Intelligent decision-making for mine airflow on demand based on the improved artificial bee colony algorithm
-
摘要:
针对现有元启发式算法求解矿井风量调控无约束优化数学模型存在收敛速度较慢的问题，提出了一种基于改进人工蜂群算法（ABC）的矿井风量按需调控智能决策方法。以矿井调节分支风阻为决策变量、各分支实际风量与需风量相符合为约束条件，以目标用风分支风量与理想风量差距最小为目标，建立了矿井风量按需调控智能决策模型；运用拉格朗日松弛方法优化模型的约束条件，采用冲突数方法优化模型的目标函数，利用随机搜索方法和启发式算法优化模型的搜索策略。针对人工蜂群算法（ABC）利用能力不足的问题，提出了一种改进ABC算法，并将其用于求解矿井风量按需调控智能决策模型。该算法在采蜜蜂局部寻优时引入群体历史最优解引导采蜜行为，并利用一般反向学习策略保存侦查蜂的搜索经验，良好地平衡了算法的探索和利用能力。实验结果表明：与粒子群优化（PSO）算法、ABC算法、基于全局最优的人工蜂群（GABC）算法和基于一般反向学习的人工蜂群（GABC−GOBL）算法相比，改进ABC算法能更加快速、稳定地求解出矿井风量按需调控最优方案，且风量调控精度可达0.49 m3/s。
Abstract:To address the issue of slow convergence speed in solving the unconstrained optimization mathematical model of mine airflow control using existing metaheuristic algorithms, an intelligent decision-making method for mine airflow on demand based on an improved Artificial Bee Colony (ABC) algorithm was proposed. The decision variable was the mine ventilation branch resistance adjustment, with the constraint that the actual airflow in each branch matched the required airflow. The objective was to minimize the difference between the target branch airflow and the ideal airflow. A mine airflow on-demand control intelligent decision-making model was established. The Lagrange relaxation method was used to optimize the model's constraint conditions, the conflict count method was used to optimize the objective function of the model, and random search methods combined with heuristic algorithms were used to optimize the search strategy of the model. To address the issue of insufficient utilization capability in the ABC algorithm, an improved ABC algorithm was proposed and applied to solve the mine airflow on-demand control intelligent decision-making model. The algorithm introduced the population's historical optimal solution to guide the foraging behavior of the honeybees during local optimization and used a general reverse learning strategy to preserve the scout bees' search experience, which effectively balanced the exploration and exploitation capabilities of the algorithm. Experimental results showed that, compared with the Particle Swarm Optimization (PSO) algorithm, the ABC algorithm, the Gbest-guided artificial bee colony (GABC) algorithm, and artificial bee colony with generalized opposition-based learning (ABC-GOBL) algorithm, the improved ABC algorithm could solve the optimal solution of mine airflow on-demand control more quickly and stably, with an airflow control accuracy of up to 0.49 m3/s.
-
0. 引言
三维建模基于其能够更直观清晰地表征真实世界中实体性质的优势[1-3]，现已成为露天煤矿开采设计中的重要环节[4-5]。剖面图作为矿山三维地质模型可视化分析的辅助工具，可获取模型细部构造、分布范围、走向、形态等信息，为后续工程设计施工、相应数值计算提供了有力支持。在露天矿开采过程中，矿山三维地质模型不断变化，需要随之更新剖面图，以保证剖面图能够真实反映当前矿山的地质构造与地层性质[6-8]，保障开采顺利进行。
在剖面图更新方面已有相关研究。文献[9]将三维地质模型和地矿点源数据库作为剖面图的数据来源，通过结构化的样式模板控制剖面图的绘图样式，实现了剖面图的动态更新。文献[10]提出了一种地层分布模型自匹配的地质剖面图构建算法，通过地层分布模型规则和匹配算法判断地层点的剖面线从属关系，有效动态更新剖面图以处理地层尖灭、地层缺失等问题。文献[11]利用AutoCAD二次开发技术，解决了带弧段剖面图自动更新过程中剖面图长度小于实际长度的问题。文献[12]提出了一种智能化与人机交互相结合的方法，实现了地质界线的动态提取，从而快速构建更新剖面图。文献[13]通过引入动态四叉树索引，依据交线位置关系快速生成剖面的轮廓多边形集合，进而对应更新地质剖面图。文献[14-19]从隐函数的角度出发，提出了直接由地质调查源数据快速生成地质剖切面的隐式剖切方法，使剖切深度和更新的剖面图表达精度可控。文献[20]从图像处理的角度，引入RTT（Render to Texture）相机对动态剖切取得的高分辨率剖面图像矢量化处理，得到带属性的矢量图，实现了地质剖面图的实时自动更新。文献[21]基于ArcGIS提取三维地质空间点，构建非直接GIS数据模型，进行地质数据插值并将数据录入ArcGIS平台，实现剖面图与三维地质模型的自动更新。
然而上述剖面图自动更新方法存在剖面图内部图元属性信息与空间信息交互不畅的问题，剖面图更新的准确性有待提高。本文提出了一种与矿山三维地质模型自动关联的剖面图更新方法。通过建立模型图元与剖面图元对象名称和空间位置坐标的关联关系，实现矿山三维地质模型与剖面图属性信息、空间信息等图元数据的关联；在矿山三维地质模型与剖面图关联的基础上，当模型图元属性或几何形状发生变化，与之关联的剖面图元随之更新，实现剖面图属性与几何形状的自动更新，以保证剖面图更新的准确性。
1. 矿山三维地质模型与剖面图自动关联方法
剖面图是假想用一个剖切平面（本文均以垂直剖面为例）将三维模型剖开，移去介于观察者和剖切平面之间的部分，对于剩余的部分向投影面所做的正投影图。三维模型中的图元对象与其剖面图上图元的属性存在关联；三维模型处于三维坐标系，而剖面图处于二维坐标系，要将矿山三维地质模型与剖面图建立关系，需要在矿山三维地质模型和剖面图中设置坐标关联对象。矿山三维地质模型与剖面图之间的关联如图1所示。
![]()
图 1 矿山三维地质模型与剖面图之间的关联Figure 1. Association between mine 3D geological model and sectional view1.1 矿山三维地质模型与剖面图元对象名称关联
1.1.1 关联关系概念模型设计
矿山三维地质模型与剖面图存储于不同的图形数据库中，二者中的图元相互对应，可通过图元名称进行关联；矿山三维地质模型中的剖面线与剖面图一一对应，通过剖面名称将矿山三维地质模型与剖面图进行关联。矿山三维地质模型与剖面图之间关联关系的概念模型（E−R图）如图2所示。
![]()
图 2 矿山三维地质模型与剖面图关联关系的E−R图Figure 2. E-R diagram of association between mine 3D geological model and sectional view1.1.2 矿山三维地质模型关联关系逻辑模型设计
在关联关系E−R图的基础上，对矿山三维地质模型中的模型图元和剖面线的关联关系进行逻辑模型设计。在三维地质模型中存在多条剖面线，每条剖面线都必存在与其相关联的模型，而每条剖面线有且仅有唯一与之相对应的剖面图，因此，每个剖面都有唯一与其关联的剖面线名称。模型图元的关联关系数据包括模型图元名称和模型图元属性，其数据结构见表1。剖面线的关联关系数据包括剖面线名称和剖面名称，其数据结构见表2。
表 1 模型图元关联数据结构Table 1. Model element association data structure字段名 字段类型 字段长度/bit 说明 entityName nvarchar 50 模型图元名称 entityParaVal nvarchar 50 模型图元属性 onlyProperty bool 1 模型图元属性更新标志位 onlyShape bool 1 模型图元几何更新标志位 表 2 剖面线关联数据结构Table 2. Section line association data structure字段名 字段类型 字段长度/bit 说明 sctnLnName nvarchar 50 剖面线名称 sctnName nvarchar 50 剖面名称 1.1.3 剖面图关联关系逻辑模型设计
由于每个剖面图都仅对应1条剖面线，在单个剖面图内部，每个剖面图元都存在唯一相关联的剖面线名称。剖面图关联关系包括剖面图元名称、剖面图元属性和剖面线名称，其数据结构见表3。
表 3 剖面图元关联数据结构Table 3. Section element association data structure字段名 字段类型 字段长度/bit 说明 sctnEleName nvarchar 50 剖面图元名称 sctnEleParaVal nvarchar 50 剖面图元属性 sctnLnName nvarchar 50 剖面线名称 1.1.4 矿山三维地质模型与剖面图元关联实施
矿山三维地质模型和剖面图元的关联数据均以图形扩展数据的形式进行赋值。在矿山三维地质模型中，每条剖面线都赋予唯一的剖面名称，每个模型图元均赋予相应的图元名称和属性参数；在剖面图中，所有图元（模型图元、水平坐标线、竖直坐标线及标注等）赋予相应的剖面名称，另外模型图元还需要赋予相应的图元名称和属性参数。
在具体实施中，矿山三维地质模型的剖面线对应的剖面名称与剖面图中所有图元的剖面名称实现关联；矿山三维地质模型的模型图元通过图元名称和属性参数与剖面图中模型图元的相应字段实现关联。
1.2 矿山三维地质模型与剖面图空间位置坐标关联
空间位置坐标的关联需在剖面图上分别设置水平和高程位置的定位坐标，以将剖切所得对象关联至相应的剖面图位置。
剖面图坐标关联过程如图3所示。
设剖面线${m_0}{m_1}$（${m_0}$为剖面线首点，${m_1}$为剖面线末点）与模型相交的两端顶点分别为点$a$和点$b$；取剖面线${m_0}{m_1}$对应的剖面图上的2条竖直水平定位线${l_0}$和${l_1}$，将剖面线${m_0}{m_1}$两端点水平坐标分别设置为剖面图水平定位线${l_0}$与${l_1}$的链接数据，其中${m_0}$点的水平坐标链接至水平定位线${l_0}$，${m_1}$点则链接至${l_1}$，所得结果即为剖面图水平定位线${l_0}$与${l_1}$的水平定位坐标，实现水平定位坐标的关联。
由于剖面图的图形高程不是实际高程，在剖面图中需要使用高程定位线来进行高程定位。高程定位线$f = \left\{ {{f_0},{f_1},{f_2},{f_3},{f_4}} \right\}$是多条在纵向上等间距的水平直线，每条高程定位线均代表1个实际高程。剖面线${m_0}{m_1}$剖切后得到相应剖面图形$abcd$，按剖面图纵坐标数值范围取合适数量的高程定位线，通过剖面图元与剖面线的剖面名称相关联，将高程定位线f与实际高程$h(h = \left\{ {{h_0},{h_1},{h_2},{h_3},{h_4}} \right\})$相关联，实现高程定位坐标的关联。
2. 剖面图自动更新方法
2.1 属性更新
遍历矿山三维地质模型各图元实体，其中图元属性更新标志位onlyProperty值为1的实体，说明其属性已发生变化，仅针对与onlyProperty值为1的实体相关联的剖面图多边形属性参数进行更新。
设矿山三维地质模型各图元实体集$E = \left\{ {e_\varepsilon } \right\}$，$ e_\varepsilon $为图元实体，遍历后获取onlyProperty值为1的实体属性及实体属性名称。假定${e_\varepsilon}$的图元属性更新标志位onlyProperty值为1，在获取其实体属性entityParaVal和实体名称entityName后，将这2个字段参数分别赋予实体属性参数propPara与实体属性名称propName。设剖面图集$S = \left\{{s_q} \right\}$，$ {s_q} $为剖面图，在所有剖面图中遍历轮询所有多边形的实体名称。在剖面图$ {s_q} $中存在多个多边形图元，遍历轮询$ {s_q} $中所有多边形的实体名称，与图元实体${e_\varepsilon}$实体属性名称propName进行比对，查找与propName字段内容相一致的剖面图多边形图元，若剖面图$ {s_q} $所对应剖面线的实体名称${s_q}$.poly.entityName与实体属性名称propName内容一致，说明剖面图$ {s_q} $所对应剖面线${s_q}$.poly为与图元实体${e_\varepsilon}$相关联的剖面图多边形，则将${e_\varepsilon}$的实体属性参数propPara赋予${s_q}$.poly的多边形属性参数${s_q}$.poly.sctnEleParaVal，完成与图元实体${e_\varepsilon}$相关联的剖面图多边形的属性自动更新。所有属性参数均更新完毕后，将onlyProperty值置为0，表示当前模型图元属性未发生变化或属性已更新完毕。
2.2 几何更新
2.2.1 几何更新方法
与属性更新相似，几何更新是对与模型图元几何更新标志位onlyShape值为1的实体相关联的剖面图多边形几何形状进行更新。首先通过模型图元几何更新标志位onlyShape确定出三维模型中变化的部分实体，圈定各实体范围，提取区域范围内剖面线及与剖面线关联的剖面图，对剖面图中与模型图元实体对应的剖面图多边形几何形状进行更新，之后将模型图元几何更新标志位onlyShape值置0。几何更新流程如图4所示。
更新与矿山三维地质模型图元实体相关联的剖面图多边形的几何形状，需生成剖面线与当前矿山三维地质模型间的交线，将交线顶点集转换到相关的剖面图，在与相关联的剖面图多边形进行比较后进行几何更新。设与实体相关联的剖面图多边形的顶点集$ R = \left\{ {{r_1},{r_2}, \cdots ,{r_{{n_0}}}} \right\} $，$ r_i(i=1,2,\cdots,n_0$，n0为交线的顶点总数）为交线的第$ i $个顶点，$ {r_i} $的坐标为$\left( {{x_i},{y_i}} \right)$。对剖面线所在竖直面与矿山三维地质模型三角面求交线，剖面线所在竖直面可表示为2个三角面，即可以将问题转换为三角面与三角面之间求交线，最后将这些交线按顺序连接起来，得到剖面线所在竖直面与矿山三维地质模型的交线。设当前矿山三维地质模型几何形状改变后得到三维交线的顶点集$ R' = \left\{ {{r_1^\prime} ,{r_2^\prime} , \cdots ,{r_{{n_1}}^\prime} } \right\} $，$ {r_i^\prime}(i=1,2,\cdots,n_1 $，$ {n_1} $为几何形状改变后交线的顶点总数）为几何形状改变后交线的第$ i $个顶点，$ {r_i^\prime} $的坐标为$\left( {{x_i^\prime} ,{y_i^\prime} ,{z_i^\prime} } \right)$。
将顶点集$ R' $中元素坐标由空间直角坐标转换为到剖面线首点水平距离的二维相对坐标，将三维图形降至二维。通过对各顶点进行坐标转换计算，可得模型更新后的剖面图多边形顶点集。设空间坐标转换后的剖面图多边形顶点集$ R'' = \left\{ {{r_1^{\prime \prime }},{r_2^{\prime \prime }}, \cdots ,{r_{{n_2}}^{\prime \prime }}} \right\} $，${r_i^{\prime \prime }}(i=1,2, \cdots ,n_2$，$ {n_2} $为经过几何形状改变与空间坐标转换后交线的顶点总数）为经过几何形状改变与空间坐标转换后交线的第$ i $个顶点，${r_i^{\prime \prime }}$的坐标为$\left( {{x_i^{\prime \prime }},{y_i^{\prime \prime }}} \right)$。顶点坐标转换公式为
$$ \left\{ {\begin{array}{*{20}{l}} {\Delta {x''_{{\mathrm{after}}}} = \sqrt {{{\left( {{x_i^{\prime \prime }} - {x_{{t_0}}}} \right)}^2} + {{\left( {{y_i^{\prime \prime }} - {y_{{t_0}}}} \right)}^2}} + {x_{\mathrm{s}}}} \\ {\Delta {y''_{{\mathrm{after}}}} = y''_i + {y_{\mathrm{s}}} - {h_{\mathrm{s}}} } \end{array}} \right. $$ (1) 式中：$\Delta {x''_{{\mathrm{after}}}}$，$\Delta {y''_{{\mathrm{after}}}}$分别为经坐标转换计算后与三维交线相对应剖面图上的二维顶点横坐标、纵坐标的变化量；$ \left( {{x_{{t_0}}},{y_{{t_0}}}} \right) $为剖面线${t_0}{t_1}$的首点${t_0}$的坐标；${x_{\mathrm{s}}}$为剖面图上左侧水平定位线的横坐标；${y_{\mathrm{s}}}$为剖面图上任意一条高程定位线的纵坐标；${h_{\mathrm{s}}}$为与剖面图高程定位线关联的实际高程。
对比新顶点集$R''$与原来的剖面图多边形顶点集$R$，实现剖面图元坐标校验，校验$R''$中各顶点坐标是否改变，若$R'' \ne R$，说明交线已发生改变，顶点集$R''$覆盖$R$中原有数据，得到更新后的剖面图多边形顶点集。待所有剖面图多边形形状均更新完毕后，将实体的onlyShape值置为0，即实现剖面图几何形状的自动更新。
2.2.2 几何更新过程
几何更新方法的实现过程如图5所示。模型经剖面线剖切后得到的关联剖面图形为$abcd$；当模型第1次发生几何形状改变，变为棱锥模型后，剖面线与模型上表面相交点变为${a_1}$，关联的剖面图形随之更新为${a_1}{c_1}{d_1}$；当模型第2次发生几何形状改变，变为棱台模型后，剖面线与模型上表面相交点变为a2和b2，关联的剖面图形随之更新为${a_2}{b_2}{c_2}{d_2}$；同理，当模型第j次发生几何形状改变，其关联的剖面图形更新为${a_j}{b_j}{c_j}{d_j}$。
3. 应用验证
以内蒙古自治区锡林浩特乌兰图嘎锗煤露天矿为工程背景，验证与矿山三维地质模型自动关联的剖面图更新方法的可行性。
研究区域采场三维地质模型地层的主要岩性为第四系、砂岩、泥岩和煤，共有364条台阶线和640条地形等高线，以这些台阶线和地形等高线为约束边进行Delaunay约束三角形剖分，生成露天矿采场三维地质模型的三维网格，并将模型岩性参数作为矿岩封闭网格的扩展数据。采场推进前的三维地质模型如图6所示。
三维地质模型剖面线形状如图7所示，C1—C5为在模型上取得的5条剖面线。将剖面名称分别设置为各剖面线的扩展数据，并将各矿岩的封闭网格模型图元填至以相应矿岩名命名的图层；在剖面图中，对所有岩层多边形、采场台阶、水平坐标线、竖直坐标线及标注各种类型的图元均设置对应的剖面名称为扩展数据。
以剖面线C3为例，设剖面线C3位于采场坡顶的端点为首点${P_0}$，位于采场坡底的端点为末点${P_1}$，模型经剖切空间坐标转换至二维平面直角坐标。将${P_0}$与${P_1}$的坐标设置为剖面线C3对应剖面图的水平定位线的链接数据；分别将860，910，960，1 010，1 060，1 010，1 160 m共7个高程设置为自下而上的7条高程定位线的链接数据，将链接数据与实际高程相关联，作为剖面图的高程定位坐标。剖面线C3对应剖面图的剖面图元关联结果如图8所示，剖面图内共有6个岩层多边形、1条边坡台阶线、2条水平定位线、7条高程定位线。设置剖面名称作为剖面图元的扩展数据，并将剖面图二维交线顶点数据集的顶点坐标数据存储至剖面图元的扩展数据。
![]()
图 8 剖面线C3对应剖面图的剖面图元关联结果Figure 8. Section element association result of sectional view corresponds to section line C3随着采场工作面不断推进，采场几何形状随之改变，采场推进后的三维地质模型如图9所示。
通过剖面线C3可求得该剖面线与采场三维地质模型更新后的三角面之间的交线。对采场推进更新后的三维地质模型进行剖切，将剖切得到的三维顶点集$R'$中元素坐标由空间直角坐标转换为到剖面线首点水平距离的二维相对坐标，将三维图形降至二维。对各顶点进行坐标转换，计算得到模型更新后的剖面图二维交线顶点集，并将顶点坐标数据存储至剖面图元的扩展数据中。
遍历扩展数据中模型更新后的所有图元元素与原来的剖面线C3对应的剖面图进行比对，校验模型更新后各顶点坐标是否改变，并在剖面图中高亮显示比对不一致的部分，如图10（a）所示。校验结束后变化坐标数据覆盖更新至扩展数据中原有剖面图各顶点坐标，得到采场推进更新后C3对应的剖面图，如图10（b）所示。
按此方法依次可得采场三维地质模型其他剖面图自动更新结果。将推进前采场三维地质模型与C1—C5这5条剖面线相关联，可得采场推进前剖面图，如图11（a）所示；当采场推进时，三维地质模型发生形变，发生改变的图元构成了新图层，与之对应的剖面图也随之改变，如图11（b）所示；关闭新图层后，可得采场推进后的三维地质模型各剖面线对应的剖面图更新结果，如图11（c）所示。经比对，更新前后剖面图中的定位坐标数据一致，验证了剖面图更新的准确性。
![]()
图 11 三维地质模型剖面图自动更新过程Figure 11. Automatic update process of sectional view of 3D geological model4. 结论
1） 在对矿山三维地质模型与剖面图元之间关系进行分析的基础上，通过对图元关联的概念模型设计和逻辑模型设计，建立了矿山三维地质模型与剖面图元的关联关系；通过在剖面图上进行水平和高程位置的定位坐标设置，建立了矿山三维地质模型与剖面图的空间位置关联关系。
2） 基于矿山三维地质模型与剖面图的关联关系，提出了剖面图自动更新方法。当矿山三维地质模型图元属性发生变化时，能够自动对与模型图元相关联的剖面图多边形属性参数进行更新；当矿山三维地质模型图元几何形状发生变化时，通过对模型重新剖切、交点集空间坐标转换和剖面图元坐标校验等过程，能够自动实现对相关联的剖面图多边形进行几何更新。
3） 在乌兰图嘎锗煤露天矿应用了与矿山三维地质模型自动关联的剖面图更新方法，当三维地质模型发生形变时，与之相关联的剖面图实现了自动更新，验证了该方法的有效性。
-
表 1 通风网络初始数据
Table 1 Ventilation network initial data
分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）1 0.006455 129.50 9 0.114862 12.32 2 0.004709 29.96 10 0.085501 14.27 3 0.009727 20.85 11 0.001561 62.09 4 0.001339 73.38 12 0.001391 73.38 5 1.572439 5.31 13 0.015521 50.81 6 0.001562 62.10 14 0.005727 129.50 7 0.232000 11.28 15 0 129.50 8 0.013821 35.51 
下载: 导出CSV
表 2 通风网络各分支类型、风阻和风量调节范围
Table 2 Branch types, air resistance, and airflow regulation range of the ventilation network
分支编号 分支类型 风阻调节范围/（N·s2·m−8） 风量调节范围/（m3·s−1） 1 一般分支 0.006455 129.50 2 其他用风分支 0.004709 26.96～32.96 3 其他用风分支 0.009727 18.77～22.94 4 一般分支 0.001339 3.94～126.00 5 一般分支 1.572439 3.94～126.00 6 一般分支 0.001562 3.94～126.00 7 其他用风分支 0.040940 ～0.884324 10.15～12.41 8 一般分支 0.013821 ～0.844314 3.94～126.00 9 其他用风分支 0.016615 ～0.577616 11.09～13.55 10 目标用风分支 0.085501 31.50～32.50 11 一般分支 0.001561 3.94～126.00 12 一般分支 0.001391 3.94～126.00 13 一般分支 0.004964 ～0.714323 3.94～126.00 14 其他用风分支 0.005727 129.50 15 虚拟分支 0 129.50
下载: 导出CSV
表 3 不同算法下模型求解结果
Table 3 Model solution results under different algorithms
算法 算法成功率/% 平均收敛代数 平均寻优时间/s 改进ABC 100 42 132.72 GABC 87 53 167.48 ABC−GOBL 100 122 385.52 ABC 100 158 516.68 PSO 0 － －
下载: 导出CSV
表 4 改进ABC算法求解出的最优矿井风阻调控方案
Table 4 Optimal mine ventilation resistance control scheme solved by the improved artificial bee colony algorithm
分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）分支
编号风阻/
（N·s2·m−8）风量/
（m3·s−1）1 0.006455 129.50 9 0.571217 12.21 2 0.004709 27.25 10 0.085501 31.51 3 0.009727 18.96 11 0.001561 64.23 4 0.001339 74.83 12 0.001391 74.83 5 1.572439 8.49 13 0.051381 46.21 6 0.001562 64.23 14 0.005727 129.50 7 0.871307 10.60 15 0 129.50 8 0.209715 20.51
下载: 导出CSV
-
[1] 卢新明,尹红. 矿井通风智能化理论与技术[J]. 煤炭学报,2020,45(6):2236-2247. LU Xinming,YIN Hong. The intelligent theory and technology of mine ventilation[J]. Journal of China Coal Society,2020,45(6):2236-2247.
[2] 张浪,刘彦青. 矿井智能通风与关键技术研究[J]. 煤炭科学技术,2024,52(1):178-195. ZHANG Lang,LIU Yanqing. Research on technology of key steps of intelligent ventilation in mines[J]. Coal Science and Technology,2024,52(1):178-195.
[3] WANG Jinmiao,XIAO Jun,XUE Yan,et al. Optimization of airflow distribution in mine ventilation networks using the modified sooty tern optimization algorithm[J]. Mining,Metallurgy & Exploration,2024,41(1):239-257.
[4] 吴新忠,韩正化,魏连江,等. 矿井风流智能按需调控算法与关键技术[J]. 中国矿业大学学报,2021,50(4):725-734. WU Xinzhong,HAN Zhenghua,WEI Lianjiang,et al. Intelligent on-demand adjustment algorithm and key technology of mine air flow[J]. Journal of China University of Mining and Technology,2021,50(4):725-734.
[5] 贾进章,刘剑,倪景峰. 通风系统可靠性稳定性及灵敏性数学模型[J]. 辽宁工程技术大学学报(自然科学版),2003,22(6):725-727. JIA Jinzhang,LIU Jian,NI Jingfeng. Mathematical models for reliability stability and sensitivity of ventilation system[J]. Journal of Liaoning Technical University (Natural Science),2003,22(6):725-727.
[6] CHATTERJEE A,ZHANG Lijun,XIA Xiaohua. Optimization of mine ventilation fan speeds according to ventilation on demand and time of use tariff[J]. Applied Energy,2015,146:65-73. DOI: 10.1016/j.apenergy.2015.01.134
[7] JIA Peng,JIA Jinzhang,SONG Lei,et al. Theory of RPOD adjustment of air volume for mine intelligent ventilation[J]. International Journal of Ventilation,2022,21(4):316-329. DOI: 10.1080/14733315.2021.1948720
[8] LI Junqiao,LI Yucheng,ZHANG Wei,et al. Multi-objective intelligent decision and linkage control algorithm for mine ventilation[J]. Energies,2022,15(21). DOI: 10.3390/en15217980.
[9] 吴新忠,张芝超,王凯,等. 基于DE−GWO算法的矿井风网风量调节方法[J]. 中南大学学报(自然科学版),2021,52(11):3981-3989. WU Xinzhong,ZHANG Zhichao,WANG Kai,et al. Method for adjusting air volume of mine ventilation network based on DE-GWO algorithm[J]. Journal of Central South University (Science and Technology),2021,52(11):3981-3989.
[10] 许嘉琳. 改进鲸鱼算法在矿井风量智能调控中的研究[D]. 徐州:中国矿业大学,2023. XU Jialin. Research on improved whale algorithm in intelligent regulation of mine air volume[D]. Xuzhou:China University of Mining and Technology,2023.
[11] 孙小玲,李端. 整数规划[M]. 北京:科学出版社,2010. SUN Xiaoling,LI Duan. Integer programming[M]. Beijing:Science Press,2010.
[12] 张步忠,程玉胜,王一宾. 求解N皇后问题的片上多核并行混合遗传算法[J]. 计算机工程,2015,41(7):199-203. ZHANG Buzhong,CHENG Yusheng,WANG Yibin. On-chip multi-core parallel hybrid genetic algorithm for solving N-Queens problem[J]. Computer Engineering,2015,41(7):199-203.
[13] 王燕军,梁治安,崔雪婷. 最优化基础理论与方法[M]. 2版. 上海:复旦大学出版社,2018. WANG Yanjun,LIANG Zhi'an,CUI Xueting. Basic theory and method of optimization[M]. 2nd ed. Shanghai:Fudan University Press,2018.
[14] CHENG Shi,SHI Yuhui,QIN Quande,et al. Population diversity maintenance in brain storm optimization algorithm[J]. Journal of Artificial Intelligence and Soft Computing Research,2014,4(2):83-97. DOI: 10.1515/jaiscr-2015-0001
[15] 李伟,霍永金,张浪,等. 矿井通风实时网络解算技术研究[J]. 中国矿业,2016,25(3):167-170. DOI: 10.3969/j.issn.1004-4051.2016.03.041 LI Wei,HUO Yongjin,ZHANG Lang,et al. Research on ventilation real time network solution[J]. China Mining Magazine,2016,25(3):167-170. DOI: 10.3969/j.issn.1004-4051.2016.03.041
[16] 刘彦青. 基于巷道摩擦阻力系数BP神经网络预测模型的矿井风网风量预测研究[J]. 矿业安全与环保,2021,48(2):101-106. LIU Yanqing. Study on the air quantity of mine ventilation network based on BP neural network prediction model of friction resistance coefficient in roadway[J]. Mining Safety & Environmental Protection,2021,48(2):101-106.
[17] KARABOGA D,AKAY B. A comparative study of artificial bee colony algorithm[J]. Applied Mathematics and Computation,2009,214(1):108-132. DOI: 10.1016/j.amc.2009.03.090
[18] YANG Jingyuan,CUI Jiangtao,XIA Xiaofang,et al. An artificial bee colony algorithm with an adaptive search strategy selection mechanism and its application on workload prediction[J]. Computers & Industrial Engineering,2024,189. DOI: 10.1016/j.cie.2024.109982.
[19] SHI Y,EBERHART R. A modified particle swarm optimizer[C]. IEEE International Conference on Evolutionary Computation,Anchorage,1998:69-73.
[20] WANG Hui,WU Zhijian,RAHNAMAYAN S,et al. Enhancing particle swarm optimization using generalized opposition-based learning[J]. Information Sciences,2011,181(20):4699-4714. DOI: 10.1016/j.ins.2011.03.016
[21] ZHU Guopu,KWONG S. Gbest-guided artificial bee colony algorithm for numerical function optimization[J]. Applied Mathematics and Computation,2010,217(7):3166-3173. DOI: 10.1016/j.amc.2010.08.049
[22] 周新宇,吴志健,邓长寿,等. 一种邻域搜索的人工蜂群算法[J]. 中南大学学报(自然科学版),2015,46(2):534-546. ZHOU Xinyu,WU Zhijian,DENG Changshou,et al. Neighborhood search-based artificial bee colony algorithm[J]. Journal of Central South University (Science and Technology),2015,46(2):534-546.
-
期刊类型引用(1)
1. 张楠. 露天煤矿地质灾害特征与危险性评估研究. 能源与环保. 2025(03): 136-141 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 54
- HTML全文浏览量: 12
- PDF下载量: 10
- 被引次数: 1
