麻雀搜索算法优化车间调度（文末附代码）

---

前言

作业车间调度问题（Jot shop Scheduling Problem，JSP）通常被定义为旨在优化一个或多个调度标准的决策题，是最难的组合优化问题之一。柔性作业车间调度问题（Flexible JSP，FJSP）是传统调度问题的扩展。为 了解决FJSP，必须考虑两个问题，一是机器分配；另一个是工序排序。机器分配为每项工序分配一台加工机器，而操作排序是将所有工序安排在相应机器上，以获得可行和高质量的解决方案。因此，FJSP比JSP问题更复杂，被列为NP-hard问题[1]。随着“工业4.0”的提出，制造 业不能再将完工时间作为基准，有部分研究人员已经开 始将能量消耗纳入作业车间的衡量范围内。

---

一、车间调度问题

二、麻雀搜索算法

1.算法介绍

麻雀搜索算法是近两年提出的新兴群智能优化算法，具备算法原理简单、收敛速度快等优势。该算法基于麻雀种群的社会行为将麻雀个体分为发现、加入者以及警戒者，发现者能力较强可以找到食物并为同类指明方向，公式为：

式中:t和T分别为算法当前以及最大更新次数，∝为随机数，其取值范围为1,1;Q同样为随机数，但服从正态分布;L为所有元素都是1的行短阵，其列数由待求解问题维度确定;R2为大于0小于1的预警值，ST为大于0.5小于1的安全值。

加入者则通过观察发现者的食物来源以便取而代之，公式为:

式中:Xp(t+1)为所有发现者中位置更新后的最佳位置;A+ = AT(AAT)-1其中，A为所有元素随机取值为1或-1的行矩阵，列数为求解问题维度;Xworst为当前种群中的最劣位置;n为种群中麻雀数量.
警戒者需要时刻留意当前环境，以便发现危险立即飞往安全环境。位置更新公式为:

式中:Xbest为当前种群中的最佳位置;β为随机数且遵循标准正态分布;fi, fg, fw分别为目前个体、当前种群最优、最劣的适应度值;k在-1,1范围内随机取值，E的作用是防止分母为0.

2.部分代码

代码如下（示例）：

clear all 
clc

rng('default');

%% 载入数据
data.Process=xlsread('data.xlsx',1);
data.lambda_gama=xlsread('data.xlsx',2);
data.numP=length(data.Process(:,1));
data.numJ=max(data.Process(:,1));
data.numM=4; %机器数量
data.Z=10;
dim=data.numP*data.numM;
%% 测试函数
option.dim=dim;
lb = 0;
ub = 1;
fobj = @aimFcn_1;
%% 算法设置
%  Function_name='F8'; % Name of the test function that can be from F1 to F23 (Table 1,2,3 in the paper) 设定适应度函数
SearchAgents_no=20; % Number of search agents 种群数量
Max_iteration=20;
% Load details of the selected benchmark function
% [lb,ub,dim,fobj]=Get_Functions_details(Function_name);  %设定边界以及优化函数

[Best_pos,Best_score,SSA_curve]=SSANew(SearchAgents_no,Max_iteration,lb,ub,dim,fobj,option,data); %开始优化
str='SSA';
[~,result] = fobj(Best_pos,option,data);
option.color = [ ...
    1 0 0; % 红色
    0 1 0; % 绿色
    0 0 1; % 蓝色
    ];
drawPC(result,option,str);
figure();
plot(SSA_curve,'-.', 'LineWidth',2);
legend("SSA");

---

三、总算法优化结果

按照工件加工顺序：

按机器使用顺序：

代码获取

代码获取