动态粒度驱动的多目标进化算法在煤矿综合能源系统调度优化中的创新应用

本文提出动态粒度多目标进化算法（DGMA），通过动态调整调度粒度（从粗粒度到单时段）解决煤矿综合能源系统（CMIES）大规模调度优化难题。算法结合多样性增强环境选择策略（DES），显著提升对复杂约束下非连续可行域的搜索能力，实验验证其在经济性、碳排放等指标上优于7种前沿算法（如MO-EAMP、MDE-EKT-NDM），为高能耗工业的能源管理提供新思路。

　　

Highlight
本文基于动态调度粒度的创新设计，提出DGMA算法以攻克煤矿综合能源系统（CMIES）调度优化中的"维度灾难"问题。通过逐步细化时间单元粒度（如从多时段合并到单时段），算法在搜索效率与解质量间实现动态平衡，其核心策略包括：

动态粒度搜索（DGS）

• 粗粒度阶段：将多个时段合并为单一调度单元，快速锁定潜在优解区域
• 渐进式细化：随进化过程逐步拆分组块，最终实现单时段精确调控
• 优势：相比传统方法（如NSGA-II），搜索空间缩减达70%，收敛速度提升2.3倍

多样性增强环境选择（DES）

• 全局探索：采用方向向量划分策略（M2M框架）覆盖全目标空间
• 局部开发：动态约束松弛技术（基于ε方法改进）引导子种群穿透局部不可行域
• 典型场景：在应对设备突发故障时，DGMA能于15分钟内生成可行调度方案，而对比算法需30分钟以上

Conclusion
DGMA通过独创的"由粗到细"搜索范式，成功解决CMIES调度中高维度（>1000变量）、强耦合约束的挑战。案例研究表明，其调度方案可使能源利用率提升18.7%，碳排放降低22.4%，显著优于现有方法。未来将探索该框架在钢铁、化工等高耗能产业的适用性。

（注：翻译中已去除文献引用标识，关键术语如VAM氧化装置（VOD）、水源热泵（WSHP）等保留英文缩写，数学符号如f_AEC采用下标格式）