【摘要】采矿工程中的许多方法都是可以优化的，比如采矿工程中的开拓系统和采矿方法。这

些方法优化问题，由于决策变量众多，并且不同情况的所起的作用不同，导致多数问题都
是复杂的非线性化问题，不仅如此变量之间的联系有时很难用确切的数学模型或者数学表
达式表达出来。因此我们考虑到可以利用计算机技术和人工智能的技术来实现采矿工程中方
法的优化问题，比如遗传算法，神经网络等，本文从上述几种技术角度，结合实际例子探
讨了采矿工程方法的优化问题。

 

　　【关键词】采矿工程；优化；采矿方法

 

　　采矿工程中的许多问题的决策和方法的优化，都是多决策变量问题。以往对这种问题的
处理方式都是采用单一变量法，即采用固定其他变量使其值保持不变，通过变化某一变量
来探索这一变量对目标函数或目标问题结果的影响，从而找出最优解。虽然这种方式大大简
化了这种多变量问题的求解方式，但是它忽略了各个变量之间的相互关系，以及他们之间
的相互作用对最终结果的影响，因此所得的结果并不是真正的最优值。为了求得真正的最优
解，需要同时改变各决策变量，探索他们在这种情况下和目标的关系以及的对目标结果的
影响，从而找出综合最优值。

 

　　

1、优化方法 

　　

1.1 遗传算法的定义 

　　遗传算法是一种自适应优化的方法。这种方法基于生物进化的原理，它模拟了生物进化
的步骤，将繁殖、杂交、变异、竞争和选择等概念引入到算法中。

[1]通过对一组可行解的维持

和重新组合，在多决策变量共同作用的条件下，改进可行解的移动轨迹曲线，最终使它趋
向最优解。这种方式是模拟生物适应外界环境的遗传变异机理，克服了传统的单决策变量法
容易导致的局部极值的缺点，是一种全局优化算法。

 

　　

1.2 神经网络的定义 

　　人脑思维方式的一大特点就是：通过多个神经元之间的同时的相互作用来动态完成信
息的处理。人工神经网络就是模拟人脑思维的这种方式，通过计算机来完成一个非线性的动
力学系统，可以实现信息的分布式存储和并行协同处理。

 

　　

1.3 遗传算法与神经网络协同优化 

　　由于采矿工程的问题很难用一个显式来表示，所以我们可以利用人工神经网络强大的
非线性映射能力建立决策变量和目标函数的关系，实现对问题的显式化，然后用遗传算法
对这个目标函数的决策变量进行搜索和寻优，搜索到后就输入之前已经建模好的神经网络
网络将自动进行学习和匹配，从而我们可以计算出目标函数对该组决策变量的适应性，然
后根据适应性进行遗传变异操作，反复多次后即可寻得最优解。

 

　　

2、优化实例 

　　

2.1 遗传算法在矿石品位优化中的应用 

　　遗传算法是由原始数据，模拟优胜劣汰的方式通过反复迭代获得最优解，在这里实质
上是随机生成一组矿石品位，利用自适应的技术调整品位，经过反复迭代计算，逐步逼近
最优解。

 

　　（

1）编码：用定长字符代表遗传中的基因，在这里表示某种特定品位，编码顺序依次

为边界品位、最小工业品位、原矿品位和精矿品位。

[2] 

　　（

2）初始群体：每次迭代的初始群体由上一次迭代生成，第一次的初始群体随机生成，

每个群体包含的个体数确定。

 

　　（

3）适应度：自然界中的适应度是生物个体对自然界的适应程度，适应度大，那么它

存活下来的可能性就大。类似的这里的适应度是衡量个体优劣的指标，可以驱动遗传算法的
优化，本例中的适应度取不同品位的矿石所能取得的净现值。

 

　　（

4）复制和交换：根据达尔文进化论，适应性强的个体容易生存下来，那么他们的有