[論文レビュー] Adaptive Strategies for The Open-Pit Mine Optimal Scheduling Problem

Michel De Lara, Nelson Morales+1 more|arXiv (Cornell University)|Jun 26, 2017

Mining Techniques and Economics参考文献 22被引用数 6

ひとこと要約

本稿では、不確実性下におけるオープンピット鉱山最適スケジューリング問題に対して、動的最適化を用いて計算的に効率的でありながら部分最適な解を生成する、適応的インデックス戦略を提案する。ネット・プレゼント・バリュー（NPV）の上限および下限を提供し、大規模かつシナリオベースの鉱山計画におけるスケーラビリティと実用的有望性を示している。

ABSTRACT

Within the mining discipline, mine planning is the component that studies how to transform the information about the ore resources into value for the owner. For open-pit mines, an optimal block scheduling maximizes the discounted value of the extracted blocks (period by period), called the net present value (NPV). However, to be feasible, a mine schedule must respect the slope constraints. The optimal open-pit block scheduling problem (OPBSP) consists, therefore, in finding such an optimal schedule. On the one hand, we introduce the dynamical optimization approach to mine scheduling in the deterministic case, and we propose a class of (suboptimal) adaptive strategies, the so-called index strategies. We show that they provide upper and lower bounds for the NPV, and we provide numerical results. On the other hand, we introduce a theoretical framework for OPBSP under uncertainty and learning.

研究の動機と目的

• 決定論的および不確実な条件下におけるオープンピットブロックスケジューリング問題（OPBSP）の計算不能性に対処すること。
• 静的オープンループ計画を越えて、適応的意思決定を支援する動的最適化フレームワークを構築すること。
• 大規模な鉱山インスタンスおよび複数のシナリオにおいてスケーラブルに動作する、計算的に効率的なヒューリスティクス（インデックス戦略）を開発すること。
• 不確実性と学習を扱う理論的基盤を提供し、ロバスト基準および期待効用基準を統合すること。
• 実世界の応用において適応的戦略のパフォーマンスを評価できるように、NPVの上限および下限を確立すること。

提案手法

• スロープ安定性と容量制限に起因する先行順序制約を伴う動的最適化問題としてOPBSPを定式化すること。
• 価値関数に基づきブロックを順位付けする、部分最適かつ計算が迅速なヒューリスティクスとしてのインデックス戦略を提案すること。
• 確率分布の曖昧性をモデル化するためのマルチプライア・アプローチを用い、一連の妥当なモデルの下での最悪ケース期待NPVを最小化すること。
• 条件付きシミュレーションとフィードバックメカニズムを統合し、時間経過に伴う信念の更新を可能にし、不確実な環境下でのクローズドループ意思決定を実現すること。
• 各時刻で動的再サンプリングを実施するシナリオベース手法を適用し、観測された結果に基づいて意思決定ポリシーを更新すること。
• バリューオブリスクおよびコンディショナルバリューオブリスク制約を含む定式化を用いて、ロバスト最適化と期待効用基準を統合すること。

実験結果

リサーチクエスチョン

• RQ1 適応的戦略は、不確実性下におけるオープンピット鉱山スケジューリングのスケーラビリティとパフォーマンスをどのように向上させ得るか？
• RQ2 インデックス戦略の理論的および計算的パフォーマンスは、鉱山スケジュールのNPVの境界をどのように評価できるか？
• RQ3 将来の鉱石品位が不確実な状況下で、動的学習およびフィードバックメカニズムは鉱山計画における意思決定をどのように強化できるか？
• RQ4 シナリオベースの鉱山スケジューリングにおいて、クローズドループ戦略はオープンループ戦略に比べてどのような利点を有するか？
• RQ5 ロバストかつリスク制約付き最適化基準は、不確実性下での鉱山計画に統合されたフレームワークとしてどのように統合できるか？

主な発見

• インデックス戦略は、正確な手法と比較して顕著に短い解法時間を実現する、計算的に効率的かつスケーラブルな解決策を大規模なオープンピット鉱山スケジューリング問題に提供する。
• 本手法はNPVの上限および下限を生成するため、完全な最適性を必要とせずにヒューリスティック解のパフォーマンスを評価可能にする。
• マルチプライアおよびリスク制約付き定式化により、モデルの曖昧性とNPV結果に関する確率的制約の下でもロバストな意思決定が可能になる。
• 条件付き分布の更新による動的フィードバックメカニズムにより、新たな情報に適応するクローズドループ戦略が実現され、不確実性下での長期的計画が向上する。
• 数値結果は、大規模なシナリオ数を扱うインデックス戦略の実現可能性と実用的有望性を示しており、実世界の鉱山計画にとって不可欠である。
• 本フレームワークは学習と不確実性モデリングの統合を支援し、データ豊富で変化し続ける環境における適応的鉱山スケジューリングの実現に道を開く。