求解最佳分配的算法问题

这是个服装裁剪问题,有个集合(n0...nx)x最多给到8,给出一个最大值X,X为整数不超过20,

求(m0...mx)的迭代分配多次后集合(n0...nx)全为0,每次(m0...mx)的取值关系为等比关系,等比值的和小于X,在这基础上考虑二个优先,第一:让(m0...mx)取值大于0的个数越多越好,从而获得最佳的的分配;第二:让迭代的次数越少越好,可以提高效率。

如果对裁剪问题不太明白的可以参考下评论中的背景资料。

例如:

                   (200,400,500,850,740,420)      X=6   
第一次取值   (0,  400,  400, 800, 400, 400)      6     
                    (200,0  ,100,50 ,340,20)
第二次取值   (200,  0,  100,  0,  300,  0)          6     
                     (0,  0,  0,  50, 40, 20)          
第三次取值   (0,  0,  0,  40,  40, 20)                 5    
                     (0,  0,  0,  10, 0,   0)
第四次取值   (0,  0,  0,  10,  0,   0)                 1   
                     (0,  0,  0,  0,  0,   0)
经过四次尝试后集合数据清零。

这个是不是最佳没求证,但思路是这样子的,求算法怎么解?


有朋友问这个题的背景,其实就是这题怎么来的,实际生产是我们的老师,这个题目来源于服装生产。
服装订单下单就是我的集合(xs,s,m,l,xl,xxl)这些码数的订单数就是我的(n0...nx),所以我会说x取值不超过8,超过8的衣服都不是人穿的;
做纸样的师傅一看这衣服布料再看这衣服的大小就确定了一张布上可以裁多少件衣服,就是X一个输入性定值;
现在就是要把订单数开裁了知道了最大件数就开始分配了这X件衣服中xs\s\m\l\xl\xxl分别占用多少比值,比值就是(m0...mx);
再计算一张唛架纸(可复制相同唛架纸,所以可以直接计算400层的布,实际上400层布要分多床进行裁剪)上最多能拉多少层布,这个就是L;
最后经过多层计算,就可以把订单数分配完。(注在实际中先估计一个L值,再去分配比值,人工计算时会先比对下订单数量,所以L值在3到4次的简单计算中给出来,也有可能订单数比较整的一下就出来了)

(m0...mx)* L就是上面提出的(m0...mx)要是等比关系,这个一定是等比的。


以下是实际生产中的更复杂的条件考虑,仅仅说下,暂时对上面的不产生影响!

实际情况中如果人工计算时发现分配的数多或少了一点,看订单数量,如(-2~5)之间,客户允许工厂进行增加或减少一个小点的百分比是没问题,工厂考虑更多的是增加百分比;还有看款式如果简单款式,小码数量少了点而大码数多了点,可以通过大码改小码进行分配,这个计算机就完全没办法了。
实际上,这个只是单色混码的分配,还有多个颜色下单进行混码分配的时候,要考虑上面的分配比值也可以在其它颜色下复用,复用的比值次数越多越好。
背景介绍完了。


### 使用遗传算法实现任务分配问题 #### 1. 定义问题 在任务分配问题中,通常涉及一组任务和一组执行者(如工人、机器或无人机),目的是找到最优的任务分配方式以最小化总成本或最大化效率。此过程可以通过定义适应度函数来量化不同分配方案的好坏。 对于此类问题,遗传算法提供了一个有效的框架来进行全局搜索。其核心在于设计合理的编码机制、选择操作、交叉操作以及变异操作[^1]。 #### 2. 编码机制 针对具体应用场景,可以选择不同的编码形式。例如,在处理车间调度时采用了双层编码结构——一层负责安排作业序列,另一层则关注于资源指派;而在多无人机系统里,则引入了多种类型的基因构成染色体,以此确保所生成个体不会违反任何物理限制条件[^3]。 #### 3. 初始化种群 随机初始化一定数量的可行解作为初始种群成员。每个成员代表一种可能的任务分配情况,并按照上述选定的方式进行编码表示。 ```matlab % MATLAB伪代码片段:创建初始种群 function population = initializePopulation(popSize, numTasks, numAgents) % popSize 种群大小; numTasks 总任务数; numAgents 可用代理数目 population = zeros(popSize, numTasks); for i=1:popSize chromosome = randperm(numAgents); % 基因排列组合 while length(chromosome)<numTasks chromosome = [chromosome mod(chromosome(randi(length(chromosome))),numAgents)+1]; end population(i,:) = chromosome(1:numTasks); end end ``` #### 4. 计算适应度值 依据特定的目标函数评估每一个候选解的质量得分。这一步骤决定了哪些个体将在后续世代中被保留下来参与繁殖活动。 ```matlab % MATLAB伪代码片段:计算单个个体的适应度分数 function fitnessScore = calculateFitness(individual, taskCostMatrix) totalCost = sum(taskCostMatrix(sub2ind(size(taskCostMatrix), individual', (1:length(individual))'))); fitnessScore = 1 / max(totalCost, eps); % 将代价转换成适应度分值 end ``` #### 5. 选择父代 利用轮盘赌法或其他概率比例选取策略挑选出表现较好的父母对准备交配产生后代。 #### 6. 执行交叉与变异 通过交换部分DNA片段完成新个体创造的同时适当加入少量突变事件增加多样性。 ```matlab % MATLAB伪代码片段:实施单点交叉运算 function offspringPair = crossover(parents, crossProb) if rand() < crossProb point = floor((rand * size(parents{1}, 2))); partA_1 = parents{1}(1:point); partB_1 = setdiff(parents{2}', partA_1)'; childOne = horzcat(partA_1, partB_1); partA_2 = parents{2}(1:point); partB_2 = setdiff(parents{1}', partA_2)'; childTwo = horzcat(partA_2, partB_2); offspringPair = {childOne, childTwo}; else offspringPair = parents; end end ``` #### 7. 更新种群并重复迭代直至收敛 经过若干次循环之后,当最佳适应度不再显著提升或者达到预设的最大代数界限时终止程序运行。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值