多目标柔性车间混合遗传算法论文阅读笔记

A hybrid Pareto based local search algorithm for multi objective flexible job shop scheduling problems

一种基于基于帕累托的多目标局部智能搜索应用在柔性车间调度（上）

可变邻域搜索

步骤：
第一步：先按预先确定的顺序初始化一些列的邻域搜索结构
第二步：产生一个初始解作为当前的最优解
第三步：判断是否满足停止搜索的条件，如果满足则执行第6步，如果不满足则执行第4和5步
第四步：用一种邻域搜索产生的新解，如果比之前的更优的话，就进行替换，并且依然用这种进行迭代，如果产生的解不优，则换一种邻域搜索方法进行搜索，这样让领域搜索，的替换更加系统
第五步：判断如果当前的领域搜索是最后一种领域搜索结构，在选择第一种进行搜索
第六步：输出目前最优的解
写成流程图就是这个样子：

关键路径理论

任何一个可行解的FJSP问题都可以通过析取图进行表示G=（N,A,E）——N表示节点的集合，A表示链接弧的集合，并且E表示析取弧的集合，关键路劲在G的集合中是最长的路径，在局部搜索时用关键路劲的理论是最有效果的，例如：图一给出一个解的析取图，图2给出该解的相应甘特图。在图一中，关键路劲是被高亮表示，，在一张析取图中也存在几个关键路径，，并且，解越差，关键路径越少，甚至只有一条，而解有优关键路径的条数也越多。并且每个关键路径都等于makespan，在关键路径上的任何一个操作都叫做关键操作，**在不增加计划的最大完工时间的情况下，关键操作不能被延迟。**可以将关键路径分解为几个关键路径块，一个关键路径块是在同一台机器上处理的相邻关键操作的最大序列。相应的在这个关键路径上的第一个操作，和最后一个操作叫做块的头和块的尾。其他的操作称为内部操作，如图一所示，具体析取图的表示含义为看这位博主的文章

编码方式：

在操作部分用的是222.表示的是201,202,203，以此类推，在机器选择部分也是采用表示选择的第几个机器，不是直接选择机器号。

初始化种群

主要思想就是考虑两个问题：第一个就是解的质量问题，第二个就是考虑解的多样性问题

在机器部分初始化方法

全局-局部最小处理时间规则的流程图:


局部的负载相对最小，相当于101,102,103,104,105,106，这几个工序作为一个行向量，需要保证，在这几道工序的行向量的值相差最小，从而得到它的选择的机器号。
代码请见：
链接: link.