作业车间调度问题描述
作业车间调度问题(Job Shop Scheduling, JSP)是最经典的几个NP-hard问题之一。其应用领域极其广泛,涉及航母调度,机场飞机调度,港口码头货船调度,汽车加工流水线等。
JSP问题描述:一个加工系统有M台机器,要求加工N个作业,其中,作业i包含工序数为Li。令,则L为任务集的总工序数。其中,各工序的加工时间已确定,并且每个作业必须按照工序的先后顺序加工。调度的任务是安排所有作业的加工调度排序,约束条件被满足的同时,使性能指标得到优化。
作业车间调度需要考虑如下约束:
Cons1:每道工序在指定的机器上加工,且必须在其前一道工序加工完成后才能开始加工;
Cons2:某一时刻1台机器只能加工1个作业;
Cons3:每个作业只能在1台机器上加工1次;
Cons4:各作业的工序顺序和加工时间已知,不随加工排序的改变而改变。
问题实例
下面给出作业车间调度问题的一个实例,其中每个工序上标注有一对数值(m,p),其中,m表示当前工序必须在第m台机器上进行加工,p表示第m台机器加工当前工序所需要的加工时间。(注:机器和作业的编号从0开始)\ jop0=[(0,3),(1,2),(2,2)]\ jop1=[(0,2),(2,1),(1,4)]\ jop2=[(1,4),(2,3)]\ 在这个例子中,作业jop0有3道工序:它的第1道工序上标注有(0,3),其表示第1道工序必须在第0台机器上进行加工,且需要3个单位的加工时间;它的第2道工序上标注有(1,2),其表示第2道工序必须在第1台机器上进行加工,且需要2个单位的加工时间;余下的同理。总的来说,这个实例中共有8道工序。\ 该问题的一个可行解是L=8道工序开始时间的一个排列,且满足问题的约束。下图给出了一个可行解(注:该解不是最优解)的示例:\
NSGA:非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm)
种群分层:
Tips:此处存在重复对比情况,即X1 与 X2 进行了两次对比
虚拟适应度:目标函数值
共享小生境技术:
同一小生境内的种群,适应度互相减小。相似度高的、小生境内个体多的种群适应度减少程度更大。
通过这样的方式可以保证非支配层的每个个体拥有不同的适应度值。(这个没有懂)
NSGA-II:带精英策略的非支配排序遗传算法
快速非支配排序算法:
伪代码:
如图,D点被A和C点支配,所以D点的np为2,A点支配D和E,所以A点的Sp={D,E}。
该排序算法分级与NSGA中的结果不一样
拥挤度和拥挤度比较算子
密度估计:根据每一目标函数计算该点两侧的两个点的平均距离,该值作为以最近邻居作为顶点的长方体周长的估计(作为拥挤系数)。如下图,第i个解的拥挤系数为他周围长方体的长度(虚线表示)。
计算拥挤系数需要对每一目标函数进行排序。
每个非支配层的边界的个体拥挤度为无穷。
拥挤度有多种计算方式
1.直接计算长方体边长
2.需要除以....
拥挤度比较算子:
主程序:
精英策略:
NSGA-II 程序流程图
需要输入的变量是:规模N、迭代次数
``` %主函数
clear all; clc; pop = 200; %种群数量 gen = 10; %迭代次数 popf=100;%父代种群数量 datamac;%载入车间设备信息 datapro;%载入待加工工件信息 promatrix=[];%包含工序及目标函数值得决策矩阵 macmatrix=[];%包含设备染色体信息的决策矩阵 for i=1:popf%生成初始种群 [P,M,N]=initPop(J); [partt,mact]=decode(J,P,M,N); ctime=calcomptime(partt); dtime=caldeftime(J,partt); tload=calequload(partt); tcons=caleneconsu(Mac,mact,P,M,ctime); promatrix(i,:)=[P,ctime,dtime,tload,tcons]; macmatrix(i,:)=M; end for i = 1 : gen pool = round(pop/2);%round() 四舍五入取整 交配池大小 tour = 2;%竞标赛 参赛选手个数 [pmatrix,mmatrix]= nondominationsortmod(promatrix,macmatrix);%种群进行非支配快速排序和拥挤度计算 clear promatrix; clear macmatrix; [pparentchromosome,mparentchromosome] = tournamentselection(pmatrix,mmatrix,pool,tour);%竞标赛选择适合繁殖的父代 %交叉变异生成子代种群 [pchildmatrix,mchildmatrix]=geneticoperator(J,pparentchromosome,mparentchromosome); %根据父类和子类总种群,进行非支配快速排序,选取出下一代的父代种群 for j=1:size(pchildmatrix,1) P=pchildmatrix(j,:); M=mchildmatrix(j,:); N=machineindex(J,P,M); [partt,mact]=decode(J,P,M,N); ctime=calcomptime(partt); dtime=caldeftime(J,partt); tload=calequload(partt); tcons=caleneconsu(Mac,mact,P,M,ctime); promatrix(j,:)=[P,ctime,dtime,tload,tcons]; macmatrix(j,:)=M; end npm=size(promatrix,1); promatrix(npm+1:npm+10,:)=pmatrix(1:10,1:size(promatrix,2));%保留精英染色体到子代种群中 macmatrix(npm+1:npm+10,:)=mmatrix(1:10,:); end [pmatrix,mmatrix]= nondominationsortmod(promatrix,macmatrix); numoflevel1=length(find(pmatrix(:,size(pmatrix,2)-1)==1)); targetpmatrix=pmatrix(1:numoflevel1,:); targetmmatrix=mmatrix(1:numoflevel1,:); bestp=targetpmatrix(1,:);%选取第一个作为最优解,可根据需求,选择AHP和熵权法或模糊决策法,选出最优解 bestm=targetmmatrix(1,:); P=bestp(1:length(bestp)-6); M=bestm; N=machineindex(J,P,M); [~,mact]=decode(J,P,M,N); ganttChart1(J,bestp,M,mac_t); ```
🎈 部分理论引用网络文献,若有侵权联系博主删除
🎁 关注我领取海量matlab电子书和数学建模资料
👇 私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类