露天矿道路运输系统优化问题是矿山复杂大系统协同优化的重要组成部分,对于降低矿山生产运营成本、提高矿山生产及组织效率具有极为重要的现实意义。但近年来,随着我国露天矿建设质量的标准化,产量规模、作业设备的逐步大型化,部分矿山运输系统的瓶颈问题开始凸显,特别是以静态道路网络分析方法为基础的传统路径优化规划模型及算法,当面临更加复杂、多变的调度决策任务时,部分规划模型及算法易受到基础能耗目标建模限制,很难给出全局现实最优解。为有效解决传统模型评价建模困难、寻径效率受限等问题,以神华新疆公司红沙泉露天煤矿为例,在时变运输功描述系统全局能耗波动效应的理论基础上,尝试融合车-路耦合思想,提出兼顾路面随机损伤作用下的费用评价函数及路径规划模型,并结合该矿道路阻力系数的隶属度函数模型给出了全局费用评价函数的合理估计;为进一步提高规划模型求解效率,提出采用快速搜索随机树算法(Rapidly-exploring Random Tree, RRT)构建路径拓扑连通性的启发式策略的基本方法,并配合遗传算法对路径规划模型进行求解,实现了路径几何拓扑连通性与标量目标值约束解耦的同时,完成了对露天矿复杂路径条件下寻径问题的快速求解。经多组仿真实验验证,所述算法能快速收敛于全局最优解,经对比试验论证,所述方法及策略对于解决露天矿路径规划优化问题可行且有效。所述方法为后续基于路面波动作用下的运输系统成本分析及评价提供了研究方向及基础,为融合交叉学科分析露天矿复杂大系统的决策问题贡献了全新的体系方法。
针对基于图的无监督特征选择算法存在挖掘数据内在信息不充分,且易受噪声干扰难以获取更具有判别性特征的问题,提出一种基于广义不相关回归和潜在表示学习的无监督特征选择方法(uncorrelated regression and latent representation for unsupervised feature selection,URLUFS)。该方法将非负矩阵分解作用于广义不相关回归模型的投影矩阵,使投影矩阵实现非线性的维数约简并获得特征选择矩阵。在特征选择矩阵的基础上,引入自适应图学习来进一步挖掘数据的局部流形结构,并对特征选择矩阵施加范数约束以保持稀疏性。利用潜在表示对数据样本间的相互关系进行学习,引导回归模型中的伪标签矩阵,从而选择出更具有判别性的特征。在8个公开的数据集上进行了数值对比实验,实验结果表明:基于广义不相关回归和潜在表示学习的无监督特征选择算法明显优于其他8种无监督特征选择算法。
