生产计划与控制实践大作业 2

生产计划与控制实践大作业
遗传算法求解车间作业调度问题
课程名称： 生产计划与控制实践
报告题目：遗传算法求解车间作业调
度问题
指导老师： 高杰
组员姓名：王佳昀、姚泽坤、方正
所在组号： 第 十 二 组
二0一 四 年 12 月 22 日
1、问题回顾
车间作业调度问题
（1）PPT中例子（如下图所示）的求解
编写MATLAB 遗传算法GA_JSP函数M文件代码（源代码较长）见附录
之后在命令窗口调用GA_JSP函数求解的文件主程序编写如下：
%% 文件主体部分
clc,clear %清除命令窗口，清除工作空间
NIND = 40; %种群所包含个体数目
MAXGEN = 50; %最大遗传代数
GGAP = 0.9; %代沟
P_Cross = 0.8; %交叉率
P_Mutation = 0.6; %变异率
Jm={1 2 3;1 3 2;2 1 3};% 工序机器矩阵
T={3 3 2;1 5 3;3 2 3};%加工时间矩阵
MakeSpan =
GA_JSP(NIND,MAXGEN,GGAP,P_Cross,P_Mutation,Jm,T); fprintf('最小加工流程时间为：\n')
disp(MakeSpan)
程序运行结果如下：
最小加工流程时间为11，比课件图中给出的两种方案用时少，此方案更优
图中201表示第二个工件的第一道工序，其余类推
（2）公邮中TXT文本 Fisher and Thompson 6x6 instance 的求解
采用与（1）相同的方法，输入工序机器矩阵Jm和加工时间矩阵T即可求解
其中：
Jm={3 1 2 4 6 5;2 3 5 6 1 4;3 4 6 1 2 5;2 1 3 4 5 6;3 2 5 6 1 4;2 4 6 1 5 3};
% 工序机器矩阵
T={1 3 6 7 3 6;8 5 10 10 10 4;5 4 8 9 1 7;5 5 5 3 8 9;9 3 5 4 3 1;3 3 9 10 4 1};
%加工时间矩阵
运行结果截图：
附录
1 MATLAB 遗传算法GA_JSP函数M文件的部分主要代码（由于代码较长，此处仅保留了主函数代码）：
function MakeSpan = GA_JSP(NIND,MAXGEN,GGAP,P_Cross,P_Mutation,Jm,T)
%% 程序功能说明
%基于遗传算法的作业车间调度问题的求解程序（GA_JSP）
%====输入变量====
%NIND ：种群所包含个体的数目
%MAXGEN ：最大遗传代数
%GGAP ：代沟
%P_Cross ：交叉概率
%P_Mutation ：变异概率
%Jm ：各工序的可选机器集合，为m×n的元胞矩阵，m为机器数（工序），n为工件数
%T ：加工时间矩阵
%====输出变量====
%MakeSpan ：最小的最大完工时间
%% 主函数程序部分
gen = 0; %迭代计数器
JmNumber = Max_Cell(Jm); %调用Max_Cell子函数求机器的数量[PNumber,MNumber] = size(Jm); %PNumber为工件个数，MNumber 为工序个数
trace = zeros(2,MAXGEN); %寻优结果的初始值，一行存放各代的最优解，一行存放各代解的均值
TotalOP_Number = PNumber*MNumber; %工序总个数
%（1）初始化
Number = zeros(1,PNumber); %Number存放每个工件的工序数，PNumber工件个数
for i = 1:PNumber
Number(i) = MNumber; %MNumber工序个数
end
%染色体个体编码：代码分为两层，第一层表示工序，第二层表示机器Chrom = zeros(NIND,2*TotalOP_Number); %染色体的长度为
2*TotalOP_Number
for j = 1:NIND %逐代寻优
WPNumberTemp = Number;
for i = 1:TotalOP_Number %随机产生工序
val = unidrnd(PNumber);
while WPNumberTemp(val) == 0
val = unidrnd(PNumber);
end
%第一层代码表示工序
Chrom(j,i) = val;
WPNumberTemp(val) = WPNumberTemp(val)-1;
%第二层代码表示机器
Temp = Jm{val,MNumber-WPNumberTemp(val)};
SizeTemp = length(Temp);
%随机产成工序机器
Chrom(j,i+TotalOP_Number) = unidrnd(SizeTemp);
end
end
%（2）计算目标函数值
[PVal,ObjV,P,S] = cal(Chrom,JmNumber,T,Jm); %调用子函数程序cal 求个体适应度值
%（3）循环寻找最优解
while gen < MAXGEN
%分配适应度值
FitnV = ranking(ObjV); %调用子函数程序ranking进行排序操作
%选择操作
SelCh = select('rws', Chrom, FitnV, GGAP); %调用子函数程序select 进行选择操作，采用轮盘赌策略（rws）
%交叉操作
SelCh = across(SelCh,P_Cross,Jm,T); %调用子函数程序across进行交叉操作
%变异操作
SelCh = aberranceJm(SelCh,P_Mutation,Jm,T); %调用子函数程序aberranceJm进行变异操作
%重新计算目标适应度值（个体）
[PVal,ObjVSel,P,S] = cal(SelCh,JmNumber,T,Jm); %调用子函数程序cal 求个体适应度值
%重新插入新种群
[Chrom,ObjV] = reins(Chrom,SelCh,1,1,ObjV,ObjVSel); %调用子函数程序reins重新插入新种群
%迭代计数器增加1
gen = gen+1;
%保存最优值
trace(1,gen) = min(ObjV);
trace(2,gen) = mean(ObjV);
%记录最佳值
if gen == 1
Val1 = PVal;
Val2 = P;
MinVal = min(ObjV); %最小的最长流程加工时间
STemp = S;
end
%记录最小的工序
if MinVal > trace(1,gen)
Val1 = PVal;
Val2 = P;
MinVal = trace(1,gen);
STemp = S;
end
end
%（4）当前最佳值
PVal = Val1; %工序时间
P = Val2; %工序
S = STemp; %调度基因含机器基因
%（5）描绘解的变化
figure(1) %打开绘制解/均值随迭代次数的变化情况的图形窗口
plot(trace(1,:),'b-'); %最优解
hold on;
plot(trace(2,:),'r-.'); %解的均值
grid on;
xlabel('迭代次数');ylabel('适应度值（时间单位）');
legend('解的变化','种群均值的变化');
title('解/均值随迭代次数的变化情况');
MakeSpan = min(trace(1,:)); %整批工件的完工时间（最长流程加工时间）的最小值
%（6）显示最优解
figure(2); %打开绘制工件加工排序甘特图的图形窗口
MP = S(1,PNumber*MNumber+1:PNumber*MNumber*2); %调出机器排序for i = 1:TotalOP_Number
val = P(1,i);
a = (mod(val,100)); %工序
b = ((val-a)/100); %工件
Temp = Jm{b,a};
mText = Temp(MP(1,i));
x1 = PVal(1,i); %工序的开工时间
x2 = PVal(2,i); %工序的完工时间
y1 = mText-0.5; %0.5为甘特图矩形条的宽度，该数字可以更改
y2 = mText; %用于绘制矩形条的高度
PlotRec(x1,x2,mText); %调用PlotRec函数绘制甘特图函数
hold on;
fill([x1,x2,x2,x1],[y1,y1,y2,y2],[1-1/b,1/b,b/PNumber]); %填充矩形条 text((x1+x2)/2,mText-0.25,num2str(P(i))); %用文本标识工序，标注位置为矩形条的中心
end。