【车间调度】基于卷积神经网络的柔性作业车间调度问题的两阶段算法（Matlab代码实现）

最新推荐文章于 2023-02-26 22:09:40 发布
最新推荐文章于 2023-02-26 22:09:40 发布
阅读量423 收藏 4
点赞数
分类专栏： 车间调度 文章标签： matlab cnn 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_66436111/article/details/128462045
版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🌈3 Matlab代码实现

🎉4 参考文献

💥1 概述

该文提出一种基于卷积神经网络的有效两阶段算法，以求解具有机器故障的柔性作业车间调度问题（FJSP）。建立了以最大完成时间和鲁棒性为目标的双目标动态柔性作业车间调度问题（DFJSP）模型。提出了CNN构建的预测模型，并开发了一个名为RMn的替代指标来评估鲁棒性。实验结果表明，所提两阶段算法对求解DFJSP有效，RMn能够更快、更高效、更准确地评估调度的鲁棒性。

📚2 运行结果

 

 部分代码：
 

function     [makespan1,RMn]=caltimen(S,pop)

Jm=pop.Jm;
T=pop.T;
PNumber=pop.PNumber;
MPNumber=pop.MPNumber;
JmNumber=pop.JmNumber;
WNumber=pop.WNumber;
Number=pop.Number;
Number_s = cumsum(Number);
NINDA=1;       
NINDB=0;        
%%
S1=S(1,1:WNumber); 
MU=zeros(PNumber,MPNumber);
PJT=zeros(PNumber,MPNumber);

s=1;
for i=1:PNumber      
    val=Number(i);
    for j=1:val      
        M=S1(1,s);
        s=s+1;
        Temp1=Jm{i,j};
        m=Temp1(M);   
        MU(i,j)=m;
        
        Temp2=T{i,j};
        t=Temp2(M);   
        PJT(i,j)=t;
        
    end
end

%%
S2=S(1,(1+WNumber):2*WNumber);
temp=zeros(1,PNumber);     
P=zeros(1,WNumber);    

for i=1:WNumber
    temp(S2(i))=temp(S2(i))+1;
    P(i)=S2(i)*100+temp(S2(i));      
end


%% 
TM=zeros(1,JmNumber);          
TP=zeros(1,PNumber);          
PVal=zeros(2,WNumber);       

t1=zeros(JmNumber,WNumber);    
t2=zeros(JmNumber,WNumber);   
TSE=zeros(5*JmNumber,WNumber);     
MPN=zeros(1,JmNumber);     

%% 
for ii=1:WNumber

    if ii==1
        PNval=P(1,ii);
        a=(mod(PNval,100));     
        b=((PNval-a)/100);      

        m=MU(b,a);

        t=PJT(b,a);

        TMval=TM(1,m);    
        TPval=TP(1,b);       
        

        if TMval>TPval
            val=TMval;

        else
            val=TPval;
        end
        

        PVal(1,ii)=val;         
        PVal(2,ii)=val+t;    

        TM(1,m)=PVal(2,ii);  
        TP(1,b)=PVal(2,ii);   
        MPN(1,m)=MPN(1,m)+1;  
        t1(m,ii)=TM(1,m)-t;   
        t2(m,ii)=TM(1,m);     
        
        TSE(5*m-4,1)=PNval;         
        TSE(5*m-3,1)=PVal(1,1);      
        TSE(5*m-2,1)=PVal(2,1);      
        TSE(5*m-1,1)=0;              
        TSE(5*m-0,1)=PVal(1,1);     
        
    else

        PNval=P(1,ii);
        a=(mod(PNval,100)); 
        b=((PNval-a)/100);  

        m=MU(b,a);

        t=PJT(b,a);

        TMval=TM(1,m);      
        TPval=TP(1,b);       
        TSEok=0;

        %% 
        for w=1:MPN(1,m)
            TSval=TSE(5*m-1,w);   
            TEval=TSE(5*m,w);     
            SJM=max(TSval,TPval);
            if (SJM+t<=TEval)
                TSEok=1;
                
                
                if TSval<=TPval
                  
                    PVal(1,ii)=TPval;                 
                    PVal(2,ii)=TPval+t;               

                    t1(m,ii)=PVal(2,ii)-t;        
                    t2(m,ii)=PVal(2,ii);          
                   
                    TP(1,b)=PVal(2,ii);        
                    MPN(1,m)=MPN(1,m)+1;       
                    TSE(5*m-4:5*m,w+1:WNumber)=TSE(5*m-4:5*m,w:WNumber-1);
                    TSE(5*m-4,w)=PNval;                  
                    TSE(5*m-3,w)=PVal(1,ii);             
                    TSE(5*m-2,w)=PVal(2,ii);             
                    if w-1==0
                        TSE(5*m-1,w)=0;
                    else
                        TSE(5*m-1,w)=TSE(5*m-2,w-1);         
                    end
                    TSE(5*m,w)=PVal(1,ii);               
                    TSE(5*m-1,w+1)=PVal(2,ii);          
                    
                else
                    PVal(1,ii)=TSval;                 
                    PVal(2,ii)=TSval+t;               
                  
                    t1(m,ii)=PVal(2,ii)-t;        
                    t2(m,ii)=PVal(2,ii);          
                   
                    TP(1,b)=PVal(2,ii);       
                    MPN(1,m)=MPN(1,m)+1;       
                  
                    TSE(5*m-4:5*m,w+1:WNumber)=TSE(5*m-4:5*m,w:WNumber-1);
                  
                    TSE(5*m-4,w)=PNval;                  
                    TSE(5*m-3,w)=PVal(1,ii);             
                    TSE(5*m-2,w)=PVal(2,ii);             
                    if w-1==0
                        TSE(5*m-1,w)=0;
                    else
                        TSE(5*m-1,w)=TSE(5*m-2,w-1);          
                    end
                    TSE(5*m,w)=PVal(1,ii);               
                    
                    TSE(5*m-1,w+1)=PVal(2,ii);          
                end
            end
            if TSEok==1
                break
            end
        end
        if  TSEok~=1
           
            if TMval<=TPval
                PVal(1,ii)=TPval;                 
                PVal(2,ii)=TPval+t;                
                
                TM(1,m)=PVal(2,ii);        
                TP(1,b)=PVal(2,ii);        
                MPN(1,m)=MPN(1,m)+1;      
                t1(m,ii)=TM(1,m)-t;        
                t2(m,ii)=TM(1,m);          
                
                TSE(5*m-4,MPN(1,m))=PNval;                  
                TSE(5*m-3,MPN(1,m))=PVal(1,ii);             
                TSE(5*m-2,MPN(1,m))=PVal(2,ii);            
                if MPN(1,m)==1
                    TSE(5*m-1,MPN(1,m))=0;
                else
                    TSE(5*m-1,MPN(1,m))=TSE(5*m-2,MPN(1,m)-1);  
                end
                TSE(5*m,MPN(1,m))=PVal(1,ii);               

            else
                PVal(1,ii)=TMval;                  
                PVal(2,ii)=TMval+t;               
              
              
                TM(1,m)=PVal(2,ii);
                TP(1,b)=PVal(2,ii);
                MPN(1,m)=MPN(1,m)+1;  
                t1(m,ii)=TM(1,m)-t;     
                t2(m,ii)=TM(1,m);         
                
            
                TSE(5*m-4,MPN(1,m))=PNval;                 
                TSE(5*m-3,MPN(1,m))=PVal(1,ii);             
                TSE(5*m-2,MPN(1,m))=PVal(2,ii);             
                if MPN(1,m)==1
                    TSE(5*m-1,MPN(1,m))=0;
                else
                    TSE(5*m-1,MPN(1,m))=TSE(5*m-2,MPN(1,m)-1);  
                end
                TSE(5*m,MPN(1,m))=PVal(1,ii);              
            end
        end
    end
end

makespan1=max(max(PVal));

%% float time ftc

TSE_1 = zeros(3*JmNumber,WNumber);
TSE_2 = zeros(4,WNumber);       
kongxitime1=zeros(2,WNumber);  
Tlates = zeros(2,WNumber);          
ftc = zeros(2,WNumber);          
Avecft = zeros(2,WNumber);     

T = PVal(2,:)-PVal(1,:);
earlytime = [P;PVal(1,:);T];
earlytime = sortrows(earlytime')'; 

b1 = zeros(1,JmNumber);
for i = 1:JmNumber
    TSE1 = TSE(5*i-4,:);
    a1 = find(TSE1==0);
    b1(i) = a1(1)-1;
end
for k = 1:JmNumber
    for w = 1:b1(k)-1
        TSE_1(3*k-2,w)=TSE(5*k-4,w);
        TSE_1(3*k-1,w)=TSE(5*k-1,w+1);
        TSE_1(3*k,w)=TSE(5*k,w+1);
        TSE_1(3*k-2,b1(k))=TSE(5*k-4,b1(k));
        TSE_1(3*k-1,b1(k))=TSE(5*k-2,b1(k));
        TSE_1(3*k,b1(k))=makespan1;
    end
end
b1_S = cumsum(b1);
b1_S = [0,b1_S];
for j = 1:JmNumber
    TSE_2(1,b1_S(j)+1:b1_S(j+1)) = TSE_1(3*j-2,1:b1(j));
    TSE_2(2,b1_S(j)+1:b1_S(j+1)) = TSE_1(3*j-1,1:b1(j));
    TSE_2(3,b1_S(j)+1:b1_S(j+1)) = TSE_1(3*j,1:b1(j));
end
TSE_2 = sortrows(TSE_2')';
TSE_2(4,:) = TSE_2(3,:)-TSE_2(2,:);


Tlates(1,:) = TSE_2(1,:);
for n=1:WNumber
    if TSE_2(4,n)==0
        Tlates(2,n) = earlytime(2,n);
    else
        if ismember(n,Number_s)==1    
            kongxitime1(1,n) = TSE_2(1,n);
            kongxitime1(2,n) = TSE_2(4,n);
        else
            if TSE_2(3,n)<= earlytime(2,n+1)
                Tlates(2,n) = TSE_2(3,n)-earlytime(3,n);
            else
                Tlates(2,n) = earlytime(2,n+1)-earlytime(3,n);
            end
        end
    end
end

ftc(1,:) = Tlates(1,:);
ftc(2,:) = Tlates(2,:)-earlytime(2,:);
col=find(kongxitime1(1,:)~=0);
for m=1:length(col)
    ftc(1,col(m)) = kongxitime1(1,col(m));
    ftc(2,col(m)) = kongxitime1(2,col(m));
end

Avecft(1,:) = ftc(1,:);
xulie=find(ftc(2,:)~=0);
for r=1:length(xulie)
    Avecft(2,xulie(r)) = TSE_2(2,xulie(r))+ftc(2,xulie(r))/2;
end

%% 
Wc = reshape(PJT',1,pop.PNumber*pop.MPNumber);        
Wc(find(Wc==0))=[];
Wtot = sum(Wc);
ejc1 = Wc./Wtot.*ftc(2,:);         

%% Simulate machine breakdown

Tbusy = sum(PJT');
Pbk=Tbusy/Wtot;                
jiqi_0=find(Pbk==max(Pbk(:)));
jiqi=jiqi_0(1);                
 a1=0.5;        %a1=0; 
 a2=1;       %a2=0.5; 
 b1=0.35;      %b1=0.1; 
 b2=0.4;     %b2=0.15;
ts=unifrnd(a1*makespan1,a2*makespan1,1,1);
ts=roundn(ts,0);              
te=unifrnd(b1*Tbusy(jiqi),b2*Tbusy(jiqi),1,1);
te=roundn(te,0);              

%% Calculate the objective function value
Avekcmb=te/2+ts;         
ejc2=(1./exp(abs(Avecft(2,:)-Avekcmb))).*ftc(2,:);   
ej=[ejc1,ejc2];

%% Enter a predictive model
load ('net1-10-10.mat')  
pt=ej'; 
t1=sim(net,pt); 
RMn=t1';

end

🌈3 Matlab代码实现

🎉4 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]Guohui Zhang, Xixi Lu, Xing Liu, Litao Zhang, Shiwen Wei, Wenqiang Zhang (2022) An  two-stage algorithm based on convolutional neural network for flexible job shop scheduling problem

wlz249
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
深度强化学习求解作业车间调度问题的python实现
03-23
框架：pytorch/python 3.7 调度问题为：作业车间调度（JSP） 算法：Actor critic
论文研究-基于分布估计算法的二阶段置换流水车间调度算法.pdf
07-22
针对以完工时间最小化为目标的置换流水车间调度问题（PFSP），提出了一种基于分布估计算法的二阶段置换流水车间调度算法。首先，在算法的第一阶段采用分布估计算法对PFSP进行优化得到一个局部最优解；为了进一步提高解的优化质量，在第二阶段提出了一种新的混合邻域搜索机制对第一阶段获得的局优解进行邻域搜索；最后，对Rec类和Tai类基准测试问题进行了测试，实验结果证实了算法的有效性。
【优化调度】基于粒子群算法解决企业生产调度问题附matlab代码
qq_59747472的博客
07-28 435
某服装企业决定加工9批本企业品牌服装，因季节变化关系，每批产品都有一个交货期限，如果在此期限之前完成，则产品可以较高的价格出售，超过期限则将面临更激烈的价格竞争而减少生产效益。假设各批次服装的加工时间、交货期限和利润如表1所示，设每批产品的加工过程不允许中断，即一批产品加工过程中不能插入其他批次产品的加工，求总利润最大的加工顺序。加工时间（天）341261475。表1本企业品牌产品加工时间和交货期限表。......
NSGA2车间调度算法求解柔性作业车间调度matlab实现代码
07-13
NSGA2车间调度算法求解柔性作业车间调度matlab实现代码
遗传算法GA车间调度Matlab代码.rar
05-05
.m文件可直接使用，采用传统遗传算法，三维实数编码，解决柔性作业车间调度问题，工件数量与工序数量可自行调节。
IWOA改进鲸鱼算法解决柔性车间调度问题双目标（带论文）MATLAB源程序
07-01
IWOA改进鲸鱼算法解决柔性车间调度问题双目标，求解低碳车间调度问题的改进鲸鱼算法，已运行。GLR部分有点问题，CSHLD那个是没问题的，欢迎指正
基于柔性作业车间调度的遗传算法,输出甘特图和优化收敛迭代曲线
05-05
基于柔性作业车间调度的遗传算法,输出甘特图和优化收敛迭代曲线
混合算法求解两阶段装配流水车间调度
12-28
混合算法求解两阶段装配流水车间调度，王恺，马文琼，生产计划和调度是制造企业的核心问题，工件的延迟或提前会带来额外库存、价格变动、产品损耗等多种问题。本文基于准时化模式的生
应用强化学习算法求解置换流水车间调度问题
05-06
面对日益增长的大规模调度问题，新型算法的开发越显重要.针对置换流水车间调度问题，提出了一种基于强化学习Q-Learning调度算法.通过引入状态变量和行为变量，将组合优化的排序问题转换成序贯决策问题，来解决置换流水车间调度问题.采用所提算法对OR-Library提供Flow-shop国际标准算例进行测试，并与已有的一些算法对比，结果表明算法的有效性.
车间调度问题
05-19
用遗传算法解决车间调度问题matlab源代码
深度强化学习的调度策略优化算法
06-19
深度强化学习的调度策略优化算法 https://github.com/xwhan/walk_the_blocks
基于遗传算法的柔性车间调度.rar
01-03
采用遗传算法解决柔性车间调度问题，完整的MATLAB程序，程序中有详细的注释，欢迎大家下载参考，共同学习与进步！
基于遗传算法的柔性生产调度研究（Matlab代码实现）
m0_73907476的博客
02-26 301
ylabel('机器号','FontName','微软雅黑','Color','b','FontSize',10,'Rotation',90)xlabel('加工时间','FontName','微软雅黑','Color','b','FontSize',10)%输入机器开始时间，结束时间，最大完工时间。
【车间调度】基于模拟退火优化算法的的并行车间机器优化调度（Matlab代码实现）
weixin_46039719的博客
09-17 1859
并行机调度（也称并行多机调度, Parallel MachinesScheduling Problem,简称PMSP问题)是实际生产过程中的一类典型调度问题,其研究n个工件J，…,J.}在m台机器{M,,…，Mm}]上的加工过程,每个工件只有一道工序"。在并行机调度问题中，当每台机器均能满足各工件的加工时,此时的调度解主要考虑所有工件在各机器上的划分问题,或者说,如何将m台机器分配给n个工件。以最大完工时间最小为优化日标的并行机调度问题已经被证明是NP完全问题。
【优化算法】遗传算法GA求解混合流水车间调度问题（附C++代码）
infinitor的博客
05-31 5967
【优化算法】遗传算法GA求解混合流水车间调度问题（附C++代码） 00 前言 各位读者大家好，好久没有介绍算法的推文了，感觉愧对了读者们热爱学习的心灵。于是，今天我们带来了一个神奇的优化算法——遗传算法！ 它的优点包括但不限于： 遗传算法对所求解的优化问题没有太多的数学要求，由于他的进化特性，搜索过程中不需要问题的内在性质，对于任意形式的目标函数...
车间调度|基于麻雀优化算法的车间调度（Matlab代码实现）
weixin_46039719的博客
02-16 667
随着智能化在制造业中的普及，解决车间生产调度的问题能有效提高车间的工作学习效率，实现车间现场管理的有序化、智能化和高效化。为了合理地协调控制各个机器的生产以实现多方面目标的 pareto最优状态，学者们经过多年的研究,使用各种不同的方法来分析和解决生产环节的FJSP。随着研究的逐渐深入，为了更贴近车间生产现场的工作状态，人们将柔性车间这一概念与车间调度问题相融合并提出了FJSP。由于FJSP问题在生产中广泛存在，因此，该问题引起了国内外相关学者的广泛关注与研究"5'。
深度强化学习 车间调度
最新发布
07-27
深度强化学习在车间调度中的应用是指利用深度强化学习算法来优化车间调度方案。引用\[1\]中提到了一个基于深度强化学习的调度策略优化设计框架，该框架从作业车间调度到柔性作业车间调度，逐步研究了不同层次的调度问题，并深入研究了模糊作业车间调度、端到端深度强化学习的柔性作业车间调度和并行深度强化学习的柔性作业车间两级调度等关键问题。 深度强化学习是一种机器学习方法，它结合了深度学习和强化学习的技术，可以通过与环境的交互来学习最优的决策策略。在车间调度中，深度强化学习可以通过学习调度决策的价值函数或策略函数，来实现对车间调度方案的优化。通过不断与环境交互，深度强化学习算法可以逐步优化调度策略，使得车间能够在面对各种突发事件时能够快速响应并给出满意的调度方案。 引用\[2\]中的文献提到了一篇关于深度强化学习在柔性作业车间动态调度中的应用的研究文章。该研究使用深度强化学习算法来优化柔性作业车间的调度方案，以提高生产效率和资源利用率。 引用\[3\]中提到了针对某复杂产品制造车间的调度应用需求进行分析，并开发了基于深度强化学习的调度应用系统。该系统从数据管理、离线训练、在线应用、人机交互操作、结果展示和动态事件同步等多个方面考虑，以满足复杂约束下的调度需求。 综上所述，深度强化学习在车间调度中的应用可以通过学习最优的调度策略来优化车间的生产效率和资源利用率，同时能够快速响应突发事件并给出满意的调度方案。 #### 引用[.reference_title] - *1* *3* [博士论文答辩||基于深度强化学习的复杂作业车间调度问题研究](https://blog.csdn.net/hba646333407/article/details/119709491)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* [基于深度强化学习的柔性作业车间动态调度](https://blog.csdn.net/crazy_girl_me/article/details/124179648)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^control_2,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值