Traditional methods of optimization vs modern heuristic in mining works modeling issues in hard coal mines
 
 
More details
Hide details
 
Gospodarka Surowcami Mineralnymi – Mineral Resources Management 2008;24(2):43-58
 
KEYWORDS
ABSTRACT
Main issue displayed in the paper is the review of optimization methods according to formulated research problem such as planning of exploitation works in hard coal mining enterprise. It have to be stated that at the present time in polish hard coal mining, scope of the planning process is limited. Geometric parameters of longwall paneIs and its sequence of exploitation are rather determined in accepted long-term plans. So the main possibility is to analyze equipment for planned mining works. In presented article Author provided model of analyzed problem: assumed representation, aim and evaluation function. Take into consideration number of equations which are need to derive a formula of evaluation function, there were shortly presented main dependences between function component elements and assumed representation as well as simplified calculation procedure. Because of the problem complexity and time-consuming calculations Author undertook studies on search an effective optimization method to solve displayed research problem. In the article advantages and disadvantages of selected, cIassic optimization methods as well as evolutionary approach were described. Classic methods were divided into: algorithms which estimate only complete solutions and algorithms for estimation of partial solutions (non complete solutions of original problem) or approximated solution (complete solution of reduced problem). In the article exhaustive search, local search and linear programming were presented as well as some greedy algorithms: dynamic programming, A * algorithm, divide and rule algorithm and divide and bound method. Simulated annealing and tabu search were presented also. As modern approach to search space of solutions evolutionary algorithms were described. Following the paper a few characteristic of evolutionary algorithms were presented which make this approach more applicable to considered problem than classic approach.
METADATA IN OTHER LANGUAGES:
Polish
Tradycyjne metody optymalizacji a nowoczesna heurystyka w wybranych zagadnieniach modelowania robót górniczych w kopalniach węgla kamiennego
górnictwo, węgiel kamienny, modelowanie, roboty górnicze, optymalizacja, heurystyka
W artykule przedstawiono efekty poszukiwań odpowiedniej metody optymalizacji dla postawionego probIemu badawczego. Rozważanym zagadnieniem z zakresu modelowania robót górniczych jest planowanie robót eksploatacyjnych w wielozakładowym przedsiębiorstwie górniczym. Należy zauważyć, że w warunkach obecnie funkcjonujących przedsiębiorstw, zakres tego planowania dotyczy możliwości wyposażenia planowanych robót, ponieważ parametry geometryczne pól ścianowych jak i kolejność ich wybierania są znacznie wyprzedzająco zapisywane i akceptowane w sporządzanych planach techniczno-ekonomicznych. Istota podjętego problemu oraz jego złożoność obliczeniowa wymagały poszukiwań efektywnej metody optymalizacji na zbiorze wieIu możliwych rozwiązań. W artykule przedstawiono uproszczony model analizowanego zagadnienia: przyjętą reprezentację, cel oraz przykładową funkcję oceny rozwiązań. Z uwagi na objętość wzorów dla wyprowadzenia postaci funkcji oceny krótko przedstawiono najważniejsze zależności pomiędzy elementami składowymi funkcji a wartością postępu zawartą w reprezentacji problemu oraz, w pewnym uproszczeniu, tok generowania rozwiązania. W dalszej części publikacji przedstawiono charakterystykę wybranych klasycznych metod optymalizacji, które podzielono na algorytmy, oceniające tylko pełne rozwiązania oraz algorytmy, które wymagają oceny rozwiązań częściowo skonstruowanych (niepełne rozwiązania pierwotnego problemu) lub przybliżonych (pełne rozwiązanie zredukowanego problemu). Wskazano ich zalety i wady oraz odniesienie ich do sformułowanego problemu badawczego. Omówiono również podejście ewolucyjne, które umożliwia intensyfikację poszukiwań przestrzeni rozwiązań i tworzenie efektywnych heurystyk. Zaprezentowano kilka właściwości, które przemawiają za wykorzystywaniem algorytmów ewolucyjnych do rozwiązywania złożonych zagadnień, w tym również do przedstawionego w artykule przez autorkę.
 
REFERENCES (23)
1.
A1ander J.T., 1999 - An Indexed Bibliography of Genetic Algorithm Implementations. Report Series No. 94-1-IMPLE, ftp.uwasa.fi cs/report94-1/gaIMPLEbib.ps.Z.
 
2.
Arabas J., 2004 - Wykłady z algorytmów ewolucyjnych. Wydawnictwa Naukowo-Techniczne, Warszawa.
 
3.
Badania operacyjne. Praca zbiorowa pod red. E. Ignasiaka. PWE, Warszawa 1996.
 
4.
Biethahn J., Nissen V., 1995 - Evolutionary algorithms in management applications. Springer-Verlag, Berlin.
 
5.
Brzychczy E., 2006 - Zastosowanie algorytmów ewolucyjnych w modelowaniu produkcji górniczej. Zeszyty Naukowe Politechniki Śląskiej nr 1736, seria Górnictwo Z. 273, Gliwice.
 
6.
Brzychczy E., 2007 - Propozycja modułu eksperckiego dla potrzeb systemu projektowania robót górniczych w kopalniach węgla kamiennego. Zeszyty Naukowe Politechniki Śląskiej nr 1764, seria Górnictwo Z. 279, Giiwice.
 
7.
Gerstenkorn T., Śródka T., 1976 - Kombinatoryka i rachunek prawdopodobieństwa. PWN, Warszawa.
 
8.
Goldberg D.E., 2003 - Algorytmy genetyczne i ich zastosowania. Wydawnictwa Naukowo- Techniczne, Warszawa.
 
9.
Grabowski W., 1982 - Programowanie matematyczne. PWE, Warszawa.
 
10.
Klank M., 2002 - Racjonalizacja wykorzystania produkcyjnych środków trwałych w procesie restrukturyzacji górniczej grupy kapitałowej. Praca doktorska. Akademia Górniczo-Hutnicza, Kraków.
 
11.
Knosala i zespół, 2002 - Zastosowania metod sztucznej inteligencji w inżynierii produkcji. Wydawnictwa Naukowo - Techniczne, Warszawa.
 
12.
Kumral M., 2004 - Optimal location of a mine facility by genetic algorithms. Mining Technology: IMM Transactions section A, 113,2.
 
13.
Mahajan A.M, 2004 - Performance optimization of a coal preparation plant using genetic algorithms. Final Technical Report 03-1/4.1 B-4. Southern Illinois University.
 
14.
Michalewicz Z., Fogel D.B., 2006 - Jak to rozwiązać czyli nowoczesna heurystyka. WNT, Warszawa.
 
15.
Murata T., Ishibuchi H., Tanaka H., 1996 - Multi-objective genetic algorithm and its application to flowshop scheduling. Computers and Industrial Engineering, 30.
 
16.
Naoum S., Haidar A., 2000 - A hybrid knowledge base system and genetic algorithms for equipment selection. Engineering, Construction and Architectural Management, 7.
 
17.
Pawlak M., 1999 - Algorytmy ewolucyjne jako narzędzie harmonogramowania produkcji. Wydawnictwo Naukowe PWN, Warszawa.
 
18.
Pendharkar P.C., Rodger J.A., 2000 - Nonlinear programming and genetic search application for production scheduling in coal mines. Annals of Operations Research, 95.
 
19.
Pierreval H., Tautou L., 1997 - Using evolutionary algorithms and simulation for the optimization of manufacturing systems. IIIE Transcations, 29.
 
20.
Sequence optimization - www. mirarco.org/projectscmt.php z dnia 10.07.2007.
 
21.
Serafin R., 2007 - Zastosowanie algorytmów ewolucyjnych do harmonogramowania zadań produkcyjnych. Komputerowo Zintegrowane Zarządzanie T. 1, pod red. R. Knosali, WNT, Warszawa.
 
22.
Vayenas N., Yurij G., 2007 - Using GenRel for reliability assessment of mining equipment. Journal of Quality in Maintenance Engineering, Emerald, Vol. 13, No.1.
 
23.
Vergara F.E., Khouja M., Michalewicz Z., 2002 - An evolutionary algorithm for optimizing material flow in supply chains. Computers and Industrial Engineering, 43.
 
eISSN:2299-2324
ISSN:0860-0953
Journals System - logo
Scroll to top