Technology & Machine Tool,2022(11):183-192.
-
期刊类型引用(3)
1. 王彦斌. 基于UWB定位技术的矿用智能电车系统设计. 工矿自动化. 2024(S1): 53-56+87 . 
本站查看
2. 葛德志. 无轨胶轮车在煤矿辅助运输中的优化应用研究. 内蒙古煤炭经济. 2024(14): 109-111 . 百度学术
3. 魏涛. 矿用圆木抓举车稳定性及可靠性分析. 工矿自动化. 2024(S2): 293-297 . 本站查看
其他类型引用(1)
计量
- 文章访问数: 193
- HTML全文浏览量: 51
- PDF下载量: 29
- 被引次数: 4
