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

针对作业车间调度问题，提出改进的混合蛙跳算法．采用基于工件操作的蛙体结构，定义青蛙的相似性和距离，构造相应的青蛙移位策略，有效克服工件机器顺序的约束限制，保证青蛙新位置的可行性．通过经典算例仿真计算结果表明，该算法能有效求解较大规模的作业车间调度问题．

大数据-算法-非线性工时多工艺路线条件下作业车间调度问题研究.pdf

一种基于遗传算法的作业车间调度问题的解决方案，陈浩哲，王晨升，作业车间调度问题(job shop scheduling problem，JSP)是复杂调度问题类型之一，有十分重要的研究意义和工程价值。本文以标准遗传算法为基础�

针对不确定多目标柔性作业车间调度问题,将工序加工时间采用区间数表示,以区间最大完工时间和区间机器总负荷为优化目标,构建多目标区间柔性作业车间调度模型,并设计一种多目标进化优化算法对该模型进行求解.算法采用混合策略生成初始化种群,并采用贪婪插入法对染色体进行解码,通过基于可能度的占优关系评价个体性能,将区间目标归一化结合拥挤距离反映优化解的分布情况.实验结果验证了所提出算法的有效性.

深度强化学习求解动态柔性作业车间调度问题

针对微粒群优化算法在求解作业车间调度问题时存在的易早熟、搜索准确度差等缺点，在微粒群优化算法的基础上引入了模拟退火算法，从而使得算法同时具有全局搜索和跳出局部最优的能力，并且增加了对不可行解的优化，从而提高了算法的搜索效率；同时，在模拟退火算法中引入自适应温度衰变系数，使得SA算法能根据当前环境自动调整搜索条件，从而避免了微粒群优化算法易早熟的缺点。对经典JSP问题的仿真实验表明，与其他算法相比，该算法是一种切实可行、有效的方法。

为能够应用和声搜索算法(HSA)高效求解作业车间调度问题(JSSP)，提出一种新的差分和声搜索算法(DEHSA)。首先，针对和声函数连续而工序离散现象，设计了排序工序数量转换法，将浮点数的和声转换成工件序列；其次，为提高HSA的收敛速度，改进了HSA的进化模式，不仅是替换一个最差解，还提出了和声变量进化时依赖于当前最优解的“导优”概率；最后，将差分进化算法(DEA)引入到HSA中，克服了HSA方向性差和后期停滞的现象。仿真实验结果表明，DEHSA在求解JSSP上具有可行性和有效性。

该套件可用于评估整数变量的单目标无约束优化技术的性能，并可用作黑盒优化问题。 问题的一些特点是（i）一台机器可以处理多个订单，而单个订单不能在多台机器上处理。 (ii) 一台机器在给定的时间点只能处理一个订单。 (iii) 订单的处理成本和时间取决于机器。 (iv) 每个订单都与发布和到期日期相关联。 订单的处理可以在发布日期或之后执行，但必须在到期日或之前完成。 该套件中有十个最小化优化问题（P1S1.p、P1S2.p、P2S1.p、P2S2.p、P3S1.p、P3S2.p、P4S1.p、P4S2.p、P5S1.p和P5S2.p） . 他们每个人都有以下格式 [F] = P1S1(X); 输入：人口（或解决方案，用 X 表示） 输出：总体（F）的目标函数值。 文件 ProblemDetails.p 可用于确定每个案例的下限和上限以及函数句柄。 格式是[lb,ub,fobj]

博客代码