論文の概要: Chance-Constrained Bi-Objective Evolutionary Optimization for the Open-Pit Mining Operational Planning Problem

• arxiv url: http://arxiv.org/abs/2610.04227v1
• Date: Sat, 03 Oct 2026 02:35:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 19:14:07.997401
• Title: Chance-Constrained Bi-Objective Evolutionary Optimization for the Open-Pit Mining Operational Planning Problem
• Title（参考訳）: オープンピットマイニング運用計画問題に対するチャンス制約付き双方向進化最適化
• Abstract要約: 露天採掘の運用計画では、生産、設備、鉱石品質の要件を満たしながら限られた資源を割り当てる。 既存のアプローチでは、しばしば決定論的鉱石のグレードを仮定するか、不確実性の下でシミュレーションに基づく評価に依存している。 本研究では,未確定な鉱床条件下での露天掘り作業計画問題に対して,チャンス拘束型二目的定式化を提案する。
• 参考スコア（独自算出の注目度）: 3.6439154309310013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-pit mining operational planning involves allocating limited resources while satisfying production, equipment, and ore-quality requirements. Existing approaches often assume deterministic ore grades or rely on simulation-based evaluation under uncertainty. In this paper, we propose a chance-constrained bi-objective formulation of the open-pit mining operational planning problem under uncertain ore grades. We aim to maximize ore production and minimize fleet cost while satisfying stochastic quality requirements through chance constraints. We model ore grades as independent normally distributed random variables and derive a deterministic reformulation of the two-sided chance constraints, avoiding sampling or simulation during fitness evaluation. We evaluate four multi-objective evolutionary algorithms on benchmark instances under different levels and structures of uncertainty. Our results show that NSGA-II and NSGA-III generally obtain the best feasible ore-production values, with NSGA-II requiring less computational time. GSEMO has the lowest computational cost but obtains feasible solutions less consistently and generally provides lower solution quality. We also observe that higher confidence and uncertainty levels reduce feasibility, with the effect depending on the uncertainty structure. The results highlight the importance of considering both the magnitude and structure of uncertainty in short-term open-pit operational planning.
• Abstract（参考訳）: 露天採掘の運用計画では、生産、設備、鉱石品質の要件を満たしながら限られた資源を割り当てる。 既存のアプローチでは、しばしば決定論的鉱石のグレードを仮定するか、不確実性の下でシミュレーションに基づく評価に依存している。 本稿では,未定の鉱石濃度条件下での露天掘り鉱業計画問題について,両対象の確率制約による定式化を提案する。 我々は,鉱石生産の最大化と艦隊コストの最小化を目標とし,確率制約による確率的品質要件を満たすことを目的とする。 本研究は, 鉱石の粒度を独立に分布する確率変数としてモデル化し, 適合度評価時のサンプリングやシミュレーションを回避し, 両面の確率制約を決定論的に再構成する。 我々は,異なるレベルと不確実性構造の下で,ベンチマークインスタンス上で4つの多目的進化アルゴリズムを評価する。 その結果,NSGA-II と NSGA-III は計算時間が少なく,最も有効な鉱石生産値が得られることがわかった。 GSEMOは計算コストが低いが、実現可能なソリューションは一貫して得られず、一般に低いソリューション品質を提供する。 また,高い信頼度と不確実性レベルが,不確実性構造による影響で実現可能性を低減することも確認した。 その結果,短期オープンピット運用計画における不確実性の大きさと構造を両立させることの重要性が浮き彫りとなった。

関連論文リスト

• NeuroRisk: Physics-Informed Neural Optimization for Risk-Aware Traffic Engineering [30.022248387924282]
  ワイド・エリア・ネットワーク(WAN)では、関係する障害が可用性の損失を支配しており、オペレーターは大規模な安全マージンを確保せざるを得なかった。 既存のリスク対応の定式化は、組み込みのSort-and-Select構造で制限できることを示し、時間スケールとトラクタビリティの基本的なトレードオフを明らかにする。 我々は、ソット・アンド・セレクトの構造を利用する物理インフォームド統一であるNeuroRiskを提案する。NeuroRiskは、ゲートエッジローカル予約を通じて実現可能であり、置換不変な勾配整列キューを通じてシナリオセットを表現する。
  論文  参考訳（メタデータ） (2026-05-13T01:17:45Z)
• Bi-Objective Evolutionary Optimization for Large-Scale Open Pit Mine Scheduling Problem under Uncertainty with Chance Constraints [3.6439154309310013]
  本稿ではオープンピット地雷スケジューリング問題(OPMSP)の2目的定式化について述べる。 同時に、期待されているネットの現在値を最大化し、制約に必要な信頼レベルとは無関係に、スケジューリングリスクを最小化する。 その結果, 提案手法は単一目的, 信頼性に依存したアプローチに比べて, 経済価値とリスクの間のより堅牢かつバランスの取れたトレードオフをもたらすことが示された。
  論文  参考訳（メタデータ） (2025-11-11T14:05:29Z)
• Improving Confidence in Evolutionary Mine Scheduling via Uncertainty Discounting [10.609857097723266]
  不確実性を考慮した最適スケジュール決定のための新しいアプローチを提案する。 この経済的な枠組みにおける不確実性の扱いは、以前使用が困難だった変動モデルを実用的な洞察に還元する。 我々はMaptekの鉱山計画ソフトウェアEvolutionを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-05-29T08:43:09Z)
• Balancing Risk and Reward: An Automated Phased Release Strategy [2.1485350418225244]
  段階的なリリースは、A/Bテストを通じて、新しい製品やアップデートを徐々にリリースするための、テクノロジ業界における一般的な戦略です。 本研究では,スケジュールの各段階におけるリリース率を自動的に決定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-16T17:27:34Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• Distributionally Robust Model-Based Offline Reinforcement Learning with Near-Optimal Sample Complexity [39.886149789339335]
  オフライン強化学習は、積極的に探索することなく、履歴データから意思決定を行うことを学習することを目的としている。 環境の不確実性や変動性から,デプロイされた環境が,ヒストリデータセットの収集に使用される名目上のものから逸脱した場合でも,良好に機能するロバストなポリシーを学ぶことが重要である。 オフラインRLの分布的ロバストな定式化を考察し、有限水平および無限水平の両方でクルバック・リーブラー発散によって指定された不確実性セットを持つロバストマルコフ決定過程に着目する。
  論文  参考訳（メタデータ） (2022-08-11T11:55:31Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。