《产品智能优化设计技术》课件 智能优化算法.pptx

产品智能优化设计技术;第5章：智能优化算法;3;4;5;6;7;8;9;10;11;12;13;14;【例5-2】某流水线现有10个作业（Jobs）和6台机器（Machines）。每个作业需要在每台机器上按照固定顺序进行加工，不同作业在不同机器上的加工时间各不相同。目标是找到使所有作业的最大完工时间最小的作业顺序。;基本原理;?;?;算法步骤;工业与智能系统工程研究所;?;工业与智能系统工程研究所;遗传算法的关键词：选择、交叉、变异、适应度;【例5-3】在现代制造业中，任务分配优化是实现成本效益生产的关键。该问题涉及将一系列生产任务分配至不同的生产线，以最小化总体生产成本。任务分配优化案例如表所示，考虑有8个生产任务和5条生产线的场景，每条生产线对每个任务的加工时间和费用具有特定的数值。我们的任务是确定一种最优的任务分配方案，该方案在满足生产线能力的前提下，能够使得总加工时间和费用达到最低。;染色体编码与解的表达：在该任务分配优化问题中，染色体采用整数编码方式表示，每个基因对应一个生产任务，基因取值范围为1至5，代表任务被分配至的5条不同生产线。例如，染色体[3,2,1,5,4,3,2,1]表示8个任务分别被分配到L3、L2、L1、L5、L4、L3、L2和L1生产线。通过解码过程可查得每项任务的加工时间与费用，进而计算出该分配方案的总成本与时间。该编码方式简洁高效，便于遗传操作，能够在保证任务唯一分配的前提下，有效引导算法寻找最优方案。;遗传算法六步核心流程：

1.随机生成种群：初始化一定数量的个体，每个个体表示一个可能的解（即一条染色体）。

2.判断收敛：评估种群中个体的适应度，判断是否已达到收敛条件（如最优解稳定）。

3.复制：根据适应度选择优秀个体，复制进入下一代，保留优质基因。

4.交叉：对选中的个体进行交叉操作，交换部分基因，生成新个体，增强种群多样性。

5.变异：以小概率随机改变个体中的基因，避免算法陷入局部最优。

6.终止判断：若满足终止条件（如找到满意解），结束算法；

否则返回第2步继续进化。

;1.初始化种群;2.定义适应度函数;3.选择;4.交叉;5.变异;6.迭代终止;遗传算法的具体代码实现如二维码所示：

对应文件：5_5.4_1.py

经过40次迭代，种群中最佳个体适应度与平均适应度的变化如图所示。可以看到随着迭代，种群中的最优个体适应度收敛，而种群的平均适应度也逐渐向最优适应度逼近;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所;工业与智能系统工程研究所