Python | 模拟退火算法解决置换流水车间调度问题 使用启发式算法解决置换流水车间调度问题 txt文档中分别为源码和测试用例 未涉及第三方库，可以直接复制到pyCharm中运行 由于主函数使用了递归，程序可能运行较慢 （运行时需在源码中更改测试用例的保存路径）

使用python求解了混合流水车间调度问题，遗传算法

果蝇优化算法的基本原理是初始化种群的中心位置，利用敏锐的嗅觉进行搜索，即根据中心位置随机产生多个邻域解。计算各可行解的味道浓度，即适应度值，然后利用视觉从中选择较好的解，更新替换中心位置，然后进行迭代寻优，以更好的靠近食物源。 FOA在整个迭代寻优过程中，所有个体都聚集到本次迭代的最优个体附近，只向当前最优果蝇个体学习，极易是算法陷入局部最优。要克服早熟的问题，必须提供一种机制可以跳出局部最优，在其他解空间中继续搜索。

part1置换流水车间调度NEH算法Java程序.pdf

算例为流水车间调度算例，包括 car1-car8、hel1-hel2、reC01-reC42

完整代码，可直接运行

摘要：本文提出了一种混合的元启发式方法HDCPSO 用于求解置换流水车间调度问题中的最小化完成时间.该算法将粒子群算法和迭代贪心算法( Iterative Greedy, IG) 相结合, 利用IG 算法中的作业毁坏( Destruction) 和构造( Construction) 操作来对粒子进行变异, 降低群体发生早熟的可能. 引入了个体徘徊概念, 用来控制个体变异. 此外, 通过基于插入的邻域搜索来提高个体的局部搜索能力. 最后, 提出了群体的重新初始化机制来进一步避免早熟收敛的发生.本文算法在不同规模的问题实例上与其他几个具有代表性的算法进行了比较, 实验结果表明, 无论是在求解质量还是稳定性方面都优于其他算法.

这是用Python实现的遗传算法(GA)求解的混合流水车间调度，运行GA.py文件即可运行程序

【车间调度】基于遗传算法求解混合流水车间调度最优问题matlab源码.md

带有迭代贪婪算法的分布式无等待流水车间调度的makepan优化