💥 💥 💞 💞 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pf pf = 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 in enumerate(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.
