21装配生产线任务平衡问题的遗传算法MATLAB源代码

1、欢迎访问 GreenSim 团队主页 邮箱：greensim装配生产线任务平衡问题的遗传算法 MATLAB源代码下面的源码实现了装配生产线任务平衡优化问题(ALB问题)的遗传算法，算法主要参考下面这篇文献，并对其进行了改进。陈永卿，潘刚，李平.基丁混合遗传算法的装配线平衡J.机电工程,2008,25(4):60-62.。functionBestX,BestY,BestZ,AllFarm,LC1,LC2,LC3,LC4,LC5=GSAALB(M,N,Pm,Pd,K,t0,alpha,TaskP,TaskT,TaskV,RT,RV)yt% GreenSim团队一一专业级算法设计&代写程序%

2、 欢迎访问 GreenSim 团队主页%装配生产线任务平衡问题的遗传算法%输入参数列表% M遗传算法进化代数% N 种群规模，取偶数% Pm变异概率调节参数% Pd 变异程度调节参数，0<Pd<1 ,越大，变异的基因位越多% K同一温度下状态跳转次数% T0初始温度% Alpha降温系数% Beta浓度均衡系数% TaskP任务优先矩阵，nx n矩阵，Pij=1表示任务i需在j之前完成，Pij=0时任务i和j没有优先关系% TaskT任务时间属性，n x 1向量% TaskV任务体积属性，n x 1向量% RT时间节拍约束% RV工位体积约束%输出参数列表% BestX最好个体的编

3、码% BestY最好个体对应的装配方案% BestZ最好个体的目标函数值% LC1 最优个体适应值的收敛曲线，M X 1% LC2 种群平均适应值的收敛曲线，M X 1% LC3 工位个数收敛曲线， M X 1% LC4 时间利用率及平衡度综合度量参数收敛曲线，M X 1% LC5 空间利用率及平衡度综合度量参数收敛曲线，M X 1% AllFarm 各代种群的集合，M X 1的细胞结构%初始化 n=size(TaskP,1);AA,BB=QJHJ(TaskP);%调用子函数，建立每一个任务的前任务集和后任务集farm=Initialization(N,TaskP,AA,BB);% 调用子函数

4、，种群初始化%输出参数初始化BestX=zeros(1,n);BestY=zeros(1,n);BestZ=0;LC1=zeros(M,1);LC2=zeros(M,1);LC3=zeros(M,1);LC4=zeros(M,1);LC5=zeros(M,1);AllFarm=cell(M,1);%控制参数初始化m=1;%迭代计数器t=t0;%温度指示器BestPos=1;%初始时任意指定被保护个体%迭代过程while m<=M%设置停止条件%变异退火算子for i=1:Nif rand>Pm&&i=BestPos%如果随机数大于变异概率门限值，并且不属于保护个体，

5、就对其实施变异I=farm(i,:);%取出该个体k=1;while k<=K%每一个温度下的状态转移次数%调用变异子函数J=Mutation(I,Pd,AA,BB);%调用计算适应值子函数YI,ZI,FI,TGWI,VGWI,f1I,f2I=Fitness(I,TaskT,TaskV ,RT,RV);YJ,ZJ,FJ,TGWJ,VGWJ,f1J,f2J=Fitness(J,TaskT,TaskV ,RT,RV);if FJ>FIfarm(i,:)=J;elseif rand<exp(FJ-FI)/(FI*t)farm(i,:)=J;elsefarm(i,:)=I;endk=

6、k+1;endendend%交叉算子newfarm=zeros(size(farm);Ser=randperm(N);%用这个函数保证随机配对for i=1:2:(N-1)FA=farm(Ser(i),:);FB=farm(Ser(i+1),:);SA,SB=CrossOver(FA,FB);newfarm(i,:)=SA;newfarm(i+1,:)=SB;end%新旧种群合并FARM=farm;newfarm;% 选择复布U FIT_Y=zeros(2*N,n);FIT_Z=zeros(2*N,1);FIT_F=zeros(2*N,1);FIT_f1=zeros(2*N,1);FIT_f2

7、=zeros(2*N,1);fit_Y=zeros(N,n);fit_Z=zeros(N,1);fit_F=zeros(N,1);fit_f1=zeros(N,1);fit_f2=zeros(N,1);for i=1:(2*N)XX=FARM(i,:);Y,Z,F,TGW,VGW,f1,f2=Fitness(XX,TaskT,TaskV,RT,RV);FIT_Y(i,:)=Y;FIT_Z(i)=Z;FIT_F(i)=F;FIT_f1(i)=f1;FIT_f2(i)=f2;endSer=randperm(2*N);for i=1:N丁、ff1=FIT_F(Ser(2*i-1);ff2=FIT_F

8、(Ser(2*i);if ff1>=ff2farm(i,:)=FARM(Ser(2*i-1),:);fit_Y(i,:)=FIT_Y(Ser(2*i-1),:);fit_Z(i)=FIT_Z(Ser(2*i-1);fit_F(i)=FIT_F(Ser(2*i-1);fit_f1(i)=FIT_f1(Ser(2*i-1);fit_f2(i)=FIT_f2(Ser(2*i-1);elsefarm(i,:)=FARM(Ser(2*i),:);fit_Y(i,:)=FIT_Y(Ser(2*i),:);fit_Z(i)=FIT_Z(Ser(2*i);fit_F(i)=FIT_F(Ser(2*i);fit_f1(i)=FIT_f1(Ser(2*i);fit_f2(i)=FIT_f2(Ser(2*i);endend% 记录与更新maxF=max(fit_F);meanF=mean(fit_F);LC1(m)=maxF;LC2(m)=meanF;pos=find(fit_F=maxF);BestPos=pos(1);BestX=farm(BestPos,:);BestY=fit_Y(BestPos,:);BestZ