基于改进参考点的快速非支配排序遗传算法研究

一种改进的非支配排序遗传算法王青松;谢兴生;周光临【摘要】提出了一种改进的非支配排序遗传算法.通过扩大第一代种群规模,在初期加速种群的进化;对选择算子引入概率操作来提高种群的多样性;同时引入混合交叉算子,动态调节算法的搜索空间.最后以收敛性和分布性作为性能指标,使用公开的多目标测试函数对其进行测试,并与基本的非支配排序遗传算法和改进的多目标粒子群算法进行比较.实验结果表明,改进后的非支配排序遗传算法在收敛性和分布性两方面均有提升.【期刊名称】《微型机与应用》【年(卷),期】2019(038)005【总页数】6页(P28-32,36)【关键词】多目标优化;非支配排序遗传算法;收敛性;分布性【作者】王青松;谢兴生;周光临【作者单位】中国科学技术大学信息科学技术学院,安徽合肥230026;中国科学技术大学信息科学技术学院,安徽合肥230026;中国科学技术大学信息科学技术学院,安徽合肥230026【正文语种】中文【中图分类】TP1810 引言在实际生活以及工程应用中，经常要求在给定的资源下，同时满足多个目标最优化，即多目标优化[1]。

比如在部署虚拟机时，需要同时满足高利用率、低延迟以及高吞吐量等[2]；在交通信号配时中，需同时使得延误时间最小、通行能力最大以及停车次数最少[3]。

对于多目标优化问题，传统的处理方法大多是加权法，即通过对不同的优化目标分配不同的权重，把多目标优化问题转化为单目标优化问题来求解。

加权法的缺点主要有两点，一方面权重的设置具有主观性，需要对优化问题有充分的了解；另外一方面，优化目标之间通常不是线性相关的，因此求得的解通常来说不是全局最优解。

对于多目标优化问题，由于几乎不存在单个全局最优解，因此通常是求解一系列非支配解[4](Pareto解集)。

非支配排序遗传算法[5](Non-dominated Sorting Genetic Algorithm II，NSGA-II)是DEB K等人提出的一种元启发式算法，由于NSGA-II算法在低维优化问题中表现优良，并且算法实现相对容易，因此被广泛使用。

快速非支配排序遗传算法1 算法介绍快速非支配排序遗传算法（Fast Non-dominated Sorting Genetic Algorithm，NSGA-II）是非常常用的多目标优化算法之一，由Deb等人于2002年提出，是对原有NSGA算法的改进。

NSGA-II算法主要通过多层快速非支配排序、拥挤距离计算和遗传操作来实现对多目标问题的优化。

2 多层快速非支配排序NSGA-II算法采用了多层快速非支配排序策略，以便更加有效地找到劣支配解与非劣解。

其中，快速非支配排序算法用于将输入集合中的一组解归类为劣支配、非劣解中的哪一类。

3 拥挤距离计算为了维护传代中解的多样性，NSGA-II算法采用了拥挤距离来保证不同种群之间解的区别性。

该算法通常采用欧氏距离等数学公式计算解之间的距离。

4 遗传操作对于多目标优化问题，一个优秀的遗传算法必须采用一组有效的遗传操作，包括选择、交叉和变异。

在NSGA-II算法中，采用了二元锦标赛选择和模拟二进制交叉技术，以及多项式变异。

5 算法实现NSGA-II算法实现过程中，主要要完成以下几个步骤：1. 初始化种群集合。

2. 对种群集合进行快速非支配排序。

3. 计算每个种群个体集合的拥挤距离。

4. 通过选择、交叉和变异操作产生下一代种群集合。

5. 重复以上步骤，直到达到指定迭代次数或优化目标达到预期效果。

6 算法优缺点NSGA-II算法具有较强的适应能力、求解速度快、算法有效性高等优点，在许多多目标优化问题中都得到了良好的应用效果。

但该算法的缺点也是显而易见的，主要表现在其计算复杂度较高、可能陷入局部最优等方面。

7 算法应用NSGA-II算法广泛应用于多目标优化问题中，例如在交通规划、建筑设计、环境保护等领域中的实际应用。

其中，NSGA-II算法在空气污染防治研究中的应用更是引人注目。

以年平均浓度、年最大日平均浓度和总排放量为目标，对于全国37个城市的空气质量进行优化，得到了广泛的认可。

基于改进非支配排序遗传算法的含DG配电网优化配置孟佳;周峰;朴在林【摘要】分布式电源的接入对配电网中潮流分布、有功损耗和电压分布有很大影响.针对含DG配电网运行优化问题,建立了以DG最大出力、有功网损最小及电压偏差最小的多目标优化模型,提出一种改进的非支配排序遗传算法求解分布式电源的最优化有功出力.在NSGA-Ⅱ算法基础上改进了非支配排序策略、选择截断策略,采用改进的NSGA-Ⅱ算法求解含DG配电网优化控制问题.通过IEEE33节点算例分析,结果表明该模型可以在分布式电源最大出力、有功网损最小及电压偏差最小方面,较为全面地实现配电网分布式电源的优化控制.【期刊名称】《可再生能源》【年(卷),期】2014(032)009【总页数】5页(P1301-1305)【关键词】分布式电源;优化配置;多目标优化;INSGA-Ⅱ算法【作者】孟佳;周峰;朴在林【作者单位】沈阳农业大学信息与电气工程学院,辽宁沈阳 110161;沈阳农业大学信息与电气工程学院,辽宁沈阳 110161;沈阳农业大学信息与电气工程学院,辽宁沈阳 110161【正文语种】中文【中图分类】TM7150 引言近年来，随着电力需求的大幅增加，与新能源紧密连接的分布式电源应运而生。

分布式电源（Distributed Generation，DG）具有可靠性高、污染少、安装灵活、能源利用率高等优点。

在环境问题日益严重的当代，分布式电源接入配电网是可持续发展的重要趋势[1]～[3]。

分布式电源接入配电网，使原本无源的配电网变成了遍布中小型电源的有源网络，随着分布式电源在配电网渗透率的提高，对配电网的规划运行、潮流计算、电能质量、继电保护、有功网损等方面都带来了一系列不利的影响。

因此合理地对接入配电网的分布式电源进行优化控制显得尤为重要。

文献[4]针对于分布式电源的多目标规划数学模型加入经济技术优化目标，提高了计算精度、收敛速度；文献[5]从电力系统静态安全约束角度出发，建立数学模型，并验证了方法的正确性和有效性；文献[6]提出改进的非支配遗传算法，更为全面地对分布式电源进行配置；文献[7]提出一种带差分局部搜索的改进型非支配算法，在解群分布方面有所改善。

浙江大学
硕士学位论文
非支配排序遗传算法（NSGA）的研究与应用
姓名：高媛
申请学位级别：硕士
专业：控制理论与控制工程
指导教师：卢建刚
20060301
浙江丈学礤士学位论文
直至０１只＋。

Ｉ＋ＩＥ肾Ｎ
ｓｏｎ（Ｆ，，＜。

）
只＋。

＝只＋ｌｕＥ【１：（Ｎ一｝只“｜）】
Ｑｆ＋．＝ｎｅｗ（Ｐ，＋，）＼＼通过遗传算子产生新种群
如图３．３所示Ｉ射，首先将第ｒ代产生的新种群Ｑ与父代只合并组成Ｒ。

，种群大小为２Ｎ。

然后Ｒ。

进行非支配排序，产生一系列非支配集只并计算拥挤度。

由于子代和父代个体都包含在胄，中，则经过非支配排序以后的非支配集Ｅ中包含的个体是置中最好的，所以先将Ｅ放入新的父代种群￡＋。

中。

如果Ｅ的大小小于Ｎ，则继续向＃＋。

中填充下一级非支配集Ｅ，直到添加Ｅ时，种群的大小超出Ｎ，对只中的个体进行拥挤度排序（ｓｏｒｔ（Ｆ；，＜。

）），取前Ｎ－Ｌ只。

｛个个体，使只＋．个体数量达到Ⅳ。

然后通过遗传算子（选择、交叉、变异）产生新的予代种群Ｑ。

图３．３ＮＳＧＡ－ＩＩ流程
算法的整体复杂性为Ｏ（ｍＮ２），由算法的非支配排序部分决定。

当排序产生。

非支配排序遗传算法II简介在搜索和优化问题中，非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm，NSGA）是一种有效的多目标优化算法。

本文将深入探讨非支配排序遗传算法的原理、应用和改进。

一、非支配排序遗传算法概述非支配排序遗传算法是根据生物进化的思想设计出来的一种启发式搜索算法。

它通过不断地进化和优胜劣汰的策略，从一个初始种群中逐步生成出一组优质的解，这些解构成了一个称为“非支配解集合”（Non-dominated Set）的前沿。

1.1 基本原理非支配排序遗传算法的基本原理如下：1.初始化种群：随机生成一组个体作为初始种群。

2.评估个体适应度：计算每个个体的适应度值，适应度函数常用于衡量个体在目标空间的性能。

3.非支配排序：根据个体之间的支配关系，将种群划分为不同的非支配层次。

4.拥挤度计算：为每个个体计算其在非支配层次内的拥挤度，用于维持种群的多样性。

5.选择操作：根据非支配排序和拥挤度计算，选择优质的个体进入下一代种群。

6.交叉和变异：对选择出的个体进行交叉和变异，生成新的个体。

7.更新种群：将新生成的个体与原种群合并，形成新的种群。

8.终止条件：根据预设的停止条件，判断是否终止算法。

1.2 算法特点非支配排序遗传算法具有以下特点：•能够处理多目标优化问题，得到一组在目标空间上均衡分布的解。

•通过非支配排序和拥挤度计算维护种群的多样性，避免陷入局部最优解。

•采用进化策略，能够逐步优化种群，逼近全局最优解。

•算法的计算复杂度相对较高，但在实际应用中具有较好的效果。

二、NSGA-II算法改进NSGA-II是非支配排序遗传算法的一种改进版本，它在保留NSGA原有特点的基础上，加入了一些优化手段，提高了算法性能。

2.1 快速非支配排序算法为了减少排序的时间复杂度，NSGA-II使用了一种称为“快速非支配排序算法”（Fast Non-dominated Sorting Algorithm）的方法。

《NSGA-Ⅱ多目标优化算法的改进及应用研究》篇一一、引言随着现代科学技术的快速发展，多目标优化问题在众多领域中显得愈发重要。

NSGA-Ⅱ（非支配排序遗传算法II）作为一种经典的多目标优化算法，已在多个领域得到广泛应用。

然而，NSGA-Ⅱ算法仍存在一些问题，如计算效率、解的多样性以及解的收敛性等。

本文旨在探讨NSGA-Ⅱ多目标优化算法的改进策略，并探讨其在实际应用中的效果。

二、NSGA-Ⅱ算法概述NSGA-Ⅱ算法是一种基于遗传算法的多目标优化算法，其核心思想是通过非支配排序和适应度共享策略，使得在多目标优化问题中，可以同时考虑多个目标函数，从而得到一组均衡解。

该算法具有较好的全局搜索能力和解的多样性，但在处理复杂问题时仍存在一定局限性。

三、NSGA-Ⅱ算法的改进策略针对NSGA-Ⅱ算法存在的问题，本文提出以下改进策略：1. 引入局部搜索策略：通过在每一代中引入局部搜索策略，提高算法的局部寻优能力，从而提高解的精度和收敛速度。

2. 动态调整种群大小：根据问题的复杂度和求解过程，动态调整种群大小，以平衡全局搜索和局部寻优之间的关系。

3. 引入多层次进化策略：通过在不同层次上同时进行进化，提高算法的并行性和计算效率。

4. 适应度函数优化：针对具体问题，对适应度函数进行优化，以更好地反映问题的实际需求。

四、改进后的NSGA-Ⅱ算法应用研究本文以某实际工程问题为例，对改进后的NSGA-Ⅱ算法进行应用研究。

通过将改进后的算法应用于该问题，并与原始NSGA-Ⅱ算法进行对比，验证了改进策略的有效性。

实验结果表明，改进后的NSGA-Ⅱ算法在计算效率、解的多样性和收敛性等方面均有所提高，能够更好地解决实际问题。

五、结论本文针对NSGA-Ⅱ多目标优化算法存在的问题，提出了引入局部搜索策略、动态调整种群大小、多层次进化策略和适应度函数优化等改进策略。

通过将改进后的算法应用于实际工程问题，验证了其有效性。

实验结果表明，改进后的NSGA-Ⅱ算法在多目标优化问题中具有更好的计算效率、解的多样性和收敛性，能够更好地解决实际问题。

基于改进遗传算法的多目标优化算法研究随着计算机技术的不断发展，人们对于多目标优化算法的研究也越来越深入。

其中一种重要的算法就是遗传算法，它可以通过模拟遗传和自然选择的过程来寻找最优解。

然而，传统的遗传算法在处理多目标问题时存在一些限制，比如需要选择合适的权衡因子来平衡不同目标之间的关系，而这些选择往往具有主观性和难以确定性。

为了克服这些问题，人们提出了基于改进遗传算法的多目标优化算法，本文将对该算法进行深入探讨。

一、多目标优化问题的定义和分类多目标优化问题是指在同时优化多个相互独立或互相关联的目标函数时的优化问题。

其中，目标函数之间可能存在矛盾或冲突，需要进行权衡和平衡。

多目标优化问题可以分为线性和非线性问题，可分为确定性和随机性问题。

二、传统遗传算法的不足和改进传统遗传算法在多目标优化问题中存在的问题主要包括以下几个方面：（1）难以处理多样性问题由于传统遗传算法是基于群体的，因此不同个体之间容易出现相同的基因序列，从而导致种群过早收敛，难以保持种群的多样性。

（2）难以确定合适的权衡因子传统遗传算法在处理多目标问题时需要选择合适的权衡因子来平衡不同目标之间的关系，而这些选择往往具有主观性和难以确定性。

为了克服上述问题，人们提出了基于改进遗传算法的多目标优化算法。

其中，代表性的算法包括NSGA（Non-dominated Sorting Genetic Algorithm），SPEA（Strength Pareto Evolutionary Algorithm），MOEA/D（Multi-Objective Evolutionary Algorithm Based on Decomposition）等。

三、基于改进遗传算法的多目标优化算法1、NSGA算法NSGA算法是由Srinivas和Deb在1994年提出的，它通过构建非支配排序和拥挤度距离，实现了对多目标优化问题的有效处理。

它采用快速非支配排序方法（Fast Non-dominated Sorting）将所有个体分为多层次的档级，每个档级内都没有支配关系。

基于快速非支配排序遗传算法的风—氢储能容量优化的研究随着环境问题的日益加重和传统不可再生能源储量的不断减少,寻找清洁的可再生能源引起了世界各国政府的高度重视,由于风能在利用过程中没有环境污染问题的存在,并且它的来源是自然界中的空气流动,因此成为发展可再生能源的最佳选择。

但由于风速不稳定的因素,致使风电带有波动性、随机性、间歇性的特点,为了克服风力发电对电力用户带来的负面影响,通常在风力发电系统中加储能系统,形成风储一体化的结构。

由于氢气有能量密度大,热值高,燃烧后的产物是水,对环境无污染等优点,本文将风电和氢能系统耦合在一起,构建了风-氢储能系统的结构图,该储能系统是由碱性电解槽,气体压缩机,氢气储存罐,质子交换膜燃料电池(PEMFC)及一些辅助设备构成,利用风电出力较大时,碱性电解槽电解水制氢,并且利用气体压缩机存储在高压储氢罐中;风电出力变小时,燃料电池系统消耗高压储氢罐中的氢气发电。

考虑到碱性电解槽额定压力及其气体压缩机的效率,制定了该系统的运行策略;在建立风-氢储能系统容量优化配置的模型时,首先分析了该系统中主要设备的数学模型,然后根据该模型,确定了评价该系统的三个指标,分别为:风电弃风量,负荷缺电率,风电波动量;以风力发电机组的台数,碱性电解槽中每个小电室的个数及产氢的摩尔数、燃料电池堆中由单个氢氧单元构成的燃料电池的个数及耗氢的摩尔数五个量为决策变量。

本文介绍了带精英策略的快速非支配排序遗传算法(NSGA-II)的原理,在建立了容量优化配置模型的基础上,利用该算法进行优化计算,鉴于该模型中决策变量搜索范围的差异较大,改变了NSGA-II算法的变异策略,并与原来的算法对比分析。

最后考虑到现有技术下如何利用风电大规模制氢的需要,本文将商用碱性电解槽用在风-氢储能系统中,从能量流向的角度出发,建立容量优化配置的模型,确定了以风电波动量和储氢量为评价指标,分析了两者在容量优化配置中它们之间的关系,为建立真正意义上的风-氢储能系统提供数据支撑和解决方法。

多目标优化中的非支配排序遗传算法研究随着现代科技的迅猛发展，越来越多的问题需要解决。

其中一些问题离散而复杂，需要同时优化多个目标指标。

这就是多目标优化问题。

为了解决这些问题，研究人员们提出了许多优化算法。

其中，非支配排序遗传算法（NSGA）是一种有效且广泛应用的算法。

NSGA算法于1994年由印度科学家Kalyanmoy Deb等人提出。

它以遗传算法（GA）为基础，使用非支配排序和拥挤度距离的方法来解决多目标优化问题。

下面，我们将深入探讨NSGA算法的运作原理，以及其在多目标优化中的应用。

1. NSGA算法的原理NSGA算法的基本流程如下：（1）初始化，随机生成初始种群。

（2）计算每个个体的适应度值。

（3）进行非支配排序，根据个体在种群中的支配关系，确定每个个体的支配集和被支配数。

（4）根据支配集和被支配数，生成新的种群，并计算每个个体的拥挤度距离。

（5）对新生成的种群进行非支配排序，重复步骤（4）和（5）直至达到最大迭代次数或满足停止准则为止。

NSGA算法的核心是非支配排序和拥挤度距离。

非支配排序是将种群根据个体之间的支配关系划分为若干个支配层，每一层中的个体之间既没有支配关系，也不能直接比较大小。

拥挤度距离是用来度量每个个体在其所在支配层中的密度，以保证种群的多样性。

2. NSGA算法的改进尽管NSGA算法已被广泛应用，在解决一些实际问题中取得了良好的效果，但仍存在一些问题，如低效、收敛速度慢等。

为了克服这些问题，研究人员们提出了许多改进的算法。

例如，NSGA-II算法（Deb et al.，2002）在NSGA的基础上引入了快速非支配排序、拥挤度距离计算和精英保留策略等改进措施，有效提高了算法的效率和收敛速度。

MOEA/D算法（Zhang et al.，2007）将种群分为多个子群体，并采用分解思想和多目标优化技术来解决多目标优化问题，也取得了很好的效果。

3. NSGA算法的应用NSGA算法在许多领域中得到了应用，如工程设计、机器学习等。

基于改进参考点的快速非支配排序遗传算法研究肖俊明;刘凯松;朱永胜;谢亮;高洪洋【摘要】快速非支配排序遗传算法(NSGA-Ⅱ)是解决多目标优化问题的经典算法,然而在解决高维多目标问题时,算法的优化效果不佳.本文改进了参考点策略中参考点的生成方式,并将改进后的参考点策略与NSGA-Ⅱ相结合,使其在优化高维多目标问题时的求解性能有了较大的提高.利用DTLZ标准测试函数对4种算法进行了对比,结果表明,改进后的算法在有效解决高维多目标问题的同时,保证了良好的分布性能.【期刊名称】《中原工学院学报》【年(卷),期】2018(029)003【总页数】5页(P81-85)【关键词】NSGA-Ⅱ;参考点;高维多目标【作者】肖俊明;刘凯松;朱永胜;谢亮;高洪洋【作者单位】中原工学院电子信息学院,河南郑州450007;中原工学院电子信息学院,河南郑州450007;中原工学院电子信息学院,河南郑州450007;中原工学院电子信息学院,河南郑州450007;中原工学院电子信息学院,河南郑州450007【正文语种】中文【中图分类】TP301近年来，高维多目标优化问题成为进化计算的研究热点及难点。

为改善高维多目标优化问题，1980年， Wierzbicki A P最先提出了一种参考点方法，其目的是通过求解一个成就标量问题得到一个最接近理想参考点的Pareto最优解[1]。

Deb K等在Evolutionary Multi-objective Optimization(EMO)中使用参考点方法，结合决策者偏好信息找到了一组Pareto最优解集[2]。

Mohammadi A等结合分解策略与参考点方法来搜索优选区域[3]。

Figueira J R等通过近似Pareto前沿的并行策略来生成参考点，使用多个参考点将目标空间均匀地分割成不同的区域，对于每个参考点，独立地找到一组近似有效的解，以便同时计算[4]。

Wang R等提出了一种偏好启发共同进化算法(Preference-inspired Co-evolutionary Algorithm，PICEA)，以便在进化过程中同时优化候选解决方案和参考点，即通过较少的候选解决方案使参考点获得更高的适应度，通过满足尽可能多的参考点使候选解决方案获得适应性[5]。

非支配排序遗传算法的研究与应用非支配排序遗传算法（Non-Dominated Sorting Genetic Algorithm，NSGA）是一种高效的并行优化算法，广泛应用于各种实际问题中。

本文将介绍非支配排序遗传算法的基本概念、理论及其在生活中的应用，并探讨其未来发展方向。

非支配排序遗传算法是一种基于种群遗传学思想的优化算法。

它通过模拟生物进化过程中的自然选择和遗传机制，利用种群中个体的非支配关系进行排序和选择，从而找到问题的最优解。

非支配排序遗传算法具有并行性、自适应性、全局优化等优点，已成为求解复杂优化问题的有效工具。

非支配排序遗传算法在生活中的应用非常广泛。

下面列举几个具体的例子：电力系统规划：非支配排序遗传算法可以用于求解电力系统规划中的优化问题，如电网布局、设备配置等，以实现电力系统的经济、安全和稳定运行。

生产调度优化：非支配排序遗传算法可以应用于生产调度优化问题中，如多目标生产调度、流水线调度等，以提高生产效率和企业经济效益。

路由优化：在通信网络中，非支配排序遗传算法可以用于路由优化问题，如最短路径、最小跳数等，以降低网络延迟和提高通信质量。

图像处理：非支配排序遗传算法在图像处理中也有广泛应用，如图像分割、特征提取、图像恢复等。

随着科技的不断发展，非支配排序遗传算法在未来将有望应用于更多领域。

例如，随着大数据时代的到来，非支配排序遗传算法可以应用于数据挖掘和模式识别等领域，以解决更复杂的优化问题；另外，随着技术的不断发展，非支配排序遗传算法也有望在神经网络、深度学习等领域发挥更大的作用。

非支配排序遗传算法作为一种高效的并行优化算法，在生活中的应用非常广泛。

通过对其基本概念和理论的理解和掌握，我们可以更好地将其应用于实际问题中，并取得良好的效果。

未来随着科技的发展，非支配排序遗传算法有望在更多领域得到应用和发展，为人类的生产和生活带来更多的便利和效益。

因此，对非支配排序遗传算法的研究与应用具有重要的现实意义和广阔的发展前景。

改进的快速非支配排序遗传算法Ⅱ及其在投资组合中的应用胡博;肖辉;金浩;汪镭
【期刊名称】《微型电脑应用》
【年(卷),期】2022(38)2
【摘要】快速非支配排序遗传算法Ⅱ (NSGA-Ⅱ)是经典的多目标优化器,然而,其采用的拥挤度策略存在着无法有效区分较为拥挤个体的缺陷。

为了弥补此不足重新设计了拥挤度评价机制。

新拥挤度评价机制不仅可以弥补上述缺陷,而且可以进一步增强算法的整体性能。

在ZDT测试集和投资组合优化上的分析结果说明了改进的NSGA-Ⅱ综合较优表现。

【总页数】3页(P9-11)
【作者】胡博;肖辉;金浩;汪镭
【作者单位】同济大学;上海财经大学
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于改进参考点的快速非支配排序遗传算法研究
2.带精英策略的快速非支配排序遗传算法在多目标无功优化中的应用
3.面向交通信号优化改进快速非支配排序遗传算法研究
4.多目标炼钢—连铸生产调度的改进带精英策略的快速非支配排序遗传算法
5.改进快速非支配排序遗传算法热连轧过程负荷分配的智能优化
因版权原因，仅展示原文概要，查看原文内容请购买。

矿产资源开发利用方案编写内容要求及审查大纲
矿产资源开发利用方案编写内容要求及《矿产资源开发利用方案》审查大纲一、概述
㈠矿区位置、隶属关系和企业性质。

如为改扩建矿山, 应说明矿山现状、
特点及存在的主要问题。

㈡编制依据
(1简述项目前期工作进展情况及与有关方面对项目的意向性协议情况。

(2 列出开发利用方案编制所依据的主要基础性资料的名称。

如经储量管理部门认定的矿区地质勘探报告、选矿试验报告、加工利用试验报告、工程地质初评资料、矿区水文资料和供水资料等。

对改、扩建矿山应有生产实际资料, 如矿山总平面现状图、矿床开拓系统图、采场现状图和主要采选设备清单等。

二、矿产品需求现状和预测
㈠该矿产在国内需求情况和市场供应情况
1、矿产品现状及加工利用趋向。

2、国内近、远期的需求量及主要销向预测。

㈡产品价格分析
1、国内矿产品价格现状。

2、矿产品价格稳定性及变化趋势。

三、矿产资源概况
㈠矿区总体概况
1、矿区总体规划情况。

2、矿区矿产资源概况。

3、该设计与矿区总体开发的关系。

㈡该设计项目的资源概况
1、矿床地质及构造特征。

2、矿床开采技术条件及水文地质条件。