假设问题：
1、一个企业生产一件产品共有M项任务需要完成，依次记为A、B、C......，任务的完成需要遵循一定的顺序，A任务完成后才能去完成B，B完成后才能去完成C，以此类推。
2、此时有N(N>=M)名员工可以完成这些任务，员工编号依次为1、2、3....，且每个员工只能固定完成一项任务，由于工作能力不同，每名员工完成不同任务耗费的时间不一样，如表1所示。
| 任务/时间 | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| A | 21 | 18 | 16 | 22 | 14 |
| B | 35 | 28 | 33 | 26 | 22 |
| C | 12 | 16 | 11 | 14 | 11 |
3、现按任务的顺序为各任务安排合适的员工，各员工按编号从小到大的顺序进行排队，对每一个员工可以做出同意或拒绝的选择，且只有一次机会，当选择同意时，按任务的先后顺序为此员工安排一项任务，当选择拒绝时，此员工离开队伍，后续不能再向其安排任务。
例如：
当前最新任务为A，1号员工到来，拒绝1号完成任务A，1号离开，2号员工到来，接受2号员工完成任务A
当前最新任务变为B，3号员工到来，拒绝3号完成任务B，3号离开，4号员工到来，接受4号员工完成任务B
当前最新任务变为C，5号员工到来，接受5号员工完成任务C
任务已分配完毕
因为条件3的限制，导致表1发生了一些变化，
1号员工不可能分配到任务B、C、...，因为这样就没有员工完成A了，同理有以下限制
2号员工不可能分配到任务C...
4号员工不可能分配到任务A...
5号员工不可能分配到任务A、B...
对于不可能分配到的任务，此员工完成时间记为无穷大，如下表2所示
| 任务/时间 | 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|---|
| A | 21 | 18 | 16 | ∞ | ∞ |
| B | ∞ | 28 | 33 | 26 | ∞ |
| C | ∞ | ∞ | 11 | 14 | 11 |
问如何为每一个任务分配一个员工去，能够达到生产一件产品耗费总时间最小？
分析：
理想情况下，应该为每一个任务安排耗时最短的员工完成，可以看到，3号员工完成任务A，4号员工完成任务B，5号员工完成任务C，刚好满足条件，而且完美错开，可以达到总耗时最短的要求，总耗时为16+26+11=53。但是如果错不开怎么办，即某一个员工在完成多件任务都是耗时最短的情况下，就不能这么简单处理了，所以要考虑一般的情况。
一般的，在这个问题中，任务的完成是固定顺序，员工的选择也是从前到后，那么组合的情况就是123、124、134、235等等。可以认为是从5个员工中选3个，然后按顺序排队，依次分配一个任务，可以选择的组合数为
=10，对每一种组合下计算对应的耗费时间，即可得到耗时最短的一种组合情况。
Matlab程序如下：
% 文件名：example1.m
% 时间：2020年9月29日
% 作者：乐观的lishan
% 功能：遍历法计算顺序指派问题
clear,close,clc
warning off
tic
%生成代价矩阵
d = [21 18 16 inf inf;
inf 28 33 26 inf;
inf inf 11 14 11];
M = size(d,1); %任务数
N = size(d,2); %员工数,员工应数大于或等于任务数
C = nchoosek(1:N,M); %求出所有的组合情况
n = size(C,1);
Sum = zeros(n,1);
for i = 1:n
for j = 1:M
Sum(i) = Sum(i) + d(j,C(i,j));
end
end
min_Sum = min(Sum);
min_plan = (C((Sum == min_Sum),:));
num_plan = size(min_plan,1);
toc
%输出结果
fprintf('完成指派任务的方案总数为:%.0f\n',n)
fprintf('完成指派任务耗费的最短时间为:%.0f\n',min(Sum))
for i = 1:num_plan
fprintf('对应第%d种指派方案为:%s\n',i,num2str(min_plan(i,:)))
end
%绘制耗费时间坐标图
plot(Sum,'r','LineWidth',2)
%绘图说明
xlabel('组合编号')
ylabel('耗费时间')
title('不同组合方案下的时间耗费示意图')
求出结果如下：
求出结果为3号员工完成任务A，4号员工完成任务B，5号员工完成任务C，此时耗费时间最短，最短时间为53
但是这是数据量比较少的情况，一旦数据增大，就不能再使用遍历了，比如，任务数为27，员工数为35，组合方式就达两千三百万种之多，此时需要寻找一种更好的方法
更一般的，对于一个离散的组合优化问题，可以使用蒙特卡洛加模拟退火算法解决
算法步骤描述如下：
step1：使用蒙特卡洛方法生成随机选择一个最优的组合，作为初始解，并计算初始能量值（目标函数值）
step2：初始化模拟退火算法参数，初始温度T，终止温度e，温度衰减因子alf，马尔科夫链长度L，能量不再降低的次数上限cnt_limit
step3：马尔科夫链长度加1，判断是否达到上限，若是，算法结束，否则，开始step4
step4：当前温度下，在当前解的基础上进行扰动构造一个新解，本文中构造方法为：先将当前解的组合中随机去掉一个员工，再随机添加一个新员工。生成一个新解（一种组合），并计算能量值，即目标函数值（耗费总时间）
step5：计算与前一个解的能量之差
step6：根据能量差判断是否接受新解。若能量差小于0 ，说明新解的能量更低，接受新解；否则 ，说明新解的能量没有下降，以玻尔兹曼概率接受新解。同时记录最优解和对应的最低能量值（最小目标函数值）
step7：判断最低能量值是否保持不变，若是，计数器加1，否则，计数器清0。若计数器到达上限，算法结束。
step8：降低温度，判断温度是否达到下限，若是，算法结束，否则，转向step3
程序如下：
% 文件名：example2.m
% 时间：2020年9月29日
% 作者：乐观的lishan
% 功能：利用模拟退火算法计算有顺序约束的指派问题
clear,close,clc
warning off
tic
%数据的生成
M = 27; %任务数
N = 35; %员工数,员工应数大于任务数
lb = 10; %成本下限
ub = 35; %成本上限
%利用随机数生成代价矩阵
d = unifrnd (lb, ub, M, N); %生成一个服从均匀分布的矩阵，数值范围[lb,ub]，矩阵大小M×N
d = ceil(d); %朝正无穷大取整
for i = 2:M
d(i,1:i-1) = inf;
d(M-i+1,N-(i-1)+1:N) = inf;
end
% 保存数据，可用于下一次用相同的数据实验
save data
%运行一次后可将此行上面的所有代码注释，再次运行即可使用相同的数据
load data.mat
%初始化决策变量和函数值，即模拟退火中的状态和内能
S0 = sort(randperm(N,M)); %初始化分配策略，决策变量，即状态
Sum = inf; %初始化能量，目标函数值
H = 20; %蒙特卡洛生成组合数次数
%生成初始解，用蒙特卡洛方法随机生成H种组合，并选择其中一个较好的指派组合
for j = 1:H
S = sort(randperm(N,M));
temp = 0;
for i = 1:M
temp=temp+d(i,S(i));
end
if temp < Sum
S0 = S;
Sum = temp;
end
end
%记录蒙特卡洛选优结果
sum = Sum;
s0 = S0;
%模拟退火算法的参数设置
e = 0.1^30; %终止温度
L = 5000; %Markov链长度
alf = 0.999; %温度衰减因子
T = 1; %起始温度
cnt_limit = 300; %最优值连续保持不变的次数上限
all_people = 1:N; %所有元素构成的集合
S0 = s0;
cnt = 0;
record_solve(1,:) = S0;
record_value(1,:) = 0;
for i = 1:M
record_value = record_value + d(i,S0(i));
end
%退火过程
for k=2:L
%产生新解
original_solve = S0; %保留原解
remain_people = setdiff(all_people,S0); %求当前解在所有元素构成的集合中的补集
index1 = randperm(N-M,1);
index2 = randperm(M,1);
add_num = remain_people(index1); %随机添加一个新元素
S0(index2) = []; %随机删除当前解的一个元素
new_solve = sort([S0,add_num]); %添加一个新元素并排序生成新解
record_solve(k,:) = new_solve;
%计算代价函数值，即当前时刻目标值（内能）减去前一时刻目标值（内能）
d1 = 0;
d2 = 0;
for i = 1:M
d1 = d1 + d(i,original_solve(i)); %交换前，目标函数值
d2 = d2 + d(i,new_solve(i)); %交换后，目标函数值
end
df = d2-d1; %内能差
record_value(k,:) = d2;
%接受准则
if df<0 %内能降低，此解与上一解比较更优
S0 = new_solve;
if d2 < Sum(k-1)
bset_solve = new_solve;
Sum(k) = d2;
else
Sum(k) = Sum(k-1);
end
else
if exp(-df/T)>rand(1) %内能增大，此解与上一解比较更差，以玻尔兹曼概率接受此解
S0 = new_solve;
else %内能增大，且不接受新解
S0 = original_solve;
end
Sum(k) = Sum(k-1);
end
%判断最优值是否不再变动
if Sum(k) == Sum(k-1)
cnt = cnt + 1;
if cnt >= cnt_limit
break;
end
else
cnt = 0;
end
%温度判断
T=T*alf; %降低温度，开始冷却
if T<e %温度小于临界值，算法提前结束
break;
end
end
toc
%结果验证
d3 = 0;
for i = 1:M
d3 = d3 + d(i,bset_solve(i));
end
if d3 == Sum(end)
fprintf('结果验证【成功】\n')
else
fprintf('结果验证【失败】\n')
end
best_plan = (record_solve((record_value == Sum(end)),:));
[b,location]= unique(best_plan,'rows','first');
res = sortrows([location,b]);
new_best_plan=res(:,2:size(res,2));
%输出结果
fprintf('完成指派任务的方案总数为:%.0f\n',nchoosek(N,M))
fprintf('程序迭代次数为:%.0f\n',length(Sum))
fprintf('完成指派任务所需的最少成本为:%.0f\n',Sum(end))
for i = 1:size(new_best_plan,1)
fprintf('对应第%d种指派方案为:%s\n',i,num2str(new_best_plan(i,:)))
end
%绘制收敛坐标图
plot(Sum,'r','LineWidth',2)
%绘图说明
xlabel('收敛次数')
ylabel('成本值')
title(['收敛示意图：','第',num2str(length(Sum)),'次收敛'])
程序运行结果如下：
记录两次较好的运行结果
更改任务数、员工总数，程序也能很快的完成收敛。当然模拟退火每次运行结果不一样，可以多运行几次，记录一个较好的结果，这样能够在短时间内得到一个较好解方案
通过遍历法可以验证模拟退火算法结果的有效性，其结果保持一致，但模拟退火算法可以更快得出结果
结论
本文对有顺序约束的任务指派问题进行了分析，有顺序约束即任务的完成有先后顺序之分，员工的选取也有先后顺序之分（只能向后选取），在这个限制条件下，本文先给出了遍历法的解决方法，并给出了Matlab代码和示例结果。然后提出在任务数和员工数增大的情况下遍历法不再适用，因为本质上这是一个离散的组合优化问题，由此引入了蒙特卡洛算法加模拟退火算法的解决思路，并给出了算法步骤和Matlab代码以及示例结果。本文的模拟退火算法与一般退火算法不同，由于本文的组合情况有顺序约束，常规退火算法中的扰动方法不再适用，本文使用方法为：在当前解中随机删除一个元素，再随机加入一个新元素的方法构造新解，最终取得了比较好的效果。
感谢博主“乐观的阿锡”乐观的阿锡的博客_CSDN博客-计算机,go语言,Linux系统编程学习笔记领域博主为本文提供了问题基础以及解决的思路
参考文献
[1] 李冰,徐杰,杜文.用模拟退火算法求解有顺序约束指派问题[J].系统工程理论方法应用,2002(04):330-335.
[2] 赵越.模拟退火算法求解指派问题新探[J].吉林建筑工程学院学报,2011,28(04):61-63.
扫一扫
1459
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
