数学建模竞赛Job shop参考.pptVIP

A memetic algorithm for the job-shop 报告人：吕胜雪 主要内容 1 memetic algorithm 2job-shop简单介绍 3实例 memetic algorithm 1 算法提出 Moscato和Norman等在1992年正式提出了Memetic算法，Memetic算法是一种基于人类文化遗传策略的群体智能优化算法。MA是一种基于种群的超启发式搜索算法，是基于种群的全局搜索与启发式局部搜索的结合，其思想来源于达尔文的自然进化法则和道金(Dawkins) 的Meme 概念。Meme是文化进化中的基本单 元，具有局部改进(1ocal refinements)的能力。 Meme 一词最早于1976年提出，它仿照基因(Gene)一词的拼写，用于表示在人们交流时传播的信息单元，它和基因的本质区别在于： Meme在传播前往往会因个人的思想和理解而改变，而基因只是进行简单的传播。MA通过对Meme的复制、传播和进化来模仿文化进化，在这过程中利用局部搜索使每个演化代的所有个体都达到局部最优，从而大大提高算法的执行速度和性能。一些关于 MA的最新研究表明这种算法能有效地解决一系列现实世界中的问题， 不仅收敛到高质量的解 ，而且比传统的方法更有效率。在不同的背景下，MA也称为混合进 化算法，Baldwinian进化算法，Lamarckian进化算法 ，文化算法 与遗传局部搜索算法。 算法的实现 基本Memetic算法的流程可以描述如下， ( 1 ) 初始解生成，这里可以采用一些构造性启发策略，并对初始种群进行局部优化。 ( 2 ) 随机选择种群中的个体进行交叉，并对所生成子个体进行局部优化。 ( 3 ) 随机对种群中的个体进行变异，并对生成个体进行局部优化。 ( 4 ) 对种群进行更新。 ( 5 ) 判断结束条件 ， 如不满足则返回第( 2 ) 步。 从流程图可以看出Memetic算法流程和GA有大的相似，其关键区别是Memetic算法在交叉变异后多了一个局部搜索优化的过程。对于局部搜索算法，是从一个初始解开始，在其邻域中搜寻比其更好的解，它可以快速求出较优解，其不足主要是求得的往往只是局部最优解。Memetic算法充分吸收了遗传算法和局部搜索算法的优点， 采用遗传算法的操作流程，但是在每次交叉和变异后进行局部搜索，通过优化种群分布及早剔除不良种群，进而减少迭代次数。 Job-shop 所谓作业车间（job-shop），是指这样一类加工车间：同时有多类工件进行加工，每类工件各有其确定的工艺流程，每个工件严格按照其所属工艺类型的工艺流程进行加工，每个工序在指定的设备上加工，不同工件的工序间没有顺序约束。 静态job-shop调度问题可描述为n个工件J={J1，J2，…，Jn}要在m台设备 M={M1，M2，…，Mm}上加工，在满足对工件、设备及资源的约束条件下，把所有工件的所有加工工序按时间分配到确定的设备上，并尽可能优化目标函数。常用的目标函数有最大完工时间、平均加工周期等。 实例 问题描述：现有3台 设备M={M1，M2，M3}，3个工件J={J1,J2，J3}其加工工序要求和加工时间p如下表: Time-lags是指同一工件的相邻工序间隔时间的限制，分为最大和最小，通常分别表示为tmin和tmax 谢谢 * * M3，p9=8 M2，p8=10 M3，p7=8 job3 M3，p6=15 M1，p5=3 M2，p4=5 job2 M3，p3=8 M2，p2=5 M1，p1=10 job1 job3 job2 job1