遗传算法的进一步探究—多层编码_数学建模matlab算法(八)

多层编码遗传算法把个体编码分成多层，每层编码均表示不同的含义，多层编码共同完整表达了问题的解。
多层编码遗传算法扩展了遗传算法的使用领域，使得遗传算法可以方便用于复杂问题的求解。
我们以车间调度问题为例，了解和使用多层编码的遗传算法。
车间调度问题是指 根据产品的制造需求，分配加工车间顺序。要考虑的因素有：机器集、零件集、工序序列集、可选机器集、使用机器加工零件的时间矩阵、费用矩阵。
具体问题如下：
共有6个工件、在10台机器上加工，每个工件都要经过6道加工工序，每个工序可选择机器序号如表1，每道工序的加工时间如表2。

在本题中，我们将染色体的前半部分表示所有工件在机器上的加工顺序，后半部分表示工件每道工序的加工机器序号。如个体[2 4 3 1 1 2 3 4 2 1 3 3 2 2 1 3]，该个体表示4个加工工序都是2次的工件在3台机器上的加工顺序，其中前8位表示工件的加工顺序为：2->4->3->1->1->2->3->4，9到16位表示加工机器，依次为：2->1->3->3->2->2->1->3
在交叉和变异时，需要在传统的遗传算法上有所改变，才能适应这种多层编码。
求解结果如图：


参考文献：
[1]金志勇.基于遗传算法的车间调度系统研究[D].武汉:武汉理工大学，2006.
[2]蒋丽雯.基于遗传算法的车间作业调度问题研究[D].上海:上海交通大学，2006.
[3]严坤.基于遗传算法的模糊目标柔性车间调度问题[J].机械科学与技术，2006,25(10):318-322.
[4]孙志峻，朱剑英.具有柔性加工路径的生产车间智能优化调度[J].机械科学与技术,2001,20(6):255-259.

matlab代码：

%% 清空环境
clc;clear

%% 下载数据
load scheduleData Jm T JmNumber
%工序 时间

%% 基本参数
NIND=40;        %个体数目
MAXGEN=100;      %最大遗传代数
GGAP=0.9;       %代沟
XOVR=0.8;       %交叉率
MUTR=0.6;       %变异率
gen=0;          %代计数器
%PNumber 工件个数 MNumber  工序个数
[PNumber MNumber]=size(Jm);  
trace=zeros(2, MAXGEN);      %寻优结果的初始值
WNumber=PNumber*MNumber;     %工序总个数

%% 初始化
Number=zeros(1,PNumber);     % PNumber 工件个数
for i=1:PNumber
    Number(i)=MNumber;         %MNumber工序个数
end

% 代码2层，第一层工序，第二层机器
Chrom=zeros(NIND,2*WNumber);
for j=1:NIND
    WPNumberTemp=Number;
    for i=1:WNumber
        
        %随机产成工序
        val=unidrnd(PNumber);
        while WPNumberTemp(val)==0
            val=unidrnd(PNumber);
        end
        
        %第一层代码表示工序
        Chrom(j,i)= val;
        WPNumberTemp(val)=WPNumberTemp(val)-1;
        
        %第2层代码表示机器
        Temp=Jm{val,MNumber-WPNumberTemp(val)};
        SizeTemp=length(Temp);
        %随机产成工序机器
        Chrom(j,i+WNumber)= unidrnd(SizeTemp);
        
    end
end
 
%计算目标函数值
[PVal ObjV P S]=cal(Chrom,JmNumber,T,Jm);  

%% 循环寻找
while gen<MAXGEN
    
    %分配适应度值
    FitnV=ranking(ObjV);  
    %选择操作
    SelCh=select('rws', Chrom, FitnV, GGAP);       
    %交叉操作
    SelCh=across(SelCh,XOVR,Jm,T);          
    %变异操作
    SelCh=aberranceJm(SelCh,MUTR,Jm,T);            
    
    %计算目标适应度值
    [PVal ObjVSel P S]=cal(SelCh,JmNumber,T,Jm);   
    %重新插入新种群
    [Chrom ObjV] =reins(Chrom, SelCh,1, 1, ObjV, ObjVSel);       
    %代计数器增加
    gen=gen+1;       
    
    %保存最优值
    trace(1, gen)=min(ObjV);       
    trace(2, gen)=mean(ObjV);  
    
    % 记录最佳值
    if gen==1
        Val1=PVal;
        Val2=P;
        MinVal=min(ObjV);%最小时间
        STemp=S;
    end
    %记录 最小的工序
    if MinVal> trace(1,gen)
        Val1=PVal;
        Val2=P;
        MinVal=trace(1,gen);
        STemp=S;
    end
    
end

% 当前最佳值
PVal=Val1; %工序时间
P=Val2;  %工序 
S=STemp; %调度基因含机器基因

%% 描绘解的变化
figure(1)
plot(trace(1,:));
hold on;
plot(trace(2,:),'-.');grid;
legend('解的变化','种群均值的变化');
xlabel('迭代次数');
ylabel('适应度值（s）');
title('算法搜索过程');

%% 显示最优解
figure(2);
MP=S(1,PNumber*MNumber+1:PNumber*MNumber*2);
for i=1:WNumber  
    val= P(1,i);
    a=(mod(val,100)); %工序
    b=((val-a)/100); %工件
    Temp=Jm{b,a};
    mText=Temp(MP(1,i));
    
    x1=PVal(1,i);
    x2=PVal(2,i);
    
    y1=mText-1;
    y2=mText;
    plotRec(x1,x2,mText);
    
    plotRec(PVal(1,i),PVal(2,i),mText);
    hold on;
    
    fill([x1,x2,x2,x1],[y1,y1,y2,y2],[1-1/b,1/b,b/PNumber]);
    text((x1+x2)/2,mText-0.25,num2str(P(i)));
    xlabel('时间（s）');
    ylabel('加工机器');
    title('甘特图');
End