技術特征：

1.一種基于煤巖學和遺傳算法的煤場分堆方法，其特征在于所述煤場分堆方法的具體步驟是：

步驟1、測定煤場中各煤堆的鏡質組隨機反射率分布比例和測定來煤的鏡質組隨機反射率分布比例；

步驟2、建立煤場分堆適應度數(shù)學模型Fitness；

Fitness＝[f₁,f₂,...,f_i,...,f_M] (1)

式(1)中：M表示煤場中的煤堆個數(shù)，

i表示自然數(shù)，i＝1,2,3,…,M，

f_i表示第i號煤堆的來煤和第i號煤堆的鏡質組隨機反射率分布比例的重合度，

$f_i=\left\{\begin{array}{cc}100& n=0\\ \underset{j=1}{\overset{50}{\mathrm{\Σ}}}\left(min\right({\mathrm{Re}}_{i,j},x_{i-1,j},x_{i-2,j},...,x_{i-k,j},...,x_{i-n,j}\left)\right)& n\>0\end{array}\right.---\left(2\right)$

式(2)中：i表示自然數(shù)，i＝1,2,3,…,M，

M表示煤場中的煤堆個數(shù)，

n表示第i號煤堆的來煤種數(shù)，

Re_i,j表示第i號煤堆的鏡質組隨機反射率分布比例在第j點的數(shù)值，

j表示自然數(shù)，j＝1,2,3,…,50，

k表示自然數(shù)，k＝1,2,3,…,n，

x_i-k,j表示第i號煤堆的第k種來煤的鏡質組隨機反射率分布比例在第j點的數(shù)值，

min表示取最小值；

步驟3、采用遺傳算法和煤場分堆適應度數(shù)學模型Fitness尋求最優(yōu)煤場分堆方案，具體步驟是：

步驟3.1、設來煤種數(shù)為D；采用整數(shù)編碼，在[1,M]區(qū)間內構建初代種群個體，得到初代種群；初代種群個體的形式為：

α_t＝[b₁,b₂,...,b_D] (3)

式(3)中，t表示初代種群個體的序號，t為自然數(shù)，t＝1,2,3,…,P，

P表示初代種群個體總數(shù)，

b表示初代種群個體的基因位點，b∈N∩b∈[1,M]，

D表示來煤種數(shù)；

步驟3.2、采用遺傳算法中的單點交叉方法對初代種群個體進行交叉操作，交叉概率Pc＝0.6；采用變異概率的方式對初代種群個體進行變異操作，變異概率Pm＝0.2，形成遺傳種群個體，得到遺傳種群；

步驟3.3、將初代種群和遺傳種群合并為總種群；采用煤場分堆適應度數(shù)學模型Fitness計算總種群個體的適應度；

步驟3.4、從總種群中獲取Pareto最優(yōu)個體；判斷Pareto最優(yōu)個體總數(shù)是否大于初代種群個體總數(shù)，若Pareto最優(yōu)個體總數(shù)大于或等于初代種群個體總數(shù)，則采取隨機抽取的方式從Pareto最優(yōu)個體中選擇出子代種群個體；若Pareto最優(yōu)個體總數(shù)小于初代種群個體總數(shù)，則將Pareto最優(yōu)個體全部選擇到子代種群中，子代種群中其余個體在[1,M]區(qū)間內構建；

步驟3.5、計算每一個Pareto最優(yōu)個體的適應度的加和值，選擇出適應度的加和值最大的Pareto最優(yōu)個體為當代最優(yōu)個體，保存當代最優(yōu)個體；

步驟3.6、清除初代種群中所有的個體，用子代種群中所有的個體填充到初代種群中；判斷初代種群迭代次數(shù)是否大于最大迭代次數(shù)，若初代種群迭代次數(shù)大于最大迭代次數(shù)則算法終止，計算每一個當代最優(yōu)個體的適應度的加和值，選擇出適應度的加和值最大的當代最優(yōu)個體為最優(yōu)煤場分堆方案；若初代種群迭代次數(shù)小于或等于最大迭代次數(shù)則返回步驟3.2；

步驟4、根據(jù)最優(yōu)煤場分堆方案，利用煤場分堆適應度數(shù)學模型Fitness計算出最優(yōu)煤場分堆方案的適應度；若最優(yōu)煤場分堆方案的適應度中每一個重合度值大于或等于30％，則滿足生產需求；若最優(yōu)煤場分堆方案的適應度中存在有重合度值小于30％，則不滿足生產需求，返回步驟3，直至最優(yōu)煤場分堆方案的適應度中每一個重合度值大于或等于30％。