Machine Translated by Google ARTÍCULO EN PRENSA

JID: CAOR [m5G;21 de noviembre de 2018;8:48]

Informática e Investigación Operativa xxx (xxxx) xxx

Listas de contenidos disponibles en ScienceDirect

Informática e Investigación de Operaciones

página de inicio de la revista: www.elsevier.com/locate/cor

Enfoques hiperheurísticos para la planificación estratégica de minas bajo

incertidumbre
Amina Lamghariÿ , Roussos Dimitrakopoulos
COSMO: Laboratorio de planificación estocástica de minas, Universidad McGill, Edificio FDA, 3450 University Street, Montreal, Quebec, H3A 2A7, Canadá

información del artículo resumen

Historial del artículo: Una hiperheurística se refiere a un método de búsqueda o un mecanismo de aprendizaje para seleccionar o generar heurísticas para
Recibido el 11 de septiembre de 2017 resolver problemas de búsqueda computacional. Operando a un nivel de abstracción superior al de una metaheurística,
Revisado el 3 de junio de 2018
puede verse como un algoritmo que intenta encontrar un método de solución apropiado en un punto de decisión dado
Aceptado el 16 de noviembre de 2018
en lugar de una solución. Este artículo presenta una nueva hiperheurística que combina elementos del aprendizaje por refuerzo y
Disponible en línea xxx
la búsqueda tabú. Se aplica para resolver dos problemas complejos de programación estocástica.
Palabras clave: que surgen en la minería, a saber, el problema estocástico de programación de la producción de minas a cielo abierto con un flujo
Hiper-heurísticas de procesamiento (SMPS) y una de sus generalizaciones, SMPS con múltiples flujos de procesamiento y pilas de almacenamiento
Planificación estratégica de minas (SMPS+). El rendimiento de la nueva hiperheurística se evalúa comparándola con varias soluciones.
Toma de decisiones bajo incertidumbre métodos de la literatura: algoritmos específicos del problema adaptados para los dos problemas abordados en el
Optimización a gran escala
papel e hiperheurísticas generales, que usan solo información limitada específica del problema. Los resultados computacionales
Busqueda local
indican que el nuevo enfoque hiperheurístico propuesto no solo es superior al otro
hiperheurísticas, pero también proporciona resultados que son comparables o mejoran los resultados obtenidos
por los métodos específicos del problema del estado del arte.

© 2018 Publicado por Elsevier Ltd.

1. Introducción de métodos de solución, principalmente (meta)heurísticas, se han desarrollado

La planificación estratégica de la mina es un elemento crítico en el proceso de
extraer minerales del suelo con fines lucrativos, una operación compleja que
involucra inversiones del orden de cientos de millones de dólares y cuyos ingresos
están ligados a la programación y estrategias de producción. Un plan estratégico
de mina implica diseñar un plan de producción a largo plazo durante la vida útil
de la mina, normalmente de 10 a 30
período de tiempo de un año, que maximiza el valor actual neto (VPN) de
la operación minera mientras cumple con varios requisitos físicos y operativos en
los niveles de extracción y procesamiento. Estas
requisitos dependen de las especificidades y características del
operación minera, no todos los cuales son iguales de una operación a otra. Las
fuentes de suministro pueden ser minas a cielo abierto,
minas subterráneas, o ambas. Las instalaciones de procesamiento y las rutas de
procesamiento también pueden ser diferentes, ya que dependen de la principal
minerales en las minas, sobre los diferentes productos producidos en la
varios flujos de procesamiento, y en la ubicación geográfica. Este
crea diferentes problemas de planificación estratégica de la mina, y el problema
a resolver depende de las especificidades y características
de la operación minera bajo consideración. Hasta la fecha, un número
ÿ Autor de correspondencia.
Direcciones de correo electrónico: amina.lamghari@mcgill.ca (A. Lamghari),
roussos.dimitrakopoulos@mcgill.ca (R. Dimitrakopoulos).
para problemas de planificación estratégica de minas, pero no todos los métodos funcionan para
cada problema A menudo, se adaptan y ajustan para un problema en particular.
Ante un nuevo problema específico de un determinado
operación minera, la pregunta es, ¿cómo podemos determinar qué
método funcionará mejor para este problema? En otras palabras, ¿hay
una metodología que, dado un problema particular y un número
de métodos de solución, ayuda a determinar qué método o combinación
de métodos es el mejor para el problema dado?
El problema de planificación minera estratégica más simple y más comúnmente
estudiado involucra una mina a cielo abierto, una instalación de procesamiento,
y un vertedero de desechos, y a menudo se le conoce como la mina a cielo abierto
problema de programación de producción (MPS). En el MPS, la mina se discretiza
en un conjunto de bloques, cada uno de los cuales representa un volumen de
material que se puede extraer. El objetivo es establecer un cronograma de retiro
de material de la mina (que bloquea a
mina en cada período de la vida de la mina) que maximiza la
VAN. Cada bloque debe extraerse después de sus predecesores (restricciones
de pendiente), y se supone que el equipo de extracción y procesamiento
tener una cierta capacidad (restricciones de recursos). MPS se modela
como un programa entero lineal. Generaliza el problema de cierre máximo
restringido y, por lo tanto, es NP-duro (Bienstock y
Zuckerberg, 2010; Hochbaum y Chen, 2000). Esto hace que resolver grandes
instancias de interés práctico sea computacionalmente desafiante y más allá del
alcance de los métodos exactos y de propósito general.

https://doi.org/10.1016/j.cor.2018.11.010
0305-0548/© 2018 Publicado por Elsevier Ltd.

Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
Machine Translated by Google
JID: CAOR
ARTÍCULO EN PRENSA
2 A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx
solucionadores.1 Esta dificultad se ve exacerbada por la necesidad de incorporar
restricciones operativas además de la pendiente habitual y el recurso
restricciones Por ejemplo, los límites inferiores de extracción, procesamiento y
la producción de metales a menudo se requieren para asegurar que los recursos
se utilizan uniformemente y que la demanda se satisface en cada período. Si bien
esto es útil y más cercano al problema encontrado en
escenarios prácticos, la introducción de tales restricciones en el MPS
formulación hace que el problema sea más difícil de resolver (Cullenbine et al.,
2011).
Otro aspecto realista e importante que complica aún más
el proceso de solución es la incertidumbre del metal. Incertidumbre del metal, también
conocida como incertidumbre geológica o de reserva, se deriva del hecho
que el contenido de metal de los bloques no se conoce en el momento en que se
toman las decisiones, pero se infiere a partir de datos de perforación limitados. Los
beneficios de integrar la incertidumbre del metal en el proceso de optimización
están bien documentados en la literatura. Teniendo en cuenta la
efectos de la incertidumbre del metal en la toma de decisiones actual, no sólo
Se reduce el riesgo en el cumplimiento de los objetivos de producción, pero también
se alcanzan importantes mejoras en el VAN del orden del 10 al 30% (Albor
y Dimitrakopoulos, 2010; Asad y Dimitrakopoulos, 2013; Dim itrakopoulos, 2011;
Dimitrakopoulos et al., 2002; Dowd, 1994;
Fricke et al., 2014; Lamghari y Dimitrakopoulos, 2016b; Marcotte
y Caron, 2013; Menabde et al., 2007; Ravenscroft, 1992).
Con los años, varios métodos exactos y aproximados han
propuesto para problemas de planificación estratégica de minas. La mayoría de
la literatura sobre tales métodos trata con el caso determinista más simple: una mina
a cielo abierto, una instalación de procesamiento, un desecho
volcado, y se ignora la incertidumbre del metal (MPS). Métodos exactos que
explotar la estructura del problema fueron propuestos por Boland
et al. (2009) y Bley et al. (2010). Los enfoques heurístico y metaheurístico han sido
introducidos, entre otros, por Ferland
et al. (2007) y Cullenbine et al. (2011), mientras que los métodos híbridos
fueron propuestos por Moreno et al. (2010), Chicoisne et al. (2012),
y Lamghari et al. (2015). La versión estocástica de MPS
que da cuenta de la incertidumbre del metal se ha abordado principalmente
utilizando metaheurísticas. Godoy (2002) y Albor y Dimi trakopoulos (2009) propusieron
algoritmos de recocido simulado.
Un algoritmo de búsqueda tabú y un descenso de vecindario variable
algoritmo fueron desarrollados por Lamghari y Dimitrakopou los (2012) y Lamghari et
al. (2014), respectivamente. Mas complejo
operaciones mineras que implican múltiples destinos para el extraído
El material ha sido estudiado por Ramazan y Dimitrakopou los (2013), Behrang et al.
(2014) y Lamghari y Dimitrakopou los (2016a). Montiel y Dimitrakopoulos (2015) y
Goodfellow
y Dimitrakopoulos (2016, 2017) consideraron cadenas de valor estocásticas de
minerales, también conocidas como complejos mineros. los
problema es optimizar simultáneamente diferentes aspectos de
la cadena, como la extracción, el procesamiento y el transporte, teniendo en cuenta la
incertidumbre del metal. Operaciones que involucran
tanto las minas a cielo abierto como las subterráneas han sido consideradas
por Montiel et al. (2016). Hoerger et al. (1999), Chanda (2007),
Whittle (2007), Whittle (2009) y Kawahata et al. (2015) tienen
también consideró operaciones consistentes en múltiples minas, pero su
los estudios se restringen a entornos deterministas; es decir, lo hacen
no tiene en cuenta la incertidumbre del metal. Para una descripción general de la mía
problemas de optimización de la planificación, véase Newman et al. (2010) y
Dimitrakopoulos (2011). Para una revisión de la literatura dirigida específicamente
en problemas de planificación estratégica de minas y metodologías de solución,
véase Lamghari (2017).
Hasta donde sabemos, todos los enfoques propuestos en
la literatura para optimizar las decisiones de planificación estratégica de la mina, ya sea
1 En entornos prácticos, una mina a cielo abierto de tamaño mediano consta de decenas de miles de
bloques, y el problema de optimización resultante tiene cientos de miles binarios
variables Esto es mucho más de lo que cualquiera de los métodos exactos existentes puede manejar en un
cantidad de tiempo razonable.
Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
[m5G;21 de noviembre de 2018;8:48]
utilizar técnicas de agregación para reducir el tamaño del problema de modo que
que el modelo resultante es de tamaño manejable y se puede resolver
utilizando métodos exactos, o se basan en (meta)heurísticas, o combinan
(meta)heurísticas y métodos exactos. Cada uno de estos enfoques
presenta algunas debilidades. La agregación puede comprometer gravemente
la validez y utilidad de la solución (Bienstock y Zuckerberg, 2010). Provoca pérdida de
rentabilidad e incluso puede provocar
a soluciones inviables (Boland et al., 2009). Enfoques basados en
Se ha demostrado que las (meta)heurísticas son exitosas para resolver
instancias a gran escala sin recurrir a la agregación, pero
tiene dos grandes defectos. En primer lugar, podrían implicar una cantidad relativamente grande
número de opciones de parámetros y/o algoritmos, y generalmente
no brindan orientación sobre cómo tomar tales decisiones. Por lo tanto,
no siempre está claro a priori qué opciones funcionarán mejor en un
situación particular, lo que significa que podría ser necesario ajustar si se trata de
nuevas variantes del problema o incluso nuevas instancias del problema.
misma variante. En segundo lugar, son métodos específicos del problema. Los métodos
específicos del problema a menudo pueden obtener excelentes resultados para el problema.
han sido diseñados, pero no son fácilmente aplicables a
otros problemas u otras variantes del mismo problema. Ellos tienen
adaptarse al nuevo problema y, de ser así, es posible que no se desempeñen tan bien
como en el problema original. Una ilustración de tal
Esta situación se puede encontrar en el estudio de Lamghari y Dimitrakopoulos
(2016a), que indica que la metaheurística de búsqueda tabú desarrollada en Lamghari
y Dimitrakopoulos (2012) para resolver el problema con un flujo de procesamiento
funcionó bien en ese particular .
problema, pero exhibe un desempeño más pobre en el problema considerando
múltiples destinos para el material extraído, incluyendo
reservas Algunos enfoques que combinan (meta)heurísticas y métodos exactos
también están limitados por la misma debilidad; es decir, ellos
se adaptan a un caso específico. Por ejemplo, el algoritmo propuesto por Moreno et
al. (2010) solo es aplicable a la variante de
el MPS con una sola restricción de mochila por período.
Como se evidencia en la discusión anterior, existe la necesidad de
enfoques de solución que pueden abordar instancias a gran escala
sin recurrir a la agregación, que son autogestionables, y que
son más generales que las metodologías actualmente existentes. Esta última
característica es particularmente importante ya que, como se mencionó anteriormente, en
planificación estratégica de la mina, los requisitos de extracción y procesamiento
a menudo son diferentes ya que dependen de las especificidades y características de
la operación minera bajo consideración, y por lo tanto
dar lugar a diferentes problemas. Creemos que una algorítmica general
marco que es reutilizable sin modificaciones estructurales importantes
es más apropiado que un enfoque específico del problema que debe ser
readaptado (si es posible) a cada nuevo problema abordado.
En respuesta a esta necesidad, proponemos el uso de enfoques hiperheurísticos.
Operando a un nivel de abstracción superior al de una metaheurística, una
hiperheurística es una metodología de búsqueda emergente
que busca automatizar el proceso de selección y combinación de heurísticas más
simples o el proceso de generación de nuevas heurísticas a partir de
componentes de la heurística existente para resolver problemas de búsqueda
computacional difíciles (Burke et al., 2013; 2003a; Ross, 2005).
Una hiperheurística puede verse como un algoritmo que trata de encontrar
un método de solución apropiado en un punto de decisión dado en lugar
que una solución. Las ideas detrás de las hiperheurísticas se remontan a la
1960 (Fisher y Thompson, 1963), pero el término hiperheurístico
se usó por primera vez solo a fines de 1990. Fue acuñado en el contexto de
demostración automática de teoremas para describir un protocolo que combina
diferentes métodos de Inteligencia Artificial (Denzinger et al., 1997),
luego independientemente en el contexto de la optimización combinatoria
para describir una heurística de alto nivel para elegir heurísticas de bajo nivel
usando solo información limitada específica del problema (Cowling et al.,
2001). Durante la última década, han aparecido en la literatura muchos artículos que
presentan aplicaciones exitosas de hiperheurísticas a varios problemas combinatorios
difíciles, incluyendo hiperheurísticas para programación personal, programación
deportiva, educación.
Machine Translated by Google ARTÍCULO EN PRENSA
JID: CAOR
A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx
programación de horarios, asignación de espacios, corte y empaque, y vehículos
problemas de enrutamiento. Para una encuesta reciente y completa de la
bibliografía, véase Burke et al. (2013).
A pesar del trabajo que se ha realizado en las áreas anteriores, las hiperheurísticas,
hasta donde sabemos, no se han aplicado a
resolver problemas de optimización de la planificación minera, y el objetivo de
este artículo es para proponer tal trabajo. Hay dos categorías principales de
hiperheurísticas: selección heurística, que son metodologías para elegir heurísticas
existentes, y generación heurística,
que son metodologías para crear nuevas heurísticas a partir de un conjunto de
componentes de otras heurísticas existentes (Burke et al., 2010). los
tres enfoques hiper-heurísticos propuestos en este documento caen bajo
la primera categoría. Específicamente, utilizan un conjunto de heurísticas perturbativas
simples de bajo nivel para mejorar una solución candidata. La decisión de qué heurística
de bajo nivel se debe aplicar en un
El paso del proceso de búsqueda se basa en un mecanismo de aprendizaje basado en
puntajes, mediante el cual se asocia un puntaje con cada heurística que refleja su
desempeño anterior, y las heurísticas se seleccionan con base en
estas puntuaciones. Los puntajes se actualizan periódicamente y el proceso
termina cuando se cumple un criterio de parada preespecificado. Tiempo
este marco general es similar en los tres enfoques hiper-heurísticos considerados en
este documento, las reglas de actualización de puntuación y el
estrategia de selección heurística son diferentes.
Dos de los enfoques hiperheurísticos provienen de la literatura (Burke et al., 2003b;
Drake et al., 2012), mientras que el tercero es
un enfoque novedoso que utiliza algunas de las ideas de los dos primeros pero
También incluye nuevas características destinadas a superar sus debilidades.
La generalidad de las tres hiperheurísticas propuestas se demuestra aplicándolas a
varias instancias de dos estrategias.
problemas de planificación minera que tienen diferentes características. El rendimiento
de las hiperheurísticas se evalúa comparándolas
entre sí y con otras metodologías de búsqueda de la literatura. Esta comparación indica
que la nueva hiper-heurística que
que proponemos en este documento supera a los otros dos, proporcionando
resultados que son comparables o mejoran los resultados obtenidos
por los métodos específicos del problema del estado del arte.
En la siguiente sección, una descripción de las dos minas estratégicas
Se dan los problemas de planificación considerados en este trabajo. la propuesta
hiper-heurísticas se describen en la Sección 3. Los resultados numéricos son
informado en la Sección 4. La Sección 5 proporciona conclusiones y direcciones para
futuras investigaciones.
2. Descripción de los problemas
Como se indicó en la Sección 1, existen diferentes problemas de planificación
estratégica de la mina dependiendo de las especificidades y características de
la operación minera bajo consideración. Los dos que se consideran en este documento
se describen en las siguientes secciones.
esperado de la operación minera y minimizar los futuros costos de recurso esperados
2.1. Problema estocástico de programación de la producción de una mina a cielo abierto con
un flujo de procesamiento (SMPS)
Esta operación minera consiste en una mina a cielo abierto de
qué bloques se extraen,2 una instalación de procesamiento donde se tratan los bloques
de mineral extraídos para recuperar el metal que contienen,3
y un vertedero de desechos donde se desechan los bloques extraídos que no pueden
procesarse de manera rentable.4 Aunque no es rentable, los desechos de baja ley
los bloques tienen que ser extraídos para tener acceso a un grado superior
bloques o garantizar pendientes de pared seguras para el foso. El contenido de metal
2 Recuerde que la mina se discretiza en un conjunto de bloques, cada uno de los cuales representa
un volumen de material que se puede extraer.
3 Este proceso incurre en un costo unitario, por lo que un bloque se procesa solo si los ingresos de
el metal recuperado paga los costos de procesamiento y venta. Dicho bloque se denomina bloque de mineral.
4 Bloques de baja calidad, también conocidos como bloques de desecho.
Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
[m5G;21 de noviembre de 2018;8:48]
3
de cualquier bloque dado, lo que determina si el bloque es un mineral
bloque para ser procesado o un bloque de desecho para ser desechado, no es
conocido antes de la extracción. Lo que está disponible es una serie de
escenarios equiprobables, cada uno de los cuales proporciona posibles valores de
el contenido de metal de los bloques dados los datos geológicos y la información
obtenida de la perforación. Para generar los escenarios se utilizan técnicas
geoestadísticas de simulación condicional. Esos pueden ser
vistos como complejos marcos de simulación de Monte Carlo capaces de reproducir
todos los datos e información disponibles, así como las estadísticas espaciales de los
datos (Boucher y Dimitrakopoulos, 2009; Chiles y
Delfiner, 2012; Goovaerts, 1997; Horta y Soares, 2010; Maleki
y Emery, 2015; Rossi y Deutsch, 2014).
El problema de optimización asociado a la operación minera
descrito anteriormente, denominado SMPS en el resto del documento, se refiere al
diseño de una secuencia minera sobre un horizonte de planificación finito discreto (la
vida útil de la mina); es decir, decidir qué bloques
debe extraerse en cada período de la vida útil de la mina. Al hacerlo, se deben satisfacer
varias restricciones. lógico y físico
las restricciones imponen que cada bloque se puede extraer como máximo una vez,
después de que se hayan extraído todos sus predecesores. Las restricciones operativas
requieren que, en cada período de la vida útil de la mina, el total
cantidad de material extraído (mineral y desecho), la cantidad total de
mineral procesado, y la cantidad total de metal producido debe estar
entre límites inferiores y superiores específicos. Las operaciones de extracción y
procesamiento incurren en costos, mientras que el metal recuperado del procesamiento
se vende y genera ingresos. Todos los componentes de costos e ingresos son flujos de
efectivo futuros y, por lo tanto, deben descontarse al
presente, por lo que las soluciones factibles se evalúan por su presente neto
(VAN) para seleccionar el que proporcione el valor más alto.
Como se mencionó anteriormente, las decisiones de extracción deben tomarse antes
a conocer el contenido de metal de los bloques, y esto último afecta: i) la cantidad de
mineral disponible para procesar en cada período; ii) la cantidad de metal producido a
partir del procesamiento en cada
período; y iii) el VAN. Por lo tanto, de acuerdo con el metal en particular
En el escenario realizado, no solo el VAN podría cambiar hacia arriba o hacia abajo,
sino que también los objetivos de producción de minerales y metales podrían no cumplirse.
satisfecho en algunos o todos los períodos (superar el límite superior o caer
debajo del límite inferior). Algunas acciones de recurso están disponibles para
adaptarse a la situación actual, pero están sujetos a costos adicionales.
Por ejemplo, si ocurre un exceso en la producción de mineral, se requiere capacidad de
procesamiento adicional y se incurre en un costo adicional. Claramente,
para una toma de decisiones mejor informada, los efectos antes mencionados de
hay que tener en cuenta la incertidumbre. Porque inicialmente uno tiene
decidir qué bloques extraer, pero sólo más tarde, cuando el
se revela la incertidumbre del metal, ¿hay que decidir cuál es la mejor manera de
lidiar con el exceso y la escasez de mineral y metal (decisiones de recurso), el problema
se formula como un modelo de programación estocástica de dos etapas (Birge y
Louveaux, 2011), donde el objetivo general es maximizar el valor presente neto
sobre los escenarios inciertos del metal. Este modelo se describe en detalle en Lamghari
y Dimitrakopoulos (2012) y se recuerda brevemente
en el Apéndice A.
2.2. Problema estocástico de programación de la producción de una mina a cielo abierto con
múltiples procesadores y reservas (SMPS+)
En el SMPS+, varios destinos para el material extraído son
considerado en lugar de sólo dos (un procesador y un basurero),
y estos destinos incluyen reservas. Las reservas se utilizan
para absorber el exceso de mineral de tal manera que cuando tal situación ocurre, algún
mineral no se procesa inmediatamente en el período en que está
se extrae sino que se envía a las existencias de las que se recupera en los períodos en
los que hay capacidad sobrante. Por lo tanto, en cada
período, un bloque extraído se envía a uno de los procesadores, o
a uno de los acopios, o al basurero. Si se envían bloques a
Machine Translated by Google ARTÍCULO EN PRENSA
JID: CAOR
4 A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx
se incurre en los costos de acopio, transporte unitario y manejo.
También se incurre en costos al recuperar material de las pilas de almacenamiento.
Por lo tanto, una solución óptima maximiza el VAN e indica
el conjunto de bloques que se deben extraer en cada período, el destino de estos
bloques y la cantidad de material a tomar de
los acopios en cada período para alimentar a los procesadores. Es decir, en
comparación con el problema de optimización descrito en la sección anterior (SMPS),
este problema (SMPS+) incorpora el flujo de material
aspecto adicional al diseño de la secuencia de minería.
SMPS+ también se puede formular como un programa estocástico de dos
etapas. La primera etapa consiste en el diseño de la secuencia de minado,
y la segunda etapa consiste en el procesamiento y almacenamiento (es decir;
decisiones de flujo de materiales). Las decisiones de la segunda etapa se toman
basado en las decisiones de la primera etapa (es decir, la secuencia de extracción) y
en el escenario de metal realizado. Una descripción detallada de la
El modelo matemático está disponible en Lamghari y Dimitrakopou los (2016a), y se
proporciona un resumen en el Apéndice B.
3. Enfoques de solución hiperheurística
Como se mencionó en la Sección 1, las tres soluciones hiperheurísticas
enfoques considerados en este documento caen bajo la categoría de
selección heurística (Burke et al., 2010); es decir, son metodologías para elegir
heurísticas existentes. Burke et al. (2010) más
clasificar las hiperheurísticas según la naturaleza de la heurística
espacio de búsqueda (heurísticas constructivas versus heurísticas de perturbación)
y la fuente de retroalimentación durante el aprendizaje (aprendizaje en línea,
aprendizaje fuera de línea y sin aprendizaje). Con respecto a esta clasificación, los
tres enfoques pueden verse como enfoques basados en
Heurística de perturbación de bajo nivel con aprendizaje en línea. El general
marco se puede resumir de la siguiente manera: El algoritmo comienza por
generando una solución inicial (una solución factible aleatoria en este
paper), y luego trata de mejorarlo iterativamente usando diferentes heurísticas de
búsqueda local (heurísticas de bajo nivel). Estas heurísticas se describen en la
Sección 3.4. Determinar la heurística apropiada para
aplicar en una iteración dada, el algoritmo se basa en un puntaje basado
mecanismo de aprendizaje. Esto significa que una puntuación actualizada periódicamente
S(hj) se asigna a cada heurística hj para medir qué tan bien hj tiene
realizado durante la búsqueda, y las heurísticas se seleccionan en función
en estas puntuaciones. La heurística seleccionada se aplica una vez a la solución
actual para obtener una nueva solución. Otra decisión que tiene
en este punto es si se acepta o no esta nueva solución. En este trabajo, la nueva
solución siempre se acepta, independientemente de su calidad. Esto significa que
esta nueva solución se convierte en
la nueva solución actual. También reemplaza la solución actual si
tiene un mejor valor objetivo. Este procedimiento se itera hasta que el
se cumple el criterio de parada. En este documento, el procedimiento termina
cuando ha transcurrido un número específico de iteraciones, ÿmax .
Varios mecanismos de aprendizaje para seleccionar heurísticas pueden ser
utilizado en el marco descrito anteriormente. En este se consideran tres
papel, y cada uno conduce a una hiper-heurística diferente. Los primeros dos
que describiremos son hiperheurísticas previamente desarrolladas,
introducido con fines comparativos, mientras que el tercero es un nuevo
hiper-heurística que proponemos en este artículo.
3.1. Hiperheurística de búsqueda tabú (HH1)
La primera hiper-heurística, en lo sucesivo denominada HH1, tiene
sido propuesto por Burke et al. (2003b) y probado en horarios
y problemas de nómina. Para guiar el proceso de selección heurística,
HH1 utiliza principios de aprendizaje por refuerzo y búsqueda tabú
metaheurístico. Sea H el número de heurísticas de bajo nivel. Inicialmente,
cada heurística tiene una puntuación igual a 0. A medida que avanza la búsqueda,
las puntuaciones aumentan y disminuyen dentro del intervalo [0, H], y
las heurísticas se seleccionan de acuerdo con las puntuaciones actualizadas. No todo
las heurísticas están disponibles para su selección en una iteración determinada. Una dinámica
Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
[m5G;21 de noviembre de 2018;8:48]
La lista tabú de heurísticas se mantiene para excluir temporalmente algunos
de ellos. Los detalles de una iteración típica son los siguientes: HH1 selecciona
la heurística de bajo nivel no tabú que tiene la puntuación más alta. Lo aplica una
vez y luego compara el valor de la solución actual
al valor de la nueva solución. Si la nueva solución es mejor que
la solución actual, la heurística es recompensada incrementando su
anotar por uno. Si la nueva solución y la solución actual tienen la
mismo valor, la heurística es castigada decrementando su puntuación en
uno y hacerlo tabú. Finalmente, si la nueva solución es peor que
la solución actual, HH1 procede como en el caso anterior excepto
que la lista tabú se vacía primero antes de agregar la heurística.
Burke et al. (2003b) justifican vaciar la lista tabú al afirmar
que no tiene sentido mantener un tabú heurístico una vez que el actual
la solución ha sido modificada. Sin embargo, existe un inconveniente potencial
a esta estrategia: el estado tabú se revoca demasiado pronto, lo que podría
llevar a elegir una heurística relativamente pobre con demasiada frecuencia,
perdiendo así la oportunidad de aplicar otras heurísticas de mejor desempeño.
Para aclarar, dado que las heurísticas se recompensan de la misma manera,
independientemente de la magnitud de la mejora que puedan lograr, una
la heurística que es capaz de mejorar ligeramente la solución pero también la
deteriora ocasionalmente puede obtener grandes recompensas. Podría tener el
puntaje más alto y hacerlo no tabú tan pronto como uno solo
heurística también se ha encontrado deterioro lleva a utilizar el mismo
heurística una y otra vez (comportamiento cíclico). Esto implica que el
otras heurísticas, que podrían tener un mejor desempeño y ser más apropiadas en
el punto de decisión actual, tienen poca o ninguna posibilidad de
ser seleccionado Las estrategias que permiten una mejor exploración del espacio de
búsqueda heurística se discuten en la Sección 3.3, donde describimos
cómo la nueva hiperheurística propuesta, HH3, supera la debilidad de HH1.
3.2. Función de elección hiperheurística (HH2)
La segunda hiperheurística considerada en este trabajo, en adelante
denominado HH2, ha sido propuesto por Drake et al. (2012) y
Probado en problemas de programación de personal. Extiende la hiperheurística
desarrollada en Cowling et al. (2001) y difiere de HH1
en que i) no incorpora ningún mecanismo en la parte superior
nivel para evitar elegir heurísticas que no funcionaron bien recientemente; y ii) utiliza
un esquema de actualización de puntajes más complejo. A
ser más específico, en lugar de incrementar y disminuir el
puntuación basada en la capacidad de la heurística para mejorar la solución como
HH1 lo hace, HH2 calcula las puntuaciones como una suma ponderada de las
tres medidas siguientes:
• La primera medida, f1, realiza un seguimiento del rendimiento del
heurísticas. Da cuenta de la mejora que ha logrado cada heurística hasta el
momento, así como del tiempo que ha requerido. Siguiendo la misma notación
que en Drake et al. (2012), sea In (hj)
el cambio en el valor de la función objetivo obtenido el n-ésimo último
se llamó (aplicó) el tiempo hj , y sea Tn(hj) el tiempo requerido.
Denotar por ÿ ÿ ]0, 1[ un parámetro de ajuste de peso, definiendo
la importancia otorgada al desempeño reciente. El valor de f1(hj)
se calcula usando la siguiente fórmula:
en (hj) .
f1(hj) = ÿnÿ1 (1)
norte Tn(hj)
• La segunda medida, f2, busca capturar cualquier dependencia por pares entre
las heurísticas. Siempre que hj se llama inmediatamente
después de hk, el valor de f2(hk, hj) se actualiza de la siguiente manera:
En (hk, hj)
f2(hk, hj) = ÿnÿ1 (2)
norte
Tn(hk, hj)
donde, ÿ es como se definió previamente, e In(hk, hj) y Tn(hk, hj)
son respectivamente el cambio en el valor de la función objetivo y
Machine Translated by Google
JID: CAOR
ARTÍCULO EN PRENSA
A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx
el tiempo requerido por la heurística hj en la n-ésima última llamada después de una
llamar a hk.
• La última medida, f3, da cuenta del tiempo transcurrido desde cada
heurística fue seleccionada por última vez. Si denotamos este tiempo por ÿ (hj),
después:
f3(hj) = ÿ (hj).
La puntuación asociada con la heurística hj es una suma ponderada de la
tres medidas arriba:
S(hj) = ÿ f1(hj) + ÿ f2(hk, hj) + ÿ f3(hj).
Tenga en cuenta que el propósito de usar las medidas f1 y f2 es intensificar la
búsqueda favoreciendo las heurísticas que han mostrado un buen desempeño, mientras
que la medida f3 tiene como objetivo dar una oportunidad a todas las heurísticas .
para ser seleccionados, proporcionando así un elemento de diversificación. los
los pesos ÿ y ÿ son parámetros en el intervalo ]0, 1[ utilizados para proporcionar un
equilibrio entre intensificación y diversificación. Están
ajustado dinámicamente durante el proceso de búsqueda basado en principios de
aprendizaje por refuerzo. Esto se hace de la siguiente manera: Una vez seleccionado
se ha aplicado la heurística, la nueva solución se compara con la
solución actual. Si es mejor, entonces ÿ se incrementa a ÿmax, un valor máximo
cercano al límite superior 1, mientras que ÿ se reduce a
ÿmin, un valor mínimo cercano al límite inferior 0, promoviendo así
intensificación pero reduciendo la diversificación. De lo contrario, el valor de
ÿ disminuye por un factor lineal ÿ y ÿ aumenta por el mismo
factor para favorecer gradualmente la diversificación sobre la intensificación.
HH2 tiene tres inconvenientes:
• Podría seleccionar una heurística que deteriore en gran medida la solución
y requiere mucho tiempo computacional en lugar de una heurística
que deteriora ligeramente la solución y requiere un tiempo de cálculo corto. Para
aclarar, considere el siguiente escenario con
sólo dos heurísticas de bajo nivel, h1 y h2. Suponga que h1 era
se aplicó por primera vez y resultó en I1(h1) = ÿ20 y T1(h1) = 10. En
la segunda iteración, las heurísticas se seleccionan en función de su
puntuaciones. Las puntuaciones de h1 y h2 son S(h1) = ÿ2ÿ y S(h2) =
10ÿ, respectivamente. Dado que h2 tiene la puntuación más alta, se seleccionará
y aplicará. Suponga que h2 resultó en I1(h2) = ÿ1 y
T1(h2) = 1. Ahora, las puntuaciones de h1 y h2 son S(h1) = ÿ2ÿ + ÿ
y S(h2) = ÿ2ÿ, respectivamente. Claramente, S(h1) > S(h2) ÿÿ, ÿ ÿ ]0,
1[. Entonces, a pesar de que h2 mostró un desempeño relativamente mejor en
comparación con h1, este último tiene el puntaje más alto y
será seleccionado.
• Aunque las medidas f1 y f2 están definidas para dar una mayor
importancia para el desempeño reciente, la forma en que el parámetro ÿ es
ajustado puede llevar a que el desempeño temprano domine el desempeño
reciente. Considere dos heurísticas hj y hk. Supongamos que hj
obtuvo grandes mejoras en las primeras etapas de la búsqueda
pero ha exhibido un pobre desempeño recientemente, mientras que hk ha
arrojó pequeñas mejoras desde el comienzo de la búsqueda.
Suponga también que la última iteración resultó en una mejora
de la solución actual y, en consecuencia, el valor de ÿ fue
aumentó a ÿmax para favorecer las heurísticas que mostraron buen desempeño e
intensificar la búsqueda. Ahora recuerde que el parámetro ÿ define no sólo la
importancia dada a las heurísticas de buen desempeño sino también la importancia
dada al desempeño previo; es decir, valores grandes de ÿ ponen más énfasis en
actuación. Entonces, mirando hacia atrás al ejemplo anterior, mientras uno
querría favorecer hk porque las mejoras que logra,
aunque pequeños, son más significativos en la etapa actual de la
búsqueda, HH2 seleccionará hj porque su desempeño reciente es
dominado por su desempeño temprano y, por lo tanto, tiene un pequeño impacto
en el valor de la puntuación.
• Una particularidad de los problemas abordados en este trabajo es que
sus funciones objetivo toman valores muy grandes del orden de
cientos de millones. Las pruebas preliminares mostraron que, en general,
Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
[m5G;21 de noviembre de 2018;8:48]
5
el cambio en la función objetivo que resulta de aplicar un
heurística dada es del orden de decenas de miles, y que
este cambio se obtiene en una fracción de segundo. Como consecuencia,
en la ecuación (4), los valores de los componentes de intensificación f1 y f2
tienen un orden de magnitud mucho mayor que el del componente de diversificación,
f3. Esto significa que este último componente
(3) está dominado por los dos primeros. Se vuelve obsoleto al calcular los puntajes y
por lo tanto no proporciona diversificación, ya que
se supone que debe hacer.
(4) Los tres temas antes mencionados de HH2 se abordan en el
nueva hiperheurística propuesta que se presenta en la siguiente sección.
3.3. Nueva hiperheurística propuesta (HH3)
En esta sección, la nueva hiperheurística propuesta, denominada
HH3 en el resto del documento, se describe. HH3 utiliza algunos de los
ideas de HH1 y HH2, pero también incluye nuevas funciones destinadas a
superar sus debilidades, descritas en las secciones anteriores.
HH3 procede en dos etapas. En la primera etapa, el algoritmo
elige al azar una hj heurística, la aplica, devuelve el resultado
cambio en el valor de la función objetivo ( f(hj)) así como el tiempo
requerida (T(hj)) y calcula la puntuación inicial heurística (S(hj)). los
las puntuaciones iniciales reflejan el orden de importancia dado a las heurísticas. De
primera importancia son las heurísticas que son capaces de mejorar
la solución. Cuanto mayor sea la tasa de mejora por unidad de tiempo,
más importante se considera la heurística. porque la heurística
que deterioran la solución ayudan a salir de los óptimos locales, ellos
se consideran más importantes que las heurísticas que no pueden modificar
el valor de la función objetivo. Sin embargo, no todos son igualmente
importante. Cuanto más una heurística deteriora la solución y la
cuanto más tiempo computacional requiere, menos importante se considera. En
consecuencia, las puntuaciones iniciales se calculan utilizando la siguiente fórmula:
f(hj)
si f(hj) ÿ 0,
S(hj) = T (hj)
1
(5)
de lo contrario.
| f(hj)|T (hj)
Para garantizar que se dé una oportunidad a todas las heurísticas para mejorar
la solución, cada heurística se selecciona una sola vez. La primera etapa de
el algoritmo termina cuando todas las heurísticas de bajo nivel han sido
consideró.
En la segunda etapa, HH3 selecciona las heurísticas en base a dos
factores: las puntuaciones de las heurísticas y su estatus tabú. Si bien las heurísticas
se declaran tabú de la misma manera que en HH1 (es decir, cuando una heurística no
puede mejorar la solución actual, es
hecho tabú para excluirlo temporalmente del grupo de selección), el
La estrategia para manejar la lista tabú es diferente. En lugar de usar
una lista tabú de longitud fija y vaciar la lista tabú siempre que
se obtiene una solución peor que la actual como lo hace HH1,
HH3 elige tenencias tabú aleatorias (ÿ ) generadas en el intervalo
[ min, max] en cada iteración y vacía la lista tabú solo si todos
las heurísticas son tabú. Esta estrategia permite una mejor exploración de la
espacio de búsqueda heurística, ya que reduce significativamente la probabilidad de
elegir repetidamente las mismas heurísticas durante la búsqueda; por ejemplo, las
heurísticas que tienen una puntuación alta como resultado de un buen desempeño en
las primeras etapas de la búsqueda pero que recientemente han mostrado
un mal desempeño. Recordemos que esta es una de las debilidades de
HH1 y HH2. Además, a diferencia de HH1 y HH2, donde la elección
de la heurística que se va a aplicar en una iteración dada se realiza en un
manera codiciosa; es decir, la heurística (no tabú) que tiene la mayor
se selecciona la puntuación, HH3 utiliza una estrategia de rueda de ruleta. asocia
con cada heurística no tabú hj se calcula una probabilidad de selección pj
dividiendo su puntuación por la puntuación total de las heurísticas no tabú
Machine Translated by Google
JID: CAOR
ARTÍCULO EN PRENSA
[m5G;21 de noviembre de 2018;8:48]

6 A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx

S(hj)
(p j = ). Luego selecciona aleatoriamente una heurística basada en Algoritmo 1 HH3.
S(hk ) k: hk non tabu sobre estas probabilidades.
Inicialización
Generar una solución inicial x
Otra diferencia notable entre HH3 y las dos hiperheurísticas descritas en las secciones
Conjunto xÿ := x (solución más conocida o titular)
anteriores es la frecuencia con la que se actualizan las puntuaciones y el esquema de
Mejora
actualización de puntuaciones. En HH3, las puntuaciones se actualizan cada ÿ iteraciones,
Etapa I: Dar una oportunidad a todas las heurísticas
lo que representa el rendimiento promedio de las heurísticas durante estas iteraciones en
Agregar todas las heurísticas a una lista (lista de heurísticas aún no seleccionadas)
lugar de actualizarlas en cada iteración. Para ello, el algoritmo mantiene para cada
mientras el número de heurísticas en la lista > 0
heurística hj dos medidas, ÿ1(hj) y ÿ2(hj). Estas medidas son inicialmente iguales a 0.
Elija un hj heurístico al azar de la lista
Siempre que se aplica hj , se incrementa ÿ1( hj) o ÿ2(hj) . El aumento está relacionado con
Genere una nueva solución x a partir de x usando hj si x
el cambio obtenido en el valor de la función objetivo ( f(hj)).
es mejor que xÿ entonces
Conjunto xÿ := x
terminara si
En concreto, si f(hj) > 0 (es decir, si hj mejora la solución actual), se le suma ÿ1(hj), siendo
Calcule la puntuación inicial de hj utilizando la ecuación. (5)
f(hj)
T (hj) T(hj) el tiempo hj requerido; si
Eliminar hj de la lista Establecer
1 x := x end while
f(hj) < 0 (es decir, si hj deteriora la solución actual), | f(hj)|T (hj) se suma a ÿ2(hj); y si

f(hj) = 0 (es decir, si hj no puede modificar el valor de la solución actual), tanto ÿ1(hj) como
ÿ2(hj) permanecen sin cambios. Cuando se completan ÿ iteraciones del algoritmo, las Etapa II: Selección de heurísticas en función de su puntuación y estado tabú
puntuaciones se vuelven a calcular de la siguiente manera: Establezca iter := 1, ÿ := 0.7, ÿ := 0.5 y newIncumbent := false para cada heurística hj
do Establezca ÿ1(hj) := 0, ÿ2(hj ) := 0, y ÿ(hj) := 0 terminan para

S(hj) si ÿ(hj) = 0,
S(hj) := ÿÿ1(hj) + (1 ÿ ÿ)ÿ2(hj) (1 ÿ ÿ)S(hj) + de lo contrario
mientras no se cumpla el criterio de parada ,
ÿ ÿ(hj)
elija una heurística hj de entre las heurísticas que no son tabú (usando la
selección de la rueda de la ruleta basada en puntajes)
(6)
Establecer ÿ(hj) := ÿ(hj) + 1
Generar una nueva solución x a partir de x usando hj. Sean f(hj) y T (hj) el
donde, ÿ(hj) es el número de veces que se ha seleccionado la heurística hj en las últimas
ÿ iteraciones, y ÿ y ÿ son dos parámetros de ajuste de peso en [0, 1]. Claramente, ÿ define cambio obtenido en el valor de la función objetivo y el tiempo de solución
requerido, respectivamente si x es mejor que xÿ entonces Set xÿ := x y
la importancia otorgada al desempeño reciente, mientras que ÿ define la importancia
newIncumbent := true
otorgada a las heurísticas que recientemente pudieron mejorar la solución. En este
documento, el valor de ÿ se establece en 0,7 para disminuir el peso del rendimiento anterior
terminara si
(recuerde que una de las debilidades de HH2 es que el rendimiento temprano puede
dominar el rendimiento reciente). Por otro lado, el parámetro ÿ se autoajusta durante el si f(hj) > 0 entonces

proceso de búsqueda. El valor de ÿ se fija inicialmente en 0,5 y se modifica cada ÿ f(hj)

Conjunto ÿ1(hj) := ÿ1(hj) +
T (hj)
iteraciones en función de si se ha encontrado o no una nueva solución durante el último más
segmento de búsqueda: Si se ha encontrado una nueva solución mejor que la actual
si f(hj) < 0 entonces
durante las últimas ÿ iteraciones, ÿ aumenta a 1; de lo contrario, se reduce a max(ÿ ÿ 0.1, 1
Conjunto ÿ2(hj) := ÿ2(hj) + | f(hj)|T (hj)
0). Esta forma de proceder garantiza que se haga hincapié en la intensificación si se
terminara si
encuentra un nuevo titular, mientras que, de lo contrario, el enfoque se cambiará
Generar un número aleatorio ÿ en [ min, max]
gradualmente a la diversificación. De hecho, cuando aumenta el valor de ÿ , también
aumenta la puntuación de las heurísticas que recientemente pudieron mejorar la solución, Hacer tabú hj para iteraciones ÿ
terminara si
por lo que es más probable que se seleccionen tales heurísticas, lo que lleva a una
Establecer
intensificación de la búsqueda. A medida que el valor de ÿ disminuye, el efecto es el
x := x si iter < ÿ entonces
contrario, lo que conduce a una diversificación de la búsqueda.
Establecer iter := iter + 1
más
si nuevo Titular = verdadero entonces
Conjunto ÿ := 1
más
Una vez que se actualiza el valor de ÿ , las puntuaciones anteriores, así como ÿ1 y
ÿ2 , se normalizan a un valor en el intervalo [1, 100], y las puntuaciones se actualizan Conjunto ÿ := max(ÿ ÿ 0.1, 0)
terminara si
utilizando la ecuación. (6). Posteriormente, ÿ1(hj), ÿ2(hj) y ÿ(hj) se restablecen a cero para
para cada heurística hj do
cada hj, la lista tabú se vacía y se inicia un nuevo segmento de búsqueda para otras ÿ
iteraciones. Este proceso se repite hasta que se cumple el criterio de parada. En el Normalizar S(hj), ÿ1(hj) y ÿ2(hj)
Algoritmo 1 se proporciona un esquema del pseudocódigo de HH3 . Actualice la puntuación de hj usando la ecuación (6)
Establezca ÿ1(hj) := 0, ÿ2(hj) := 0 y ÿ(hj) := 0 fin para

Revocar el estado tabú de todas las heurísticas

3.4. Heurísticas de bajo nivel Establecer iter := 1 y newIncumbent := false
terminar

Para producir nuevas soluciones, las tres hiperheurísticas descritas en la sección si terminar mientras

anterior utilizan 27 heurísticas perturbativas simples de bajo nivel, cada una de las cuales
examina un subconjunto de uno de los siguientes cuatro vecindarios, propuestos devuelve xÿ.
previamente en la literatura:

Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Computadoras e investigación de operaciones, https://doi.org/10.1016/j.cor.2018.11.010
Machine Translated by Google
JID: CAOR
ARTÍCULO EN PRENSA
A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx
• Turno único (Lamghari y Dimitrakopoulos, 2012): este barrio implica mover
una sola manzana de su período actual t a otro período t = t.
• Intercambio (Lamghari et al., 2014): Este vecindario permite intercambiar
bloques entre períodos y puede verse como dos cambios simultáneos
asociados con el vecindario de Turno Único . Más específicamente, implica
mover dos bloques: el bloque i de su período actual t a otro período t = t y
otro bloque i de t a t.
• Shift-Before (Lamghari et al., 2014): Aquí múltiples bloques; ,
el bloque i y sus predecesores extraídos en el mismo período, se mueven de
su período actual t = 1 al período anterior (t ÿ 1). Recuerde que un predecesor
del bloque i es un bloque que debe extraerse para tener acceso a i. En lo que
sigue nos referiremos al conjunto formado por un bloque i y sus antecesores
extraídos en el mismo periodo que el cono invertido cuya base es i. • Shift-
After (Lamghari et al., 2014): este vecindario también permite mover varios
bloques. Un bloque y sus sucesores extraídos en el mismo período se mueven
de su período actual t al siguiente período (t + 1). Tenga en cuenta que j es
un sucesor de i si y solo si i es un predecesor de j. En lo que sigue nos
referiremos al conjunto formado por un bloque i y sus sucesores extraídos en
el mismo periodo que el cono cuyo vértice es i.
Las heurísticas de bajo nivel propuestas no solo examinan diferentes
subconjuntos de los cuatro vecindarios descritos anteriormente (diferentes sub-
vecindarios), sino que también usan diferentes funciones para evaluar soluciones
en estos sub-vecindarios y diferentes estrategias para seleccionar una de estas
soluciones. para convertirse en la nueva solución actual. Generar solo
subconjuntos de los vecindarios y usar diferentes funciones de evaluación y
estrategias de selección tiene tres propósitos principales: reducir el esfuerzo
computacional, dirigir la búsqueda a partes interesantes del espacio de búsqueda
y asegurar la intensificación y diversificación.
Para simplificar la discusión, las heurísticas se clasifican en tres grupos
diferentes. El primer grupo contiene heurísticas que seleccionan bloques de un
período aleatorio y los mueven antes o después. El segundo grupo contiene
heurísticas que seleccionan bloques de un período específico, a diferencia de un
período aleatorio, y los mueven antes o después. Claramente, las heurísticas en
estos dos grupos no permiten ningún cambio en el conjunto de bloques extraídos.
Las heurísticas del tercer grupo permiten tales cambios eliminando bloques del
programa o agregando bloques no programados al programa. Las heurísticas en
los tres grupos consideran solo movimientos que producen una solución factible.
A continuación, se proporcionan detalles adicionales sobre las heurísticas.
Heurísticas que eligen bloques de un período aleatorio h1:
esta heurística explora un subconjunto de la vecindad de turno único . Comienza
seleccionando aleatoriamente un período t. Luego identifica los bloques
programados actualmente en t que se pueden mover antes o después sin
violar las restricciones estrictas. Los movimientos se evalúan en función del
cambio producido en el valor de la función objetivo y se selecciona el mejor
movimiento. h2: similar a h1 excepto que considera solo bloques que se
pueden mover antes. Además, la evaluación de un movimiento se basa en el valor
económico total del bloque y todos sus sucesores. Esta función de evaluación
puede verse como una medida del atractivo que se utiliza para identificar
bloques potenciales que, si avanzan, implicarán el avance de bloques de
mineral de alta ley. Así, h2 explora un subconjunto más pequeño de la
vecindad Single-Shift en comparación con h1, y para orientar la búsqueda no
utiliza la función objetivo del problema sino una función auxiliar; es decir, el
valor del bloque y todos sus sucesores.
h3: a diferencia de las dos heurísticas anteriores, que mueven un solo bloque,
esta heurística mueve varios bloques simultáneamente; más
Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Computadoras e investigación de operaciones, https://doi.org/10.1016/j.cor.2018.11.010
[m5G;21 de noviembre de 2018;8:48]
7
en concreto, avanza la extracción de un cono invertido cuyo bloque base está
programado actualmente en t, de t a t ÿ 1.
Sólo se consideran los conos invertidos que tienen un valor económico
positivo y la heurística selecciona el que tiene el valor económico unitario
más alto (es decir, el valor más alto por unidad de peso). Así, h3 explora un
subconjunto de la vecindad Shift-Before , y para orientar la búsqueda utiliza
otra función auxiliar, el valor económico unitario.
h4: Similar a h3 excepto que se consideran todos los conos invertidos, entre los
a cuales se elige uno al azar. Esta heurística induce alguna forma de
diversificación.
h5: Similar a h4, pero las jugadas se evalúan en función del cambio producido en
el valor de la función objetivo, y se selecciona la mejor jugada.
h6: Esta heurística también permite mover múltiples bloques simultáneamente.
Sin embargo, en lugar de cambiar el período de un cono invertido de t a t ÿ 1,
cambia el período de un cono cuyo vértice está actualmente programado en
t, de t a t + 1, lo que significa que explora un subconjunto de Shift -Después
del barrio. Solo se consideran los conos que tienen un valor económico no
positivo, y la heurística selecciona el que tiene el valor económico unitario
más pequeño.
h7: Similar a h6 excepto que se consideran todos los conos, entre los
cuales se elige uno al azar. Al igual que h4, h7 se utiliza con fines de
diversificación.
h8: Similar a h7, pero las jugadas se evalúan en función del cambio producido en
el valor de la función objetivo, y se selecciona la mejor jugada.
h9: Similar a h8, pero los bloques a mover no están necesariamente relacionados
entre sí por precedencia, y se mueven secuencialmente. En cada iteración,
se selecciona un solo bloque y se mueve de t a t + 1, y este proceso se repite
siempre que haya una mejora en el valor de la función objetivo. Por lo tanto,
h9 explora un subconjunto de la vecindad de turno único utilizando un
descenso de mejor mejora. Actúa como un mecanismo de recorte para liberar
algo de capacidad en t para bloques con suerte más interesantes. h10: esta
heurística también mueve bloques que no están relacionados entre sí por
precedencia. Intercambia los bloques i e i programados actualmente en los períodos
t y t + 1, respectivamente. Eso significa que h10 explora un subconjunto del
vecindario Swap . Los movimientos se evalúan en función del cambio
producido en el valor de la función objetivo y se seleccionan mediante una
estrategia de primera mejora.
Heurísticas que eligen bloques de un período específico A
diferencia de las heurísticas anteriores (h1 ÿ h10), las siguientes seis
heurísticas no seleccionan bloques de un período aleatorio sino de un período
específico en un intento de reducir las violaciones de restricciones suaves o la
rigidez de las restricciones duras. La primera heurística explora un subconjunto
de la vecindad de Turno único , mientras que las heurísticas restantes exploran
subconjuntos de las vecindades Shift-After y/o Shift-Before . La forma en que se
eligen y exploran estos subconjuntos se explica a continuación.
h11: esta heurística identifica primero el período t con el costo de penalización más
alto (incurrido por la violación de las restricciones blandas). Mueve un solo
bloque extraído actualmente en t antes o después.
Los movimientos se evalúan en función del cambio producido en el valor de
la función objetivo y se selecciona el mejor movimiento. h12: esta heurística
identifica primero el período con la mayor utilización de minería, t (la utilización de
minería se calcula como la cantidad total extraída en el período t en la
solución actual dividida por la capacidad de minería). Luego determina el
período adyacente con mayor capacidad residual, t tic selecciona un cono
. Si t = t ÿen
invertido cuya base está programada actualmente 1, t;entonces la heuris
de lo contrario (es
decir, si t = t + 1), selecciona un cono cuyo vértice
Machine Translated by Google ARTÍCULO EN PRENSA
JID: CAOR
8 A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx
actualmente está programado en t. El cono (invertido) se selecciona al azar
. la forma en que
y su período cambia de t a t h13: Similar a h12 excepto por
se selecciona t . Aquí se selecciona entre los períodos con alto costo de
penalización, no entre aquellos con alta utilización minera . Además, t no se
elige de manera codiciosa sino mediante la selección de la rueda de la ruleta.
h14: Similar a h13, pero los movimientos se evalúan en función del cambio
producido en el valor de la función objetivo, y se selecciona el mejor movimiento.
h15: A diferencia de las heurísticas anteriores donde t se elige primero, esta
. distribución
heurística comienza seleccionando t. La elección de de
t seprobabilidad
basa en unasesgada
hacia los períodos con mayor capacidad residual. Luego, la heurística
examina todos los candidatos que podrían moverse a t (conos y conos
invertidos actualmente extraídos en períodos adyacentes a t ) y los evalúa
utilizando la función objetivo para elegir el mejor movimiento a realizar.
h16: similar a h15 excepto que el cono (invertido) para moverse de t a t se
selecciona aleatoriamente.
Heurísticas que modifican el conjunto de bloques
programados Todas las heurísticas descritas anteriormente modifican los
períodos de los bloques programados. Sin embargo, no permiten ningún cambio
en el conjunto de bloques extraídos. Dichos cambios se obtienen con las
heurísticas que se presentan a continuación.
h17: esta heurística comienza identificando bloques que actualmente no están
programados y luego agrega uno de ellos a la programación. Los movimientos
se evalúan en función del cambio producido en el valor de la función objetivo
y se selecciona el mejor. h18: Similar a h17, pero solo se consideran
movimientos de mejora. h19: Similar a h17 pero más agresivo en el sentido de que
induce mayores cambios de solución que h17. Agrega conos invertidos (un bloque
y sus predecesores) al horario en lugar de un solo bloque. h20: Similar a h19,
pero solo se consideran movimientos de mejora. h21: Esta heurística
considera solo conos invertidos que tienen un valor económico positivo, de
entre los cuales selecciona el que tiene el valor económico unitario más alto.
Las siguientes heurísticas descartan bloques del programa.
h22: esta heurística elimina un solo bloque del programa. Los movimientos se
evalúan en función del cambio producido en el valor de la función objetivo.
Solo se consideran los movimientos de mejora y se selecciona el mejor.
h23: similar a h22, pero no termina después de soltar un solo bloque. El proceso
se repite hasta que no es posible ninguna mejora. h24: Al igual que h23, esta
heurística también elimina varios bloques del programa. Sin embargo, estos bloques
están relacionados entre sí por precedencia. Elimina un cono cuyo vértice
está programado actualmente en el último período del horizonte (un bloque y
sus sucesores). Los movimientos se evalúan en función del cambio producido
en el valor de la función objetivo, y se selecciona el mejor. h25: Similar a h24
excepto que solo se consideran movimientos de mejora. h26: Similar a h24
pero evalúa los movimientos en función del valor económico unitario de los conos.
Solo se consideran los conos que tienen un valor no positivo y se selecciona el de
menor valor. h27: similar a h22, pero también elimina simultáneamente un
solo bloque del horario. En otras palabras, intercambia un bloque no
programado con un bloque programado. El barrio se explora utilizando una
estrategia de primera mejora.
4. Resultados numéricos
Para evaluar la eficiencia y la solidez de los tres enfoques hiperheurísticos
descritos en la Sección 3, experimentos numéricos
Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Computadoras e investigación de operaciones, https://doi.org/10.1016/j.cor.2018.11.010
[m5G;21 de noviembre de 2018;8:48]
se han realizado en cinco conjuntos de pruebas de referencia para los dos
problemas de planificación estratégica de la mina considerados en este
documento (SMPS y SMPS+). Estos conjuntos de datos de referencia incluyen
un total de 43 instancias de diferentes tamaños y características. Se describen
brevemente a continuación y se resumen en la Tabla 1.
• El primer conjunto de instancias de referencia, L1, fue presentado por Lamghari
y Dimitrakopoulos (2012). Consta de 10 instancias de tamaño pequeño a
grande de un depósito de cobre y otro de oro que contienen un procesador y
un vertedero de desechos; es decir, 10 instancias para el SMPS (cf Sección
2.1). Cada período tiene una duración de un año y se supone que las
capacidades de producción son idénticas en todos los períodos. Para cada
norte
i= 1
ejemplo, es posible extraer un total de 1,20 toneladas por año5,
T
de las cuales los residuos se envían al botadero de capacidad ilimitada, y el
mineral se envía a
S
ni = 1 s=1 ÿipswi
un procesador p con una capacidad de 1,05 Cantidad 6;
ST
esperada de mineral en el depósito + 5%. Menor número de
eso es,
períodos
norte
i= 1
los límites de extracción y procesamiento se establecen en 0,80
T
S
y 0,95 ni = 1 s=1 ÿipswi ,
respectivamente. Finalmente, los límites ST inferior
y superior de la producción de metal se establecen en s=1
ÿipsmis s=1 ÿipsmis
S S
0,95 ni = 1 y 1.05 ni = 1
; 7 es decir,
ST ST
Cantidad esperada de metal en el depósito ± 5%.
Número de períodos •
Los siguientes cuatro conjuntos de pruebas de referencia (S1-S4) incluyen 33
instancias para el SMPS+ (consulte la Sección 2.2), en las que se consideran
varios destinos para el material extraído en lugar de
solo dos.8 Los primeros tres conjuntos son los utilizados por Lamghari y
Dimitrakopoulos (2016a), mientras que el cuarto es un nuevo conjunto de
datos que contiene instancias más grandes. Los detalles sobre estos
conjuntos son los siguientes. • El conjunto S1 consta de 10 instancias de
tamaño pequeño a grande de un depósito de cobre y otro de oro que
contienen un procesador, una pila de almacenamiento y un vertedero de
desechos. Estas instancias son las mismas que las de L1, excepto que
se ha agregado una reserva.
Además, no se imponen límites inferiores a la extracción y el
procesamiento y no existen requisitos para los niveles de producción de
metales.
• El conjunto S2 consta de tres instancias que representan tres depósitos
reales diferentes: dos depósitos de cobre y un depósito de oro.
El tamaño de estas instancias es mayor que el del conjunto de referencia
anterior. Además, las instancias de este conjunto contienen dos
procesadores, dos pilas de almacenamiento y un vertedero de desechos
(a diferencia de un procesador, una pila de almacenamiento y un
vertedero de desechos en S1). Finalmente, las capacidades de
procesamiento se establecen en un valor 5% menor que para las
instancias en S1 para dificultar la satisfacción de las restricciones de
procesamiento y forzar así el uso de las existencias. • El conjunto S3
consta de 10 instancias medianas de un yacimiento de cobre con dos
procesadores, dos acopios y un basurero. Si bien las capacidades de
procesamiento son similares a las del conjunto anterior, S2, las
capacidades de minería son mucho
5 N y T representan el número de bloques en el depósito y el número de períodos en los que
se programan los bloques, respectivamente. wi denota el tonelaje del bloque i.
6 S es el número de escenarios utilizados para modelar la incertidumbre del metal y ÿips es un
parámetro igual a 1 si el bloque i se clasifica como un bloque de mineral en el escenario s (se
puede enviar al procesador p) y 0 en caso contrario. mis es el contenido de metal del bloque i
7
bajo el escenario s 8 Recuerde que las instancias de SMPS en el conjunto anterior (L1)
consideran solo dos des
tinciones para el material extraído: un procesador y un basurero.
Machine Translated by Google ARTÍCULO EN PRENSA
JID: CAOR [m5G;21 de noviembre de 2018;8:48]

A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx 9

tabla 1
Descripción general de las instancias en los cinco conjuntos de datos de referencia.

conjunto de datos L1 S1 S2 S3 S4

Número de instancias 10 10 10 10
Número de bloques (N) 4, 273 ÿ norte ÿ 40, 762 4, 273 ÿ norte ÿ 40, 762 3 14, 118 ÿ norte ÿ 48, 21, 965 ÿ N ÿ 22, 720 40,900
Número de períodos (T) 3 ÿ T ÿ 13 20 1 0 3 ÿ T ÿ 13 20 1 1 821 6 ÿ T ÿ 16 20 ÿ S ÿ 11 ÿ V ÿ 12 21
Número de escenarios (S) 25 2 2 20 2 2 20
Número de procesadores (P) 2
Número de existencias 2
Número de vertederos 1 1 1 1 1
Tipo de metal Cobre y Oro 5, 625 ÿ Cobre y Oro 5, 625 ÿ Cobre y Oro 5625 ÿ Cobre Cobre
Peso del bloque (wi) en toneladas wi ÿ 10, 800 wi ÿ 10, 800 wi ÿ 10, 800 10.000 10,000
norte

i= 1
Límite inferior de la minería 0.80 0 0 0 0
T
norte norte norte norte norte

i= 1 i= 1 i= 1 i= 1 i= 1
Límite superior en la minería 1.20 1.20 1.20
T T T T T
norte S
yo=1 s=1 ÿipswi
Límite inferior en el procesamiento 0,95 0 0 0 0
ST
norte S norte S norte S norte S norte S
yo=1 s=1 ÿipswi yo=1 s=1 ÿipswi yo=1 s=1 ÿipswi yo=1 s=1 ÿipswi yo=1 s=1 ÿipswi
Límite superior en el procesamiento 1.05 1.05
ST ST ST ST ST
norte S
yo=1 s=1 ÿismis
Límite inferior de la producción de metal 0,95 0 0 0 0
ST
norte S
yo=1 s=1 ÿismis
Límite superior de la producción de metal 1.05 ÿ ÿ ÿ ÿ
ST

más apretado aquí. Se fijan en un valor un 20% menor que para el Los cuatro métodos comienzan con una solución inicial aleatoria generada
norte

i= 1 usando la heurística en Lamghari y Dimitrakopoulos (2012) y

instancias en S1 y S2 (es decir, están configurados para
T También haga otras elecciones aleatorias durante la fase de mejora.
• El último conjunto de instancias, S4, también consta de 10 instancias
de un yacimiento de cobre con dos procesadores, dos acopios,
y un basurero. Son similares a los de S3, excepto
que son mas grandes.
Todos los algoritmos se codificaron en C++ y los experimentos se realizaron
en una computadora Intel(R) Xeon(R) CPU X5675 (3.07 GHz) con 96 Go
de RAM ejecutándose bajo Linux.
4.1. Resultados en las instancias de SMPS (conjunto de datos L1)
En esta sección, examinamos cómo los tres enfoques hiperheurísticos (HH1, HH2
y HH3), descritos en la Sección 3, realizan
en las diez instancias de referencia en el conjunto L1. Comparamos el
).
Por lo tanto, cada uno de ellos se aplicó a cada instancia 30 veces. los
los resultados se resumen en las Tablas 2–4. La Tabla 2 presenta estadísticas sobre
los valores de las mejores soluciones encontradas por cada método para
cada una de las instancias de prueba (Zÿ), es decir, el valor de solución promedio
(Promedio) y su desviación estándar (St. Dev.). Las tablas 3 y 4 proporcionan
estadísticas sobre las brechas de optimización y los tiempos de solución,
respectivamente. La fórmula utilizada para calcular las brechas es % Gap =
Zÿ ÿ ZLR
× 100, donde ZLR es el valor óptimo de relajación lineal,
ZLR
calculado utilizando CPLEX 12.2. El tiempo requerido por CPLEX se da
en la última columna de la Tabla 4 (columna LR). Un guión (“-”) indica
que CPLEX no pudo resolver la relajación lineal de la instancia dentro del plazo
establecido en cuatro semanas. Los mejores resultados
obtenidos para cada instancia se indican en negrita. El nombre de

hiper-heurísticas entre sí y también con otro problema específico instancias y su tamaño (número de bloques (N), número de períodos
método adaptado a la SMPS; a saber, la heurística de búsqueda tabú (T), y número de escenarios que modelan la incertidumbre geológica (S))
(TS) propuesto en Lamghari y Dimitrakopoulos (2012), que ha se dan en las primeras cuatro columnas de cada tabla.
logrado previamente la mejor calidad de solución para las instancias en Los resultados muestran que entre los tres métodos hiperheurísticos, HH3 es el
L1. mejor en términos de calidad de solución. En promedio, el
Los cuatro métodos (HH1, HH2, HH3 y TS) contienen algunos parámetros la brecha de optimización para HH3 es 1,40 % en comparación con 5,68 % y 20,92 %
controlados por el usuario. Recuerde que las tres hiperheurísticas terminan cuando ha para HH1 y HH2, respectivamente. A pesar de que HH3 es superado
transcurrido un número específico de iteraciones, ÿmax . Nosotros por el método específico del problema, TS, en algunos casos (L1-C4 y
varió el valor de ÿmax y analizó el equilibrio entre la calidad de la solución y el tiempo L1-C5), en general, encuentra soluciones de mejor calidad que TS (en
de solución. Los mejores resultados se obtuvieron con promedio, la brecha de optimalidad para TS es 1.70%). Cabe resaltar que
el valor ÿmax = 1000 + 0,5N, siendo N el número de bloques. En consecuencia, este aunque las diferencias en la brecha parecen pequeñas, por el contexto
valor se utiliza en todos los experimentos posteriores. HH1 hace de los problemas de planificación estratégica de minas estudiados en este documento,
no tienen ningún otro parámetro, mientras que HH2 y HH3 tienen cada uno son significativos porque representan millones de dólares, como puede
tres parámetros más. Para HH2, usamos la misma configuración de parámetros que puede verse en los valores de Zÿ en la Tabla 2. Con respecto al tiempo de solución,
en el artículo original de Drake et al. (2012); es decir, 0.99, HH3 consume menos tiempo que TS para instancias de cobre
0,01 y 0,01 para los parámetros ÿmax, ÿmin y ÿ, respectivamente. A (L1-C1 a L1-C5), mientras que lo contrario es cierto para las instancias doradas (L1-
ajustar los parámetros de HH3, hemos elegido cinco instancias en corrió 9 El G1 a L1-G5). En promedio, HH3 es ligeramente mejor que TS (52.30
dom, ejecute pruebas usando diferentes valores para y ÿ .mínimo, máximo, min frente a 64,65 min). Tanto TS como HH3 consumen más tiempo que HH1 y HH2,
los mejores valores encontrados para estos parámetros son min = 0.5H, = H, máximo cuya CPU promedio es 36.45 y 30.52
y ÿ = 5H, siendo H el número de heurísticas de bajo nivel (27 en este min, respectivamente. Los cuatro métodos requieren mucho menos tiempo
papel). Por lo tanto, estos ajustes se utilizan en todos los experimentos posteriores. que el tiempo requerido por CPLEX para resolver la relajación lineal de
Finalmente, para TS, usamos la misma configuración de parámetros que en el las instancias Además, son menos sensibles al tamaño de la
documento original (Lamghari y Dimitrakopoulos, 2012). instancias en comparación con CPLEX.
Otra característica interesante que se puede observar en las tablas 2 a 4
está relacionado con la desviación estándar de los valores de solución, las brechas de
9 Recuerde que [ min, max] se usa para elegir la tenencia tabú; es decir, el número calidad óptimas y los tiempos de solución (St. Dev.). Los resultados sugieren que el TS
de iteraciones durante las cuales se realiza una heurística que no ha funcionado bien recientemente y HH3 logran las desviaciones más pequeñas. Esto significa que su per
tabu, mientras que ÿ limita el número de iteraciones realizadas con los mismos valores de puntuación.

Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
Machine Translated by Google ARTÍCULO EN PRENSA
JID: CAOR [m5G;21 de noviembre de 2018;8:48]

10 A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx

Tabla 2
Resumen de resultados de valores de solución (en dólares): instancias en el conjunto de datos de referencia L1..

Zÿ ($)

Nombre norte TS TS HH1 HH2 HH3

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

L1-C1 4273 3 20 162,256,000 26,501 7141 4 20 161,535,000 2,663,613 157,621,000 12,020,986 162.410.000 25.341
L1-C2 194,469,000 108,576 12,627
20,626 10 7 20 220,535,000
20 237,980,000 836,537480,192
26,021
13 20 191,603,000 10,057,748
207,897,000 189,089,000 12,634,045
186,129,000 195.047.000 141.983
L1-C3 221,326,000 1,142,693
1636,686,686,686,686,686,686,686,686,686,686,6INT
18,821 5 20 404,67,000 20,571,856 195,994,000
50,954,399 38,084,152 128,446,000
71,997,376 220.463.000 984.132
L1-C4 153,675,000 69,819,128
401,917,000 96,968,000 79,201,659 328,560,000 235.160.000 1.693.122
L1-C5 10,756,738 429,536,000
460,163,000
13,100,921 103,065,978 324,647,000
137,244,411 217.000.000 2.861.557
L1-G1 14,961,717 455,281,000
420,278,000
34,636,817 393,538,000 98,980,867 331,171,000 407.027.000 190.413
7 281.340
L1-G2 23.901 20 434.273.000 53,870,050 160,159,746 241,897,000
182,354,677 438.047.000 222.009
8 414.450
L1-G3 30.013 20 468.095.000 473.027.000 340.525
L1-G4 34.981 9 20 474.361.000 616.784 477.789.000 2.899.283
L1-G5 40.762 11 20 449.591.000 1.336.320 450.090.000 4.600.160

Tabla 3
Resumen de resultados de brechas de optimización: instancias en el conjunto de datos de referencia L1.

%Brecha

Nombre norte TS TS HH1 HH2 HH3

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

L1-C1 4273 3 20 0.24 0.02 0,68 1.64 3.09 7.39 0.14 0.02
L1-C2 7141 4 20 0,69 0.06 2.15 5.14 3.44 6.45 0,40 0,07
L1-C3 12.627 7 20 1.86 0.21 7.48 9.16 17.17 16.95 1,89 0,44
L1-C4 20.626 10 20 3,80 0.34 20.77 20.63 48.08 29.07 4,94 0,71
L1-C5 26.021 13 20 - 5 7 8 9 - - - - - - -

L1-G1 18.821 11 20 - 20 1,16 20 0,04 1,83 2,63 19,75 25,17 0,59 0,05
L1-G2 23.901 1,71 20 1,97 0,06 2,79 2,97 26,52 31,06 0,86 0,05
L1-G3 30.013 20 2,19 0,09 3,63 3,13 17,58 20,73 0,94 0,07
L1-G4 34.981 0,13 6,13 7,14 31,72 33,02 1,49 0,60
L1-G5 40.762 - - - - - - -

Tabla 4
Resumen de resultados de tiempos computacionales (en minutos) - instancias en el conjunto de datos de referencia L1..

Tiempo (minutos)

Nombre norte T S TS HH1 HH2 HH3 LR

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

L1-C1 4273 3 20 4.28 L1-C2 7141 4 20 9.53 L1- 0,00 1,10 0,73 1,13 0,85 1,74 0,12 8.97
C3 12,627 7 20 29.47 L1-C4 20,626
L1-C5 10 20
26,021 1368.77
20 0,00 1,91 1,10 1,81 1,12 3,89 0,47 73.64
112.77 L1-G130,013
18,821L1-
5 L1-G2 23,901
G4 34.981 L1-G3
L1-G5 40.762 0,00 3,62 1,91 4,25 3,64 8,19 0,82 1457.05
0,00 7,73 5,80 7,80 7,17 16,41 1,67 12115.63
0,00 9,02 5,19 15,25 9,52 22,64 2,29 -
20 31,38 0,00 49,97 21,58 41,03 37,31 65,63 6,13 855.50
7 20 55,78 0.00 59.72 22.09 37.02 28.27 75.76 5.18 3786.73
8 20 80,05 9 20 104,95 0,00 83,71 40,00 65,00 44,29 106,82 11,81 7902.27
11 20 149,47 0,00 90,03 36,92 71,52 47,11 112,60 6,78 15230.50
0,00 57,70 35,41 60,43 51,66 109,33 9,17 -

El rendimiento se ve menos afectado por las características particulares de la inicial aplicado a cada instancia 30 veces, cada vez a partir de una solución inicial aleatoria
soluciones (recuerde que las soluciones iniciales se generan aleatoriamente). diferente. Los parámetros para HH1, HH2 y
HH1 y HH2, por otro lado, parecen ser mucho menos robustos en HH3 se configuraron como en la Sección 4.1, mientras que los de DLS se configuraron como
términos de valor de solución y variación del tiempo de solución. en Lamghari y Dimitrakopoulos (2016a).

4.2. Resultados en las instancias de SMPS+ (conjuntos de datos S1 ÿ S4)

4.2.1. Resultados del primer conjunto de instancias de referencia (conjunto de datos S1)
En esta sección reportamos los resultados obtenidos en las instancias SMPS+. Recuerde que las instancias de SMPS+ se dividen en cuatro conjuntos de datos.
De nuevo, comparamos los tres métodos hiperheurísticos con Las tablas 5 a 7 muestran los resultados del primer conjunto de datos, S1, que
entre sí y a una heurística diseñada específicamente para el problema abordado contiene diez instancias. Al igual que en la sección anterior, las características de
aquí. Aunque se han desarrollado diferentes métodos para el SMPS+, hemos cada instancia se dan en las primeras cuatro columnas de la
optado por restringir nuestras comparaciones mesas. Para cada instancia y cada método, reportamos lo siguiente: el valor
a la búsqueda local diversificada (DLS) presentada en Lamghari y promedio de las mejores soluciones encontradas y su estándar
Dimitrakopoulos (2016a), que combina una vecindad variable desviación (Zÿ), la brecha de optimización promedio (% de brecha) como se define anteriormente
heurística de descenso y una heurística de búsqueda de vecindad muy grande y su desviación estándar, y el tiempo promedio de solución en minutos (Tiempo) y
basado en técnicas de flujo de red, ya que es el más reciente y su desviación estándar. Usamos símbolos en negrita
mejor heurística específica del problema propuesta en la literatura. Similar para indicar los mejores resultados obtenidos para cada instancia. el lineal
a las pruebas anteriores, cada método (HH1, HH2, HH3 y DLS) fue Los valores óptimos de relajación, usados para calcular los gaps, han sido

Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
Machine Translated by Google
JID: CAOR
ARTÍCULO EN PRENSA
[m5G;21 de noviembre de 2018;8:48]

A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx 11

Tabla 5
Resumen de resultados de los valores de la solución: instancias en el conjunto de datos de referencia S1..

Zÿ ($)

Nombre norte TS DLS HH1 HH2 HH3

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S1-C1 4273 3 20 165 638 000 20 719 4 20 199 358 146,682,000 28,535,996 131,467,000 2,439,761 165.618.000 41.477
S1-C2 7141 000 100 660 7 20 229 183 000 156 615251
10 355
20 162,466,000 39,332,702 143,314,000 36,436,056 199.393.000 101.650
S1-C3 12,627 000 263 697 13 20 242 366 000 435 232 5 175,930,000 52,922,646 123,343,000 38,044,780 109,042,000 229.408.000 199.579
S1-C4 20,626 139,941,000 62,990,444 47,737,213 101,945,000 64,016,211 251.410.000 565.524
S1-C5 26,021 153,237,000 72,390,791
301,233,000 237,009,000 122,237,304
238,013,000 244.827.000 460.462
S1-G1 18,821 20 411,085,000 68,543 114,092,674 299,115,000
156,632,340 151,333,545 187,633,000 127,390,329 411.138.000 123.600
7 120.091
S1-G2 23.901 20 443.449.000 344,217,000 164,367,556
379,611,000 191,437,000 154,552,595 443.548.000 165.700
8 132.878
S1-G3 30.013 20 479.205.000 151,088,770 288,697,000 157,886,556 230,382,000 148,649,780 479.345.000 170.186
S1-G4 34.981 9 20 487.199.000 123.886 487.212.000 251.682
S1-G5 40.762 11 20 465.884.000 211.491 466.386.000 337.414

Tabla 6
Resumen de resultados de brechas de optimización: instancias en el conjunto de datos de referencia S1.

%Brecha

Nombre norte TS DLS HH1 HH2 HH3

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S1-C1 4273 3 20 0.04 0.01 11.48 17.22 20.66 18.04 0.05 0.02
S1-C2 7141 4 20 0.11 0.05 18.60 19.71 28.19 18.26 0.10 0.05
S1-C3 12.627 7 20 0.36 0.07 23.51 23.01 46.37 16.54 0.26 0.09
S1-C4 20.626 10 20 1.13 0.10 44,95 24.78 57.11 18.78 1.11 0.22
S1-C5 26.0211,77
13 20
S1-G1 18.821 5 20 0,31 S1-G2 0,18 37,89 29,34 58,68 25,95 0,77 0.19
23.901 7 20 0,48 S1-G3
34.981 30.0132,52
9 01-7G5 8 20S1,
0,50 S1-G4
802 4 0,02 26,95 27,67 42,52 29,64 0,30 0.03
0,03 32,87 35,15 46,58 33,96 0,45 0.04
0,03 28,53 34,13 61,04 26,45 0,47 0.04
0,03 22,49 30,85 60,91 31,56 0,52 0.05
0,05 38,54 33,61 50,96 31,65 0,71 0.07

Tabla 7
Resumen de resultados de tiempos computacionales (en minutos) - instancias en el conjunto de datos de referencia S1..

Tiempo (minutos)

Nombre norte T S DLS HH1 HH2 HH3 LR

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S1-C1 4273 20 2.18 0.19 S1-C2

3 7141 20 6.38 0.76 S1-C3 1,04 0,83 0,72 0,68 2,08 0,11 0.23
12,627 20 34.89 9.27 S1-C44 20,62626,021
10 20 128.32 34.96 S1-C5
13 20 222.85 62.66
S1- 2,27 1,94 1,31 1,40 5,27 0,57 5.68
7
G1 18,821 5 10.22 S1-G2 23,901 S1-G3
S1-G530.013
40.762S1-G4 34.981 5,56 3,11 2,50 3,04 9,30 0,67 139.01
11,71 10,19 7,08 9,79 23,03 1,67 1540.61
18,88 14,49 17,96 29,36 41,09 9,51 3470.63
20 50,93 37,38 23,75 19,49 18,37 66,66 7,57 187.77
7 20 90.03 17.73 52.19 36.34 32.48 40.20 69.05 5.69 323.75
20 159,25 20 32,01 69.69 44,83 49,33 67,05 106,42 8,06 141,78 1947.79
255,21 54,60 103,71 74,79 91,07 233,77 8,32 168,18 31,70 1179.05
8 9 11 20 366,29 100,55 97,46 73,66 79,73 137,60 2394.03

obtenido usando CPLEX 12.5. El tiempo requerido por CPLEX se da en • Entre los cuatro métodos, HH2 es el que requiere la
la última columna de la Tabla 7 (columna LR). menos tiempo computacional, pero no tuvo éxito en resolver
Las siguientes observaciones se pueden derivar de las tablas 5 a 7: cualquiera de los diez casos. No puede competir ni con los HH3 y DLS de
buen rendimiento ni con HH1.
• En términos de calidad de solución, nuevamente, HH3 supera a HH1 y
• Ya sea en términos de calidad de la solución o en términos de la solución
HH2. En promedio, la brecha de optimización para HH3 es de 0,47 % frente
tiempo, DLS y HH3 son más robustos y exhiben una menor variabilidad en
a 28,58 % para HH1 y 47,30 % para HH2. Vale la pena señalar que las
comparación con HH1 y HH2 (cf. columnas St. Dev.).
diferencias entre las tres hiperheurísticas son
• Como era de esperar, los cuatro métodos superan a CPLEX en términos de
más pronunciados para este conjunto de datos (S1) que para el
tiempo de solución. Las diferencias son más pronunciadas a medida que aumenta el tamaño.
conjunto de datos anterior (L1).
de las instancias aumenta.
• HH3 es superado por el método específico del problema, DLS, en
solo una instancia de cada 10. Además, las diferencias no son
importante. En general, ambos métodos encuentran soluciones bastante 4.2.2. Resultados del segundo conjunto de instancias de referencia (conjunto de datos S2)
comparables (las brechas promedio para HH3 y DLS son 0,47% y 0,60%, Las tablas 8 a 10 comparan los resultados obtenidos para el segundo SMPS+
respectivamente). conjunto de instancias de referencia, S2. En estas tablas, un guión “-” indica
• HH3 requiere menos tiempo de cálculo que DLS (en promedio, 63,29 min que CPLEX no pudo resolver la relajación lineal del problema dentro del límite
frente a 131,63 min). Ambos métodos son superados por HH1 (39,99 min, de tiempo (cuatro semanas) y, por lo tanto, ni el tiempo computacional de
en promedio) y HH2 (30,17 min, CPLEX ni el valor óptimo de relajación lineal
de media). utilizados para calcular la brecha son conocidos. Recuerde que los casos en

Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
Machine Translated by Google ARTÍCULO EN PRENSA
JID: CAOR [m5G;21 de noviembre de 2018;8:48]

12 A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx

Tabla 8
Resumen de resultados de los valores de la solución: instancias en el conjunto de datos de referencia S2..

Zÿ ($)

Nombre norte TS DLS HH1 HH2 HH3

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S2-C1 14.118 6 25 27.296.100 180.931 16 20 (-316.780) 16.707.412 1.932.820 18.668.793 27.773.400 104,167
S2-C2 28.154 225.575.000 689.167 14 20 471.814.000 112.376.000 65.047.685 98.525.500 67.969.412 223.129.000 1,859,936
S2-G1 48.821 478.251 270.195.000 179.500.283 201.011.000 190.022.357 471.046.000 1,513,583

Tabla 9
Resumen de resultados de brechas de optimización: instancias en el conjunto de datos de referencia S2.

%Brecha

Nombre norte T S DLS HH1 HH2 HH3

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S2-C1 14.118 6 25 8.38 0,61 101.06 56.08 93.51 62.66 6,77 0,35
S2-C2 28.154 16 20 - - - - - - - -

S2-G1 48.821 14 20 - - - - - - - -

Tabla 10
Resumen de resultados de tiempos computacionales (en minutos) - instancias en el conjunto de datos de referencia S2..

Tiempo (minutos)

Nombre norte TS DLS HH1 HH2 HH3 LR

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S2-C1 14.118 6 25 79,21 8.90 10,83 16,00 8,40 7,29 22.16 3,01 932.00
S2-C2 28.154 16 20 765,07 140,87 14,86 14,23 15,34 27,76 111,21 49,98 305,25 -

S2-G1 48.821 14 20 1246,14 175,10 305,30 898,26 106,95 142,95 127,54 -

S2 son más grandes que las instancias del primer conjunto (S1) y también más
dificil de resolver
De la Tabla 8, parece que entre los cuatro métodos, HH1 y
Los HH2 son los que peores resultados dan. Además, sus
el rendimiento es muy inferior a los otros métodos y también lo es su
robustez en términos de valor de solución y variación de tiempo de solución.
HH2 no está dominado por HH1 como fue el caso de las instancias en
los conjuntos anteriores, L1 y S1. En particular, para el caso más pequeño,
S2-C1, HH2 es significativamente mejor que HH1. Las soluciones encontradas
por HH3 son de nuevo generalmente comparables a los obtenidos por el
método específico del problema, DLS, pero se obtienen mucho más rápido
como puede verse en los resultados de la Tabla 10. En promedio, el tiempo de solución
se reduce en un factor de 5 cuando se usa HH3. DLS también es
consume más tiempo que HH1 y HH2. En promedio, corre 6
y 16 veces más que HH1 y HH2, respectivamente. Debería
Tenga en cuenta que las diferencias entre DLS y las tres hiperheurísticas son más
pronunciadas para estas instancias más grandes y más exigentes desde el punto de vista
computacional en S2 que para las instancias de los conjuntos de datos anteriores. Como
fue el caso de los casos
en los primeros conjuntos de datos, HH2 es el método más rápido. Sin embargo, es corto
los tiempos de cómputo no compensan la mala calidad de los
soluciones que brinda.
4.2.3. Resultados del tercer conjunto de instancias de referencia (conjunto de datos S3)
A continuación comparamos los cuatro métodos en las diez instancias de
el tercer conjunto de datos de referencia, S3. Al igual que en los experimentos anteriores,
Las tablas 11 a 13 resumen los datos estadísticos obtenidos de los experimentos
realizados, mostrando el valor de solución promedio, la brecha de optimización promedio
y el tiempo de solución promedio (columnas Avg.)
sobre las 30 ejecuciones, así como sus desviaciones estándar (columnas St.
desarrollo). Nuevamente, los mejores resultados obtenidos para cada instancia se indican
en negrita.
Algunas de las observaciones realizadas en los apartados anteriores pueden ser
confirmado a partir de los resultados en las tablas 11-13. Primero, los cuatro métodos
resuelven los problemas en un tiempo muy razonable, en el orden de
unos pocos minutos a unas pocas horas, que es significativamente menor que
las 36.44 horas que CPLEX requiere en promedio para resolver el problema lineal
relajación. En segundo lugar, aunque HH1 es el método más rápido y requiere
15,30 min de media, y aunque es más efectivo que el HH2,
la calidad de las soluciones obtenidas con esta hiper-heurística es
lejos de la calidad obtenida por HH3 y DLS. En promedio, el
la brecha de optimización para HH1 es 40.10% en comparación con 1.12% y 1.74%
para HH3 y DLS, respectivamente. Al comparar HH3 y DLS, se
parece que no sólo HH3 llega a mejores soluciones que
DLS, encontrando nuevas mejores soluciones para muchas instancias en al menos una
de las 30 corridas, pero también requiere mucho menos tiempo computacional.
En promedio, el tiempo de CPU se reduce en un factor de 10,5 cuando HH3
se usa Entonces podemos concluir que, para las instancias en este tercer
Conjunto de datos de referencia SMPS+, con respecto tanto a la calidad de la solución
como al tiempo de la solución, el nuevo HH3 hiperheurístico propuesto parece ser
La mejor decision.
4.2.4. Resultados del cuarto conjunto de instancias de referencia (conjunto de datos S4)
Finalmente, comparamos los cuatro métodos en las instancias del
cuarto conjunto de datos de referencia SMPS+, S4, que son más grandes que los
en el tercer conjunto de datos, S3. Las tablas 14 a 16 resumen esta comparación.
Los resultados parecen estar en línea con lo observado
en los experimentos anteriores. HH3 supera significativamente a DLS en
términos de tiempo de solución. En promedio, el tiempo de CPU para DLS excede
37 horas, mientras que el tiempo de CPU para HH3 es en general menos de 5
horas. En términos de calidad de la solución, para las diez instancias probadas,
HH3 es ligeramente dominante. Ambos métodos producen excelentes soluciones muy
cercanas a la óptima, con una brecha promedio de 0.28% y
0,59%, respectivamente. Estas soluciones son significativamente mejores que
las obtenidas por HH1 y HH2. Este último da de nuevo muy pobre
resultados y ocupa el último lugar en términos de calidad de la solución, pero primero en términos
de tiempo de solución. En términos de robustez, DLS y HH3 presentan una
comportamiento similar al de los experimentos anteriores, exhibiendo menor
valor de solución y variación del tiempo de solución.

Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
Machine Translated by Google ARTÍCULO EN PRENSA
JID: CAOR [m5G;21 de noviembre de 2018;8:48]

A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx 13

Tabla 11

Resumen de resultados de los valores de la solución: instancias en el conjunto de datos de referencia S3..

Zÿ ($)

Nombre norte TS DLS HH1 HH2 HH3

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S3-C1 22.549 12 20 248,314,000 837,267 12 20 246,517,000 139.865.000 73.695.138 95.478.900 36.863.792 249.518.000 1.405.838
S3-C2 22.388 859,979 12 20 246,593,000 741,710 12 245,996,000
20 142.344.000 68.398.626 130.530.000 65.529.563 248.031.000 1.485.804
S3-C3 22.285 712,002 11 20 251,982,000 718,838 12 20 143.023.000 63.634.875 117.577.000 59.329.082 248.308.000 1.419.006
S3-C4 22.302 245,583,000 535,267 12 20 249,533,000 779,508 138.220.000 65.099.850 95.892.000 36.673.013 247.759.000 1.417.730
S3-C5 21.965 12 20 250,272,000 810,756 12 20 250,071,000
780,406 158.080.000 65.494.764 118.489.000 62.900.268 253.424.000 1.507.897
S3-C6 22.246 12 20 247,060,000 788,470 164.023.000 67.104.039 120.865.000 62.427.884 247.727.000 1.332.192
S3-C7 22.716 158.471.000 76.659.337 108.276.000 57.122.618 250.552.000 1.437.669
S3-C8 22.529 138.498.000 71.532.160 115.132.000 63.158.593 251.641.000 1.563.798
S3-C9 22,253 173.468.000 70.534.791 102.101.000 52.464.983 251.485.000 1.331.241
S3-C10 22.720 157.062.000 69.577.407 116.011.000 66.297.402 249.106.000 1.308.200

Tabla 12

Resumen de resultados de brechas de optimización: instancias en el conjunto de datos de referencia S3.

%Brecha

Nombre norte T S DLS HH1 HH2 HH3

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S3-C1 22.549 12 20 1,75 22.388 12 20 1,77 0,33 44,66 29,16 62,22 14,59 1,27 0,56
S3-C2 22.285 12 20 1,77
21.965
22.302
11 20
121,67
20 1,76 0,34 43,28 27,25 47,99 26,11 1,17 0.59
S3-C3 22.246 22.716 22.720
22.529 S3-C2
S3-C9 22.720 0,30 43,02 25,35 53,16 23,63 1,08 0.57
S3-C4 0,28 44,80 26,00 61,70 14,65 1,06 0.57
S3-C5 0,28 38,31 25,56 53,76 24,55 1,11 0.59
S3-C6 12 20 1.87 0.21 34.46 26.81 51.70 24.95 1.01 0.53
S3-C7 12 20 1,62 12 20 1,65 0,31 37,52 30,22 57,31 22,52 1,22 0.57
S3-C8 12 20 1,77 12 20 1,75 0,32 45,57 28,11 54,76 24,82 1,11 0,61
0,31 31,86 27,71 59,89 20,61 1,21 0.52
0,31 37,54 27,67 53,87 26,36 0,94 0.52

Tabla 13

Resumen de resultados de tiempos computacionales (en minutos) - instancias en el conjunto de datos de referencia S3..

Tiempo (minutos)

Nombre norte T S DLS HH1 HH2 HH3 LR

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S3-C1 22.549 12 20 310,89 12 20 299,76 111.51 21.29 65,80 50,17 139.69 30,51 7.15 3586.66
S3-C2 22.388 97.83 13.31 14,30 15,46 32.51 29,97 6,53 2421.27
S3-C3 22.285 12 20 312.79 86.81 13.58 14.75 29,95 80,68 31.25 7.17 1420.44
S3-C4 22.302 12 20 334,31 11 20 101,76 24,98 57,40 14,34 11,47 30.01 30,41 8.45 3518.42
S3-C5 21.965 268,35 12 20 284,28 12 75,41 14,97 12,85 12,59 35,90 103.97 31,81 5,03 34,72 1464.72
S3-C6 22.246 20 401,18 12 20 348,02 69,51 10,20 8,52 11,22
9,03 11,42 9.81 8,31 28,93 4,34 1593.52
S3-C7 22.716 12 20 303,21 103,81 17,86 14,24 28,23 71,42 15,10 29,56 5,23 27,57 1986.17
S3-C8 22.529 98,07 31,49 16,54 34,00 5,56 1878.28
S3-C9 22,253 90,08 1807.55
S3-C10 22.720 12 20 338,66 98,84 13.36 11.76 26,93 69,15 31.29 7.01 2184.68

Tabla 14

Resumen de resultados de los valores de la solución: instancias en el conjunto de datos de referencia S4..

Zÿ ($)

Nombre norte T S DLS HH1 HH2 HH3

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S4-C1 40,090 21 20 210,730,000 320,782 40,090 21 20 208,489,000 86.005.700 64.300.494 73,531,000 56,703,353 68,332,200 211.173.000 100.287
S4-C2 923,802 40,090 21 20 209,376,000 393,760 40,090 21 20 98.409.000 69.131.440 52,404,860 87,115,900 66,576,356 209.752.000 118.277
S4-C3 208,569,000 432,349 40,090 21 20 207,998,000 379,795 40,090 93.777.900 68.189.998 70,077,900 51,986,177
55,840,810
72,009,800 210.215.000 73.937
S4-C4 21 20 209,166,000 451,314 40,090 21 20 210,808,000 374,605 101.288.000 70.612.871 77,818,500 57,103,052
50,480,597
64,365,000 209.308.000 119.086
S4-C5 40,090 21 20 211,990,000 181,598 40,090 21 20 212,863,000 97.373.300 61.762.622 89,415,500 65,223,018 80,788,000 208.465.000 118.933
S4-C6 49,042 80.653.400 61.349.789 62,344,086 76,607,700 53,837,539 209.654.000 114.897
S4-C7 107.495.000 72.701.674 211.433.000 99.874
S4-C8 90.113.400 63.957.765 212.313.000 137.690
S4-C9 103.977.000 70.070.664 213.247.000 131.179
S4-C10 40.090 21 20 209.022.000 205.059 72.271.300 61.480.358 209.850.000 125.853

Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
Machine Translated by Google
JID: CAOR
ARTÍCULO EN PRENSA [m5G;21 de noviembre de 2018;8:48]

14 A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx

Tabla 15
Resumen de resultados de brechas de optimización: instancias en el conjunto de datos de referencia S4.

%Brecha

Nombre norte T S DLS HH1 HH2 HH3

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S4-C1 40,090 21 20 0,47 0,15 40,090 21 20 0,90 0,44 59,38 30,37 53,22 65,27 26,78 67,52 0,26 0,05
S4-C2 40,090 21 20 0,65 0,19 40,090 21 20 0,66 0,21 32,86 55,50 32,36
51,76 24,91 58,66 31,59
66,62 0,30 0,06
S4-C3 40,090 21 20 0,50 0,18 40,090 21 20 0,53 33,63 53,42 29,55 24,76 65,55 26,71 0,25 0,04
S4-C4 40,090 21 20 0,59 40,090 21 20 0,44 0,09 S4- 0,31 0,06
S4-C5 C9 40,090 21 20 20 0,53 40,090. 21 20 0,70 0,10 0,27 0,06
S4-C6 0.21 61.64 1.15 62,99 27,16 0.29 0.05
S4-C7 0.18 49,31 34,28 69,65 23,81 58,01 0.29 0.05
S4-C8 57,68 30,04 30,63 62,21 29,16
63,61 0.29 0.06
51,37 32,77 25,58 0,26 0,06
65,67 29,21 0,31 0,06

Tabla 16
Resumen de resultados de tiempos computacionales (en minutos) - instancias en el conjunto de datos de referencia S4..

Tiempo (minutos)

Nombre norte T S DLS HH1 HH2 HH3 LR

Promedio San Dev. Promedio San Dev. Promedio San Dev. Promedio San Dev.

S4-C1 40,090 21 20 2520.62 550.46 693.77 40,090 21 20 48,31 47,01 38,33 23,44 30,95 28,39 322,58 114.46 10868.69
S4-C2 1648.16
40,090 21 20 2070.65 524.77 40,090 21 20 2037.65 S4- 40,46 39,90 47,17 25,32 40.29 345,80 142.42 4724.07
S4-C3 C5 40,090 21 20 2360.88 518.49 S4-C6 40,090 2392.38
21 20 32.07 320,33 113.81 7501.91
S4-C4 569. 233,24 S4-C9 40.090 21 20 2503,03 125,06709.55
S4- 56.26 58.67 23.06 25.40 338.26 223.94 12267.54
C10 40.090 21 20 1937,58 446,52 38,37 37,66 41,91 23,76 35,65 285,36 117,25 7376.82
40,13 47,94 44,79
41,44 24,35 32,52 301,76 137,33 6229.74
45,65 46,44 42,04
40,47 18,59 26,56 273,12 112,79 10308.31
25,90 29,30 271,20 114,55 7906.48
33,71 43,48 334,33 171,54 9102.34
57.24 18,84 32,13 285,86 160,42 6329.43

4.3. Resumen Para evaluar si estas diferencias en el rendimiento son estadísticamente

En general, la nueva hiperheurística propuesta, HH3, supera a todas
otros algoritmos de la literatura considerados en las comparaciones
en este papel. Al compararlo con las mejores heurísticas especializadas
para SMPS y SMPS+ (TS y DLS), los resultados muestran que HH3
encuentra soluciones de alta calidad, comparables o mejores que las
producidos por estos métodos específicos del problema, además de ser
más rápido ; siendo las diferencias de rendimiento más significativas para los
instancias más grandes y difíciles. La superioridad de HH3 sobre
TS y DLS pueden explicarse por el hecho de que se basan en una combinación de
heurísticas simples y rápidas, pero eficientes, seleccionadas en función de
un mecanismo de aprendizaje eficaz que combina elementos del aprendizaje por
refuerzo y la búsqueda tabú. En comparación con los dos
enfoques hiperheurísticos generales de la literatura (HH1 y
HH2), HH3 consume relativamente más tiempo. Sin embargo, el aumento en el tiempo
de solución es compensado por la excelente calidad del
soluciones que encuentra HH3 y la consistencia de los resultados, independientemente
de las particularidades de un problema dado o una instancia dada
y/o una solución inicial dada. Considerando las 38 instancias probadas
para lo cual fue posible resolver la relajación lineal dentro de la
límite de tiempo, la brecha promedio de las soluciones proporcionadas por HH3 sobre
las 1140 ejecuciones es del 0,79 % en comparación con el 35,01 % de HH1 y el 48,34 %
para HH2, con una desviación estándar de 0,88 frente a 33,06 y
30,52, para HH1 y HH2, respectivamente. El mal desempeño de
HH1 y HH2 en comparación con HH3 se debe a sus debilidades descritas en las
Secciones 3.1 y 3.2; en particular, tienden a hacer elecciones de "mi opinión" y no
exploran a fondo la búsqueda heurística
espacio. Como se explica en la Sección 3.3, HH3 incluye varias estrategias
para superar estas debilidades. Estas estrategias han demostrado ser
beneficioso y produjo un mejor y más efectivo mecanismo de aprendizaje, como lo
respaldan los excelentes resultados obtenidos para todos los probados
instancias en todas las ejecuciones.
significativas, para cada par de métodos hiperheurísticos, llevamos a cabo pruebas de
rango con signo de Wilcoxon con un nivel de confianza del 5%.
En cuanto a la calidad de la solución, los resultados de estas pruebas, obtenidos
con R (http://www.R-project.org), confirmó no sólo el rendimiento superior de la nueva
propuesta hiper-heurística HH3 que
hemos observado antes, pero también que HH1 es estadísticamente mejor
que HH2. Con respecto al tiempo de solución, los resultados de la prueba de Wilcoxon también
indican diferencias significativas entre las tres hiper-heurísticas.
HH2 es el método más rápido, seguido de HH1, mientras que HH3 ocupa el último lugar.
5. Conclusiones
La planificación estratégica de la mina implica resolver problemas estocásticos muy grandes.
Problemas de programación entera mixta. En la última década, hay
ha habido un desarrollo sostenido de métodos capaces de producir soluciones de alta
calidad para estos complejos problemas del mundo real
dentro de cortos tiempos de computación. Sin embargo, no todos los métodos funcionan.
igualmente bien para cada situación, y cuando se enfrenta a un nuevo problema
específico de una operación minera determinada, es difícil, si no imposible, saber de
antemano qué método funcionará mejor. En el
De entrada, nos preguntamos si existe una metodología que, dada una determinada
problema y una serie de métodos de solución, ayudará a determinar
qué método o combinación de métodos es el mejor para el
problema. Para intentar responder a esta pregunta, este documento investigó tres
enfoques hiperheurísticos y los aplicó a dos
problemas de planificación estratégica de minas: la mina a cielo abierto estocástica
problema de programación de producción con un flujo de procesamiento (SMPS)
y el problema de programación de la producción estocástica de una mina a cielo abierto
con múltiples procesadores y acopios (SMPS+). propusimos,
y concluimos, que las hiper-heurísticas ofrecen una alternativa práctica
a las metodologías de búsqueda de vanguardia específicas del problema. No
solo pueden hacer frente a grandes instancias, pero también, al ser autogestionables,
no necesitan ser ajustados para características particulares del problema.

Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
Machine Translated by Google
JID: CAOR
ARTÍCULO EN PRENSA
A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx
tics Porque operan en un espacio de búsqueda de heurística más bien
que un espacio de búsqueda de soluciones de problemas, son más generalmente
aplicable a una variedad de problemas.
Los tres enfoques hiperheurísticos considerados en este artículo
entran en la categoría de hiperheurísticas perturbativas con aprendizaje en línea; es
decir, utilizan un conjunto de heurísticas perturbativas simples de bajo nivel para
mejorar una solución candidata, y una solución basada en puntajes.
mecanismo de aprendizaje para decidir qué heurística de bajo nivel debe ser
aplicado en un paso dado del proceso de búsqueda. dos de los propuestos
enfoques (HH1 y HH2) son enfoques propuestos previamente en
la literatura, mientras que el tercero (HH3) es un enfoque novedoso que
utiliza algunas de las ideas de los dos primeros, pero también incluye nuevas funciones
destinadas a superar sus debilidades. Para evaluar el desempeño de las tres
hiperheurísticas, se realizaron extensos experimentos numéricos en 43 instancias de
Pred(i): el conjunto de predecesores del bloque i; es decir, bloques que deberían
referencia de varios tamaños.
y caracteristicas Los tres enfoques se compararon entre sí.
otro y a dos metodologías de búsqueda de problemas específicos de la
literatura; a saber, una heurística de búsqueda tabú (TS) y una diversificada
búsqueda local (DLS) que combina un descenso de vecindario variable
heurística y una heurística de búsqueda de vecindad muy grande basada en
técnicas de flujo de red. Las principales conclusiones de este estudio son
que i) HH1 y HH2, aunque siendo el más rápido de los métodos,
no puede competir con ninguno de los otros tres en términos de solución
calidad; ii) HH1 supera a HH2 en términos de calidad de solución, y
viceversa en términos de tiempo de solución; iii) TS y DLS funcionan como
bien como HH3 o ligeramente mejor en algunos casos, pero HH3 es sustancialmente
mejor que TS y DLS en los casos más grandes y difíciles
instancias; iv) HH3 requiere tiempos computacionales más cortos que
TS y DLS y es menos sensible al tamaño de las instancias; y
v) HH3 es el enfoque más robusto, exhibiendo un desempeño consistente para
diferentes problemas, instancias y soluciones iniciales.
Creemos que los enfoques hiperheurísticos son muy prometedores
en el campo de la planificación minera, como lo han hecho en otros campos, y
que puedan, de acuerdo con nuestros resultados, determinar eficientemente qué
heurística para aplicar en cada paso del proceso de búsqueda, automatizando así el
diseño de métodos de solución. no requieren
conocimiento específico del problema y, por lo tanto, puede abordar diferentes
clases de problemas en lugar de resolver un solo problema. En línea
Con el trabajo de este documento, el siguiente paso es explorar más a fondo las
hiperheurísticas perturbativas de punto único con el aprendizaje en línea. Técnicas de
aprendizaje automático, minería de datos y análisis de datos
se investigará para diseñar nuevos mecanismos para elegir heurísticas de bajo nivel.
Esto debería permitir la generación de mejores esquemas de aprendizaje y, por lo
tanto, hiperheurísticas más eficientes. ya que tiene
se ha observado empíricamente que una de las debilidades de HH1 y
HH2 es que el rendimiento inicial podría dominar el rendimiento reciente
y que los dos métodos no pueden enfatizar adecuadamente el desempeño reciente,
un enfoque para explorar más a fondo este tema podría ser usar una función
decreciente para definir y actualizar el
puntuaciones.
Desarrollo de marcos para permitir el uso de multipunto basado
También se examinarán metodologías de búsqueda y metaheurísticas como heurísticas
de bajo nivel (metahiperheurísticas). Las meta-hiperheurísticas son particularmente
prometedoras ya que proporcionan un conjunto de algoritmos más diverso y poderoso
para la estrategia de alto nivel. en un
segunda etapa de desarrollo, hiperheurísticas de generación heurística,
que son enfoques que crean nuevas heurísticas a partir de un conjunto de
otras heurísticas existentes, serán investigadas. La hibridación de
selección heurística y generación heurística hiper-heurísticas
también ser explorado.
Reconocimiento
El trabajo en este documento fue financiado por NSERC CRDPJ 411270-
10, NSERC Discovery Grant 239019-06, y los miembros de la industria del COSMO
Stochastic Mine Planning Laboratory: Anglo
Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
[m5G;21 de noviembre de 2018;8:48]
15
Oro Ashanti, Barrick, BHP, De Beers, Kinross, Newmont y Vale.
Este apoyo se agradece.
Apéndice A. Formulación SMPS de dos etapas
El modelo se describe en detalle en Lamghari y Dimitrakopou los (2012), y solo lo
recordamos brevemente aquí. La siguiente notación
se utiliza para formular la primera etapa del problema:
N: el número de bloques considerados para la programación.
i: índice de bloque, i = 1, . . ., n
T: el número de períodos en los que se programan los bloques (horizonte).
t: índice del período, t = 1, . . ., t
ser eliminado antes de que pueda ser minado.
wi: el peso del bloque i (en toneladas).
Wt: límite inferior de la minería (cantidad mínima que debe ser
extraído durante el período t considerando tanto el mineral como el desecho
bloques).
Wt: límite superior de la minería (cantidad máxima que se puede
extraído durante el período t — capacidad del equipo de minería).
Para formular la segunda etapa del problema, el siguiente no
tación se utiliza para cada escenario:
S: el número de escenarios utilizados para modelar la incertidumbre del metal.
s: índice de escenario, s = 1, . . ., s.
ÿis: parámetro que indica el grupo del bloque i bajo el escenario s
1 si el bloque i es un bloque de mineral en el escenario s,
ÿes =
0 en caso contrario (es decir, si i es un bloque de desecho en el escenario s).
mis: el contenido de metal del bloque i en el escenario s.
vits: el valor económico descontado del bloque i si se extrae durante
periodo t, y si ocurre el escenario s . Si denotamos por d1 el
tasa de descuento y por vis el valor económico del bloque i bajo
escenario s, entonces vits viene dado por la siguiente fórmula:
Vis
vits = t .
(1 + d1)
El valor económico de un bloque se define como el valor neto
beneficio asociado a ella. El beneficio neto difiere según
si el bloque es mineral o estéril. En el primer caso, es igual
al valor del contenido de metal del bloque menos los costos de extracción,
procesamiento y venta. En el segundo caso, es
igual a menos el costo de minar el bloque. Es asumido
que los bloques de mineral se procesan durante el mismo período cuando
se extraen y que la ganancia también se genera durante
ese periodo.
Además, para cada período t, se utiliza la siguiente notación:
t: límite inferior de procesamiento (cantidad mínima de mineral requerida para
alimentar la planta de procesamiento durante el período t).
t: límite superior en el procesamiento (cantidad máxima de mineral que
puede ser procesado en la planta durante el período t — procesamiento
capacidad de la planta).
co-
t : costo unitario de escasez asociado con el incumplimiento de Ot
co-
durante el período t (coÿ t = donde coÿ es el undis
t
(1 + d2)
costo unitario de escasez contado, y d2 representa la tasa de descuento del
riesgo).
co+
t : costo excedente unitario incurrido si la cantidad de mineral extraído
co+
durante el período t excede a Ot (co+ t =
t ).
(1 + d2)
Mt: límite inferior de la producción de metal (cantidad mínima de
metal que se debe producir durante el período t).
Mt: límite superior de la producción de metal (cantidad máxima de
metal que se puede vender durante el período t).
Machine Translated by Google ARTÍCULO EN PRENSA
JID: CAOR [m5G;21 de noviembre de 2018;8:48]

dieciséis
A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx

cmÿ
t : costo unitario de escasez asociado con el incumplimiento de Mt La función objetivo (A.1) incluye dos componentes para maximizar el valor
cmÿ presente neto esperado de la operación minera,
durante el período t (cmÿ
t = t ).
(1 + d2) y para minimizar los costos de recurso esperados en los que se incurre cada vez
cm+
t : costo excedente unitario incurrido si la producción de metal durante pe cm+ que se violan las restricciones estocásticas debido a la incertidumbre del metal.
Suponemos que todos los escenarios tienen igual probabilidad 1
riod t excede Mt (cm+ t = t ).
(1 + d2) posibilidad de ocurrencia y, por lo tanto, el coeficiente representa la

Las variables utilizadas para formular el problema son las siguientes: S probabilidad de que ocurra el escenario s . Las restricciones (A.2)–(A.5) están
relacionadas con las restricciones no estocásticas y, por lo tanto, son independientes
• Se asocia una variable binaria a cada bloque i para cada periodo del escenario. Las restricciones (A.2) garantizan que cada bloque i sea minado
t:
como máximo una vez durante el horizonte. La precedencia minera es forzada por
1 si el bloque i se extrae durante el período t,
salir = restricciones (A.3). Las restricciones (A.4) y (A.5) aseguran
0 de lo contrario.
que los requisitos en los niveles de minería se respeten durante
• Las variables hacenÿt y hacert + se utilizan para indicar la escasez y
cada periodo del horizonte. Las restricciones (A.6)–(A.9) están relacionadas con
el excedente en la cantidad de mineral extraído durante el período t si ocurre el las restricciones estocásticas y, por lo tanto, dependen del escenario. Las
escenario s , respectivamente. restricciones (A.6) y (A.7) están relacionadas con los requisitos en los niveles de
• Finalmente, las variables dmÿ t y dm+ t medir la escasez y procesamiento. Para cada escenario s, el objetivo es tener el peso total de los
el excedente en la producción de metales durante el período t bajo el escenario bloques de mineral extraídos durante cualquier período t en el intervalo [ t]. Si es
s, respectivamente. igual a un
yo, valor menor que t (respectivamente,

hacer-
mayor que t), entonces el costo de penalización por escasez es igual a coÿ t t
Nótese que las xit son las variables de decisión de la primera etapa. Ellos
hacer+
(respectivamente, el costo de penalización excedente es igual a co+t t ). Finalmente,
son independientes del escenario ya que deben fijarse antes de conocer los valores
Las restricciones (A.8) y (A.9) indican que, durante cualquier período t, el
de los parámetros inciertos. Las variables de desviación hacenÿ
hacer+ dmÿ y dm+ t el objetivo es tener la producción de metal en el intervalo [Mt, Mt]. De lo contrario, el
t, t, t, son la segunda etapa (recurso) de
costo de penalización por escasez es igual a cmÿ t dmÿ
t o el excedente
variables de decisión. Sus valores dependen tanto de la realización de los
t dm+
el coste de la penalización es igual a cm+ t.
parámetros inciertos y sobre los valores de la decisión de la primera etapa
variables
Usando esta notación, el SMPS se puede modelar de la siguiente manera:
Apéndice B. Formulación SMPS+ de dos etapas
S T S T
1 norte

máximo El modelo se describe en detalle en Lamghari y Dimitrakopou los (2016a), y solo

vitxit ÿ
S
s=1 t=1 yo=1 s=1 t=1 lo recordamos brevemente aquí. Se utiliza la siguiente notación:

× (coÿt hacer-
t + co+t hacer+
t + cmÿ
t dmÿ
t + cm+
t dm+
t ) (A.1)
Índices:

Sujeto a N: el número de bloques considerados para la programación.

T
i: índice de bloque, i = 1, . . ., n
T: el número de períodos en los que se programan los bloques
salida ÿ 1 yo = 1, . . ., norte (A.2)
t=1
(horizonte).
t: índice del período, t = 1, . . ., t
t
P: el número de procesadores. Una reserva está asociada con cada
salir ÿ xjÿ ÿ 0
yo = 1, . . ., norte , j ÿ Pred(i) , t = 1, . . ., T (A.3)
procesador, por lo que el número de reservas es igual al número
ÿ=1
de procesadores
norte
p: índice del procesador, p = 1, . . ., p .
Wixit ÿ peso t = 1, . . ., T (A.4) S: el número de escenarios utilizados para modelar la incertidumbre del metal.
yo=1 s: índice de escenario, s = 1, . . ., s.

norte

Wixit ÿ peso t = 1, . . ., T (A.5) Variables:

yo=1
xti = 1 si i es minado por el período t,
norte 0 de lo contrario.
ÿiswixit + doÿ t ÿ t t = 1, . . ., T , s = 1, . . ., S. (A.6) Esto significa que si el bloque i se extrae en el período ÿ ÿ ÿ 1 y , entonces xt = 0
yo=1 para todo t = 1, . . ., xt i i = 1 para todo t = ÿ, . . ., T. estoy
Si no
norte extraído durante el horizonte, luego xt i = 0 para todo t = 1, . . ., T. A

ÿiswixit ÿ hacer+t ÿt t = 1, . . ., T , s = 1, . . ., S. (A.7) Simplificamos la notación, introducimos un conjunto de N decisiones ficticias

yo=1
variables x0 i (i = 1, . . ., N), cada uno con un valor fijo igual a 0.

norte

yt+
PD : excedente en la cantidad de mineral extraído durante el período t que puede
ÿismisxit + dmÿ t ÿ metro t = 1, . . ., T , s = 1, . . ., S. (A.8)
yo=1
procesarse en p si ocurre el escenario s (es decir, la cantidad a
enviar desde la mina al acopio asociado con p).
norte
ytÿPD : cantidad de mineral a tomar en el período t de la pila de acopio asociada con
ÿismisxit ÿ dm+ t ÿ metro t = 1, . . ., T , s = 1, . . ., S. (A.9)
el procesador p, si ocurre el escenario s (es decir, la cantidad
yo=1
para enviar desde la reserva al procesador).

yo = 1, . . ., norte , t = 1, . . ., T (A.10) yt ps: cantidad de mineral en la pila asociada con el procesador p

salida = 0 o 1
al final del período t bajo el escenario s. Se asume que
la reserva está vacía al comienzo del primer período
hacer-
t,
hacer+
t,
dmÿ
t,
dm+
t ÿ0 t = 1, . . ., T , s = 1, . . ., s. (A.11) pero podría no estar vacío al final del horizonte de planificación.

Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
Machine Translated by Google
JID: CAOR
ARTÍCULO EN PRENSA
[m5G;21 de noviembre de 2018;8:48]

A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx 17

Parámetros:
yt+pd , ytÿpd , ytPD ÿ0 ÿ t, p, s (B.9)
ÿs: probabilidad de que ocurra el escenario s . Los escenarios S son
1
equiprobable, entonces ÿs = s_

Pred(i): el conjunto de predecesores del bloque i; es decir, bloques que tienen que y0PD =0 ÿ p, s. (B.10)
eliminarse para tener acceso al bloque i (Pred(i) ÿ {1, . . ., N}).
La función objetivo (B.1) maximiza el VAN esperado de la
wi: peso del bloque i en toneladas (tonelaje). mía. Incluye cuatro términos diferentes:
Wt : cantidad máxima de material (mineral y desecho) que se puede
T 1
wic¯(xt i ÿ xtÿ1
norte
extraído durante el período t (capacidad de extracción en toneladas). 1. El primer término (- t=1 yo=1 )) evalúa la
(1+d)t i
c¯: costo no descontado de extraer una tonelada de material. costo total descontado de la extracción (costo descontado de la
cp: costo sin descuento de procesar una tonelada de mineral en procesador solución de primera etapa).
T 1 norte S ÿ xtÿ1 )) da
pags.
2. El segundo término ( t=1 yo=1 s=1 ÿris (xt i i
(1+d)t
1 si i se procesa en p bajo el escenario s,
ÿips = la ganancia descontada esperada total generada si todo el mineral
0 de lo contrario.
minado se envía inmediatamente para su procesamiento durante el período
t
p: cantidad máxima de mineral que se puede procesar en el procesador p en que se extrae (primer tipo de recurso). Tenga en cuenta que los residuos
durante el período t (capacidad de procesamiento de p en toneladas). los bloques no contribuyen a este término porque, como se mencionó
ris: ingresos sin descuento de un bloque ya minado i si se envía anteriormente, si i es un bloque de desecho en el escenario s, entonces ris = 0.
inmediatamente para su procesamiento (es decir, durante el mismo período en que T 1 PAGS S
3. El tercer término (-) da t=1 pag=1 s=1 ÿs (r˜ps + c+ )yt+PD
(1+d)t pags

es minado), y si ocurre el escenario s (ris = 0 si i es un desperdicio

el costo descontado total esperado de enviar el mineral a las pilas de
bloque bajo el escenario s).
almacenamiento, incluidos los ingresos perdidos debido a que el mineral no se
: costo sin descuento
c+almacenamiento de enviar
p asociada con eluna tonelada p
procesador de(costo
mineral
de atransporte
la pila de más
procesada en el período en que esté disponible y el costo de
transporte a los acopios (segundo tipo de recurso).
costo de manipulación). Se supone que cuando un bloque llega a T 1 PAGS S
4. El cuarto término ( t=1 pag=1 s=1 ÿs (r˜ps ÿ cÿ )ytÿPD )
el acopio, se mezcla con el otro material ya (1+d)t pags

representa el beneficio descontado total esperado que se generará a partir de

allá. El costo de esta operación está incluido en c+ pág .
procesar el mineral extraído de las existencias; es decir, ingresos menos
cÿ : costo sin descuento de tomar una tonelada de mineral de la pila de
pags
gastos de carga y transporte (tercer tipo de recurso).
almacenamiento asociada con el procesador p (costo de transporte más
costo de carga). Las restricciones (B.2)–(B.4) son independientes del escenario. Las restricciones
r˜ps: ingreso sin descontar que se generará si una tonelada de mineral en (B.2) garantizan que cada bloque i se extrae como máximo
se procesa la reserva asociada con p , y si el escenario una vez durante el horizonte. La precedencia minera es impuesta por
s ocurre. restricciones (B.3). Las restricciones (B.4) imponen un límite superior Wt
d: la tasa de descuento por período para los flujos de efectivo. sobre la cantidad de material (residuos y minerales) extraído durante cada
período t. Las restricciones (B.5) están relacionadas con los requisitos sobre
El modelo de programación estocástica de dos etapas se puede resumir los niveles de procesamiento y, por lo tanto, dependen del escenario. Ellos
como sigue:
estipular que para cada escenario s y cada procesador p, si el total
T
1
norte
el peso de los bloques de mineral extraídos durante cualquier período t es mayor que
máx - wic¯(xti ÿ xtÿ1
i ) la capacidad de procesamiento en ese período, es t
entonces el excedente yt+
t=1
(1 + d)t yo=1
pags, PD
enviado a la reserva asociada con el procesador p, induciendo un
T
1
norte S (r˜ps + c+ )
costo igual a
pags
Si es menor que t y ahí está
+ ÿris (xt i
ÿ xtÿ1
i ) (1 + d)t
yt+p.d. _ pags

t=1
(1 + d)t yo=1 s = 1
material en la reserva, entonces una cantidad igual a ytÿ PD
(máximo
T S posible tal que ni la capacidad del procesador ni la
1
PAGS

ÿs (r˜ps + c+ )yt+PD
ÿ

se excede la cantidad disponible en la reserva) se toma de la

t=1
(1 + d)t pags

pag=1 s = 1 reserva y agregado para alimentar el procesador, generando una ganancia

T
1
PAGS S (r˜ps ÿ cÿ ) pags

igual a ps . Finalmente, las

ytÿ restricciones (B.6) equilibran el flujo en
+ ÿs (r˜ps ÿ cÿ )ytÿPD (B.1) (1 + d)t
t=1
(1 + d)t pags

cada reserva y también dependen del escenario. aseguran que

pag=1 s = 1

para cada escenario s, al final de cualquier período t, la cantidad de mineral

Sujeto a
en la reserva asociada con cada procesador p es igual a la
xtÿ1
i ÿ xt i ÿ yo, t (B.2) cantidad que estaba en la reserva al final del período anterior
(t ÿ 1) más la cantidad añadida a la reserva durante t menos el
cantidad tomada de la reserva durante t (es decir, la cantidad enviada
xtyo ÿ xt
j ÿ yo, j ÿ Pred(i), t (B.3)
de la reserva para su procesamiento, si corresponde). La cantidad inicial en el
reserva, y0 PD,
se supone que es igual a 0.
norte

wi(xti ÿ xtÿ1
i ) ÿ peso ÿ t (B.4) Referencias
yo=1

Albor, F., Dimitrakopoulos, R., 2009. Optimización estocástica del diseño de minas basada en
norte

t recocido simulado: límites del tajo, cronogramas de producción, múltiples escenarios de

ÿipswi(xt i ÿ) ÿxtÿ1
yt+
i PD
+ ytÿPD ÿ pags
ÿ t, p, s (B.5) yacimientos y análisis de sensibilidad. Trans. IMM, mín. Technol., 118(2): 80–91. 118 (2),
yo=1 80–91.
Albor, F., Dimitrakopoulos, R., 2010. Enfoque algorítmico para el diseño pushback basado
sobre programación estocástica: método, aplicación y comparaciones. IMM Trans.,
ytÿ1
PD + yt+ PD
ÿ ytÿPD = yt PD ÿ t, p, s (B.6)
mín. Technol., 119(2): 88–101. 119 (2), 88–101.
Asad, M., Dimitrakopoulos, R., 2013. Implementación de un algoritmo de flujo máximo paramétrico
para el diseño óptimo de minas a cielo abierto bajo oferta y demanda inciertas.
xti = 0 o 1 ÿ yo, t (B.7) J.Oper. Res. Soc. 64, 185–197.
Behrang, K., Hooman, A., Clayton, D., 2014. Un modelo de programación lineal para
planificación de la mina a largo plazo en presencia de incertidumbre de grado y una pila de acopio.
x0i =0 ÿ yo (B.8) En t. J. min. Sci.Tecnología. 24, 451–459.

Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Informática e Investigación Operativa, https://doi.org/10.1016/j.cor.2018.11.010
Machine Translated by Google
JID: CAOR
ARTÍCULO EN PRENSA
18 A. Lamghari y R. Dimitrakopoulos / Informática e investigación operativa xxx (xxxx) xxx
Bienstock, D., Zuckerberg, M., 2010. Resolución de relajaciones lp de problemas con restricciones de precedencia
a gran escala. lect. Cómputo de notas. ciencia 6080, 1–14.
Birge, J., Louveaux, F., 2011. Introducción a la programación estocástica, segunda edición.
Springer Nueva York, Dordrecht Heidelberg Londres.
Bley, A., Boland, N., Fricke, C., Froyland, G., 2010. Una formulación reforzada y planos de corte para el problema
de programación de producción de minas a cielo abierto. computar
oper. Res. 37 (9), 1641–1647.
Boland, N., Dumitrescu, I., Froyland, G., Gleixner, AM, 2009. Enfoques de desagregación basados en Lp para
resolver el problema de programación de la producción minera a cielo abierto con selectividad de
procesamiento de bloques. computar oper. Res. 36, 1064–1089.
Boucher, A., Dimitrakopoulos, R., 2009. Simulación de bloques de múltiples variables correlacionadas.
Matemáticas. Geosci. 41 (2), 215–237.
Burke, E., Gendreau, M., Hyde, M., Kendall, G., Ochoa, G., Ozcan, E., Qu, R., 2013.
Hiperheurísticas: un estudio del estado del arte. J.Oper. Res. Soc. 64, 1695–1724.
Burke, E., Hart, E., Kendall, G., Newall, J., Ross, P., Schulenburg, S., 2003. Hiperheurística: una dirección
emergente en la tecnología de búsqueda moderna. En: Handbook of Metaheuristics, Glover F y Kochenberger
G (eds), Kluwer, pp. 457–474.
Burke, E., Hyde, M., Kendall, G., Ochoa, G., Ozcan, E., Woodward, J., 2010. Una clasificación de enfoques
hiperheurísticos. En: Handbook of metaheuristics - Second Edition, Springer, Nueva York, pp. 449–468.
Burke, E., Kendall, G., Soubeiga, E., 2003. Una hiperheurística de búsqueda tabú para
horarios y alineaciones. J. Heurística 9 (3), 451–470.
Chanda, E., 2007. Optimización de programación lineal de red de un complejo minero y metalúrgico integrado.
En: Proceedings of Orebody Modeling and Strategic Mine Planning: Uncertainty and Risk Management
Models, The Australasian Institute of Mining and Metallurgy Spectrum Series 14, 2nd Edition, pp. 149–155.
Chicoisne, R., Espinoza, D., Goycoolea, M., Moreno, E., Rubio, E., 2012. A new al gorithm for the open pit mine
production scheduling problem. oper. Res. 60, 517–528.
Chiles, J., Delfiner, P., 2012. Geoestadística: Modelando la Incertidumbre Espacial, Segunda Ed..
John Wiley & Sons., Nueva Jersey.
Cowling, P., Kendall, G., Soubeiga, E., 2001. Un enfoque hiperheurístico para la programación
una cumbre de ventas. lect. Cómputo de notas. ciencia 2079, 176–190.
Cullenbine, C., Wood, R., Newman, A., 2011. Una heurística de ventana de tiempo deslizante para la
secuenciación de bloques de minas a cielo abierto. Óptimo Letón. 5, 365–377.
Denzinger, J., Fuchs, M., Fuchs, M., 1997. Sistemas ATP de alto rendimiento mediante la combinación de varios
métodos de IA. En: Actas de la Decimoquinta Conferencia Internacional Conjunta sobre Inteligencia Artificial
(IJCAI 97), Morgan Kaufmann, CA, EE. UU., págs. 102–107.
Dimitrakopoulos, R., 2011. Optimización estocástica para la planificación estratégica de minas: una década de
desarrollos. J. min. ciencia 84, 138–150.
Dimitrakopoulos, R., Farrelly, C., Godoy, M., 2002. Avanzando desde la optimización tradicional: incertidumbre
de grado y efectos de riesgo en el diseño de minas a cielo abierto. IMM trans. 111, A82–A88.
Dowd, P., 1994. Evaluación de riesgos en la estimación de reservas y planificación a cielo abierto. Trans.
Inst. Min.Metal. 103, A148–A154.
Drake, J., Ozcan, E., Burke, E., 2012. Una selección heurística de función de elección mejorada para la búsqueda
heurística entre dominios. lect. Cómputo de notas. ciencia 7492, 307–316.
Ferland, JA, Amaya, J., Djuimo, MS, 2007. Aplicación de un algoritmo de enjambre de partículas al problema de
la minería a cielo abierto capacitada. En: Robots autónomos y agentes, Mukhopadhyay S. y Sen Gupta G.
Ed. Springer-Verlag, págs. 127–133.
Fisher, H., Thompson, G., 1963. Combinaciones de aprendizaje probabilístico de reglas de programación de
talleres locales. En: Industrial Scheduling, Muth, JF, Thompson, GL (eds.), Prentice-Hall, New Jersey, págs.
225–251.
Fricke, C., Velletri, P., Wood, R., 2014. Mejora de la gestión de riesgos en la planificación estratégica de minas a
través del análisis de incertidumbre. En: Actas del Simposio de modelado de yacimientos y planificación
estratégica de minas de 2014, The Australasian Institute of Mining and Metallurgy, págs. 275–279.
Godoy, M., 2002. La Gestión Efectiva del Riesgo Geológico. Universidad de
Queensland, Queensland, Australia.
Goodfellow, R., Dimitrakopoulos, R., 2016. Optimización global de complejos mineros a cielo abierto con
incertidumbre. aplicación Suave. computar 40, 292–304.
Goodfellow, R., Dimitrakopoulos, R., 2017. Optimización estocástica simultánea de complejos mineros y cadenas
de valor de minerales. Matemáticas. Geosci. 49 (3), 341–360.
Cite este artículo como: A. Lamghari y R. Dimitrakopoulos, Enfoques hiperheurísticos para la planificación estratégica de minas bajo incertidumbre,
Computadoras e investigación de operaciones, https://doi.org/10.1016/j.cor.2018.11.010
[m5G;21 de noviembre de 2018;8:48]
Goovaerts, P., 1997. Geoestadística para la evaluación de los recursos naturales. Prensa de la Universidad de
Oxford , Nueva York.
Hochbaum, D., Chen, A., 2000. Planificación mejorada para el problema de la minería a cielo abierto.
oper. Res. 48, 894–914.
Hoerger, S., Hoffman, L., Seymour, F., 1999. Planificación minera en las operaciones nevada de Newmont. mín.
Ing. 51 (10), 26–30.
Horta, A., Soares, A., 2010. Cosimulación secuencial directa con probabilidad conjunta dis
tribuciones. Matemáticas. Geosci. 42 (3), 269–292.
Kawahata, K., Schumacher, P., Fein, M., 2015. Planificación estratégica de la mina y optimización de la
programación de la producción en la operación Twin Creeks de Newmont. En: Actas del 37º Simposio
Internacional Aplicación de Computadoras e Investigación de Operaciones en la Industria Mineral (APCOM),
Fairbanks, Alaska, págs. 1052–1060.
Lamghari, A., 2017. Planificación minera y desarrollo de yacimientos petrolíferos: estudio e investigación
potenciales. Matemáticas. Geosci. 49 (3), 395–437.
Lamghari, A., Dimitrakopoulos, R., 2012. Un enfoque de búsqueda tabú diversificado para el problema de
programación de la producción de minas a cielo abierto con incertidumbre del metal. EUR. j
oper. Res. 222, 642–652.
Lamghari, A., Dimitrakopoulos, R., 2016. Algoritmos basados en el flujo de red para programar la producción en
minas a cielo abierto con múltiples procesadores que tienen en cuenta la incertidumbre del metal. EUR.
J.Oper. Res. 250, 273–290.
Lamghari, A., Dimitrakopoulos, R., 2016. Cobertura progresiva aplicada como una meta heurística para
programar la producción en minas a cielo abierto teniendo en cuenta la incertidumbre de las reservas.
EUR. J.Oper. Res. 253, 843–855.
Lamghari, A., Dimitrakopoulos, R., Ferland, J., 2014. Un algoritmo de vecindario de descenso variable para el
problema de programación de producción de minas a cielo abierto con incertidumbre sobre el metal. J.Oper.
Res. Soc. 65, 1305-1314.
Lamghari, A., Dimitrakopoulos, R., Ferland, J., 2015. Un método híbrido basado en programación lineal y
descenso de vecindad variable para programar la producción en minas a cielo abierto. J. Global Optim. 63,
555–582.
Maleki, M., Emery, X., 2015. Simulación conjunta de grado y tipo de roca en un estrato
depósito de cobre. Matemáticas. Geosci. 47 (4), 471–495.
Marcotte, D., Caron, J., 2013. Optimización estocástica definitiva a cielo abierto. computar
Geosci. 51, 238–246.
Menabde, M., Froyland, G., Stone, P., Yeates, G., 2007. Optimización del cronograma de extracción para
yacimientos simulados condicionalmente. Modelado de yacimientos y planificación estratégica de minas,
The Australasian Institute of Mining and Metallurgy, Spectrum Series 14, 379–384.
Montiel, L., Dimitrakopoulos, R., 2015. Optimización de complejos mineros con múltiples alternativas de
procesamiento y transporte: un enfoque basado en la incertidumbre. EUR.
J.Oper. Res. 247 (1), 166–178.
Montiel, L., Dimitrakopoulos, R., Kawahata, K., 2016. Optimización global de operaciones mineras a cielo abierto
y subterráneas bajo incertidumbre geológica. mín. Tecnología 125 (1), 2–14.
Moreno, E., Espinoza, D., Goycoolea, M., 2010. Problema de mochila con restricciones de precedencia de varios
períodos a gran escala: una aplicación minera. Electrón. Nota. Matemáticas discretas. 36, 407–414.
Newman, AM, Rubio, E., Caro, R., Weintraub, A., Eurek, E., 2010. Una revisión de la investigación de
operaciones en la planificación minera. Interfaces (Providencia) 40, 222–245.
Ramazan, S., Dimitrakopoulos, R., 2013. Programación de producción con suministro incierto: una nueva
solución al problema de la minería a cielo abierto. Óptimo Ing. 14, 361–380.
Ravenscroft, P., 1992. Análisis de riesgos para la programación de minas mediante simulación condicional.
Trans. Inst. Min.Metal., Secc. A A104–A108.
Ross, P., 2005. Hiperheurísticas. En: Metodologías de búsqueda: Tutoriales introductorios en optimización y
técnicas de soporte de decisiones, Burke EK y Kendall G (eds), Springer, pp. 529–556.
Rossi, M., Deutsch, C., 2014. Estimación de recursos minerales. Springer, Nueva York.
Whittle, G., 2007. Optimización de activos globales. En: Proceedings of Orebody Modeling and Strategic Mine
Planning: Uncertainty and Risk Management Models, The Australasian Institute of Mining and Metallurgy
Spectrum Series 14, 2nd Edition, pp. 331–336.
Whittle, J., 2009. El optimizador global funciona: ¿qué sigue? En: Proceedings of Advances in Orebody Modeling
and Strategic Mine Planning: Old and New Dimensions in a Changing World, The Australasian Institute of
Mining and Metallurgy Spectrum Series 17, 1st Edition, pp. 3–5.