计算机仿真大赛二等奖论文利用遗传算法解决生产调度问题精品.docxVIP

利用遗传算法解决生产调度问题摘要在现代制造业中，生产特点是品种多、批量小，而车间资源的有限性制约着能否有效利用车间现有资源完成任务，以最快的速度响应市场需求。调度的任务是根据生产目标和约束，为每个加工对象确定具体的加工路线、时间、机器和操作等。优良的调度策略对于提高生产系统的最优性、提高经济效益都有着极大的作用。作业车间调度问题是一个典型的NP—hard问题，是最困难的组合优化问题之一。我们发现传统的利用微分方程的优化方法并不适用，为了解决这个问题，我们将遗传算法引入了这个模型当中。这个问题的输入是每个工件的每道工序所用的机器及对应时间，用两个矩阵表示，要求输出的是一个最优的调度方案。首先，我们采用十进制编码，用一个一维的数组，即一条染色体，来表示一种调度方案，这个数组中的每一个数表示一个工件，该数字出现的次数表示这是该工件的第几道工序。然后我们要得到一个初始化的种群，其中有一定数量的随机得到的染色体。接着，我们根据各个染色体的适应度对这个种群进行选择、交叉和变异，选择时我们采用了轮盘赌方法，交叉时为了解决不合理的情形，我们改良了交叉方法，根据这样产生出一个新的种群，并不断迭代。最后当迭代达到规定次数时，终止迭代，从最终种群中挑选出适应度最高的染色体，即为最优方案。 根据这个模型，我们进行了编程实现，并得到了最终结果，发现最后的种群已经趋近于唯一的最优解了，并根据过程中每个种群中的局部最优解迭代图，发现最后已达到了非常稳定的状态。最后我们利用新的输入矩阵检验了模型的鲁棒性，发现类似地能得到非常好的调度方案，这说明模型鲁棒性良好。然后分析了模型的优缺点并提出了改进方向。关键词：生产调度问题 遗传算法 种群 染色体问题重述设有n个不同的独立作业，每个作业都必须由m台不同的机器进行顺序加工处理，作业i在机器j上所需的处理时间为t(i,j)。现约定未完工前不允许中断处理，作业不能拆分成更小作业。要求给出一种作业调度方案，使所给的n个作业在尽可能短的时间内处理完成。在这个问题中，我们的输入的是每个作业的各道工序所依次对应的机器以及依次对应的时间，最后要求输出一个调度方案，即各作业的各工序的加工顺序，使得总的运行时间最短。遗传算法简介2.1 基本内容遗传算法，英文名Genetic Algorithm，是一种通过模拟达尔文进化论的自然选择学说和遗传学机理的生物进化过程的计算模型，作为一种交叉学科相互影响相互促进的结果，遗传算法借鉴了生物界进化的诸多规律，并以此为基础，通过模拟自然进化过程，进行高效率的随机化最优解搜索。遗传算法广泛的借鉴了生物进化学中的现象，包括遗传、突变、自然选择以及杂交等，主要有以下几点：1、基因（Gene）：基因是遗传的基本单元，是存放遗传信息的序列。在遗传算法的应用中，基因用来表示个体的特征。2、适应度（Fitness）函数：适应度表示某个体对于环境的适应程度。在遗传算法的应用中，适应度函数就是目标函数，遗传算法对于适应度函数并不要求可导等条件，只要求适应度函数为可加以比较的非负函数。3、选择(Selection) ：以一定的概率从种群中选择若干个体进行遗传或交配。在遗传算法的应用中，表示保留优化解，或通过产生新的解的过程。4、交叉(crossover) ：有性生殖生物在繁殖下一代时两个同源染色体之间通过交叉而重组，即在两个染色体的某一相同位置处DNA被切断，其前后两串分别交叉组合形成两个新的染色体。在遗传算法的应用中，表示通过交配原则产生一组新解的过程。5、变异(Mutation)：在细胞进行复制时可能以很小的概率产生某些复制差错，从而使DNA发生某种变异，产生新的染色体，这些新的染色体表现出新的性状。在遗传算法的应用中，表示通过随机变化产生一组新解的过程。遗传算法实际上是通过选择、交叉与变异算法重复迭代，使得数据朝着最优解的方向进化。其基本步骤如下：1、编码及初始化将问题的潜在解用一些参数表示，并将这些参数组合成一串特定的编码，从而将问题的状态空间与遗传算法的码空间相对应，这很大程度上依赖于问题的性质，并将影响遗传操作的设计。针对优化问题的编码技术主要有二进制编码、十进制编码、实数编码等。二进制编码将问题的解用一个二进制0和1字符串来表示，十进制编码将问题的解用一个十进制串来表示。实数编码将问题的解用一个实数来表示。实数编码解决了二进制和十进制编码对算法精度和存储量的影响，同时便于优化中引入问题的相关信息，譬如梯度信息。实数编码直接在解的表现型上进行遗传操作，目前在高维复杂优化问题中得到广泛应用，并取得了较好效果。鉴于组合优化问题本身的性质，其编码方式需要特殊设计。2、适值函数即个体空间S到正实数空间的映射，适值函数f为f:S→R+，遗传算法在搜索进化过程中一般不需要其它外部信息，仅用适应度函数值来评