车间调度基于改进蛙跳算法求解车间调度问题

Posted 博主QQ2449341593

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了车间调度基于改进蛙跳算法求解车间调度问题相关的知识,希望对你有一定的参考价值。

作业车间调度问题描述

作业车间调度问题(Job Shop Scheduling, JSP)是最经典的几个NP-hard问题之一。其应用领域极其广泛,涉及航母调度,机场飞机调度,港口码头货船调度,汽车加工流水线等。

JSP问题描述:一个加工系统有M台机器,要求加工N个作业,其中,作业i包含工序数为Li。令,则L为任务集的总工序数。其中,各工序的加工时间已确定,并且每个作业必须按照工序的先后顺序加工。调度的任务是安排所有作业的加工调度排序,约束条件被满足的同时,使性能指标得到优化。

作业车间调度需要考虑如下约束:

Cons1:每道工序在指定的机器上加工,且必须在其前一道工序加工完成后才能开始加工;

Cons2:某一时刻1台机器只能加工1个作业;

Cons3:每个作业只能在1台机器上加工1次;

Cons4:各作业的工序顺序和加工时间已知,不随加工排序的改变而改变。

问题实例

下面给出作业车间调度问题的一个实例,其中每个工序上标注有一对数值(m,p),其中,m表示当前工序必须在第m台机器上进行加工,p表示第m台机器加工当前工序所需要的加工时间。(注:机器和作业的编号从0开始)
jop0=[(0,3),(1,2),(2,2)]
jop1=[(0,2),(2,1),(1,4)]
jop2=[(1,4),(2,3)]
在这个例子中,作业jop0有3道工序:它的第1道工序上标注有(0,3),其表示第1道工序必须在第0台机器上进行加工,且需要3个单位的加工时间;它的第2道工序上标注有(1,2),其表示第2道工序必须在第1台机器上进行加工,且需要2个单位的加工时间;余下的同理。总的来说,这个实例中共有8道工序。
该问题的一个可行解是L=8道工序开始时间的一个排列,且满足问题的约束。下图给出了一个可行解(注:该解不是最优解)的示例:
在这里插入图片描述

 蛙跳算法(SFLA)是一种全新的后启发式群体进化算法,具有高效的计算性能和优良的全局搜索能力。对混合蛙跳算法的基本原理进行了阐述,针对算法局部更新策略引起的更新操作前后个体空间位置变化较大,降低收敛速度这一问题,提出了一种基于阈值选择策略的改进蛙跳算法。通过不满足阈值条件的个体分量不予更新的策略,减小了个体空间差异,从而改善了算法的性能。数值实验证明了该改进算法的有效性,并对改进算法的阈值参数进行了率定

特点

  SFLA由Eusuff和Lansey为解决组合优化问题于2003年最先提出。作为一种新型的仿生物学智能优化算法,SFLA 结合了基于模因(meme)进化的模因演算法(MA,memeticalgorithm)和基于群体行为的粒子群算法(PSO,particle swarm optimization)2 种群智能优化算法的优点。该算法具有概念简单,调整的参数少,计算速度快,全局搜索寻优能力强,易于实现的特点。混合蛙跳算法主要应用于解决多目标优化问题,例如水资源分配、桥墩维修、车间作业流程安排等工程实际应用问题。

原理

  蛙跳算法的思想是:在一片湿地中生活着一群青蛙。湿地内离散的分布着许多石头,青蛙通过寻找不同的石头进行跳跃去找到食物较多的地方。每只青蛙个体之间通过文化的交流实现信息的交换。每只青蛙都具有自己的文化。每只青蛙的文化被定义为问题的一个解。湿地的整个青蛙群体被分为不同的子群体,每个子群体有着自己的文化,执行局部搜索策略。在子群体中的每个个体有着自己的文化,并且影响着其他个体,也受其他个体的影响,并随着子群体的进化而进化。当子群体进化到一定阶段以后,各个子群体之间再进行思想的交流(全局信息交换)实现子群体间的混合运算,一直到所设置的条件满足为止。

数学模型

   算法参数  与其他优化算法一样,SFLA亦具有一些必要的计算参数,包括F:蛙群的数量;m:族群的数量;n:族群中青蛙的数量;Smax:最大允许跳动步长;Px:全局最好解;Pb:局部最好解;Pw:局部最差解;q:子族群中蛙的数量;LS:局部元进化次数以及SF:全局思想交流次数等。   更新策略  对于青蛙群体,具有全局最好适应度的解表示为 g;对于每一个子族群,具有最好适应度的解表示为 UB,最差适应度的解表示为 UW。首先对每个子族群进行局部搜索,即对子族群中最差适应度的青蛙个体进行更新操作,更新策略为  青蛙更新距离 Ds=rand()*(Pb-Pw) (1)  更新后的青蛙 newDw=oldPw+Ds(-Dmax≦Ds≦Dmax) (2)  其中, Ds 表示青蛙个体的调整矢量, Dmax表示青蛙个体允许改变的最大步长。如设 Uw=[1 3 5 4 2], UB=[2 1 5 3 4],允许改变的最大步长 Dmax =3,若rand=0.5 ,则 U q(1) =1+min{int[0.5 × (2−1)],3}=1; U q(2) =3+max{int[0.5×(1−3)], −3}=2;依此相同的操作完成更新策略后可得到一个新解 U q=[1 2 5 4 3].

过程

   全局搜索过程  步骤l 初始化。确定蛙群的数量、种群以及每个种群的青蛙数。  步骤2 随机产生初始蛙群,计算各个蛙的适应值。  步骤3 按适应值大小进行降序排序并记录最好解Px,并且将蛙群分成族群。把F个蛙分配到m个族群Y,Y,Y…,Y中去,每个族群包含n个蛙,从而使得Yk=[X(j),f(j)|X(j)=X(k+m*(j-1), f(j)=f(k+m*(j-1),j=1,…,n,k=1,…,m].这里X(j)表示蛙群中的第j蛙,f(j)表示第j个蛙的目标函数值。  步骤4根据SFLA算法公式,在每个族群中进行元进化。  步骤5将各个族群进行混合。在每个族群都进行过一轮元进化之后,将各个族群中的蛙重新进行排序和族群划分并记录全局最好解Px。  步骤6检验计算停止条件。如果满足了算法收敛条件,则停止算法执行过程,否则转到步骤3。通常而言,如果算法在连续几个全局思想交流以后,最好解没有得到明显改进则停止算法。某些情况下,最大函数评价次数也可以作为算法的停止准则。   局部搜索过程  局部搜索过程是对上述步骤4的进一步展开,具体过程  如下:  步骤4—1设im=O,这里im是族群的计数器。用来与族群总数m进行比较。设iN=0,这里iN是局部进化的计数器,用来与Ls进行比较。  步骤4-2根据式(1)在第l,,1个族群中选择q个蛙进入子族群,确定Pb和Pw并设im=im+1。  步骤4-3设iN=iN+1。  步骤4—4根据式(2)和式(3)改进子族群中的最差蛙的位置。  步骤4—5如果步骤4—4改进了最差蛙的位置(解),就用新产生的位置取代最差蛙的位置。否则就采用Px代替式(2)中的PB,重新更新最差蛙的位置。  步骤4—6如果步骤4-5没有改进最差蛙的位置,则随机产生一个处于湿地中任何位置的蛙来替代最差的蛙。  步骤4—7如果iN<LS,则转到步骤4-3。  步骤4—8如果im<m,则转到步骤4-2,否则转到全局搜索过程的步骤5。   算法停止条件  SFLA通常采用两种策略来控制算法的执行时间:  1)在最近的K次全局思想交流过程之后,全局最好解没有得到明显的改进;  2)算法预先定义的函数评价次数已经达到。  3)已有标准测试结果。  无论哪个停止条件得到满足,算法都要被强制退出整个循环搜索过程。

 
 
clc
clear all
close all
 
%--------------------------------------------------------------------------
% 问题: N个工件,M台机器的确定型流水车间调度问题
 
% 工件数N=20,机器数M=10时,有限次数的最优解 fval=14.9263,
% x =  [16   4   18   15   12   11   2   1   6   7   3   5   20 ...
%       10   8   14   13   19   17   9]
 
N = 20                              % 工件数(解矢量长度)
M = 10                              % 机器数
 
rand('state',N+M);                  % 固定时间矩阵
T = rand(M,N);                      % 产生时间矩阵,行数M1为机器数,列数N为工件数
rand('state',sum(100*clock));       % 种子恢复随机
 
%--------------------------------------------------------------------------
% 必需参数
 
popsize = 50;                       % 种群规模
maxgen = 50;                        % 最大进化代数
method = 4                          % 方法选择,1 - 伪并行小生境自适应遗传算法(PPNSA)
                                    %         2 - 混合蛙跳算法+变异算子(SFLA+MO)
                                    %         3 - 批处理蛙跳算法(BFLA),为SFLA的改进算法
                                    %         4 - PPNSA+扰动算子(末选算法,收敛速度中,较易跳出局部极小)
                                    %         5 - SFLA+MO+扰动算子(次选算法,收敛速度快,最易陷入局部极小)
                                    %         6 - BFLA+扰动算子(首选算法,收敛速度中,可能陷入局部极小)
type = 1;                           % 初始化方式,1 - 随机初始化(缺省设置)
                                    %           2 - 启发式初始化
                                    
%--------------------------------------------------------------------------
% 函数调用
 
[X,fval,F] = SFLA(T,popsize,maxgen,method,type);
% 混合蛙跳算法(Shuffled Frog-Leaping Alogrihtm,SFLA)
% 输入参数:
% T - 时间矩阵
% popsize - 种群规模
% maxgen - 最大进化代数
% method - 方法选择,1 - 伪并行小生境自适应遗传算法(PPNSA)
%                  2 - 混合蛙跳算法+变异算子(SFLA+MO)
%                  3 - 批处理蛙跳算法(BFLA),为SFLA的改进算法
%                  4 - PPNSA+扰动算子(末选算法,收敛速度中,较易跳出局部极小)
%                  5 - SFLA+MO+扰动算子(次选算法,收敛速度快,最易陷入局部极小)
%                  6 - BFLA+扰动算子(首选算法,收敛速度中,可能陷入局部极小)
% type - 初始化方式,1 - 随机初始化(缺省设置)
%                  2 - 启发式初始化
% 输出参数:
% X - 最优适应度对应的解
% fval - 最优适应度值
% F - 最优,平均,最差适应度
 
%--------------------------------------------------------------------------
% 结果作图
 
figure(1)
FigSche(X,T);
 
figure(2);
plot(1:maxgen,F,'.-'); grid on;
legend('最优','平均','最差',3);
xlabel('进化代数'); ylabel('适应度');
set(gcf,'position',[700 200 500 400])
set(gca,'XLim',[1 maxgen]);
title(['工件数:',num2str(N),' 机器数:',num2str(M),', 最优值:',num2str(fval)]);

 

完整代码添加QQ1575304183

以上是关于车间调度基于改进蛙跳算法求解车间调度问题的主要内容,如果未能解决你的问题,请参考以下文章

车间调度基于matlab混合蛙跳算法 (SFLA) 求解简单调度问题含Matlab源码 2247期

车间调度基于matlab改进的帝国企鹅算法求解车间调度问题含Matlab源码 2041期

车间调度基于matlab改进的帝国企鹅算法求解车间调度问题含Matlab源码 2041期

车间调度基于matlab改进的遗传算法求解车间调度问题含Matlab源码 H002期

车间调度基于NSGA-2的求解多目标柔性车间调度算法

优化求解基于NSGA-2的求解多目标柔性车间调度算法