【车间调度】基于matlab模拟退火算法求解单约束车间流水线调度问题【含Matlab源码 1457期】

一、车间调度简介

1 车间调度界说 车间调度是指依据产品制作的合理需求分配加工车间次序，从而达到合理利用产品制作资源、提高企业经济效益的意图。车间调度问题从数学上能够描绘为有n个待加工的零件要在m台机器上加工。问题需求满足的条件包括每个零件的各道工序运用每台机器不多于1次，每个零件都依照一定的次序进行加工。

2 传统作业车间调度 传统作业车间带调度实例

有若干工件，每个工件有若干工序，有多个加工机器，可是每道工序只能在一台机器上加工。对应到上面表格中的实例便是，两个工件，工件J1有三道工序，工序Q11只能在M3上加工，加工时刻是5小时。 约束是关于一个工件来说，工序的相对次序不能变。O11->O12->O13。每时刻，每个工件只能在一台机器上加工；每个机器上只能有一个工件。 调度的使命则是组织出工序的加工次序，加工次序确认了，由于每道工序只要一台机器可用，加工的机器也就确认了。 调度的意图是总的完工时刻最短（也能够是其他方针）。举个比方，比方确认了O21->O22->O11->O23->O12->O13的加工次序之后，咱们就能够依据加工机器的约束，计算出总的加工时刻。 M2加工O21耗费6小时，工件J2当时加工时刻6小时。 M1加工O22耗费9小时，工件J2当时加工时刻6+9=15小时。 M3加工O11耗费5小时，工件J1当时加工时刻5小时。 M4加工O23耗费7小时，工件J2加工时刻15+7=22小时。 M1加工O12耗费11小时，可是要等M1加工完O22之后才开端加工O12，所以工件J1的当时加工时刻为max(5,9)+11=20小时。 M5加工O13耗费8小时，工件J2加工时刻20+8=28小时。 总的完工时刻便是max(22,28)=28小时。

2 柔性作业车间调度 柔性作业车间带调度实例（参考自高亮老师论文 《改善遗传算法求解柔性作业车间调度问题》——机械工程学报）

比较于传统作业车间调度，柔性作业车间调度放宽了对加工机器的约束，更契合实际生产状况，每个工序可选加工机器变成了多个，能够由多个加工机器中的一个加工。比方上表中的实例，J1的O12工序能够挑选M2和M4加工，加工时刻分别是8小时和4小时，可是并不一定挑选M4加工，最终得出来的总的完工时刻就更短，所以，需求调度算法求解优化。

比较于传统作业车间，柔性车间作业调度的调度使命不只要确认工序的加工次序，而且需求确认每道工序的机器分配。比方，确认了O21->O22->O11->O23->O12->O13的加工次序，咱们并不能相应工序的加工机器，所以还应该确认对应的[M1、M3、M5]->[M1、M2、M3]->[M1、M2、M3、M4、M5]->[M2、M3、M4、M5]->[M2、M4]->[M1、M3、M4、M5]的机器组合。调度的意图仍是总的完工时刻最短（也能够是其他方针，比方机器最大负荷最短、总的机器负荷最短）

二、模拟退火算法简介

5 模拟退火算法的参数 模拟退火是一种优化算法，它本身是不能独立存在的，需求有一个应用场合，其中温度便是模拟退火需求优化的参数，如果它应用到了聚类分析中，那么便是说聚类分析中有某个或许某几个参数需求优化，而这个参数，或许参数集便是温度所代表的。它能够是某项指标，某项关联度，某个距离等等。

三、部分源代码

clc;
clear;
close all;
%% Problem Definition
model=CreateModel();        % Create Model of the Problem
CostFunction=@(q) MyCost(q,model);       % Cost Function
nVar=model.nVar;        % Number of Decision Variables
VarSize=[1 nVar];       % Size of Decision Variables Matrix
%% SA Parameters
MaxIt=100;      % Maximum Number of Iterations
MaxIt2=25;      % Maximum Number of Inner Iterations
T0=10;          % Initial Temperature
alpha=0.97;     % Temperature Damping Rate
%% Initialization
% Create Initial Solution
x.Position=CreateRandomSolution(model);
[x.Cost, x.Sol]=CostFunction(x.Position);
% Update Best Solution Ever Found
BestSol=x;
% Array to Hold Best Cost Values
BestCost=zeros(MaxIt,1);
% Set Initial Temperature
T=T0;
%% SA Main Loop
for it=1:MaxIt
    for it2=1:MaxIt2
        % Create Neighbor
        xnew.Position=CreateNeighbor(x.Position);
        [xnew.Cost, xnew.Sol]=CostFunction(xnew.Position);
        if xnew.Cost<=x.Cost
            % xnew is better, so it is accepted
            x=xnew;
        else
            % xnew is not better, so it is accepted conditionally
            delta=xnew.Cost-x.Cost;
            p=exp(-delta/T);
            if rand<=p
                x=xnew;
            end
        end
        % Update Best Solution
        if x.Cost<=BestSol.Cost
            BestSol=x;
        end
    end
    % Store Best Cost
    BestCost(it)=BestSol.Cost;
    % Display Iteration Information
    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);
    % Reduce Temperature
    T=alpha*T;
    % Plot Solution
    figure(1);
    PlotSolution(BestSol.Sol,model);
    pause(0.01);
end
%% Results
figure;
plot(BestCost,'LineWidth',2);
xlabel('Iteration');
ylabel('Best Cost');
grid on;

四、运转成果

五、matlab版别及参考文献

1 matlab版别 2014a

2 参考文献 [1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016. [2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.