【车间调度】基于遗传算法求解具有能耗约束的车间调度问题度matlab代码

简介: 【车间调度】基于遗传算法求解具有能耗约束的车间调度问题度matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

车间作业调度问题的优化和研究对制造企业的生产效率和生产成本有着重大的影响力,因此受到学者们的高度关注。本文在对车间调度问题方面的研究做了以下几方面的工作: 首先分析了车间作业调度问题的国内外研究现状,对车间调度问题进行了简单的描述,概述了国内外车间调度问题的研究方法。 其次介绍了遗传算法的基本理论,分析了遗传算法的特点,描述了它的应用情况。 最后在数学建模理论研究的基础上,简单分析了数学建模的方法,对数学建模常用的数学软件进行了简单的描述。根据中信戴卡轮毂制造股份有限公司某车间的车间状况,建立相应的数学模型。利用遗传算法对数学模型进行算法设计,同时利用MATLAB软件对模型求解。为公司的车间生产提供重要的帮助。

⛄ 部分代码

% RANKING.M      (RANK-based fitness assignment)

%

% This function performs ranking of individuals.

%

% Syntax:  FitnV = ranking(ObjV, RFun, SUBPOP)

%

% This function ranks individuals represented by their associated

% cost, to be *minimized*, and returns a column vector FitnV

% containing the corresponding individual fitnesses. For multiple

% subpopulations the ranking is performed separately for each

% subpopulation.

%

% Input parameters:

%    ObjV      - Column vector containing the objective values of the

%                individuals in the current population (cost values).

%    RFun      - (optional) If RFun is a scalar in [1, 2] linear ranking is

%                assumed and the scalar indicates the selective pressure.

%                If RFun is a 2 element vector:

%                RFun(1): SP - scalar indicating the selective pressure

%                RFun(2): RM - ranking method

%                         RM = 0: linear ranking

%                         RM = 1: non-linear ranking

%                If RFun is a vector with length(Rfun) > 2 it contains

%                the fitness to be assigned to each rank. It should have

%                the same length as ObjV. Usually RFun is monotonously

%                increasing.

%                If RFun is omitted or NaN, linear ranking

%                and a selective pressure of 2 are assumed.

%    SUBPOP    - (optional) Number of subpopulations

%                if omitted or NaN, 1 subpopulation is assumed

%

% Output parameters:

%    FitnV     - Column vector containing the fitness values of the

%                individuals in the current population.

%                


% Author:     Hartmut Pohlheim (Carlos Fonseca)

% History:    01.03.94     non-linear ranking

%             10.03.94     multiple populations


function FitnV = ranking(ObjV, RFun, SUBPOP);


% Identify the vector size (Nind)

  [Nind,ans] = size(ObjV);


  if nargin < 2, RFun = []; end

  if nargin > 1, if isnan(RFun), RFun = []; end, end

  if prod(size(RFun)) == 2,

     if RFun(2) == 1, NonLin = 1;

     elseif RFun(2) == 0, NonLin = 0;

     else error('Parameter for ranking method must be 0 or 1'); end

     RFun = RFun(1);

     if isnan(RFun), RFun = 2; end

  elseif prod(size(RFun)) > 2,

     if prod(size(RFun)) ~= Nind, error('ObjV and RFun disagree'); end

  end


  if nargin < 3, SUBPOP = 1; end

  if nargin > 2,

     if isempty(SUBPOP), SUBPOP = 1;

     elseif isnan(SUBPOP), SUBPOP = 1;

     elseif length(SUBPOP) ~= 1, error('SUBPOP must be a scalar'); end

  end


  if (Nind/SUBPOP) ~= fix(Nind/SUBPOP), error('ObjV and SUBPOP disagree'); end

  Nind = Nind/SUBPOP;  % Compute number of individuals per subpopulation

 

% Check ranking function and use default values if necessary

  if isempty(RFun),

     % linear ranking with selective pressure 2

        RFun = 2*[0:Nind-1]'/(Nind-1);

  elseif prod(size(RFun)) == 1

     if NonLin == 1,

        % non-linear ranking

        if RFun(1) < 1, error('Selective pressure must be greater than 1');

        elseif RFun(1) > Nind-2, error('Selective pressure too big'); end

        Root1 = roots([RFun(1)-Nind [RFun(1)*ones(1,Nind-1)]]);

        RFun = (abs(Root1(1)) * ones(Nind,1)) .^ [(0:Nind-1)'];

        RFun = RFun / sum(RFun) * Nind;

     else

        % linear ranking with SP between 1 and 2

        if (RFun(1) < 1 | RFun(1) > 2),

           error('Selective pressure for linear ranking must be between 1 and 2');

        end

        RFun = 2-RFun + 2*(RFun-1)*[0:Nind-1]'/(Nind-1);

     end

  end;


  FitnV = [];


% loop over all subpopulations

for irun = 1:SUBPOP,

  % Copy objective values of actual subpopulation

     ObjVSub = ObjV((irun-1)*Nind+1:irun*Nind);

  % Sort does not handle NaN values as required. So, find those...

     NaNix = isnan(ObjVSub);

     Validix = find(~NaNix);

  % ... and sort only numeric values (smaller is better).

     [ans,ix] = sort(-ObjVSub(Validix));


  % Now build indexing vector assuming NaN are worse than numbers,

  % (including Inf!)...

     ix = [find(NaNix) ; Validix(ix)];

  % ... and obtain a sorted version of ObjV

     Sorted = ObjVSub(ix);


  % Assign fitness according to RFun.

     i = 1;

     FitnVSub = zeros(Nind,1);

     for j = [find(Sorted(1:Nind-1) ~= Sorted(2:Nind)); Nind]',

        FitnVSub(i:j) = sum(RFun(i:j)) * ones(j-i+1,1) / (j-i+1);

        i =j+1;

     end


  % Finally, return unsorted vector.

     [ans,uix] = sort(ix);

     FitnVSub = FitnVSub(uix);


  % Add FitnVSub to FitnV

     FitnV = [FitnV; FitnVSub];

end



% End of function



⛄ 运行结果

⛄ 参考文献

[1] 栾飞,傅卫平. 改进遗传算法求解静态车间调度问题[J]. 陕西科技大学学报(自然科学版), 2013.

[2] 常建娥, 何燕. 一种基于遗传算法求解车间调度问题的优化方法[J]. 物流科技, 2006, 29(2):2.

[3] 谢胜利, 董金祥, 黄强. 基于遗传算法的车间作业调度问题求解[J]. 计算机工程与应用, 2002, 38(10):4.

[4] 张青. 基于遗传算法的车间调度问题研究[D]. 长春理工大学.

⛳️ 代码获取关注我

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料



相关文章
|
1天前
|
传感器 算法
基于GA遗传算法的多机无源定位系统GDOP优化matlab仿真
本项目基于遗传算法(GA)优化多机无源定位系统的GDOP,使用MATLAB2022A进行仿真。通过遗传算法的选择、交叉和变异操作,迭代优化传感器配置,最小化GDOP值,提高定位精度。仿真输出包括GDOP优化结果、遗传算法收敛曲线及三维空间坐标点分布图。核心程序实现了染色体编码、适应度评估、遗传操作等关键步骤,最终展示优化后的传感器布局及其性能。
|
2天前
|
机器学习/深度学习 算法 安全
基于深度学习的路面裂缝检测算法matlab仿真
本项目基于YOLOv2算法实现高效的路面裂缝检测,使用Matlab 2022a开发。完整程序运行效果无水印,核心代码配有详细中文注释及操作视频。通过深度学习技术,将目标检测转化为回归问题,直接预测裂缝位置和类别,大幅提升检测效率与准确性。适用于实时检测任务,确保道路安全维护。 简介涵盖了算法理论、数据集准备、网络训练及检测过程,采用Darknet-19卷积神经网络结构,结合随机梯度下降算法进行训练。
|
3天前
|
算法 数据可视化 数据安全/隐私保护
一级倒立摆平衡控制系统MATLAB仿真,可显示倒立摆平衡动画,对比极点配置,线性二次型,PID,PI及PD五种算法
本课题基于MATLAB对一级倒立摆控制系统进行升级仿真,增加了PI、PD控制器,并对比了极点配置、线性二次型、PID、PI及PD五种算法的控制效果。通过GUI界面显示倒立摆动画和控制输出曲线,展示了不同控制器在偏转角和小车位移变化上的性能差异。理论部分介绍了倒立摆系统的力学模型,包括小车和杆的动力学方程。核心程序实现了不同控制算法的选择与仿真结果的可视化。
31 15
|
3天前
|
算法
基于SOA海鸥优化算法的三维曲面最高点搜索matlab仿真
本程序基于海鸥优化算法(SOA)进行三维曲面最高点搜索的MATLAB仿真,输出收敛曲线和搜索结果。使用MATLAB2022A版本运行,核心代码实现种群初始化、适应度计算、交叉变异等操作。SOA模拟海鸥觅食行为,通过搜索飞行、跟随飞行和掠食飞行三种策略高效探索解空间,找到全局最优解。
|
4天前
|
算法 数据安全/隐私保护 计算机视觉
基于FPGA的图像双线性插值算法verilog实现,包括tb测试文件和MATLAB辅助验证
本项目展示了256×256图像通过双线性插值放大至512×512的效果,无水印展示。使用Matlab 2022a和Vivado 2019.2开发,提供完整代码及详细中文注释、操作视频。核心程序实现图像缩放,并在Matlab中验证效果。双线性插值算法通过FPGA高效实现图像缩放,确保质量。
|
5天前
|
机器学习/深度学习 数据采集 算法
基于GWO灰狼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a,展示了时间序列预测算法的运行效果(无水印)。核心程序包含详细中文注释和操作视频。算法采用CNN-GRU-SAM网络,结合灰狼优化(GWO),通过卷积层提取局部特征、GRU处理长期依赖、自注意力机制捕捉全局特征,最终实现复杂非线性时间序列的高效预测。
|
5天前
|
传感器 算法 物联网
基于粒子群算法的网络最优节点部署优化matlab仿真
本项目基于粒子群优化(PSO)算法,实现WSN网络节点的最优部署,以最大化节点覆盖范围。使用MATLAB2022A进行开发与测试,展示了优化后的节点分布及其覆盖范围。核心代码通过定义目标函数和约束条件,利用PSO算法迭代搜索最佳节点位置,并绘制优化结果图。PSO算法灵感源于鸟群觅食行为,适用于连续和离散空间的优化问题,在通信网络、物联网等领域有广泛应用。该算法通过模拟粒子群体智慧,高效逼近最优解,提升网络性能。
|
1月前
|
算法 数据安全/隐私保护 计算机视觉
基于Retinex算法的图像去雾matlab仿真
本项目展示了基于Retinex算法的图像去雾技术。完整程序运行效果无水印,使用Matlab2022a开发。核心代码包含详细中文注释和操作步骤视频。Retinex理论由Edwin Land提出,旨在分离图像的光照和反射分量,增强图像对比度、颜色和细节,尤其在雾天条件下表现优异,有效解决图像去雾问题。
|
1月前
|
算法 数据可视化 安全
基于DWA优化算法的机器人路径规划matlab仿真
本项目基于DWA优化算法实现机器人路径规划的MATLAB仿真,适用于动态环境下的自主导航。使用MATLAB2022A版本运行,展示路径规划和预测结果。核心代码通过散点图和轨迹图可视化路径点及预测路径。DWA算法通过定义速度空间、采样候选动作并评估其优劣(目标方向性、障碍物距离、速度一致性),实时调整机器人运动参数,确保安全避障并接近目标。
148 68
|
1月前
|
算法 决策智能
基于SA模拟退火优化算法的TSP问题求解matlab仿真,并对比ACO蚁群优化算法
本项目基于MATLAB2022A,使用模拟退火(SA)和蚁群优化(ACO)算法求解旅行商问题(TSP),对比两者的仿真时间、收敛曲线及最短路径长度。SA源于金属退火过程,允许暂时接受较差解以跳出局部最优;ACO模仿蚂蚁信息素机制,通过正反馈发现最优路径。结果显示SA全局探索能力强,ACO在路径优化类问题中表现优异。

热门文章

最新文章