蚁群算法求解作业车间调度问题及Python代码实现

作者简介：本人擅长运筹优化建模及算法设计，包括各类车辆路径问题、生产车间调度、二三维装箱问题，熟悉CPLEX和gurobi求解器
微信公众号：运筹优化与学习

若有运筹优化建模及算法定制需求，欢迎联系我们私聊沟通

前言

前篇推文开启了作业车间调度问题的学习，介绍了遗传算法求解作业车间调度问题，本篇将介绍另一种经典的启发式算法-蚁群优化算法（Ant Colony Optimization，ACO）用以求解作业车间调度问题。

感兴趣的可以先去阅读一下前一篇推文，了解作业车间调度问题以及遗传算法求解思路：

优化算法|遗传算法求解作业车间调度问题（Python代码）

本次代码还是求解上篇推文提到的作业车间调度问题，故不再重复介绍问题背景，如有不熟悉的可通过上文链接进行了解学习。

蚁群算法原理

（1）状态转移函数

初始状态下，每条路径上的信息素数量是相同的。同时，初始状态下，每只蚂蚁会通过随机寻找路径的方式前行，信息素释放的数量与搜索路径的目标函数值成反比。随后，搜索过程中，每只蚂蚁根据路径上残留的信息素，计算蚂蚁前往每一个节点的概率，并基于概率选择下一个访问的节点。其中，第$t$次迭代蚂蚁$k$从节点$i$前往节点$j$的概率$P_{ij}^k(t)$的计算表达式如下：

表达式中，${\tau }_{ij}(t)$表示第$t$次迭代从节点$i$前往节点$j$残留的信息素数量，${\eta }_{ij}(t)$表示节点$i$前往节点$j$的距离长度的倒数，$J_k$表示蚂蚁$k$还没有访问过的节点的集合。同时，$a$表示信息素因子，$b$表示启发函数因子，这两个参数为蚁群优化算法的关键参数。

（2）更新信息素

在初始状态下，每条路径的信息素数量均设置为0。在搜索过程中，部分信息素会随着时间流逝而挥发，信息素挥发快慢通过参数信息素挥发因子$c$进行控制。信息素的更新计算表达式如下：

表达式中，$\Delta {\tau }_{ij}^k$蚂蚁$k$遍历过的路径总长度的倒数，${\tau }_{ij}(t)$表示第$t$次迭代从节点$i$前往节点$j$残留的信息素数量。

代码说明

编码方式同样采用基于工序编码全排列的编码方式进行编码，染色体的长度等于所有工件的工序之和。编码顺序代表工序被加工的优先级。

读取数据类

读取算例数据

class Information():

    def __init__(self, file_name, init_pheromone, min_pheromone):
        self.min_pheromone = min_pheromone
        #Read Data
        self.data = self.__readData(file_name)
        self.num_jobs = len(self.data)
        self.num_machines = len(self.data[0])
        #Create Graph 
        self.G, self.node_names = self.__buildGraph(init_pheromone)


    def __readData(self, file_name):    
        jobs = []
        with open("../test_instances/" + file_name,'r') as file: 
            for line in file: 
                machines = {}
                this_machine = None
                for j,value in enumerate(line.split()):
                    if j%2 != 0:
                        machines.update({this_machine : value})
                    else:
                        this_machine = value
                jobs.append(machines)

        return jobs 

蚂蚁类

构造蚂蚁的搜索路径

class Ant():
    def __init__(self, Graph, node_names, ALPHA, BETA, seed, extended_seed):
        self.seed = seed + extended_seed
        self.ALPHA = ALPHA
        self.BETA = BETA
        self.G = Graph 
        self.not_visited = node_names.copy()
        self.ant_path = []


    def evolve(self):
        np.random.seed(self.seed)
        current_node = (-1,-1)
        while self.not_visited:
            if len(self.not_visited) == 1:
                next_node = self.not_visited[0]
            else:
                next_node = self.__chooseNextNode(current_node)
            self.ant_path.append((current_node, next_node))
            current_node = next_node
            self.not_visited.remove(next_node)
        return self.ant_path


    def __chooseNextNode(self, current_node):

        node_probabilities = self.__calculateNodeProbabilityChoices(current_node)
        nodes = list(node_probabilities.keys()) 
        normalized_probabilities = self.__normalizeProbabilities(node_probabilities.values())
        indexs = [ i for i in range(len(normalized_probabilities))]
        next_node_index = np.random.choice(
                                indexs, 
                                p=normalized_probabilities)
        return nodes[next_node_index]

若有运筹优化建模及算法定制需求，欢迎联系我们私聊沟通