(2021年整理)基于遗传算法的车间布局优化MATLAB源码

1、基于遗传算法的车间布局优化matlab源码基于遗传算法的车间布局优化matlab源码 编辑整理：尊敬的读者朋友们：这里是精品文档编辑中心，本文档内容是由我和我的同事精心编辑整理后发布的，发布之前我们对文中内容进行仔细校对，但是难免会有疏漏的地方，但是任然希望（基于遗传算法的车间布局优化matlab源码）的内容能够给您的工作和学习带来便利。同时也真诚的希望收到您的建议和反馈，这将是我们进步的源泉，前进的动力。本文可编辑可修改，如果觉得对您有帮助请收藏以便随时查阅，最后祝您生活愉快 业绩进步，以下为基于遗传算法的车间布局优化matlab源码的全部内容。基于遗传算法的车间布局优化matlab源码车间

2、布局优化是将加工设备、物料输送设备、工作单元和通道走廊等布置物体合理地放置在一个有限的生产车间内的过程.车间布局优化模型是一个含有较为复杂约束的非线性连续优化模型，可以使用遗传算法进行优化。% 车间布局遗传禁忌搜索算法仿真主界面% 第一步:设置问题实例li=38；16;30;40;48;32；46;%车间长度wi=28；36;16;18；24；28;16；车间宽度每单位距离每单位物流量的物料搬运费用p=0，2,3,2，5,4,4；0，0，5,2,2,3，4;0,0，0，1,5,4,3;0,0,0,0，1，5,1；0,0，0，0，0,4,5；0,0，0,0，0，0，1;0,0,0，0，0，0，0

3、;物料搬运的频率f=0，2，2，1,0，2,1;0，0，2,1，1，2，2;0，0，0，2,1，2，1；0，0，0，0,2，1，2；0，0,0,0,0,2,1;0,0，0，0，0，0，1；0，0，0,0，0，0，0；%物流量q=0，10，6,8，4，6,1;0， 0,3，2，5，4，4；0, 0,0,6,8,6，5；0， 0，0,0,5,8，1;0, 0,0,0,0,8，1;0, 0,0,0，0，0,5；0， 0,0,0,0，0,0；%物料搬运速率v=0，4，4,4,4，4，4;0,0，2，2,2,2,2;0,0，0,2，2,2，2；0，0，0，0，3，3,3;0，0，0，0,0，3，3;0,

4、0,0,0，0，0，2；0,0,0,0,0，0，0;l=200；矩形区域的长度，x轴w=120；%矩形区域的宽度,y轴mindx=10;%各车间的最小水平间距mindy=10；各车间的最小垂直间距minds=10;%各车间到区域边界的最小距离pop_size=400；max_gen=500;pm=0.3;kc=0.5;kt=0。5;plambda=1000;pk=1000;n=size(p，1）；lb=zeros(2*n，1）；ub=zeros（2*n，1)；for i=1：n lb(2*i-1)=0。5*li（i）+minds； lb（2*i）=0。5wi（i）+minds; ub（2*i1

5、)=l0。5*li（i)minds； ub(2i）=w0。5*wi（i)-minds;end% 调用遗传算法figure(3)bestx,besty，allx,ally=gaucp2（max_gen，pop_size,pm，lb，ub，l,w,li,wi，p,f,q,v,mindx,mindy，kc，kt,plambda，pk）；x=bestxmax_gen;disp(遗传算法输出的最优结果为);disp（x）；figure(4)plotfigure（x,li,wi，l，w）; function bestx,besty,allx,ally=gaucp2（k,n,pm，lb,ub,pl，pw，p

6、li，pwi，pp，pf,pq,pv，pmindx，pmindy,pkc，pkt,plambda,pk） 此函数实现遗传算法，用于车间布局优化 输入参数列表 k 迭代次数% n 种群规模，要求是偶数% pm 变异概率% lb 决策变量的下界，m1的向量 ub 决策变量的上界，m1的向量% 输出参数列表 bestx k1细胞结构,每一个元素是m1向量,记录每一代的最优个体 besty k1矩阵，记录每一代的最优个体的评价函数值% allx k1细胞结构，每一个元素是mn矩阵，记录全部个体 ally kn矩阵,记录全部个体的评价函数值 第一步：m=length（lb);决策变量的个数种群初始化，每

7、一列是一个样本farm=zeros（m，n）;for i=1:m x=unifrnd（lb(i)，ub(i），1，n）; farm（i，:)=x；end%输出变量初始化allx=cell(k，1);%细胞结构，每一个元素是mn矩阵,记录每一代的个体ally=zeros（k，n)；kn矩阵，记录每一代评价函数值bestx=cell（k,1)；%细胞结构，每一个元素是m1向量，记录每一代的最优个体besty=zeros(k，1)；%k1矩阵,记录每一代的最优个体的评价函数值k=1；迭代计数器初始化% 第二步：迭代过程while k=k% 以下是交叉过程 newfarm=zeros（m，2*n);

8、ser=randperm(n)；两两随机配对的配对表 a=farm(:,ser(1）； b=farm（：，ser（2）); p0=unidrnd（m-1）； a=a(1：p0，:);b(（p0+1）：end,:);%产生子代a b=b（1：p0，:）;a（p0+1）：end,：);%产生子代b newfarm（：,2n1)=a；%加入子代种群 newfarm(：，2n)=b; for i=1:（n-1) a=farm(:,ser（i）)； b=farm(：,ser（i+1)）; p0=unidrnd（m-1）; a=a（1：p0，:)；b（p0+1）：end,:)； b=b（1:p0,：）;a

9、（(p0+1）:end，:）； newfarm（:,2i1）=a; newfarm(:,2i)=b; end farm=farm,newfarm; % 选择复制 ser=randperm（3n)； fitness=zeros(1，3*n）； fitness=zeros(1,n); for i=1：(3n) beta=farm（：,i); se=fit(beta,pl，pw,pli,pwi，pp,pf，pq，pv，pmindx，pmindy,pkc,pkt,plambda,pk）; fitness（i）=se； end for i=1：n f1=fitness（ser（3*i-2）); f2=f

10、itness（ser（3i-1)； f3=fitness(ser(3i); if f1=f2&f1=f3 farm（：,i)=farm(:，ser（3i2）； fitness(:,i）=fitness(:，ser（3i-2)； elseif f2=f1&f2=f3 farm(:,i）=farm（：,ser(3i-1)）； fitness(:,i）=fitness(:,ser（3i1); else farm(:，i)=farm(:,ser(3*i）); fitness（:，i)=fitness(：，ser(3*i）)； end end % 记录最佳个体和收敛曲线 x=farm; y=fitnes

11、s； allxk=x； ally(k,：)=y； miny=min（y）； pos=find（y=miny)； bestxk=x(:，pos(1）)； besty（k)=miny； % 变异 for i=1：n if pmrand&pos（1)=i aa=farm（：，i)； bb=gaussmutation（aa,lb，ub）; for j=1:m bb（j，1）=unifrnd（lb(j）,ub（j）,1,1）; end farm（:,i)=bb； end end disp（k); k=k+1;end% 绘图besty2=besty；bestx2=bestx;for k=1:k tempy=besty(1：k); mintempy=min(tempy)； posy=find（tempy=mintempy)； besty2(k)=mintempy; bestx2k=bestxposy(1）;endbesty=besty2;bestx=bestx2；meanbesty=mean（ally);plot（-besty,ks,markeredgecolor,k,markerfacecolor,k,markersize，1)hold