第9章遗传算法及其应用分解.pptVIP

* * 9.3.3 自适应遗传算法 2. 自适应遗传算法的步骤 （1） 编码/解码设计。 （2） 初始种群产生：N（N 是偶数）个候选解，组成初始解集。 （3） 定义适应度函数为 ，计算适应度 。 （4） 按轮盘赌规则选择N 个个体，计算 。 （5）将群体中的各个个体随机搭配成对，共组成N/2对， 对每一对个体，按照自适应公式计算自适应交叉概率 ，随机产生R 0,1 ，如果 则对该对染色体进行交叉操作。 * 2. 自适应遗传算法的步骤（续） （6）对于群体中的所有个体，共N个，按照自适应变异公式计算自适应变异概率 ，随机产生 R 0,1 ，如果 则对该染色体进行交叉操作。 （7）计算由交叉和变异生成新个体的适应度，新个体与父代一起构成新群体。 （8）判断是否达到预定的迭代次数，是则结束；否则转 （4）。 9.3.3 自适应遗传算法 * 3. 适应的交叉概率与变异概率 9.3.3 自适应遗传算法 普通自适应算法中，当个体适应度值越接近最大适应度值时，交叉概率与变异概率就越小；当等于最大适应度值时，交叉概率和变异概率为零。 改进的思想：当前代的最优个体不被破坏，仍然保留（最优保存策略）；但较优个体要对应于更高的交叉概率与变异概率。 * F－自适应方法： 9.3.3 自适应遗传算法 3. 自适应的交叉概率与变异概率（续） * 9.3.3 自适应遗传算法 S－自适应方法： 自适应的交叉概率与变异概率（续） * 9.3.3 自适应遗传算法 自适应的交叉概率与变异概率（续） C －自适应方法： * 第9章 遗传算法及其应用 9.1 遗传算法的产生与发展 9.2 遗传算法的基本算法 9.3 遗传算法的改进算法 9.4 基于遗传算法的生产调度方法 * 9.4 基于遗传算法的生产调度方法 9.4.1 基于遗传算法的流水车间调度方法 9.4.2 基于遗传算法的混合流水车间调度方法 * 1. 流水车间调度问题 问题描述：n 个工件要在 m 台机器上加工，每个工件需要经过 m 道工序，每道工序要求不同的机器，n 个工件在 m 台机器上的加工顺序相同。工件在机器上的加工时间是给定的，设为 问题的目标：确定 n 个工件在每台机器上的最优加工顺序，使最大流程时间达到最小。 9.4.1 基于遗传算法的流水车间调度方法 * 1. 流水车间调度问题 假设： 1 ?每个工件在机器上的加工顺序是给定的。 2 ?每台机器同时只能加工一个工件。 3 ?一个工件不能同时在不同的机器上加工。 4 ?工序不能预定。 5 ?工序的准备时间与顺序无关，且包含在加工时间中。 6 工件在每台机器上的加工顺序相同，且是确定的。 9.4.1 基于遗传算法的流水车间调度方法 * 1. 流水车间调度问题 9.4.1 基于遗传算法的流水车间调度方法 问题的数学模型： 个工件、 台机器的流水车间调度问题的完工时间： * 2. 求解流水车间调度问题的遗传算法设计 （1） FSP的编码方法 对于FSP，最自然的编码方式是用染色体表示工件的顺序。 9.4.1 基于遗传算法的流水车间调度方法 对于有四个工件的FSP，第 个染色体 ，表示工件的加工顺序为： 。 * 2. 求解流水车间调度问题的遗传算法设计 （2）FSP的适应度函数 : 个染色体 的最大流程时间， FSP的适应度函数： 9.4.1 基于遗传算法的流水车间调度方法 * 求解FSP的遗传算法实例 例1 Ho 和 Chang 1991 给出的5个工件、4台机器问题。 工件 1 31 41 25 30 2 19 55 3 34 3 23 42 27 6 4 13 22 14 13 5 33 5 57 19 加工时间表 9.4.1 基于遗传算法的流水车间调度方法 * 用遗传算法求解。选择交叉概率 ，变异概 ,种群规模为20，迭代次数 。 表9.3 遗传算法运行的结果 总运行 次数 最好解 最坏解 平均 最好解 的频率 最好解的 平均代数 20 213 221 213.95 0.85 12 9.4.1 基于遗传算法的流水车间调度方法 用穷举法求得最优解：4-2-5-1-3，加工时间：213； 最劣解：1-4-2-3-5，加工时间：294；平均解的加工时间：265。 遗传算法运行的结果 * 表9.3 遗传算法运行的结果 最优解收敛图 9.4.1 基于遗