【车间调度】基于nsgaII求解车间调度matlab源码

Matlab科研辅导帮

已于 2024-05-28 23:10:11 修改

阅读量80

点赞数

文章标签：算法数据结构机器学习 python java

于 2021-06-29 23:05:12 首次发布

本文链接：https://blog.csdn.net/m0_60703264/article/details/120135674

版权

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：\ 在这里插入图片描述

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); ```