​柔性作业车间调度问题(FJSP)是经典作业车间调度问题的重要扩展,其中每个操作可以在多台机器上处理,反之亦然。结合实际生产过程中加工时间、机器负载、运行成本等情况,建立了多目标调度模型。针对NSGA2算法收敛性不足的缺陷,引入免疫平衡原理改进NSGA2算法的选择策略和精英保留策略,成功避免了局部收敛问题,提高了算法的优化性能。通过与启发式规则以及多种智能算法进行比对仿真实验,改进的NASA2算法能获得更好的解。用改进的NAGA2算法求解实例,不仅有效地克服多目标间数量级和量纲的障碍,而且得到了满意的pareto解集,进一步验证了该算法和模型的可行性。

function  main
    clear all;
    clc;
    pop = 100; %种群数量
    gen = 10; %迭代次数
    pop_f=100;%父代种群数量
    data_mac;%载入车间设备信息
    data_pro;%载入待加工工件信息
    pro_matrix=[];%包含工序及目标函数值得决策矩阵
    mac_matrix=[];%包含设备染色体信息的决策矩阵
    c_time_matrix=[];%最后一代所有个体总时间矩阵
    t_cons_matrix=[];%最后一代所有个体总能耗矩阵
    for i=1:pop_f%生成初始种群
        [P,M,N]=initPop(J);%J为工件相关信息，p为工序的编码 m为对应的机器编码  n为所选设备在对应可选设备集中的序列号
        [part_t,mac_t]=decode(J,P,M,N);%part_t为对应工件各工序加工时间信息  mac_t为对应设备各工序加工时间信息
        c_time=cal_comp_time(part_t);%c_time最大完工时间 part_t为调度方案所对应的加工时间信息
        t_load=cal_equ_load(part_t);%t_load设备总负荷
        pro_matrix(i,:)=[P,c_time,t_load];
        mac_matrix(i,:)=M;
    end 
​
        nsgaiii( J,Mac,gen,pop,pro_matrix,mac_matrix );
        
end
​
​
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.

【优化求解】基于NSGA-2的求解多目标柔性车间调度算法_算法