近日，我院左明成副教授团队在矿山综合能源系统运行方案加速优化求解方向取得重要研究进展，相关成果以“Search Direction Learning Accelerates Evolutionary Optimization in Dispatching Large-scale Coal Mine Integrated Energy Systems”为题，发表在国际顶级期刊《IEEE Transactions on Evolutionary Computation》上，左明成副教授为第一作者。
当前，人工智能正加速成为全球能源转型与可持续发展的核心驱动力。矿山综合能源系统（CMIES）作为煤炭行业能源供给与消费的核心枢纽，其调度优化的智能化水平直接关系到矿山生产的能耗效率与碳排放强度，是“人工智能+矿山能源”场景中亟待突破的关键技术难题。然而，CMIES调度优化面临严峻挑战：决策变量规模高达336至432维，多重强约束导致可行域极为狭窄，加之场景依赖且时变特性要求快速重优化。现有约束多目标进化算法在求解该问题时，不仅难以找到可行解，可行解的收敛性也难以令人满意，是人工智能与能源系统深度交叉融合中典型的高维复杂约束优化难题。
CMIES架构
针对上述瓶颈，研究团队提出了一种基于搜索方向学习的进化优化算法SDLEO。算法核心创新在于设计了双方向学习机制：一方面，通过主成分分析（PCA）提取种群的主流搜索方向，引导种群向高质量Pareto区域收敛；另一方面，依据各约束的违反度排序，为每个约束学习独立的支流方向，直接驱动个体向可行域靠拢。此外，算法引入自适应变量重要性策略，根据变量对目标和约束的敏感度动态激活关键维度，在主流搜索中抑制约束敏感变量以减少振荡，在支流修复中重点调整这些变量以快速消除约束违反度。研究团队建立了三个具有鲜明工业特征的矿山综合能源系统调度优化模型，涵盖多达432个决策变量、大量约束条件及极为狭窄的可行域。在13个真实CMIES场景上的实验表明，SDLEO在求解效率和解的质量上显著优于11种当前最新的约束多目标进化算法，生成的调度方案有效兼顾了经济成本和碳排放优化。
《IEEE Transactions on Evolutionary Computation》最新影响因子达15.9，每年刊发约100篇论文。此次论文的成功发表，充分展现了团队在智能优化与矿山综合能源系统交叉领域的深厚积累和持续创新能力，也为后续相关研究奠定了坚实基础。该项成果是我院积极践行学校“能源资源特色世界一流大学”建设目标、深度服务国家“双碳”战略与能源安全需求的重要突破。近年来，学院始终坚持以人工智能学科交叉融合为抓手，面向矿业智能化、能源互联网、综合能源系统优化等国家急需领域，持续推动“AI+能源”、“AI+矿业”等新兴方向纵深发展，构建具有矿大特色的学科生态体系。
