💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
📚2 运行结果
🎉3 参考文献
🌈4 Python代码实现
💥1 概述
文献来源:
摘要:柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)是经典作业车间调度问题的一个扩展,前者更接近于实际生产。以最小化最大完工时间为目标,提出了一种改进的离散粒子群优化算法。传统粒子群优化算法一般适用于优化连续模型问题,FJSP作为复杂度比较高的组合优化问题,是一种典型的离散模型。提出的算法采用机器负荷平衡机制初始化粒子种群,在粒子的更新过程中引入了3个操作算子来更新粒子的工序排序部分和机器分配部分,这3个算子分别为基于工序排序或机器分配的变异、与个体最优位置之间进行工序先后顺序保留的交叉(POX)操作、与全局最优位置进行随机点保存的交叉(RPX)操作。先后执行以上3个算子以完成粒子的一次更新。这种操作能够使种群较快地收敛于最优解。对标准测试案例进行实验的结果表明,所提算法对解决FJSP具有有效性,并且能够快速地搜索到近似最优解;与其他同类算法相比,所提算法在求解效果和收敛速度上均具有优越性。
关键词:
作业车间调度;离散优化问题;柔性;粒子群优化;
📚2 运行结果
#总共15个Brandimarte文件 for i in range(15):#每个数据用例都测试10次,取最好的一次结果,如果为了效率可以每个数据都测试1次results = [solve_FJSP(i,j) for j in range(10)]Pg_list = [result[0] for result in results ]fitness_list = [result[1] for result in results ]job_op_num = results[0][2]p_table = results[0][3]best_fitness_index = np.argmax(np.array(fitness_list))best_fitness = fitness_list[best_fitness_index]best_Pg = Pg_list[best_fitness_index]#画图,写入.txt文档path= './BestFitness/BrandimarteMk'+str(i+1)+'/'Decode.decode(best_Pg,job_op_num,p_table,'save',path)print(best_Pg,best_fitness)with open(path+'best_schedule.txt', 'w') as f:f.write(str(best_Pg)+'\n'+str(best_fitness))
部分代码:
# 生成初始种群 # 种群大小,可以根据m和n的值来调整大小,如C*m*n c为一个常系数 # Popsize = 5*p_table.shape[1]*len(job_op_num) Popsize = 200 encode = Encode(Popsize, p_table, job_op_num) # 全局选择的染色体 global_chrs = encode.global_selection() # #局部选择的染色体 local_chrs = encode.local_selection() # #随机选择的染色体 random_chrs = encode.random_selection() # 合并三者,得到初始的种群 chrs = np.vstack((global_chrs, local_chrs, random_chrs))# 以下是关于操作染色体的代码 # 初始的超参数赋值 o_mega = 0.15 c1 = 0.5 c2 = 0.7 pf_max = 0.8 pf_min = 0.2# 迭代次数,也可以根据m和n的值来调整大小, # Iter = 5*p_table.shape[1]*len(job_op_num) Iter = 200# 得到初始的个体最优位置 P = copy.deepcopy(chrs) # 得到初始的全局最优位置 # Decode.decode(chr,job_op_num,p_table,'decode'),其中的‘decode’表示不画图,只是计算适应度 fitness_list = [Decode.decode(chr, job_op_num, p_table, 'decode',None) for chr in P] Pg = P[np.argmin(fitness_list)] for iter in range(Iter):# 计算pfpf = pf_max - (pf_max - pf_min) / Iter * iter# 更新种群中所有的染色体copy_chrs = copy.deepcopy(chrs)chrs = [pso.f_operator(job_op_num, p_table, chr, P[index], Pg, pf, o_mega, c1, c2) for index, chr inenumerate(copy_chrs)]# 更新个体最优位置P = np.array([chr1 if Decode.decode(chr1, job_op_num, p_table, 'decode',None) <= Decode.decode(chr2, job_op_num,p_table, 'decode',None)else chr2 for chr1, chr2 in zip(P, chrs)])# 更新全局最优位置fitness_list = [Decode.decode(chr, job_op_num, p_table, 'decode',None) for chr in P]Pg = P[np.argmin(fitness_list)]# for chr in chrs:# print(Decode.decode(chr, job_op_num, p_table, 'decode',None))# print("第" + str(iter + 1) + '次循环的最优fitness:', Decode.decode(Pg, job_op_num, p_table, 'decode',None))print("第"+str(file_num+1)+'个数据集,第'+str(run_times+1)+'次运行'+'迭代:'+str(iter+1)+'/'+str(Iter))fitness = Decode.decode(Pg, job_op_num, p_table, 'decode',None)
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]丁舒阳,黎冰,侍洪波.基于改进的离散PSO算法的FJSP的研究[J].计算机科学,2018,45(04):233-239+256.