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