2024年3月16日发(作者：贝知)
流水线车间生产调度的遗传算法
MATLAB
源代码
n 个任务在流水线上进行 m个阶段的加工， 每一阶段至少有一台机器且至少
有一个阶段存在多台机器， 并且同一阶段上各机器的处理性能相同， 在每一阶段
各任务均要完成一道工序， 各任务的每道工序可以在相应阶段上的任意一台机器上
加工，已知任务各道工序的处理时间， 要求确定所有任务的排序以及每一阶段上机
器的分配情况，使得调度指标 ( 一般求 Makespan)最小。
function [Zp,Y1p,Y2p,Y3p,Xp,LC1,LC2]=JSPGA(M,N,Pm,T,P)
%--------------------------------------------------------------------------
%
% 流水线型车间作业调度遗传算法
% GreenSim 团队——专业级算法设计 &代写程序
% 欢迎访问
GreenSim 团队主页→
% M
% N
% Pm
% T
% P
输入参数列表
遗传进化迭代次数
种群规模 ( 取偶数 )
变异概率
m
1
× n 的矩阵，存储
m个工件 n 个工序的加工时间
× n 的向量， n 个工序中，每一个工序所具有的机床数目
% 输出参数列表
% Zp
最优的 Makespan 值
% Y1p
% Y2p
% Y3p
% Xp
最优方案中，各工件各工序的开始时刻，可根据它绘出甘特图
最优方案中，各工件各工序的结束时刻，可根据它绘出甘特图
最优方案中，各工件各工序使用的机器编号
最优决策变量的值，决策变量是一个实数编码的
m× n 矩阵
% LC1
收敛曲线 1，各代最优个体适应值的记录
% LC2
收敛曲线 2，各代群体平均适应值的记录
% 最后，程序还将绘出三副图片：两条收敛曲线图和甘特图（各工件的调度时序图）
%第一步：变量初始化
[m,n]=size(T);%m 是总工件数， n 是总工序数
Xp=zeros(m,n);% 最优决策变量
LC1=zeros(1,M);% 收敛曲线 1
LC2=zeros(1,N);%
收敛曲线 2
%第二步：随机产生初始种群
farm=cell(1,N);%
for k=1:N
X=zeros(m,n);
for j=1:n
for i=1:m
X(i,j)=1+(P(j)-eps)*rand;
end
end
采用细胞结构存储种群
farm{k}=X;
end
counter=0;% 设置迭代计数器
while counter 停止条件为达到最大迭代次数 % 第三步：交叉 newfarm=cell(1,N);% Ser=randperm(N); 交叉产生的新种群存在其中 for i=1:2:(N-1) A=farm{Ser(i)};% Manner=unidrnd(2);% if Manner==1 cp=unidrnd(m-1);% % 父代个体 随机选择交叉方式 随机选择交叉点 双亲双子单点交叉 子代个体 a=[A(1:cp,:);B((cp+1):m,:)];% b=[B(1:cp,:);A((cp+1):m,:)]; else cp=unidrnd(n-1);% b=[B(:,1:cp),A(:,(cp+1):n)]; end newfarm{i}=a;% newfarm{i+1}=b; end % 新旧种群合并 FARM=[farm,newfarm]; % 第四步：选择复制 fitness=zeros(1,N); plotif=0; for i=1:(2*N) X=FARM{i}; Z=COST(X,T,P,plotif);% FITNESS(i)=Z; end 随机选择交叉点 交叉后的子代存入 newfarm 调用计算费用的子函数 % 选择复制采取两两随机配对竞争的方式，具有保留最优个体的能力 Ser=randperm(2*N); for i=1:N f2=FITNESS(Ser(2*i)); if f1<=f2 farm{i}=FARM{Ser(2*i-1)}; fitness(i)=FITNESS(Ser(2*i-1)); else farm{i}=FARM{Ser(2*i)}; end end
2024年3月16日发(作者：贝知)
流水线车间生产调度的遗传算法
MATLAB
源代码
n 个任务在流水线上进行 m个阶段的加工， 每一阶段至少有一台机器且至少
有一个阶段存在多台机器， 并且同一阶段上各机器的处理性能相同， 在每一阶段
各任务均要完成一道工序， 各任务的每道工序可以在相应阶段上的任意一台机器上
加工，已知任务各道工序的处理时间， 要求确定所有任务的排序以及每一阶段上机
器的分配情况，使得调度指标 ( 一般求 Makespan)最小。
function [Zp,Y1p,Y2p,Y3p,Xp,LC1,LC2]=JSPGA(M,N,Pm,T,P)
%--------------------------------------------------------------------------
%
% 流水线型车间作业调度遗传算法
% GreenSim 团队——专业级算法设计 &代写程序
% 欢迎访问
GreenSim 团队主页→
% M
% N
% Pm
% T
% P
输入参数列表
遗传进化迭代次数
种群规模 ( 取偶数 )
变异概率
m
1
× n 的矩阵，存储
m个工件 n 个工序的加工时间
× n 的向量， n 个工序中，每一个工序所具有的机床数目
% 输出参数列表
% Zp
最优的 Makespan 值
% Y1p
% Y2p
% Y3p
% Xp
最优方案中，各工件各工序的开始时刻，可根据它绘出甘特图
最优方案中，各工件各工序的结束时刻，可根据它绘出甘特图
最优方案中，各工件各工序使用的机器编号
最优决策变量的值，决策变量是一个实数编码的
m× n 矩阵
% LC1
收敛曲线 1，各代最优个体适应值的记录
% LC2
收敛曲线 2，各代群体平均适应值的记录
% 最后，程序还将绘出三副图片：两条收敛曲线图和甘特图（各工件的调度时序图）
%第一步：变量初始化
[m,n]=size(T);%m 是总工件数， n 是总工序数
Xp=zeros(m,n);% 最优决策变量
LC1=zeros(1,M);% 收敛曲线 1
LC2=zeros(1,N);%
收敛曲线 2
%第二步：随机产生初始种群
farm=cell(1,N);%
for k=1:N
X=zeros(m,n);
for j=1:n
for i=1:m
X(i,j)=1+(P(j)-eps)*rand;
end
end
采用细胞结构存储种群
farm{k}=X;
end
counter=0;% 设置迭代计数器
while counter 停止条件为达到最大迭代次数 % 第三步：交叉 newfarm=cell(1,N);% Ser=randperm(N); 交叉产生的新种群存在其中 for i=1:2:(N-1) A=farm{Ser(i)};% Manner=unidrnd(2);% if Manner==1 cp=unidrnd(m-1);% % 父代个体 随机选择交叉方式 随机选择交叉点 双亲双子单点交叉 子代个体 a=[A(1:cp,:);B((cp+1):m,:)];% b=[B(1:cp,:);A((cp+1):m,:)]; else cp=unidrnd(n-1);% b=[B(:,1:cp),A(:,(cp+1):n)]; end newfarm{i}=a;% newfarm{i+1}=b; end % 新旧种群合并 FARM=[farm,newfarm]; % 第四步：选择复制 fitness=zeros(1,N); plotif=0; for i=1:(2*N) X=FARM{i}; Z=COST(X,T,P,plotif);% FITNESS(i)=Z; end 随机选择交叉点 交叉后的子代存入 newfarm 调用计算费用的子函数 % 选择复制采取两两随机配对竞争的方式，具有保留最优个体的能力 Ser=randperm(2*N); for i=1:N f2=FITNESS(Ser(2*i)); if f1<=f2 farm{i}=FARM{Ser(2*i-1)}; fitness(i)=FITNESS(Ser(2*i-1)); else farm{i}=FARM{Ser(2*i)}; end end