麻雀搜索算法多行车间调度（文末提供代码）

一、机器布局设计

机器布局设计(MLD)问题通常出现在公司考虑制造多个产品所需的总运输距离时，这些产品要在位于车间区域的预定义机器序列上执行。该问题被称为NP困难问题，通常采用元启发式方法解决。本文介绍了一种应用人工蜂群(Artificial Bee Colony, ABC)算法的自动化MLD编程工具的开发，并报告了ABC参数配置对其性能的影响。该程序以模块化方式编码，并使用文献中采用的五个基准数据集进行测试。实验结果表明，采用最优参数设置后，ABC性能得到显著提高。

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.Unit=xlsread('data.xlsx',1);
data.Distance=xlsread('data.xlsx',2);
data.x0=xlsread('data.xlsx',3);
data.numUnit=length(data.Unit(:,1));
data.mapSize=[55,50]; %车间大小
data.d=[2,5,2.5];
data.r=1.5;
data.accuracy=0.1; %布局精度
data.v=4000/3600;
data.maxT=432*3600;
data.upLoadT=322;
data.downLoadT=282;
data.minUnit=2; %区段设备数量
data.maxS=ceil(data.numUnit/2); %缓冲区最大数量
data.maxDQ=1710000;
data.C_AGV=100;
data.C_QD=0.083;
data.w=[0.5,0.2,0.3]; %AGV子系统的两个权值
data.maxAGV=4;
data.Dmax=95;
data.LWmax=55*50;
dim=data.numUnit+data.maxS-1;
%% 画图

%%

%% 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=100; % Number of search agents 种群数量
Max_iteration=50;
% 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

figure
hold on

plot(SSA_curve,'LineWidth',2)

legend("SSA")
title('fitness curve')
%% 输出结果
str='SSA'
[~,result1]=fobj(Best_pos,option,data);
drawPc(result1,option,data,str)

---

三、总算法优化结果

代码获取：

点击获取代码