《Applied Sciences》：Centralized Evolutionary Optimization and Decentralized Agent-Based Scheduling for Open-Pit Mine Dispatching
编辑推荐：
露天矿采矿中的卡车调度是一个直接影响生产力、设备利用率和运输成本的重要工序。尽管此问题通常被视为一系列孤立的分配决策，但从调度的视角出发，可以随时间协调卡车移动和资源交互。本文比较了露天矿调度中生成调度方案的两种不同方法：集中式遗传算法和分散式多智能体系统。这
露天矿采矿中的卡车调度是一个直接影响生产力、设备利用率和运输成本的重要工序。尽管此问题通常被视为一系列孤立的分配决策，但从调度的视角出发，可以随时间协调卡车移动和资源交互。本文比较了露天矿调度中生成调度方案的两种不同方法：集中式遗传算法和分散式多智能体系统。这两种方法均使用基于智利某露天铜矿实际运营数据的仿真场景进行了评估。评估考量了运输物料量、运输时间、小时生产率、调度生成时间以及多次重复运行的结果稳定性。结果表明，GA在主要运营指标中取得了更高的平均值。具体而言，GA在运输物料量上实现了高达22.4%的改善，在小时生产率上实现了高达26.4%的改善，同时平均运输时间也更低。然而，MAS展现了计算优势，将调度生成时间减少了多达21.6%。这些发现适用于静态离线调度生成条件；在需要反复重新调度、在线适应或对运营中断进行实时响应的动态环境中，GA和MAS的相对优势可能会有所不同。
论文发表在《Applied Sciences》。本文的研究背景是露天矿物料搬运约占总运营成本的50%，高效卡车调度是其中的关键。目前实际操作多依赖基于运筹学、启发式规则或仿真模型的集中式决策支持系统进行孤立分配决策。然而，由于工作环境高度动态且充满不确定性，现有方法常因设备建模精度不足、过度依赖统计估算而非系统实际状态，最终导致卡车在装载点或卸载点产生排队拥堵而其他资源闲置。研究人员在此背景下开展了这项研究，旨在通过将卡车调度视为调度问题而非孤立分配任务，探究集中式进化搜索与分散式代理协调在解决此问题上的差异。研究结果对实际矿山在不同时间约束下选择适宜调度策略的指导意义，以及为混合调度系统提供理论依据方面具有重要价值。
为开展此项研究，主要采用了两种关键技术方法并进行了对比评估。第一种是集中式的遗传算法，该方法构建随机的初始种群（Population Size: 500），通过针对性的交叉和变异算子维护种群多样性，并设计了一个针对运输物料量和运输时间进行最大最小归一化评估的适应度函数（Fitness Function），实现全局解空间的进化搜索。第二种是分散式的多智能体系统，该方法将卡车、挖掘机和卸载点等实体建模为自主代理，依赖改进并引入确认阶段的合同网协议处理并发的谈判协商状况，在局部信息基础上通过交互协调生成调度方案。两者的实验评估均在统一的图论网络结构和静态离线仿真环境下进行，研究使用的数据样本队列来源于智利某露天铜矿连续12小时工作班次的真实运营数据抽象，确保了对比环境的等价性，研究结论指出遗传算法在运算质量上更优，多智能体系统在运算速度上更具优势。
稳定性分析在受控计算环境下的表现：研究人员通过对每种方法独立运行10次以计算变异系数（CV）。结果表明，在直接关联调度质量的指标上，如运输物料量、运输时间和小时生产率，GA的稳定性普遍优于MAS；仅在调度生成时间这一指标上，MAS展现出更小的波动性。这明确反映出GA产出高质量调度的潜能及一致性，而MAS则在快速调度方面具备优势。
运输物料量比较：测量12小时仿真周期内总运输物料量，GA在所有规模场景中的平均产量均高于MAS。GA在大、中、小规模场景下的相对优势分别约为10.0%、11.8%和22.4%，证明GA能持续生成高生产水平的调度计划。
运输时间比较：分析车队总体运行时间，描述性统计显示GA在所有场景中的平均运输时间均略低于MAS。但通过Mann–Whitney U检验显示两组运输时间并无统计学显著性差异。虽然绝对差异不大，但表明GA能在更短的路径距离下完成更多运输任务，反映了其调度方案在调度结构上更紧凑高效。
小时生产率比较：计算为总运输物料量除以总运输时间，GA全面超越MAS。在三种规模场景下，GA相较MAS的生产率提升幅度分别约为11.0%、14.3%和26.4%，这进一步在经济性和时效性上印证了GA调度的整体高效性。
调度生成时间比较：测试从接受调度请求到输出完整调度方案的总运行时间。在大规模和中规模场景下，MAS的计算生成时间显著少于GA（在大规模场景下可减少多达21.6%的计算时间），而在小规模场景中两者所需时间均极短。MAS的分布式协调逻辑在削减计算耗时方面展现了其实用性。
推断统计分析：使用非参数检验对所有性能指标进行验证，推断结果支持了描述性分析的结论：GA在小规模场景的小时生产率指标、中等规模场景的所有指标及大规模场景的物料和生产率指标上存在统计学显著性优势；而MAS在中等和大规模场景下持有了计算时间显著性优势。
在讨论部分，研究人员总结得出以下结论：集中式GA与分散式MAS在露天矿调度生成中呈现互补特质。GA通过全局视野规划能生成质量和效率俱佳的调度方案，若在生产前具有充裕时间进行离线计算，其非常适合用作预操作规划；而MAS虽在实验环境特质下显示出稍逊的产出量指标，但由于其基于局部代理自治谈判的固有特性，具备削减配耗时和快速响应局部变动的生成机制。这一速度优势在静态条件下的优越性并不直接转化为有效指标的提升，但由于其间歇快速重算特性，理论上仍被寄予于处理动态突发故障及需高频重算场景的期望。两种方案在计算效能与运算质量上呈现明显的权衡关系。基于此研究结论，研究人员亦指出未来混合式架构或将具备前景：可利用集中式进化方法计算初始基础调度，再分散式的授权自主代理执行在线动态微调，从而在全局优化和局部自适应力上均维持优异表现。后续研究需在随机和动态环境中验证上述推测。
