【转】2018年全国大学生数学建模大赛B题简要分析（附代码）

最新推荐文章于 2024-01-17 10:47:54 发布

weixin_30375427

最新推荐文章于 2024-01-17 10:47:54 发布

阅读量5.3k

点赞数 4

原文链接：http://www.cnblogs.com/wind-chaser/p/11347379.html

版权

本文主要介绍了作者团队在2018年全国大学生数学建模大赛中解决B题的思路，涉及一道工序无故障、有故障等情况的处理。使用了遗传算法、模拟退火和穷举法等策略进行任务调度和路径优化，探讨了在参数不确定情况下周期性过程的证明和优化问题。

摘要由CSDN通过智能技术生成

　　今天早上跟学姐室友去复旦把论文答辩做掉了，虽然整个项目基本上是我承担了主要的思路与代码部分，但是今天答辩我跟室友竟然连一句有用的话都没说出来，全场都靠学姐开场流畅地引入，临场随机应变，从而得以与答辩教授欢聚喜散。主要原因是教授竟然准确地问到了我代码里一个细节却相当致命的问题（是一个随机初始化问题，我下面代码部分会详细提到），正好学姐室友都不是特别熟悉我的随机初始化方法，我又不能当场跟他们两个解释这个随机初始化的问题。我差点当场就要以“这样随机初始化能够减少代码量”这种蹩脚的理由跟教授争辩了。好在姜还是老的辣，辩论队队长出身的学姐一顿 Speech Art 操作成功忽悠掉了两位教授，最终两位答辩教授还是认可了我们的模拟仿真方法[捂脸]。事后细想以后我成功也好，失败也罢，恐怕也是成也言语，败也言语。也许我确实能够成为一个有能力的人，但是说话艺术确实是一门很大的学问。不过看我运气一直这么差，大概率还是凡人一个落入俗套吧[摊手]。

　　言归正传，本文主要介绍我们小组解决2018年全国大学生B题的思路分析，不代表标准答案。当然我还是有自知之明，本身水平不是很高，再加上三天时间限制，自己做出来的模型以及算法肯定是比较差的。这里仅仅从我个人的思考角度出发写一些参考思路作为分享讨论，希望各位读者朋友轻喷。

问题分析

　　今年的B题确实与往年有很大的不同。往年的数学建模问题往往具有比较好的开放性，问题解决存在较大的建模空间。今年的B题的题干本身就几乎是一个明确的模型（8台CNC+1台RGV+CNC定址），加上第二道任务要求我们根据给定三组数据完成八小时内的RGV详细调度方案，并写入四张Excel表格，给人的感觉就是要求我们去完成一道填空题，然后附带写一篇论文[尴尬]。

　　为了方便各位读者对赛题的阅读，这里给出链接：https://download.csdn.net/download/cy19980216/10708725

　　问题一共有四种不同的情况：一道工序无故障，一道工序有故障，两道工序无故障，两道工序有故障。

一道工序无故障

　　第一种情况是最简单的，直观上直接不停地1234567812345678……按顺序上料差不多就是最优了。但严谨地来说，虽然题目中给的三组数据确实都是用这种最幼稚的策略能够达到最优，但是如果对于一般的情况而言，比如最极端的情况下，RGV移动时间无穷大，那RGV显然就只会不停地在121212121212……这样原地上下料了。

　　然而我们发现无论参数怎么变化，最终RGV给CNC上下料的过程始终是一个周期性过程。当然这个似乎很“显然”的事实却是相当难以通过数学严格证明的（参数已知的情况下一般比较容易证明，但是所有的参数都是未知的情况下是很难严格说明的）。我赛后也仔细的思考过，但是也没有得出很漂亮的证明。我最终仅仅是针对给定的三组数据使用了遗传算法对RGV前17次上下料（17次是考虑从初始状态开始循环两圈的最短路径）的最优路径进行了搜索，并且利用穷举证明了这是前17步最优的上下料次序。之后基本上就是不断地循环。

　　这里的模拟退火遗传算法比较鸡肋，所以我不详细说明，在第三种情况我会详细说明模拟退火遗传算法的原理。

　　以下给出第一种情况的模拟退火遗传算法算法以及对应的穷举最优证明 ↓↓↓

  1 # -*- coding:UTF-8 -*-
  2 """
  3     作者：囚生CY
  4     平台：CSDN
  5     时间：2018/10/09
  6     转载请注明原作者
  7     创作不易，仅供分享
  8 """
  9  
 10 import math
 11 import random
 12 import itertools
 13  
 14 """ 选取一组数据 """
 15 T = 580
 16 d1 = 23
 17 d2 = 41
 18 d3 = 59
 19 Te = 35
 20 To = 30
 21 Tc = 30
 22  
 23 CNCT = [To,Te,To,Te,To,Te,To,Te]                                         # CNC上下料时间
 24  
 25 N = 50
 26 L = 17
 27  
 28 varP = 0.1
 29 croP = 0.6
 30  
 31 croL = 4
 32 e = 0.99
 33  
 34 tm = [
 35     [0,0,d1,d1,d2,d2,d3,d3],
 36     [0,0,d1,d1,d2,d2,d3,d3],
 37     [d1,d1,0,0,d1,d1,d2,d2],
 38     [d1,d1,0,0,d1,d1,d2,d2],
 39     [d2,d2,d1,d1,0,0,d1,d1],
 40     [d2,d2,d1,d1,0,0,d1,d1],
 41     [d3,d3,d2,d2,d1,d1,0,0],
 42     [d3,d3,d2,d2,d1,d1,0,0],
 43 ]
 44  
 45 def update_state(state,t):
 46     length = len(state)
 47     for i in range(length):
 48         if state[i] < t:
 49             state[i] = 0
 50         else:
 51             state[i] -= t
 52     return state
 53  
 54 def time_calc(seq):
 55     state = [0 for i in range(8)]                                           # 记录CNC状态
 56     isEmpty = [1 for i in range(8)]                                         # CNC是否为空？
 57     currP = 0
 58     total = 0
 59     length = len(seq)
 60     for No in seq:
 61         nextP = No
 62         t = tm[currP][nextP]
 63         total += t                                                         # rgv移动
 64         state = update_state(state,t)                                     # 更新state
 65         if state[No]==0:                                                 # 表明CNC等待
 66             if isEmpty[No]:                                                 # 当前CNC空
 67                 t = CNCT[No]
 68                 isEmpty[No] = 0
 69             else:
 70                 t = CNCT[No]+Tc
 71             total += t
 72             state = update_state(state,t)
 73             state[No] = T
 74         else:                                                             # 当前CNC忙
 75             total += state[No]                                             # 先等当前CNC结束
 76             state = update_state(state,state[No])                         
 77             t = CNCT[No]+Tc
 78             total += t
 79             state = update_state(state,t)
 80             state[No] = T
 81         currP = No
 82     total += tm[currP][0]
 83     return total
 84  
 85 def init_prob(sample):
 86     prob = []
 87     for seq in sample:
 88         prob.append(time_calc(seq))
 89     maxi = max(prob)
 90     prob = [maxi-prob[i]+1 for i in range(N)]
 91     temp = 0
 92     for p in prob:
 93         temp += p
 94     prob = [prob[i]/temp for i in range(N)]
 95     for i in range(1,len(prob)):
 96         prob[i] += prob[i-1]
 97     prob[-1] = 1                                                         # 精度有时候很出问题
 98     return prob
 99  
100 def minT_calc(sample):
101     minT = time_calc(sample[0])
102     index = 0
103     for i in range(1,len(sample)):
104         t = time_calc(sample[i])
105         if t < minT:
106             index = i
107             minT = t
108     return minT,index
109     
110 def init():
111     sample = []
112     for i in range(N):
113         sample.append([])
114         for j in range(L):
115             sample[-1].append(random.randint(0,7))
116     return sample
117  
118 def select(sample,prob):                                                 # 选择
119     sampleEX = []
120     for i in range(N):                                                     # 取出N个样本
121         rand = random.random()
122         for j in range(len(prob)):
123             if rand<=prob[j]:
124                 sampleEX.append(sample[j])
125                 break
126     return sampleEX
127  
128 def cross(sample,i):                                                     # 交叉
129     for i in range(len(sample)-1):
130         for j in range(i,len(sample)):
131             rand = random.random()
132             if rand<=croP*(e**i):                                         # 执行交叉
133                 loc = random.randint(0,L-croL-1)
134                 temp1 = sample[i][loc:loc+croL]
135                 temp2 = sample[j][loc:loc+croL]
136                 for k in range(loc,loc+croL):
137                     sample[i][k] = temp2[k-loc]
138                     sample[j][k] = temp1[k-loc]
139     return sample
140         
141 def variance(sample,i):                                                     # 变异算子                                         
142     for i in range(len(sample)):
143         rand = random.random()
144         if rand<varP*(e**i):
145             rand1 = random.randint(0,L-1)
146             rand2 = random.randint(0,L-1)
147             temp = sample[i][rand1]
148             sample[i][rand1] = sample[i][rand2]
149             sample[i][rand2] = temp
150     return sample
151     
152 def main():
153     sample = init()
154     mini,index = minT_calc(sample)
155     best = sample[index][:]
156     print(best)
157     for i in range(10000):
158         print(i,'\t',minT_calc(sample),end="\t")
159         prob = init_prob(sample)
160         sample = select(sample,prob)
161         sample = cross(sample,i)
162         sample = variance(sample,i)
163         mi,index = minT_calc(sample)
164         if mi>mini and random.random()<e**i:                             # 精英保留策略
165             rand = random.randint(0,N-1)
166             sample[rand] = best[:]
167         mini,index = minT_calc(sample)
168         best = sample[index][:]
169         print(best)
170     pri