python实现基于改进的差分进化算法求解柔性作业车间调度问题源码+项目说明.7z 问题规模以(工件J*工序P*机器M)表示，例如J20P10M10表示共有20个工件，每个工件有10个工序，总共有10个加工机器可供选择。data文件夹中的文件表示程序所用的数据，其中data_first文件的问题规模是J10P5M6，data_second文件的问题规模是J20P10M10，data_third文件的问题规模是J20P20M15。对于其中数据的解释：横向表示工序，纵向表示机器，每个数值表示机器加工工序的耗时，工序和机器都是按顺序排列的。以data_first.txt文件为例，前五行分别表示第一个工件的5个工序分别在6台机器上加工的时间，第5-10行表示第二个工件的5个工序分别在6台机器上加工的时间，以此类推。 关于编码，本项目采用的是同类问题常用的编码方式，参考论文“基于改进遗传算法的柔性作业车间调度问题研究”，与该论文所述的编码方式不同的是，本项目的编码中第一段为工序编码，第二段为机器编码。

在不确定的环境中灵活的车间调度在现实世界的制造系统中起着重要的作用。 为了捕捉柔性作业车间调度的不确定性和多目标性质，构建了多目标随机柔性作业车间调度问题（MOSFJSSP）的数学模型，该模型包含制造时间跨度，最大机器工作量和鲁棒性三个目标。在各种实际约束下，同时考虑不确定性。 基于统计工具定义了两个基于方案的新的鲁棒性度量。 为了适当地解决MOSFJSSP问题，开发了一种基于分解的改进多目标进化算法（m-MOEA / D）进行鲁棒调度。 我们方法的新颖之处在于，它采用了一种新的子问题更新方法，该方法利用了全球信息，允许保存在档案中的精英们参与子代的产生，采用子问题选择和中止策略，将更多的计算工作集中在有前途的子问题上，并结合了特定问题的遗传算子进行变异。 在18个问题实例上的广泛实验结果，包括8个总柔性实例和10个局部柔性实例，表明这两种新的鲁棒性度量比现有的基于情景的度量更为有效，可以提高进度对不确定性的鲁棒性并保持被破坏目标的较小方差价值观。 与最新的多目标优化进化算法（MOEA）相比，我们提出的基于m-MOEA / D的鲁棒调度方法可实现更好的收敛性能。 还分析了三个目标之间的不同权衡。

分别用改进的粒子群优化算法和改进的差分进化算法求解柔性作业车间调度问题 问题规模以(工件J*工序P*机器M)表示，例如J20P10M10表示共有20个工件，每个工件有10个工序，总共有10个加工机器可供选择。data文件夹中的文件表示程序所用的数据，其中data_first文件的问题规模是J10P5M6，data_second文件的问题规模是J20P10M10，data_third文件的问题规模是J20P20M15。对于其中数据的解释：横向表示工序，纵向表示机器，每个数值表示机器加工工序的耗时，工序和机器都是按顺序排列的。以data_first.txt文件为例，前五行分别表示第一个工件的5个工序分别在6台机器上加工的时间，第5-10行表示第二个工件的5个工序分别在6台机器上加工的时间，以此类推。 关于编码，本项目采用的是同类问题常用的编码方式，参考论文“基于改进遗传算法的柔性作业车间调度问题研究”，与该论文所述的编码方式不同的是，本项目的编码中第一段为工序编码，第二段为机器编码。DE文件夹中的三个文件分别采用三种不同的初始化方式，其中DE_first.py采用的是完全随机的

深度强化学习求解动态柔性作业车间调度问题

混合NSGA-Ⅱ算法求解多目标柔性作业车间调度问题_NSGA调度_NSGA_NSGA-Ⅱ_柔性车间_柔性车间调度.zip

这个资源是粒子群算法求解柔性作业车间调度问题的python实现

之前与老师做项目的时候写的粒子群算法解决柔性作业车间调度问题，是用Java写的，标准测试数据及优解在data文件夹下 之前与老师做项目的时候写的粒子群算法解决柔性作业车间调度问题，是用Java写的，标准测试数据及优解在data文件夹下

之前与老师做项目的时候写的粒子群算法解决柔性作业车间调度问题，是用Java写的，标准测试数据及优解在data文件夹下

将灰狼优化算法(GWO)用于柔性作业车间调度问题(FJSP),以优化最大完工时间为目标,提出一种混合灰狼优化算法(HGWO).首先,采用两段式编码方式,建立GWO连续空间与FJSP离散空间的映射关系;其次,设计种群初始化方法,保证算法初始解的质量;然后,嵌入一种变邻域搜索策略,加强算法的局部搜索能力,引入遗传算子,提升算法的全局探索能力;最后,通过实验数据验证HGWO算法在求解FJSP问题方面的有效性.

改进遗传算法解决柔性作业车间调度问题，田旻，刘人境，柔性作业车间调度问题是经典作业车间调度问题的深入和扩展，为生产过程中作业车间调度的资源受限问题提供了更加切实可行的方案。