遗传算法在生产调中的应用Stone工作室第一次修改.docVIP

遗传算法在生产调度方面的应用 摘要：生产调度问题是企业生产甚至国际合作的关键问题，但生产调度问题难以精确求解。遗传算法可以很好的解决这一问题，在生产调度、 生产规划、 任务分配等方面发挥着极其重要的作用。 关键词：生产调度 生产调度方式 遗传算法 研究背景：生产调度任务分配问题是任务分配问题的一种，它主要是指怎样分配有限的工人和工具来生产调度，以达到生产调度时间最短，效率最高的问题。通过一定的优化算法，合理的安排生产调度的人员与设备，可以达到缩短劳动时间提高效率的目的，从而提高经济效益。生活中类似的任务分配问题还有交通运输，生产线工人任务分配，工业生产设备调度等问题，涉及到工业生产、计算机、交通运输、通信、农业生产、物流及服务行业等国民生产重要部门。能不能解决好这类问题，能不能找到最优的优化算法将关系到我们的国民经济发展和个人的切身利益。 生产调度任务分配问题模型与算法研究这一课题来自于实际应用。生产调度是我们生活中的一项重要的生产生活活动。在一般的情况下，生产调度的数量与生产调度工人以及相应生产调度设备的数量是不一致的，调度的种类也是不同的，怎样利用有限的资源在最短的时间内完成生产调度就是本课题所要解决的问题。例如,生产调度车间的生产，而生产调度的数量是有限的，不能同时对这些间车进行生产调度，为了保证生产调度任务在最短的时间内完成，就要设计出最优的算法来计算并安排调度的分配，从而提高效率。 解决了生产调度任务分配的优化问题，就可以明显提高交通运输、工业生产等领域的效率，对于企业经济效益的提高和国家经济的发展具有现实意义。其次，通过研究生产调度任务分配问题的优化算法，研究者会进一步得到有关任务分配问题的相关优化算法，而任务分配问题在生产生活中非常的普遍，这对于全面提高社会生产效率有积极的影响。再次，对具体问题的研究也能促进智能优化算法的发展，促进优化理论的发展。这对于科学是具有积极意义的，同时得到发展的理论又可以被用于分配问题以外的实际生产中，使得整个社会的生产效率得到巨大的提高。 总之，研究生产调度任务分配优化算法，不仅仅对这项单独的问题有积极的作用，同时对于优化理论的发展和社会生产效率的提高都具有一定的积极意义。 1遗传算法的概述 遗传算法是模拟生物在自然环境中的进化过程而形成的一种自适应全局优化概率的搜 索算法。它使用群体搜索技术，通过对当前群体施加选择交叉变异等一系列遗传操作，从而产生新一代的群体，并按优胜劣汰的机制逐步使群体进化到包含或接近最优解的状态。 1.1遗传算法的基本运算过程 遗传算法（Genetic Algorithm）作为一种优化算法特别适合于对象模型难于建立、搜索空间非常庞大的复杂问题的优化求解。它和模糊控制技术一样，虽然在理论上还没有完善，但是在实践中已经得到了广泛的应用。遗传算法的基本思想是：模仿生物系统“适者生成的原理，通过选择、复制、交叉、变异等简单操作的多次重复来达到去劣存优的目的，从而获得问题的优化结果。遗传算法的实现由两个部分组成，一是编码与解码，二是遗传操作。其中遗传操作又包括选择、复制、交叉、变异等步骤。本算法根据实际情况采取了1-6整数编码。数字1，2，3，4，5，6分别代表6件待加工产品。 遗传算法基本流程: 通过编码，解码程序随机产生N个（有一定数量,如50或100）个体构成初始种群 从初始中群中选取2个具有最优染色体（最有排序方案）的个体作为临时个体（父代）；如果此2个体中有一个个体通过解码操作能够实现最优排序（即使总时间为75周期），那么结束此算法，得到最优解；对2个临时个体以一定方式(循环交叉)执行染色体交叉变换和变异选择（小概率,互换操作），产生2个新的个体；对父代和子代共4个个体进行选择，从中选出最佳的2个个体，做为下一代的父代；重复执行第二步(b)操作；如果执行完M步后仍然未得出答案75，那么将目前的最优解作为本算法的最优解答案。 首先，编码和解码 （同上）其次，交叉变换(crossover)对2个父代临时个体进行染色体交叉变换，采用循环交叉方法（Cycle crossover CX），如父代染色体为：X：[9 2 6 4 7 3 5 8 1]和Y：[3 4 5 8 1 6 7 2 9]，如果随机选到第二位开始交叉，那么X的2对应Y的4，X的4对应Y的8，X的8对应Y的2，这样就确定了以上为不变的染色体，其余位置的染色体互换位置，最后得到: [3 2 5 4 1 6 7 8 9], : [9 4 6 8 7 3 5 2 1],实现交叉变换。然后，变异选择（mutation）采用互换操作（SWAP），，即随机交换染色体中两不同基因的位置。如上面的染色体为：: [3 2 5 4 1 6 7 8 9] 。随机产生变换位置号，如产生随机数3和5，那么交换数字后得