10分钟用Python或MATLAB制作漂亮的甘特图(Gantt)

简介: 10分钟用Python或MATLAB制作漂亮的甘特图(Gantt)

好久没有更新了,今天趁着放假,赶紧来水一期。嗯没错,就是这么直白。


网络异常,图片无法展示
|


我们做过几个关于生产调度相关的算法,相关的传送门如下:


遗传算法求解混合流水车间调度问题(附C++代码)

作业车间调度JSP与遗传算法GA及其Python/Java/C++实现

Tabu Search求解作业车间调度问题(Job Shop Scheduling)-附Java代码


但是说到生产调度,就不得不提甘特图这东西,可以用它来直观看调度的情况,非常方便。比如下图中:


640.png


Python画Gantt图




其实用Python画gantt原理是利用plt.barh()绘制水平方向的条形图,然后加以不同颜色区分表示。就是这么简单的。下面给出一个代码模板:


import matplotlib.pyplot as plt

import numpy as np

ax=plt.gca()

[ax.spines[i].set_visible(False) for i in ["top","right"]]


defgatt(m,t):

   """甘特图
   m机器集
   t时间集
   """

   for j in range(len(m)):#工序j

       i=m[j]-1#机器编号i

       if j==0:

           plt.barh(i,t[j])

           plt.text(np.sum(t[:j+1])/8,i,'J%s\nT%s'%((j+1),t[j]),color="white",size=8)

       else:

           plt.barh(i,t[j],left=(np.sum(t[:j])))

           plt.text(np.sum(t[:j])+t[j]/8,i,'J%s\nT%s'%((j+1),t[j]),color="white",size=8)


if __name__=="__main__":

   """测试代码"""

   m=np.random.randint(1,7,35)

   t=np.random.randint(15,25,35)

   gatt(m,t)

   plt.yticks(np.arange(max(m)),np.arange(1,max(m)+1))

   plt.show()

效果图如下:

640.png


这里讲讲plt.barh这个函数,官方barh()项目地址如下:


https://matplotlib.org/api/_as_gen/matplotlib.pyplot.barh.html?highlight=barh#matplotlib.pyplot.barh


barh()表示绘制水平方向的条形图,基本使用方法为:


barh(y, width, left=0, height=0.8, edgecolor)


各个参数解析如下:


- y:在y轴上的位置

- width:条形图的宽度(从左到右的哦)

- left:开始绘制的x坐标

- edgecolor:图形边缘的颜色


还是用图解释方便一点,比如下图【J12 T21】:


640.png

当然,为了让各个图形更有区分度,你也可以指定边缘的颜色。


上面的是生产调度的甘特图。这里再帖一个项目管理的甘特图。是GitHub上的@stefanSchinkel大神(总是大神大神,让我觉得有种营销号的感觉!/哭笑)做的。详情可以戳:

https://github.com/stefanSchinkel/gantt

东西全都封装好了。只需要下载上述文件中的gantt.py,然后
from gantt import Gantt
即可使用。✎ 运行环境要求


matplotlib==3.0.3numpy>=1.16.3

不过读取数据采用的是json格式的,结构如下:


{
  "packages": [
    { "label" : "WP 1-1",
      "start": 0,
      "end": 2,
      "milestones" : [2],
      "legend": "worker one"
    },
    { "label" : "WP 1-2",
      "start": 2,
      "end": 4,
      "milestones" : [3, 4]
    }
  ],
  "title" : " Sample GANTT for \\textbf{myProject}",
  "xlabel" : "time (weeks)",
  "xticks" : [2,4,6,8,10,12]
}

- label:表示工作流程的名称

- start:开始时间

- end:结束时间

- milestones:里程碑

- legend:标签

- title:标题

- xlabel:x轴名称

- xticks:x轴的刻度标签


使用也很简单,比如利用当前目录下的sample.json生成一张甘特图:


from gantt import Gantt
g = Gantt('./sample.json')
g.render()
g.show()                # or save w/ g.save('foo.png')

效果图如下:

640.png



MATLAB画Gannt图



当然MATLAB也是可以画的,具体我这里就不展开说了(因为我很少用这玩意,不太熟悉)。直接给出一个CSDN上@mnmalist大神写的脚本模板:

%fileName:mt06_final.mt06
%fileDescription:create a gatt chart whith the data given
%creator:by mnmlist
%Version:1.0
%last edit time:06-05-2015 
clear;  
axis([0,42,0,6.5]);%x轴 y轴的范围
set(gca,'xtick',0:2:42) ;%x轴的增长幅度
set(gca,'ytick',0:1:6.5) ;%y轴的增长幅度
xlabel('加工时间','FontName','微软雅黑','Color','b','FontSize',16)
ylabel('机器号','FontName','微软雅黑','Color','b','FontSize',16,'Rotation',90)
title('mk01 的一个最佳调度(最短完工时间为40)','fontname','微软雅黑','Color','b','FontSize',16);%图形的标题
n_bay_nb=6;%total bays  //机器数目
n_task_nb = 55;%total tasks  //任务数目
%x轴 对应于画图位置的起始坐标x
n_start_time=[0 0 2 6 0 0 3 4 10 13 4 3 10 6 12 4 5 6 14 7 9 9 16 7 11 14 15 12 16 17 16 15 18 19 19 20 21 20 22 21 24 24 25 27 30 30 27 25 28 33 36 33 30 37 37];%start time of every task  //每个工序的开始时间
%length 对应于每个图形在x轴方向的长度
n_duration_time =[6 2 1 6 4 3 1 6 3 3 2 1 2 1 2 1 1 3 2 2 6 2 1 4 4 2 6 6 1 2 1 4 6 1 6 1 1 1 5 6 1 6 4 3 6 1 6 3 2 6 1 4 6 1 3];%duration time of every task  //每个工序的持续时间
%y轴 对应于画图位置的起始坐标y
n_bay_start=[1 5 5 1 2 4 5 5 4 4 3 0 5 2 5 0 0 3 5 0 3 0 5 2 2 0 3 1 0 5 4 2 1 0 5 0 0 2 0 3 2 1 2 0 1 0 3 4 5 3 0 2 5 2 0]; %bay id of every task  ==工序数目,即在哪一行画线
%工序号,可以根据工序号选择使用哪一种颜色
n_job_id=[1 9 8 2 0 4 6 9 9 0 6 4 7 1 5 8 3 8 2 1 1 8 9 6 8 5 8 4 2 0 6 7 3 0 2 1 7 0 4 9 3 7 5 9 5 2 4 3 3 7 5 4 0 6 5];%
rec=[0,0,0,0];%temp data space for every rectangle  
color=[1,0,0;
         0,1,0;
         0,0,1;
         1,1,0;
         1,0,1;
         0,1,1;
         0.67,0,1;
         1,.5,0;
         .9,.5,.2;
         .5,.5,.5];%和上一个版本的最大不同在于,matlab中仅可以用字符表示8种颜色,超过8种就不可以了,现在用rgb数组可以表示任意多的颜色
for i =1:n_task_nb  
  rec(1) = n_start_time(i);%矩形的横坐标
  rec(2) = n_bay_start(i)+0.7;  %矩形的纵坐标
  rec(3) = n_duration_time(i);  %矩形的x轴方向的长度
  rec(4) = 0.6; 
  txt=sprintf('p(%d,%d)=%d',n_bay_start(i)+1,n_job_id(i)+1,n_duration_time(i));%将机器号,工序号,加工时间连城字符串
   rectangle('Position',rec,'LineWidth',0.5,'LineStyle','-','FaceColor',[color(n_job_id(i)+1,1),color(n_job_id(i)+1,2),color(n_job_id(i)+1,3)]);%draw every rectangle  
   text(n_start_time(i)+0.2,(n_bay_start(i)+1),txt,'FontWeight','Bold','FontSize',16);%label the id of every task  ,字体的坐标和其它特性
end


效果图如下:

640.jpg


看起来也还行(花里胡哨的)。。。

好了,以上,这就是今天的内容介绍。

相关文章
|
3月前
|
JSON 数据格式 Python
【2023最新】Matlab 保存JSON数据集文件,并用Python读取
本文介绍了如何使用MATLAB生成包含数据和标签的JSON格式数据集文件,并展示了用Python读取该JSON文件作为训练集的方法。
128 1
|
16天前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
1月前
|
Python
基于python-django的matlab护照识别网站系统
基于python-django的matlab护照识别网站系统
16 0
|
6月前
|
机器学习/深度学习 数据采集 数据可视化
Python中实现类似MATLAB的常用技巧
Python中实现类似MATLAB的常用技巧
|
6月前
|
Shell API Python
Python的MATLAB使用
Python的MATLAB使用
|
3月前
|
算法 数据可视化 调度
基于PSO粒子群优化的车间调度问题求解matlab仿真,输出甘特图
基于PSO粒子群优化的MATLAB仿真解决车间调度问题,输入机器与工作完成时间,输出甘特图与收敛图,实现多机器多任务最优并行调度。使用MATLAB 2022a版本运行,通过模拟鸟群觅食行为,不断更新粒子速度与位置寻找最优解,采用工序编码,总加工时间为适应度函数,实现快速收敛并可视化调度结果。
134 16
|
3月前
|
Python
【Python】实现MATLAB中计算两个矩形相交面积的rectint函数
Python中实现MATLAB中rectint函数的方法,该函数用于计算两个矩形相交区域的面积,并通过定义Rectangle类和calc_area函数展示了如何计算两个矩形的交集面积。
51 1
|
4月前
|
机器学习/深度学习 数据采集 分布式计算
LabVIEW、Matlab与Python的比较:从多角度详解三大编程工具
LabVIEW、Matlab与Python的比较:从多角度详解三大编程工具
105 1
|
5月前
|
算法 调度
基于变异混合蛙跳算法的车间调度最优化matlab仿真,可以任意调整工件数和机器数,输出甘特图
**摘要:** 实现变异混合蛙跳算法的MATLAB2022a版车间调度优化程序,支持动态调整工件和机器数,输出甘特图。核心算法结合SFLA与变异策略,解决Job-Shop Scheduling Problem,最小化总完成时间。SFLA模拟蛙群行为,分组进行局部搜索和全局信息交换。变异策略增强全局探索,避免局部最优。程序初始化随机解,按规则更新,经多次迭代和信息交换后终止。
|
5月前
|
算法 调度 决策智能
基于自适应遗传算法的车间调度matlab仿真,可以任意调整工件数和机器数,输出甘特图
这是一个使用MATLAB2022a实现的自适应遗传算法解决车间调度问题的程序,能调整工件数和机器数,输出甘特图和适应度收敛曲线。程序通过编码初始化、适应度函数、遗传操作(选择、交叉、变异)及自适应机制进行优化,目标如最小化完工时间。算法在迭代过程中动态调整参数,以提升搜索效率和全局优化。