利性征就被保留了,同样的不利性征就被淘汰了,适应性强的个体他们的后代跟他们的相
似度会比较高,在遗传算法中可以用复制来代表这一部分;交换就是指上一代多个个体的
部分基因相互置换产生新个体。
(
5)突变:遗传算法中产生新个体的又一手段,通过求补运算完成。
(
6)终止条件:遗传算法是迭代运算,在迭代到符合某一要求时停止,一般都是当群
体的平均适应度或最大适应度变化平稳时,迭代终止。
2.2 采矿工程优化实例
本处选择山东莱芜铁矿施工时的填充材料刚度与采场结构参数的优化问题来说明一下
神经网络和遗传算法的具体应用。
山东莱芜铁矿谷家台矿区矿体赋存于大理岩与闪长岩的接触带中,上部为第四系和第
三系所覆盖,全部为隐伏矿体,矿脉地理结构十分复杂。
[3]上部有河流流过,虽然河流和
矿带之间有第三系的红板岩,但是由于局部天窗的分布,导致水层和第四系砂砾石层和灰
岩层接触,隔水效果不好。由于灰岩层的含水性,导致这部分成为承压含水层。复杂的地质
背景给开矿带来了巨大的难度,为了实现不改河、不疏干、不搬迁、不塌陷、不还水的
“五不”
方针,最终决定的开矿方案是采用矿体近顶板大理岩注浆补漏堵水措施与阶段空场嗣后胶
结充填采矿方法相结合的综合治水方案。制约这一方案顺利实施的两个重要因素就是充填材
料刚度与采场结构参数的优选问题。
设矿房宽度为
Bf,填充体刚度为 EC,бt 为上盘出现的最大拉应力。推测得出:从安全
性角度考虑,矿房宽度
Bf 越小,填充体刚度 EC 越大,则上盘出现的拉应力越小,施工越
可靠;从经济型角度考虑,矿房宽度越大,填充刚度越小越经济,可以看出两者是相对的
我们要在这之间找一个最佳匹配值。使得上盘出现的拉应力小于但又接近于大理岩的抗拉强
度。
先通过神经网络建立决策量
Bf、EC 和目标 бt 的映射关系,然后用遗传算法搜索最佳匹
配,得到结果
Bf=21.256m,EC=396.6MPa,бt=-1.9297MPa,最后进行的结果的合理性验
证,表明这个结果是令人满意的。
3、结论
作为现阶段比较先进的计算智能和人工智能技术,遗传算法和神经网络着重于通过迭
代算法和非线性映射来求得问题的最优解。由于绝大多数矿场的复杂条件导致采矿工程中的
许多问题和方法的决策存在众多的决策变量,并且多数变量和目标量的关系都是非线性的
这些特点使得遗传算法和神经网络等现代先进智能技术能很好的运用到采矿工程的优化中
去,通过文章研究和实例证明,对于采矿工程的方法优化,遗传算法和神经网络能起到很
好的效果,随着这些技术的进步,他们将会为采矿工程的优化方面提供更有力的帮助。
参考文献
[1]李云,刘霁.神经网络与主元分析在采矿工程中的应用[J].中南林业科技大学学报,
2010,30(6):140-146.
[2]张磊,柴海福.浅谈人工神经网络在采矿工程中的应用[J].学术探讨,2008,(6):
172.
[3]刘加东,陆文,路洪斌.浅谈采矿方法的优化选择[J].IM&P 化工矿物与加工,2009,
(
1):25:27.