1.一种基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，其特征在于，包括如下步骤：步骤1，以年成本最小为目标，构建露天矿充电桩选址模型；所述年成本包括车辆总行驶成本、充电成本和基本建设成本，目标函数表示如下：γ表示单位距离的用电成本，N表示装载点的位置之和，Q表示电池容量，R表示路径规划上的路径之和，dikr表示装载点i到卸载点k的距离，F表示充电桩的数量之和，dijr表示装载点i到充电桩j的距离，djkr表示充电桩j到卸载点k的距离，c表示车辆总数，表示车辆固定出行成本， 表示到达充电桩的时间差，u表示充电桩数量，θ表示充电桩的建设成本；

Xikr表示装载点i到卸载点k的决策变量，当车辆从装载点i出发电量充足，则行驶到卸载点k，决策变量为1，否则行驶到充电桩处，决策变量为0，并且，当选择行驶到卸载点k时则不行驶到充电桩处；

Yijr表示装载点i到充电桩j的决策变量，当车辆从装载点i出发电量不足以行驶到卸载点，则选择行驶到充电桩j，决策变量为1，否则决策变量为0；

步骤2，对樽海鞘算法进行如下改进，得到一种自适应扰动樽海鞘算法；

步骤2.1，采用Tent帐篷混沌映射产生初始种群，Tent帐篷混沌映射的公式如下：其中ρ为混沌参数，参数越大，混沌性越好，种群的分布性也就越好，为分布系数，h＝

1,2…,n，表示混沌变量的序列号，g＝1,2…,m，表示种群规模， 表示当前迭代个体；

步骤2.2，引入自适应扰动策略机制，加强后期最优领导者对于其他领导者个体的影响因素，减少种群陷入局部最优的情况；自适应扰动策略机制的公式如下：其中t为迭代次数，rand为(0,1)之间的随机数， 为当前最优适应度值的个体，为当前迭代经过扰动策略的得到的个体适应度值；

步骤2.3，引入非线性函数的自适应惯性权重因子来更新跟随者的位置公式，使得跟随者能跟进领导者的行踪，保证算法的全局搜索能力；更新公式如下：ω(t)为自适应惯性权重，非线性递减值，取值范围为(0,1)，Tmax为最大迭代次数，θ为自适应参数，通过参数敏感度分析进行最优值的选取，e是自然常数；

步骤3，利用所述自适应扰动樽海鞘算法求解模型，得到选址结果。

2.根据权利要求1所述基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，其特征在于，Xikr的计算公式表示如下：Xikr服从1‑0分布，即车辆不是从装载点i到充电桩j就是从装载点i到卸载点k，只有这两种路线可以选择， 表示离开装载点时的电量，b表示单位距离耗电速率，1‑Xikr表示在路径r中，当在装载点i处选择前往充电桩时，只能选择一处充电桩前往，当选择前往卸载点k时，则不允许访问充电桩。

3.根据权利要求2所述基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，其特征在于，车辆进出充电桩/卸载点时车辆的流量守恒：Yjkr表示卸载点k到充电桩j的决策变量，当路径r中的车辆从充电桩j行驶到卸载点k时值为1，否则为0；

车辆在到达充电桩进行充电后的电量守恒：

表示车辆刚开始运作的电量， 表示离开装载点i的电量， 表示到达装载点i的电量， 表示离开充电桩j后的电量；

车辆到达卸载点k时的总电量水平为从装载点i到充电桩j充满电的电量差和从装载点i到卸载点k电量差之和：车辆到达装载点i，卸载点k的时间约束：

表示离开装载点的时间， 表示充电后离开充电桩的时间， 表示充电前到达充电桩的时间，ω表示车辆在充电桩的充电时间；

车辆到达充电桩的时间为车辆离开装载点的时间，车辆装卸点路程时间和车辆到充电桩的时间之和：表示到达充电桩的时间，v表示车辆行驶速度，d(j+1)ir表示装载点i到充电桩j+1之间的距离，a表示单位时间充电速率；

基于车辆行驶路途中的坡度高差会导致车辆速度变化，定义了一个速度与道路坡度的反比例函数关系，行驶速度趋于路程平均速度的正负偏差值区间：δ表示速度和高程差的比例系数，f表示基于平均速度的偏量，Δh表示单位路径的高程差，表示车辆运行的平均速度；

最小电量阈值的约束条件：

表示到达充电桩时的电量，即当电量小于额定电量的15％时，卡车就必须返回充电桩进行充电操作。

4.根据权利要求1所述基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，其特征在于，对于露天矿充电桩选址问题，所述自适应扰动樽海鞘算法如下：首先，确定初始变量及种群，对应实际问题中的充电桩及选址参数变量，包括选址过程中的充电桩的充电时间、电量和距离、装配点之间的距离以及道路参数情况；

其次，确定卸载点和充电桩的数量要求，即通过充电桩数量约束进行充电桩的数量确定：Nmin≤N≤Nmax

其中ceil{}为向上取整函数；Smax为单个充电桩的最大容量；Smin为单个充电桩的最小容量；Nmin为充电桩的最小数量；Nmax为充电桩的最大数量，D为目标区域每天的总充电需求；

接着，将每个分别最先到达充电桩充电的电动卡车视为领导者，其后面分别到达的电动卡车视为追随者，卡车从当前路径出发，依据路径选择规则和领导者公式决定到达下一个节点，当到达一个节点即充电桩时会计算适应度值；所述领导者公式即自适应扰动策略机制的公式；

最后，在更新后代操作时设定一个阈值K进行排序比较，二次更新时加入交叉变异操作，采用单个种群点的中间部分进行转置交叉，将 左右的两个值的位置进行交换的方式进行变异，从而使得领导者能找到全局最优适应度值，即确定最优的充电桩选址问题。

5.根据权利要求1所述基于自适应扰动樽海鞘算法的露天矿充电桩选址方法，其特征在于，所述模型求解包括以下步骤：步骤S1：初始化参数，包括樽海鞘群的种群大小以及最大迭代次数，采用Kent帐篷映射产生初始化种群；

步骤S2：计算种群中每个种群个体的适应度，并找到全局最优适应值和个体极值作为领导者追随目标值；

步骤S3：执行种群扩散过程：利用更新后的自适应扰动位置公式，来确定领导者和追随者各个新个体的位置，找出种群中的最优个体和更新全局最优值；

步骤S4：执行第一次更新操作：设置一个阈值K进行排序筛选，根据计算出来的适应度的值，对所有个体进行排序，其中，对于每个个体适应度判断其小于K是否满足；若满足，转至步骤S5；否则，计算下一个个体适应度；

步骤S5：执行第二次更新操作：根据适应度的值，对更新过的种群个体进行交叉变异操作，具体的操作是采用单个种群点的中间部分进行转置交叉；将中间两边部分的两个值的位置进行交换的方式进行变异；

步骤S6：经过交叉变异操作后得到新的种群适应度，通过比较与之前第一次更新操作后的种群适应度，择优进行保留操作，返回步骤S5继续迭代；

步骤S7：将最优樽海鞘位置和适应度值为全局最优位置和最优适应度值返回结果；

步骤S8：判断是否满足终止条件，是则结束算法输出结果，否则返回步骤S4继续迭代，当算法达到最大评价次数时终止。