weixin_44624036的博客

第一次评估的指标确定侧重于量化测量和客观标准，以确保服务或产品能够满足基本的要求或性能标准。第二次评估的指标确定则更侧重于根据决策者的偏好和实际的约束条件，对多个指标进行权衡和折中，以便做出最适合的选择。

后来参考了GitHub上一个作业车间调度问题的遗传算法代码，发现，哪有我这么写代码的，人家都是把各个对象和方法封装成一个一个的类，所谓的面向对象编程，我这写的是啥玩意。所以决定这个算法就不纠缠了，因为继续按照我这样的逻辑写下去，基本写不通（我菜，你们要是能走通踢我），还不如重新捡起我面向对象的思想，从一开始就做好属性和功能的封装。本以为手搓了一个单机调度和并行机调度的遗传算法，就可以尝试写开放车间的遗传算法了，结果手搓了两天，开始作业时间和结束作业时间的计算还是没整明白。先把代码搁这备个份。

m台相同的机器，n个工件，每个工件有1道工序，可按照任意的工序为每个工件分配一台机器进行加工设备数目：3。

最小化交货期总延时时间。

NSGA-III（Non-dominated Sorting Genetic Algorithm III）算法是NSGA-II的改进版，是多目标优化领域中的重要算法之一。该算法在选择机制上进行了创新，通过引入广泛分布的参考点来维持种群的多样性，其关键优势在于其能够有效地平衡多样性和收敛性，以找到Pareto前沿上的高质量解。NSGA-III的主体框架与NSGA II初始化种群随机生成一个初始种群，其中包含多个个体（解）。每个个体通常由一组决策变量表示。非支配排序对初始种群中的个体进行非支配排序。

DTLZ（Deb-Thiele-Laumanns-Zitzler）问题家族是多目标优化中的一类标准测试问题集合。这个家族的问题由Kalyanmoy Deb、Lothar Thiele、Marco Laumanns和Eckart Zitzler于2002年提出，它旨在用于评估和比较不同多目标优化算法的性能。DTLZ问题家族包括一系列多目标优化问题，每个问题都有多个目标函数和一组决策变量。：每个DTLZ问题包括多个目标函数，通常大于等于2个。这些目标函数旨在模拟真实世界的多目标优化问题中的多个冲突目标。

NSGA-II（Nondominated Sorting Genetic Algorithm II）是一种经典的多目标优化算法，用于解决多目标优化问题，其中需要同时优化多个冲突的目标。NSGA-II 基于遗传算法的思想，旨在找到一组解，这些解被称为 Pareto 最优解，它们在多个目标之间没有更好的解。：首先，随机生成一个包含多个个体的初始种群。每个个体都代表一个潜在的解。：NSGA-II 使用非支配排序技术，将种群中的个体划分为多个前沿。

轮盘赌算法（Roulette Wheel Selection）是一种用于选择个体的优化算法，常用于遗传算法和进化计算领域。其基本思想模拟了轮盘赌游戏中旋转轮盘的过程。轮盘赌算法的核心思想是根据个体的适应度值来确定其被选中的概率，适应度较高的个体具有更大的概率被选中，从而增加了进化算法中优秀个体被选择的机会。锦标赛算法（Tournament Selection）是一种常用的个体选择方法，常用于遗传算法和进化计算中。它模拟了锦标赛的竞争过程，通过不断地选择优胜者来构建新一代的个体群体。

在多目标遗传算法（MOGA）和多目标优化中，共享函数方法是一种用于维护种群多样性的技术。这个方法的目标是在遗传算法的演化过程中促进种群中的解决方案分布均匀，以便更好地探索 Pareto 前沿。原始的非支配排序遗传算法（NSGA，Non-dominated Sorting Genetic Algorithm）使用了这种共享函数方法，以帮助维护多样性。

首先，算法输入两个向量 values1 和 values2，对于其中的每一个解 p，在 values1 和 values2 上进行比较寻找支配解 q，如果 p 被 q 支配，那么就将 p 加入到 q 的被支配集合 S[q] 中。如果一个解 p 的 n[p] 为 0，那么它就是一个非支配解，将其放入 Pareto 前沿的第一层 front[0] 中。快速非支配排序算法是一种用于多目标优化问题的非支配解搜索算法。所谓“非支配解”指的是在多个优化目标下，无法找到一个解集中的解，比这个解更好。