[python]遗传算法对柔性车间调度问题FJSP求解【免费下载代码】

直接上代码

GitHub - guillaumebour/flexible-job-shop: Python implementation of a genetic algorithm for FJSP.https://github.com/guillaumebour/flexible-job-shop柔性作业车间调度问题介绍 (Flexible Job-shop Scheduling Problem, FJSP)
什么是柔性车间调度，我们可以先来说说传统的车间调度，传统的车间调度问题包括工件、工序、机器三个属性，其中工件由工序组成，机器在加工工件时需要按照工序的顺序，一个工序只能由一台机器去完成。柔性车间调度，顾名思义就是在传统的调度加上了更多的信息，即一个工序可以由一个或多个机器去完成。

具体实现流程

1. 寻找FJSP公开数据集和benchmark

2. 设计GP算法（重要）

3. 生成甘特图，对比结果

1. 寻找FJSP公开数据集和benchmark

第一步的公开数据集使用的是Monaldo的数据集，包含很多类型的FJSP问题，下载链接在这里：Flexible Job Shop Problem 

然后 代码链接

GitHub - guillaumebour/flexible-job-shop: Python implementation of a genetic algorithm for FJSP.

 

2. 设计算法
对于遗传规划来说，遗传规划里的population是不同的启发式，而遗传算法的population直接就是问题的解。

遗传算法包括：输入问题 -> encode -> 随机生成解 -> decode -> 重组，变异 -> 得到新的解

注意，因为我们解决的是FJSP问题，包含选择operation和为operation选择machine两个步骤，所以一般来说，使用遗传算法生成的FJSP问题的解都是两个序列。一个序列代表选择的operation，另外一个序列代表选择的machine。
 

在遗传规划中，同样的我也定义了两个图去分别寻找operation与machine，具体算法流程如下：

1. 首先随机初始化两组GP个体

2. 使用第一组GP个体去寻找下一个执行的operation

3. 使用第二组GP个体去为下一个执行的operation寻找machine

4. 直到所有operation被分配完毕，估测fitness

5. 根据fitness去变异个体，准备下次迭代