1.一种基于改进灰狼算法的多金属露天矿生产作业计划编制方法，其特征在于，包括如下步骤：

1)、设露天矿各生产出矿点的出矿量为xi，以xi为变量建立露天矿生产作业计划编制模型，该模型的目标函数如下：

其中，n为出矿点的总数量，i＝1，2，...，n，xi是第i个出矿点的出矿量，Ci是第i个出矿点的单位采掘和运输成本；

2)在所述模型基础上，考虑入选矿石质量指标约束、多金属品位指标约束、出矿点最大最小采掘约束、计划出矿总量约束以及综合回采率约束，得到以矿石的开采和运输成本最小化为目标的生产作业计划编制模型；

3)求解所述生产作业计划编制模型，实现露天矿生产作业计划的优化编制；其中：先对灰狼算法进行改进，得到一种控制参数非线性调整的灰狼算法，步骤如下：(1)基于反向学习的种群初始化策略定义反向点：假设在区间[l，u]内存在数a，则a的反向点定义为a′＝l+u‑a；将反向点的定义扩展到D维空间，设P＝(a1，a2，…，ad)是D维空间中的一个点，其中ai∈[li，ui]，i＝1，

2，…，D，则P的反向点P′＝(a′1，a′2，…，a′d)，其中a′i＝li+ui‑ai；

则采用反向学习策略来产生初始种群个体的步骤如下：a)在搜索空间中随机初始化N个灰狼个体位置Zi，作为初始种群RP，i＝1，2，…，N；

b)初始种群RP中的每个灰狼个体Zi的反向个体Z′i构成反向种群OP；

c)合并种群RP和OP，将这2N个灰狼个体按照适应度值进行升序排序，选取适应度值前N个灰狼个体作为初始种群；

(2)控制参数非线性调整策略

参数非线性调整公式如下：

其中，a(t)表示第t代的参数a，ainitial、afinal分别是参数a的初始值和终止值，t为当前迭代次数，tmax为最大迭代次数，k1、k2为非线性调节系数，k1＝2，k2＝1；

由此，通过数a的非线性调整，控制了收敛因子A的变化范围，当|A|＞1时，灰狼群体扩大搜索的范围，以寻找更好的猎物，此时对应于算法的全局搜索；当|A|＜1时，灰狼群体缩小搜索的范围，在猎物周围形成包围圈，以完成对猎物最后的攻击行为，对应于算法的局部搜索过程；

(3)多样性变异策略

对群体中当前得到的前三个最优灰狼个体进行多样性变异操作，方法如下：假设最优个体为Zi＝(z1，z2，…，zd)，以概率Pm对当前得到的最优个体进行变异操作，即从最优个体中以概率Pm选择一个基因zk，然后随机生成[l，u]之间的一个实数替代此基因，从而生成一个新个体Z′i＝(z′1，z′2，…，z′d)，多样性变异算子为：其中ε是[0，1]之间的随机数，l和u分别是基因zi的下界和上界；

然后，采用改进的灰狼算法求解模型，步骤如下：根据生产作业计划编制模型，设置灰狼算法的编码方式，用每一只灰狼个体代表一种生产作业计划方案，个体维数代表出矿点的个数，每一维的位置信息表示露天矿每个出矿点的采掘量，将露天矿采掘运输的综合生产作业成本作为灰狼算法的适应度函数，假设已知灰狼种群大小为m，采用改进的灰狼算法对露天矿生产作业计划进行优化编制，其求解过程描述如下

Step 1：设置算法的参数，包括种群规模m、最大迭代次数tmax，初始化数a，收敛因子A，系数向量C；

Step 2：随机生成初始种群，初始化迭代次数t，评价每个解的适应度值；

Step 3：将适应度最高的前三个个体的位置依次保存为Xα、Xβ和Xδ；

Step 4：根据公式更新每个灰狼的位置信息，得到下一代种群，更新a、A、C的值；

Step 5：重新计算新种群中个体的适应度，更新Xα、Xβ和Xδ；

Step 6：重复Step 2‑Step 5，直到求得最优解或达到最大迭代次数。

2.根据权利要求1所述基于改进灰狼算法的多金属露天矿生产作业计划编制方法，其特征在于：

所述入选矿石质量指标约束公式如下：其中，λ表示入选矿石包含组分的个数， 是第i个出矿点采出矿石的第λ种组分的质量分数， 分别表示矿石第λ种组分质量分数的上下限；

所述多金属品位指标约束公式如下：其中，μ表示入选矿石包含金属成分的种类， 是第i个出矿点采出矿石的第μ种金属的质量分数， 分别表示矿石第μ种金属质量分数的上下限；

所述出矿点最大最小采掘约束公式如下：qmin≤xi≤qmax

其中，qmin、qmax分别是各出矿点允许的最小、最大采掘量；

所述计划出矿总量约束公式如下：其中，Q是计划期内的总出矿量，ηi表示第i个出矿点的矿石回采率；

所述综合回采率约束公式如下：

其中，φh、φl分别是矿石综合回采率的上下限。