基於變異混合蛙跳演算法的車間排程最最佳化matlab模擬,可以任意調整工件數和機器數,輸出甘特圖

软件算法开发發表於2024-06-19
演算法Matlab

1.程式功能描述

變異混合蛙跳演算法的車間排程最最佳化,可以任意調整工件數和機器數,輸出甘特圖。

2.測試軟體版本以及執行結果展示

MATLAB2022a版本執行

3.核心程式

%初始種群
Pop_n = round(sqrt(Npop));                  
Pop_s = ceil(Npop/Pop_n);               
Npop  =Pop_s*Pop_n;                      

[Xs,ff] = func_initial(T,Npop);

fout = zeros(Iters,1);                                      
for i = 1:Iters
i
    [ff,I] = sort(ff,'descend');
Xs     = Xs(I,:);
    Pmax   = Xs(1,:);
    Fmax   = ff(1);

    for j = 1:Pop_n
        Pops       = Xs(j:Pop_n:end,:);            % 子種群
        ff_        = ff(j:Pop_n:end,:);
        [Popss,F3] = func_FLA(T,Pops,ff_,Pmax,Fmax);

Xs(j:Pop_n:end,:) = Popss;
ff(j:Pop_n:end,:) = F3;
    end

    [Xsolve,ybest]  = func_Eval(Xs,ff);                      % 進化結果評估


fout(i) = -mean(ybest);
end




figure
[Fouts,Etime] = func_fitness(T,Xsolve);
Stime         = Etime-T(:,Xsolve); % 開始時間
fval          = -Fouts;
M1            = size(T,1);    % 行數M1為機器數
NX            = length(Xsolve);    % 列數NX為工件數
for i = 1:M1
    for j = 1:NX
        x1 = Stime(i,j);
        x2 = Etime(i,j);
        y1 = i-1;
        y2 = i-0.05;
fill([x1 x2 x2 x1],[y1 y1 y2 y2],[0,1,0]);
        text(x1*0.55+x2*0.45,(y1+y2)/2,[num2str(Xsolve(j))],'Fontsize',8,'Color','k');
        hold on;
    end
    text(-0.8,(y1+y2)/2,['機器 ',num2str(i)],'Fontsize',8,'Color','k');
end

hold off; 
xlabel('時間'); 
set(gca,'ytick',[],'YDir','reverse','Color',[1 1 1]);
axis([0 fval 0 M1-0.05]);
title(['工件數:',num2str(NX),', 機器數:',num2str(M1),', 最優值:',num2str(fval)]);


figure;
plot(1:Iters,fout(1:end),'b-o'); 
grid on;
xlabel('進化代數'); 
ylabel('適應度');
21

　　

4.本演算法原理

基於變異混合蛙跳演算法的車間排程最最佳化是一種結合了蛙跳演算法（Shuffled Frog Leaping Algorithm, SFLA）和變異策略的最佳化方法，用於解決車間排程問題（Job-Shop Scheduling Problem, JSSP）。

4.1 車間排程問題（JSSP）描述

給定一個車間，其中有 (n) 個作業（Jobs）和 (m) 臺機器（Machines）。每個作業由一系列工序（Operations）組成，每個工序必須在特定的機器上完成，且每個作業的工序順序是預先確定的。JSSP的目標是為每個機器找到一個作業工序的序列，使得所有作業的總完成時間最小化。

4.2 蛙跳演算法（SFLA）基本原理

蛙跳演算法是一種群體智慧最佳化演算法，模擬了蛙群在尋找食物時的跳躍行為。在SFLA中，蛙群被分為多個子群，每個子群內的蛙透過區域性搜尋和資訊交換尋找最優解。VHSFLA在基本SFLA的基礎上引入了變異策略，以增強演算法的全域性搜尋能力和避免陷入區域性最優解。

4.2.1 初始化

初始化蛙群：隨機生成一定數量的蛙（解），每個蛙代表一個可能的作業排程方案。

分組：將蛙群分為多個子群。

4.2.2 區域性搜尋

在每個子群內，蛙按照一定的規則進行跳躍（即解的更新）。跳躍的步長和方向通常由當前蛙的位置、子群內最優蛙的位置以及全域性最優蛙的位置決定。

4.2.3 全域性資訊交換

經過一定次數的區域性搜尋後，子群內的蛙會與其他子群的蛙進行資訊交換，以促進全域性搜尋。

4.2.4 變異策略

為了增強演算法的全域性搜尋能力，VHSFLA引入了變異策略。變異操作可以隨機地改變蛙的某些基因（即作業工序的順序），從而產生新的解。

4.2.5 終止條件

演算法會在滿足一定條件時終止，如達到最大迭代次數或解的質量滿足要求。

相關文章