均使用python环境求解，没有调包，从逻辑上实现遗传算法
包含一个GA求解函数解的简单案例
还有一个遗传算法求解一物流调度问题案例：现场有10个配送地点，现在要再区域内选择两配送中心使得配送中心到配送地的总曼哈顿距离最短，自己DNA长度为24，其中前10个位0-1变量，即确定配送至第一个配送中心的配送地有哪些，10-20位也是0-1变量即配送至第二个配送中心的配送地，后面4位分别为配送中心的x、y坐标(自己调整时就要根据这个逻辑修改DNA长度，如3个配送中心应包含30个0-1变量，总DNA长维36)，代码注释相对清晰，基本用到的函数功能和语句功能均有说明，方便初学者修改学习
2022-10-06 14:05:18
4KB
1
【老生谈算法】车间作业调度问题(JSP)的遗传算法通用MATLAB源代码.docx
2022-08-07 02:17:04
32KB
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。
2022-08-02 15:48:43
688KB
1