一种钢铁原料场铁矿石配置方法

摘要

一种钢铁原料场铁矿石配置方法，属于冶金工业领域，本发明的优化配置方法，综合考虑多种铁矿石的输入配置及严格的铁矿石成分控制要求，能够帮助配置计划人员找出最佳的存储方式，从而提高铁矿石的生产存储质量，实现保障铁矿石供应，减少运输能耗，防止铁矿石混料情况的发生，保证铁矿石质量从而提高其后续产品质量等目的。通过实际数据的人工配置结果与本发明优化结果的比较，可以得出，在铁矿石输入执行率提高了2.7％的前提下，由本发明优化得到的配置方案与人工配置方案相比能够显著将目标函数降低12.79％。有效地降低了运输能源损耗，提高了铁矿石的存储质量，进而提高其后续产品的质量。

说明书

技术领域

本发明属于冶金工业领域，涉及钢铁原料物流信息技术领域，特别涉及到一种钢铁原料 场铁矿石配置方法。

背景技术

钢铁企业的原料场是用来存放高炉、烧结等生产单位所需的铁矿石等散状原料的场地。 原料场堆放的原料(主要是铁矿石)种类有上百种，按其各自规则以料堆的形式露天堆放在 不同的料条里。每个料条都有对应的取料机、堆料机为其服务。原料场利用堆料机与取料机 设备将原料配置至合理的储位，为高炉及烧结等生产工序进行供料，原料场中的原料布局示 意图如图1所示。

原料场的原料配置是将原料场所需要配制的品种繁多的原料根据其物理化学特征以及料 场库存现状，按照料场配置的规则，分配到合理的存储位置(储位)，以实现充分利用料场存 储空间、合理利用各种设备及资源、保证原料品质的稳定、降低生产存储费用及能源消耗等 目标。由于原料场存储的原料包括粉矿、块矿、球团、烧结矿、二次破碎料及混匀料等多个 种类，物理化学性质差别显著，因此合理进行原料的配置会显著降低料场运行成本，保证入 炉原料的品质稳定，保障炼铁生产的稳定、高效。

目前国内钢铁原料场的原料输入配置过程全部由人工依照经验进行作业安排，虽然作业 人员已经积累了相当多的经验，也取得了很大的成效，但由于钢铁企业原料进料以及生产方 式具有进料时间波动性大、进料量大、周转时间快、料场基本信息动态更新快，以及操作步 骤复杂、原料成分保护严格、约束条件多、随机性高等特点，使得原料输入配置是一项非常 繁琐费时且需不断重复进行的工作，同时人工编制计划时无法同时兼顾产能、原料质量、物 流平衡及需求满足等多方面的要求，常常无法综合考虑目前的和未来一段时间内的进料情况， 实时地对料场布局计划进行调整，常常采取临时权宜处理，因此单靠人工方法很难对批量进 场的原料配置做出合理的安排。

发明内容

为克服现有方法存在的不足，本发明提出一种应用于钢铁企业原料场的铁矿石配置方法， 以达到降低生产存储费用、降低能源消耗及保障入炉铁矿石品质稳定的目的。

本发明的技术方案是这样实现的：本发明一种应用于钢铁企业原料场的铁矿石配置方法， 包括以下步骤：

步骤1：获取待输入铁矿石数据、原料场储位数据及原料场运行数据，确定铁矿石输入 配置的工艺特征，并采用数学模型描述其工艺过程；

其中，所述的待输入铁矿石数据包括：铁矿石批号、铁矿石品种、铁矿石重量、化学成 分、铁矿石到达时间、堆高；所述的原料场储位数据包括：储位位置坐标、储位长度、可用 储位前次存储信息、已用储位存储信息、输入设备作业能力；所述的原料场运行数据包括： 原料场存储清单、铁矿石需求计划、设备检修计划；

所述的数学模型，建立过程如下：

步骤1-1：确定模型参数为：在时间展望期T内，待配置的铁矿石集合为N，原料场中 料条集合为S，且料条j中共有K_j个可用储位，构成可用储位集合K；将铁矿石i分配到料条 j第k个可用储位时，需消耗场地平整、物料清空及设备预运行等准备作业费用，同时也会产 生由铁矿石混放引起的铁矿石损失费用，其费用系数分别为c_ijk及p_ijk；开放料条j时会产生 相应的运行费用，其费用系数为f_j；当同批号铁矿石被分配到不同料条上的储位存储时，会 引起物流设备的路径转换等作业，此时所产生的设备损耗及能源消耗费用的系数为qi；

步骤1-2：利用步骤1-1的参数，建立数学模型，其目标函数如下：

$\mathrm{Minimize}\underset{\text{i}}{\Sigma }\underset{\text{j}}{\Sigma }\underset{k}{\Sigma }{c}_{\mathrm{ijk}}{x}_{\mathrm{ijk}}+\underset{i}{\Sigma }\underset{j}{\Sigma }\underset{k}{\Sigma }{p}_{\mathrm{ijk}}{y}_{\mathrm{ijk}}+\underset{i}{\Sigma }{f}_j{z}_j+\underset{i}{\Sigma }\mathrm{qi}(\underset{j}{\Sigma }{\partial }_{\mathrm{ij}}-1)---\left(1\right)$

式中，x_ijk、z_j、和y_ijk为决策变量，且其取值为：

y_ijk≥0，铁矿石i被分配至料条j第k个储位存储的重量；

目标函数(1)的第一项表示铁矿石i分配到料条j第k个储位时由场地平整、物料清空及 设备预运行等准备作业所消耗的能源及设备损耗费用等；第二项表示铁矿石i被分配至料条j 第k个储位时由铁矿石混放引起的铁矿石损失费用；第三项为开设料条j的费用，包括料条管 理和维护费用及料条内堆取料机作业费用；第四项为一种铁矿石i被分配到不同的料条j时引 起的物流设备路径转换所产生的设备损耗及能源消耗费用；

步骤1-3：确定步骤1-2所述的目标函数的约束条件：

(1)对任一可用储位，所有存放铁矿石所占用的堆积长度总和不能超出所述储位的长度(即 堆积能力)，储位能力约束的公式如下：

$\left(\begin{array}{cc}\underset{i}{\Sigma }{\rho }_i{y}_{\mathrm{ijk}}+D(\underset{i}{\Sigma }{x}_{\mathrm{ijk}}-1)\le l_{\mathrm{jk}}& \forall j\in S,k\in K\end{array}\right)---\left(2\right)$

式中，ρi为根据已知堆积公式得出的单位重量的铁矿石i所需占用的堆积长度，l_jk为料 条j第k个储位的长度，D为两个料堆之间所需隔离出的安全距离；

(2)在任一料条存放铁矿石时，每堆铁矿石的重量不能超过该料条单个料堆的最大重量限 制，料堆重量限制约束的公式如下：

$\left(\begin{array}{cc}{y}_{\mathrm{ijk}}\le W_j& \forall i\in N,j\in S,k\in K\end{array}\right)---\left(3\right)$

式中，W_j为j料条任一料堆的重量上限；

(3)对任一料条j，待输入的铁矿石重量之和不能超过此料条配套设备的作业能力，作业设 备能力约束的公式如下：

$\left(\begin{array}{cc}\underset{i}{\Sigma }\underset{k}{\Sigma }{y}_{\mathrm{ijk}}\le A_j& \forall j\in S\end{array}\right)---\left(4\right)$

式中，A_j为料条j配套设备的作业能力上限；

(4)保证所有待输入铁矿石都分配到了料场中进行存储，铁矿石收发平衡约束的公式如下：

$\left(\begin{array}{cc}\underset{j}{\Sigma }\underset{k}{\Sigma }{y}_{\mathrm{ijk}}=Y_i& \forall i\in N\end{array}\right)---\left(5\right)$

(5)除了工艺性约束(2)-(5)之外，还需要满足模型本身的变量逻辑性约束，主要包括：

$\left(\begin{array}{cc}{y}_{\mathrm{ijk}}\le Y_i{x}_{\mathrm{ijk}}& \forall i\in N,j\in S,k\in K\end{array}\right)---\left(6\right)$

$\left(\begin{array}{cc}\underset{i}{\Sigma }\underset{k}{\Sigma }{x}_{\mathrm{ijk}}\le K_j{z}_j& \forall j\in S\end{array}\right)---\left(7\right)$

$\left(\begin{array}{cc}\underset{k}{\Sigma }{x}_{\mathrm{ijk}}\le K_j{\partial }_{\mathrm{ij}}& \forall i\in N,j\in S\end{array}\right)---\left(8\right)$

其中，约束(6)表示当铁矿石i被分配至料条j第k个储位的重量y_ijk大于0时，x_ijk必为1， 从而保证铁矿石i被分配至料条j第k个储位的分配过程已经发生；约束(7)保证了当铁矿石i 被分配至料条j第k个储位时，料条j必然开放，其中K_j为料条j的可用储位数量；约束(8)保 证了当铁矿石i被分配至料条j第k个储位即x_ijk为1时，铁矿石i必然已被分配至料条j，即 必为1；

步骤2：对输入的铁矿石进行储位预配置，方法为：

步骤2.1：将所有可用储位组成可用储位集合U＝{(j，k)|j∈S，k∈K}，将所有待输入的铁 矿石按照所需的储位长度从大到小排列，组成备选铁矿石序列N；

步骤2.2：从U中任选一可用储位(j，k)，从N中挑选出满足ρ_iY_i≤l_jk的铁矿石子序列N_jk， 优先选择序列中的第一位铁矿石i^*，若不满足则从N_jk中删除铁矿石i^*并选择 N_jk中下一位铁矿石对进行判断；若满足则将铁矿石i^*放入此储位中并 从N中删除铁矿石i^*，如果该储位(j，k)未利用完，将剩余储位作为新的可用储位(j，k)更新到U 中，否则从U中删除储位(j，k)；若对于可用储位(j，k)，无法挑选出满足ρ_iY_i≤l_jk及的铁矿石子序列，将该储位(j，k)加入到储位集合B中，从U中删除储位(j，k)；

步骤2.3：如果N＝Φ，转到步骤2.6；否则，转到步骤2.4；

步骤2.4：若U＝Φ，转到步骤2.5；否则，转到步骤2.2；

步骤2.5：将B中可用储位按长度大小降序排列，以顺序依次填满这些可用储位为原则， 将N中铁矿石分为多个堆，分配到B中储位中，直到铁矿石全部被分配完；

步骤2.6：将上述铁矿石储位分配方案作为一个初始方案个体进行存储，若已生成P个初 始方案个体，预配置结束；否则初始化所有数据，并转到步骤2.1；

步骤3：对铁矿石的储位预配置结果进行优化调整：步骤2中所生成的P个初始个体方 案组成一个初始方案种群，利用差分算法对储位预配置结果进行优化调整，方法为：

步骤3.1：对上一代方案种群中每个个体均进行变异操作，即从上一代方案种群中生成新 的方案个体进入下一代种群，其变异策略为，在第G次迭代过程中，对于方案个体i，记为i＝1，2，...，P，则一个新的个体按照以下公式产生：

$V_i^{G+1}=X_a^G+F*(X_b^G-X_c^G)$

上述公式中，和是从当前种群PG中随机选择3个不同于的个体，即 a≠b≠c；F为自适应变异因子，用于控制方案种群多样性和收敛性，且：F＝β(e^λ-1)，式中， β∈[0.2，0.6]，Gmax为最大迭代代数，G为当前迭代的代数；

步骤3.2：对方案种群进行交叉操作，即根据新生成的方案个体按照交叉策略使新 旧的方案个体互相交换部分代码，从而形成新的方案个体，公式如下：

交叉后的新的方案个体为：

$U_i^{G+1}=(u_{1i}^{G+1},u_{2i}^{G+1},...,u_{\mathrm{Di}}^{G+1})$

式中，为向量中的第j个组成变量，交叉操作的方程为：

式中，为向量中的第j个组成变量，为向量中的第j个组成变量，rand(j) 是[0，1]之间均匀分布概率，产生[0，1]之间随机数发生器的第j个估计值；mbr(i)表示[1，D]之间 生成的随机整数，用它来确保至少从获得一个参数；CR为交叉概率，CR＝a*CR_s， 其中CR_s是预定义的交叉概率，CR_s∈(0，1)，为常数，a为进化速度因子，其表达式如下：

$a=\frac{f{(G-2)}_{\mathrm{best}}-f(G-1)\mathrm{best}+\mathrm{const}}{f{(G-2)}_{\mathrm{best}}-f\left(G\right)\mathrm{best}+\mathrm{const}}$

式中，f(G)best，f(G-1)best和f(G-2)_best分别为第G代、第G-1代和第G-2代个体代入 (1)式后计算所得的最佳数据指标值；const为小的常数，使分子、分母恒不为0，且保证 0＜a≤1；

步骤3.3：对方案种群进行选择，产生下一代的方案种群，选择策略为：将与进 行比较，若前者代入(1)式后计算所得的数据指标值优于后者，则在第G+1代中就用取 代否则保留；

步骤3.4：对于第G+1代方案种群中任一配置方案个体，将同一个料条内的两个铁矿石 进行交换或者属于不同料条的两个铁矿石进行交换，生成新的方案个体，从而得到方案集合 CH；必须保证交换可行即满足约束(2)-(5)时，交换可实施，将CH中方案个体及第G+1代方 案种群中所有个体按照(1)式得出的数据指标值大小从小到大排列，顺序选择P个互不相同 的个体组成新的第G+1代方案种群；

步骤3.5：若满足终止准则，算法结束；否则跳转到步骤3.1；

步骤4：将步骤3确定的配置方案送至生产执行系统中执行。

本发明优点：本发明的优化配置方法，综合考虑多种铁矿石的输入配置及严格的铁矿石 成分控制要求，能够帮助配置计划人员找出最佳的存储方式，从而提高铁矿石的生产存储质 量，实现保障铁矿石供应，减少运输能耗，防止铁矿石混料情况的发生，保证铁矿石质量从 而提高其后续产品质量等目的。通过实际数据的人工配置结果与本发明优化结果的比较，可以 得出，在铁矿石输入执行率提高了2.7％的前提下，由本发明优化得到的配置方案与人工配置方 案相比能够显著将目标函数降低12.79％。有效地降低了运输能源损耗，提高了铁矿石的存储质 量，进而提高其后续产品的质量。

附图说明

图1为实施例中钢铁原料场铁矿石配置方法的原料场布局示意图；

图2为本发明钢铁原料场铁矿石配置方法的总流程图；

图3为本发明钢铁原料场铁矿石配置方法的变异操作示意图；

图4为本发明钢铁原料场铁矿石配置方法的交叉操作流程图；

图5(a)为本发明钢铁原料场铁矿石配置方法的同一料条两交换移动示意图；

图5(b)为本发明钢铁原料场铁矿石配置方法的不同料条两交换移动示意图；

图6为本发明钢铁原料场铁矿石配置方法的人工计划方法与本发明的评价指标对比结果 图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细的说明。

本实施例的铁矿石输入配置方法采用C++语言实现，并嵌入到由Microsoft Visual  Studio 6.0所开发的可视化铁矿石输入配置优化系统中，该系统基于企业的的信息平台(企 业的ERP系统、数据仓库系统)和Microsoft SQL Server2000数据系统。

本实施例在原料场输入优化配置方法的集成管理系统上实现，所述的系统包括：数据下 载模块、数据管理模块、原料场动态监控图模块、配置方案自动生成模块、配置方案图形显 示模块及结果修改及上传模块。

本实施例中，将23种待配置铁矿石分配到11个铁矿石堆放料条中存储，如图1所示，采用 应用于钢铁企业原料场的铁矿石配置方法，其流程如图2所示，包括以下步骤：

步骤1：用户进入原料场输入优化配置方法的继承管理系统，首先进入数据下载模块，系统 会从钢铁企业的管理系统或数据库下载铁矿石数据、原料场储位数据及原料场运行数据，包括 铁矿石批号、铁矿石品种、铁矿石重量、化学成分、铁矿石堆高、储位位置坐标、储位长度、 可用储位前次存储信息、原料场存储清单、铁矿石需求计划和设备检修计划；

下载成功后的信息将以表格及图形两种方式显示在系统的下载界面中，根据所下载的数据， 系统会自动按照料场配置规则为其配置模型和参数，如表1所示：

表1为待配置的铁矿石信息表

  序号   品名   料量   计划离泊时间   靠泊时间   堆高   1   OHP-N   11883   0616.1430   0615.2200   130   2   PUA-N   10850   0616.1430   0615.2200   124   3   PBR-N   16273   0618.0400   0617.1500   124   4   OHY-S   10300   0618.1900   0618.0500   130   5   ORG-N   9858   0618.1900   0618.0500   124   6   PBR-N   16000   0619.1200   0618.2300   130   7   OHP-S   34000   0620.0500   0619.1300   130   8   OCS-S   21527   0621.1800   0620.0600   130

  9   ORG-N   23120   0621.1800   0620.0600   130   10   ONE-N   96833   0622.0530   0618.1600   130   11   OYD-S   107985   0614.1200   0612.1200   130   12   PLF-N   16426   0619.0300   0618.1200   124   13   OHP-N   21000   0620.0800   0619.1300   130   14   OHY-S   21000   0620.0800   0619.1300   130   15   OHY-S   37827   0619.1100   0616.0300   130   16   ORG-N   6000   0621.0530   0620.0430   130   17   PUK-N   10000   0621.0530   0620.0430   124   18   MDM-N   3547   0617.2200   0616.2300   124   19   MGD-S   3210   0618.0400   0617.2300   124   20   MDM-N   4303   0618.1300   0618.0500   124   21   MLC-C   4764   0618.2200   0618.0400   124   22   MDM-S   7885   0619.0700   0618.2300   124   23   MLC-N   89700   0619.1600   0617.0800   124

步骤1-1：将生产数据和工艺数据以及数据间关联关系映射为数学模型的参数：在时间展 望期T内，待配置的铁矿石集合为N，原料场中料条集合为S，且料条j中共有K_j个可用储 位，构成可用储位集合K；将铁矿石i分配到料条j第k个可用储位时，需消耗固定的准备作 业成本及与所分配料量相关的铁矿石折损成本，其费用系数分别为c_ijk及p_ijk；开放料条j时 会产生相应的运行成本，其费用系数为f_j；当同批号铁矿石被分配到不同料条上的储位存储 时，会引起物流设备的路径转换等作业，此时所产生的相关费用的系数为qi；

步骤1-2：将铁矿石输入配置过程中优化的工艺指标映射为数学模型目标函数：

$\underset{\text{i}}{\Sigma }\underset{\text{j}}{\Sigma }\underset{k}{\Sigma }{c}_{\mathrm{ijk}}{x}_{\mathrm{ijk}}+\underset{i}{\Sigma }\underset{j}{\Sigma }\underset{k}{\Sigma }{p}_{\mathrm{ijk}}{y}_{\mathrm{ijk}}+\underset{i}{\Sigma }{f}_j{z}_j+\underset{i}{\Sigma }q(\underset{j}{\Sigma }{\partial }_{\mathrm{ij}}-1)$

步骤1-3：将铁矿石输入配置过程的工艺限制客观映射为数学模型约束条件；

步骤2：制定待输入铁矿石的储位预配置方案，以基本工艺约束为依据，不考虑铁矿石 输入配置过程各项工艺指标的优化，形成初步可行的预配置方案，包括以下步骤：

步骤2-1：将所有可用储位组成可用储位集合U＝{(j，k)|j∈S，k∈K}，将所有待输入的 铁矿石按照所需的储位长度从大到小排列，组成备选铁矿石序列N，按以下步骤进行预分配：

步骤2-2：从U中任选一可用储位(j，k)，从N中挑选出满足ρ_iY_i≤l_jk的铁矿石子序列N_jk， 优先选择序列中的第一位铁矿石i^*，若不满足则从N_jk中删除铁矿石i^*并选择N_jk中下一位铁矿石对进行判断；若满足则将铁矿石i^*放入此储位中并从 N中删除铁矿石i^*，如果该储位(j，k)未利用完，将剩余储位作为新的可用储位(j，k)更新到U 中，否则从U中删除储位(j，k)；若对于可用储位(j，k)，无法挑选出满足ρ_iY_i≤l_jk的铁矿石子 序列，将该储位(j，k)加入到储位集合B中，从U中删除储位(j，k)；

步骤2-3：如果N＝Φ，转到步骤3.6；否则，转到步骤3.4；

步骤2-4：若U＝Φ，转到步骤3.5；否则，转到步骤3.2；

步骤2-5：将B中可用储位按长度大小降序排列，以顺序依次填满这些可用储位为原则， 将N中铁矿石分为多个堆，分配到B中储位中，直到铁矿石全部被分配完；

步骤2-6：将上述铁矿石储位分配方案作为一个初始方案个体进行存储。若已生成50个 初始方案个体，预配置结束；否则初始化所有数据，并转到步骤3.1；

步骤3：以步骤1所建立的数学模型为依据，采用差分算法对步骤2获得的储位预配置 方案进行改进，进行铁矿石输入配置方案编排，并在此过程中着重优化输入配置作业过程各 项工艺指标，得到符合铁矿石输入实际作业目标和工艺约束的铁矿石输入配置方案；

步骤3.1：对上一代方案种群中每个个体均进行变异操作，即从上一代方案种群中生成新 的方案个体进入下一代种群。其变异策略为，在第G次迭代过程中，对于方案个体i，记为i＝1，2，...，50，则一个新的个体按照以下公式产生：

$V_i^{G+1}=X_a^G+F*(X_b^G-X_c^G)$

上述公式中，和是从当前种群PG中随机选择3个不同于的个体，即 a≠b≠c；F为自适应变异因子，用于控制方案种群多样性和收敛性，且：F＝β(e^λ-1)，式中， β∈[0.2，0.6]，Gmax为最大迭代代数，G为当前迭代的代数，变异过程如图3 所示；

步骤3.2：对方案种群进行交叉操作，即根据新生成的方案个体按照交叉策略使新 旧的方案个体互相交换部分代码，从而形成新的方案个体。记交叉后的新的方案个体为：

$U_i^{G+1}=(u_{1i}^{G+1},u_{2i}^{G+1},...,u_{\mathrm{Di}}^{G+1})$

其中为向量中的第j个组成变量，交叉操作的方程为：

上述公式中，rand(j)是[0，1]之间均匀分布概率，产生[0，1]之间随机数发生器的第j个估计 值；mbr(i)表示[1，D]之间生成的随机整数，用它来确保至少从获得一个参数；CR为 交叉概率，CR＝a*CR_s，其中CR_s是预定义的交叉概率，CR_s∈(0，1)，为常数，a为进化速 度因子，其表达式如下：

$a=\frac{f{(G-2)}_{\mathrm{best}}-f(G-1)\mathrm{best}+\mathrm{const}}{f{(G-2)}_{\mathrm{best}}-f\left(G\right)\mathrm{best}+\mathrm{const}}$

式中，f(G)best，f(G-1)best和f(G-2)_best分别为第G代、第G-1代和第G-2代个体代入 (1)式后计算所得的最佳数据指标值；const为小的常数，使分子、分母恒不为0，且保证 0＜a≤1，交叉过程如图4所示；

步骤3.3：对方案种群进行选择，产生下一代的方案种群。选择策略为：将与进 行比较，若前者代入(1)式后计算所得的数据指标值优于后者，则在第G+1代中就用取 代否则保留；

步骤3.4：对于第G+1代方案种群中任一配置方案个体，将同一个料条内的两个铁矿石 进行交换或者属于不同料条的两个铁矿石进行交换，生成新的方案个体，从而得到方案集合 CH。必须保证交换可行即满足约束(2)-(5)时，交换才可实施。图4所示为两种情况下的交换 移动示意图，将CH中方案个体及第G+1代方案种群中所有个体按照(1)式得出的数据指 标值大小从小到大排列，顺序选择50个互不相同的个体组成新的第G+1代方案种群。

步骤3.5：若满足终止准则，算法结束；否则跳转到步骤3.1；

步骤4：对于系统中经算法运行而得到的配置方案，用户可以通过评价功能得到当前配置 方案的结果评价信息：如果对结果不满意，用户可以通过表格及图形两种方式对结果进行修改， 直到满意为止；在用户每次修改的过程中系统都会对当前的结果进行违规检查。如果对结果满意， 则执行配置方案的上传，将其上传到企业ERP系统中，形成标准输入配置作业计划，最后下发到 生产执行系统中执行，本实施例最终得到的配置结果如表2所示：

表2最终配置结果表

  序号   品名   料量   计划离泊时间   设备号   料条编号   存储位置   1   OHP-N   11883   0616.1430   5ST   OE   520-615   2   PUA-N   10850   0616.1430   5ST   OF   235-295

  3   PBR-N   16273   0618.0400   13ST   OM   410-530   4   OHY-S   10300   0618.1900   12ST   OK   435-520   5   ORG-N   9858   0618.1900   12ST   OJ   355-460   6   PBR-N   16000   0619.1200   12ST   OK   595-640   7   OHP-S   22500   0620.0500   13ST   OL   525-580   8   OHP-S   11500   0620.0500   13ST   OM   500-630   9   OCS-S   21527   0621.1800   6ST   OH   230-310   10   ORG-N   23120   0621.1800   12ST   OJ   355-460   11   ONE-N   96833   0622.0530   6ST   OG   110-235   12   OYD-S   107985   0614.1200   13ST   OL   390-515   13   PLF-N   16426   0619.0300   6ST   OG   515-585   14   OHP-N   21000   0620.0800   12ST   OJ   260-345   15   OHY-S   21000   0620.0800   12ST   OK   435-520   16   OHY-S   37827   0619.1100   12ST   OJ   470-540   17   ORG-N   6000   0621.0530   12ST   OJ   355-460   18   PUK-N   10000   0621.0530   13ST   OL   100-200   19   MDM-N   3547   0617.2200   4ST   OC   445-525   20   MDM-N   4303   0618.1300   4ST   OC   445-525   21   MGD-S   3210   0618.0400   4ST   OD   540-580   22   MLC-C   4764   0618.2200   13ST   OM   700-760   23   MDM-S   7885   0619.0700   4ST   OC   530-605   24   MLC-N   53362   0619.1600   4ST   OC   210-360   25   MLC-N   36338   0619.1600   4ST   OD   330-450

通过实际数据的人工配置结果与本发明优化结果的比较，可以得出，在铁矿石输入执行率 提高了2.7％的前提下，如图6所示，由本发明优化得到的配置方案与人工配置方案相比能够显 著将目标函数降低12.79％。有效地降低了运输能源损耗，提高了原料场的存储效率，提高了铁 矿石的存储质量，进而提高其后续产品的质量。