python cplex 柔性车间作业调度柔性车间调度问题

转载

ghpsyn 2024-02-02 19:48:06

文章标签 算法 matlab python 调度问题图像处理 文章分类 Python 后端开发

1 内容介绍

作业车间调度问题一直是国内外学者研究的热点,柔性作业车间调度问题是在经典作业车间调度问题的基础上发展起来的一种更加复杂的组合优化问题,工序的加工机器不再限定在一台机器上,可以在多台机器上加工,加工时间也互不相同,求解难度更大,被称为最坏的NP难问题之一。相对于经典作业车间调度问题,柔性作业车间调度问题更加符合实际加工车间的生产调度情况,于是柔性作业车间调度问题成为近年来学术界和工程技术领域研究的热点。本文的研究就是围绕柔性作业车间调度问题展开的,主要工作如下：根据柔性作业车间调度的基本理论和现行作业车间的实际情况,结合蚁群算法的相关原理,确定本文的研究对象为柔性作业车间静态调度问题,以最大完工时间最小化为优化目标,建立了基于旅行商问题的作业车间调度问题析取图模型,选择用帝国企鹅算法求解。

2 仿真代码

function [fit,result]=aimFcn_1(x,option,data)
     global option data
     x=reshape(x,data.numP,data.numM);
     MT=zeros(1,data.numM); %每个机器当前工作结束的时间
     PT=zeros(1,data.numP); %每个工序被完成的时间
     flag=zeros(1,data.numP); %每个工序是否被完成
     PJ=ones(1,data.numJ); %每个工件的当前工序
     recording=[];
     while sum(flag)~=data.numP
         %查找当前可开工的工序编号
         for noJ=1:data.numJ
             noP=PJ(noJ);
             position=find(data.Process(:,1)==noJ & data.Process(:,2)==noP);
             if isempty(position)
                 tempMT(noJ,:)=inf;
                 tempPri(noJ,:)=inf;
                 tempPri1(noJ,:)=inf;
                 tempPri2(noJ,:)=inf;
             else
                 tempMT(noJ,:)=data.Process(position,3:end);
                 tempPri(noJ,:)=x(position,:);
                 tempPri1(noJ,:)=data.lambda_gama(position,2:end);
                 tempPri2(noJ,:)=repmat(data.lambda_gama(position,1),1,data.numM);
             end
             tempST(noJ,:)=MT+1;
         end
         temp=tempMT.*tempPri.*tempST./tempPri1./tempPri2;
         [p1,p2]=find(temp==min(min(temp)));
         noJ=p1(1);
         noM=p2(1);
         noP=PJ(noJ);
         position=find(data.Process(:,1)==noJ & data.Process(:,2)==noP);
         if noP==1
             ST=0;
         else
             position1=find(data.Process(:,1)==noJ & data.Process(:,2)==noP-1);
             ST=PT(position1);
         end
         ST=max(ST,MT(noM));
         T=data.Process(position,2+noM);
         MT(noM)=ST+T;
         PJ(noJ)=PJ(noJ)+1;
         flag(position)=1;
         PT(position)=ST+T;
         lambda=data.Process(position,1);
         gama=data.Process(position,1+noM);
         recording=[recording;noJ,noP,noM,ST,T,ST+T,lambda,gama];
     end
     fit=-data.Z*sum(recording(:,7).*recording(:,8)./recording(:,5));
     if nargout>1
         result.fit=-fit;
         result.recording=recording;
     end
 end

%% 这是使用原始算法的直接求解结果，添加专用于本问题的更新方式可以进一步提高精度
 % This is the direct result of using the original algorithm, 
 % adding some specific update methods to this problem can further improve the accuracy
 clc;
 clear;
 close all;
 warning off
 %% 固定随机数种子
 noRNG=1;
 rng('default')
 rng(noRNG)
 %% 载入数据
 data.Process=xlsread('data.xlsx',1);
 data.lambda_gama=xlsread('data.xlsx',2);
 data.numP=length(data.Process(:,1));
 data.numJ=max(data.Process(:,1));
 data.numM=4; %机器数量
 data.Z=10;
 dim=data.numP*data.numM;
 %%
 option.dim=dim; %八个决策变量
 lb=0;
 ub=1;
 option.lb=lb;
 option.ub=ub;
 if length(option.lb)==1
     option.lb=ones(1,option.dim)*option.lb;
     option.ub=ones(1,option.dim)*option.ub;
 end
 option.fobj=@aimFcn_1;
 %option.fobj0=option.fobj;
 option.showIter=0;
 %% 算法参数设置 Parameters
 % 基本参数
 option.numAgent=20;        %种群个体数 size of population
 option.maxIteration=20;    %最大迭代次数 maximum number of interation
 % 帝企鹅算法
 option.v_lb=-(option.ub-option.lb)/4;
 option.v_ub=(option.ub-option.lb)/4;
 option.w2=0.5; %weight of Moving strategy III
 option.w4=1;%weight of Moving strategy III
 option.w5=1;%weight of Moving strategy III
 option.pe=0.01; % rate to judge Premature convergence
 option.gap0=ceil(sqrt(option.maxIteration*2))+1;
 option.gapMin=5; % min gap
 option.dec=2;    % dec of gap
 option.L=10;     % Catastrophe
 str_legend=[{'AFO1'},{'AFO2'}];
 %% Initialize population individuals (common to control experiment algorithm)
 x=ones(option.numAgent,option.dim);
 y=ones(option.numAgent,1);
 for i=1:option.numAgent
     x(i,:)=rand(size(option.lb)).*(option.ub-option.lb)+option.lb;
     y(i)=option.fobj(x(i,:),option,data);
 end
 %% 使用算法求解
 % Based on the same population, solve the selected  functions by using different algorithms
 bestX=x;
 rng(noRNG)
 tic
 [bestY(1,:),bestX(1,:),recording(1)]=AFO1(x,y,option,data);
 tt(1,1)=toc;
 rng(noRNG)
 tic
 [bestY(2,:),bestX(2,:),recording(2)]=AFO2(x,y,option,data);
 tt(1,2)=toc;
 %%
 figure
 hold on
 for i=1:length(recording)
     plot(-(recording(i).bestFit),'LineWidth',2)
 end
 legend(str_legend)
 title('fitness curve')
%% 输出结果
 str='AFO1'
 [~,result1]=option.fobj(bestX(1,:),option,data);
 color=colormap(jet);
 drawPC(result1,color,str)
 str='AFO2'
 [~,result2]=option.fobj(bestX(2,:),option,data);
 color=colormap(jet);
 drawPC(result2,color,str)