ارائه الگوریتم خوشه‌بندی چندمرحله‌ای در مدل‌سازی ریاضی تولید معادن

در برنامه‌ریزی معادن از نقطه‌نظر تولید و افزایش بهره‌وری برای ایجاد مسائلی که به جواب‌های بهینه و دقیق برسد باید تمام محدودیت‌های فنی و عملیاتی در مدل‌سازی وارد شوند. ایجاد چنین مدل‌هایی که در بیشتر مواقع با تابع هدف حداکثر سازی ارزش خالص فعلی همراه است منجر به مسائل ریاضی با ابعاد بزرگ می‌شود که حل این مدل‌ها با دستگاه‌های رایانه‌ای فعلی زمان پردازش ( cpu) زیادی را نیاز دارد بنابراین در این تحقیق الگوریتم خوشه‌بندی با شاخص شباهت چندمرحله‌ای با استفاده از فرمول‌بندی‌های ریاضی توسعه داده‌شده است که ابعاد مسائل ریاضی را از طریق کاهش تعداد متغیرهای تصمیم به نحوی کاهش دهد که ضمن عدم وابستگی به ضرایب اهمیت وزنی در شاخص شباهت، برنامه‌ریزی‌های تولید را با کمترین خطا و کاهش شدید در زمان اجرای مسئله اجرا کند. به‌منظور ارزیابی نتایج این خوشه‌بندی از 2478 بلوک استخراجی استفاده شد این بلوک‌ها در طی 3 مرحله، ابتدا در 10 سپس 40 و درنهایت در 109 خوشه، طبقه‌بندی شدند. جهت ارزیابی نتایج خوشه‌بندی، از روش milp و با استفاده از نرم‌افزار cplex و matlab به برنامه‌ریزی ریاضی تولید پرداخته شد. نتایج این تحقیق نشان داد که زمان اجرا با کاهش 86 درصدی در مدل خوشه‌بندی نسبت به مدل بدون خوشه‌بندی همراه بوده است درحالی‌که مقدار تابع هدف فقط 8/1 درصد اختلاف در دو مدل نشان داده است.

Development of Multi-similarity index Clustering algorithm in Mathematical Modelling of Mines

Generating a production schedule that will provide optimal operating strategies without all technical and operational constraints is not practical. Creating such models with considering NPV as objective function result to oversize mathematical problems which needs more CPU time. This paper developed a multiindex clustering algorithm to reduce the size of the largescale mathematical problems by reducing the number of decisions variables. By the way the presented algorithm remove dependency to weight importance coefficients and marks the planning with minimum error and significant reduction in the size of the model and solving time. In application and comparison of the presented clustering technique, 2478 extraction block aggregated in first step in 10 clusters, and in second step in 40 and finally in 109 clusters. By using CPLEX and MATLAB the MILP models of clusters and extraction block created to evaluate the clustering technique. The results show that CPU time has 86% reduction whereas the NPV only show 1.8% difference between clusters and block models.