金豺算法GJO求解柔性作业车间调度问题FJSP

FJSP问题

有关于柔性作业车间（FJSP）建模、编码与解码等相关问题这里不再详细展开了，大家可以移步我的另一篇博文，有详细介绍：麻雀算法SSA解决柔性作业车间调度问题FJSP

金豺算法（GJO）

GJO灵感来源

金豺优化算法（Golden jackal optimization，GJO）是由Nitish Chopra等人于2022年提出的一种新的元启发式算法，该算法是一种模仿金豺的合作狩猎行为的新型智能优化算法。

金豺（Canis aureus）是一种中型陆生捕食者，属于犬科。它们分布于北非和东非、中东、欧洲、东南亚和中亚。它们的范围从埃塞俄比亚贝尔山脉的3，500米到厄立特里亚的海平面。金豺体长约70至85厘米，站立高度在40厘米左右，尾巴长约25厘米。皮毛通常是粗糙的棕色尖端和淡金色至黄色，随地区和季节而变化。豺体矮小和长腿允许它在超长的距离上驰骋以狩猎猎物。金豺吃动物和植物食物。它们是机会主义的猎人，饮食非常多样化，包括啮齿动物，小瞪羚，地面鸟类，野兔，爬行动物，青蛙，水果，鱼类和昆虫。

金豺的特点是一夫一妻制，成对居住。豺狼家庭由一两个被称为“助手”的成年人组成。它们是豺的前后代，成年后与父母一起生活了大约一年，照顾随后的孩子。年轻人在八周左右被培养，然后被吓倒。幼崽通过呕吐喂养，并在三个月左右开始吃固体食物。保护和食物由父母双方提供。家庭在许多方面因帮助者而得到加强。成年人使用“捕食者吠叫”和“隆隆咆哮”来警告幼崽躲避，独居的成年人可以有效地驱赶大型捕食者。食物也由助手带给哺乳期母亲，通过允许父母花更多的时间单独或成对狩猎，间接改善了幼崽的养育。金豺使用大量的嚎叫来定位彼此。一对通过一起嚎叫来展示他们之间的纽带。

金豺对（如图所示）一起狩猎和放松。他们的整个行为异常同步。已经记录了多达4-5个人的家庭群体和多达10个人的群体。觅食家庭一直占据着几平方公里的区域，其中的一部分被公豺或雌性豺用小便分开，以避免入侵者。合作觅食对豺狼来说势在必行，使它们能够在可用的地区猎杀更大的猎物。交配对狩猎的合作性比个体具有较高的杀伤率。当成对或成群狩猎时，豺与猎物平行奔跑，并在统一中超越猎物。当捕猎鸟类或水生啮齿动物时，它们会沿着狭窄的河流或溪流的两侧奔跑，并将猎物从一只豺赶到另一只豺狼。他们可能会在狩猎中得到助手的帮助。

图 1 (A）一对金豺 (B）金豺寻找猎物 (C）跟踪和包围猎物 (D）和 (E）扑向猎物。

如上，金豺对狩猎的最重要阶段（如图1所示）如下：
（1）搜索，并朝着猎物前进；
（2）包围并刺激猎物，直到它停止移动；
（3）扑向猎物。

GJO算法

搜索空间

GJO是一种基于群体的方法，其中初始解决方案作为第一次试验均匀分布在搜索空间中：

其中 Y.max和 Y.min是变量的上限和下限，“rand”是 0 到 1 范围内的均匀随机向量。
初始化创建初始矩阵猎物，其中第一个和第二个适者是豺对。猎物如下所示：

Yij表示第 i 个猎物的第 j 维度。总共有“n”个猎物和“d”个变量。猎物位置是指特定解决方案的参数。在优化过程中，应用适应度（目标）函数估计每个猎物的适应度值，随后的矩阵收集所有猎物的适应度值：

其中 FOA是保存每个猎物适应性的矩阵，Yij显示第 i 个猎物的第 j 维值，n 是猎物的数量，f 是目标函数。最适者称为公豺，第二个最适者称为母豺。豺对获得相应的猎物位置。

探索阶段或搜索猎物

开发阶段或包围和戳杀猎物

从勘探切换到开发

总述

总而言之，GJO中的搜索过程始于创建任意的猎物种群（候选解决方案）。在迭代过程中，猎物的可能位置由雄性和雌性豺狩猎对估计。种群中的每个候选人都会更新其与豺狼对的距离。E1参数分别从1.5减少到0，以强调勘探和开发。金豺狩猎对在E>1时偏离猎物，当E<1时聚集到猎物。最后，GJO算法通过满足最终标准来完成。GJO 算法的伪代码如图 4 所示。

使用GJO求解FJSP问题

部分代码

main.m

clc;
clear all;

%% 算例载入
dictPath ='Brandimarte_Data';
dataName = 'Mk01.fjs';
dataRead(dictPath, dataName);

%% 载入数据
fileName = split(dataName,'.');
fileName = [fileName{1}, '.mat'];
eval(['load ' fileName]);

%% 金豺算法 GJO
cd('GJO\')
GJO_Result = GJO(MachineNum, jobNum, jobInfo, operaNumVec, candidateMachine);
cd('..\')

%% 迭代曲线
figure(1)
plot(GJO_Result.curve.min, 'r-', 'LineWidth', 1.5)
hold on
plot(GJO_Result.curve.avg, 'b--', 'LineWidth', 1.5)
grid on; box on
legend('最小值', '平均值')
ylabel('最大完工时间')
xlabel('迭代次数')
title('GJO 迭代曲线')

%% 甘特图
figure(2)
gantt_chart(GJO_Result.machineTable)
ylabel('机器编号')
xlabel('时间')

测试算例

使用 Brandimarte 测试集的 mk 算例进行测试。

测试结果

迭代曲线

甘特图

权利声明：

未经本人允许，本文所有内容禁止搬运，严禁盗图盗文！

代码传送门

本文代码及各种车间调度问题可咨询：
（1）扣扣：3249992049
（2）私信咨询 ~~