(2021年整理)基于遺傳算法的車間布局優(yōu)化MATLAB源碼

1、基于遺傳算法的車間布局優(yōu)化matlab源碼基于遺傳算法的車間布局優(yōu)化matlab源碼 編輯整理：尊敬的讀者朋友們：這里是精品文檔編輯中心，本文檔內(nèi)容是由我和我的同事精心編輯整理后發(fā)布的，發(fā)布之前我們對(duì)文中內(nèi)容進(jìn)行仔細(xì)校對(duì)，但是難免會(huì)有疏漏的地方，但是任然希望（基于遺傳算法的車間布局優(yōu)化matlab源碼）的內(nèi)容能夠給您的工作和學(xué)習(xí)帶來(lái)便利。同時(shí)也真誠(chéng)的希望收到您的建議和反饋，這將是我們進(jìn)步的源泉，前進(jìn)的動(dòng)力。本文可編輯可修改，如果覺(jué)得對(duì)您有幫助請(qǐng)收藏以便隨時(shí)查閱，最后祝您生活愉快 業(yè)績(jī)進(jìn)步，以下為基于遺傳算法的車間布局優(yōu)化matlab源碼的全部?jī)?nèi)容。基于遺傳算法的車間布局優(yōu)化matlab源碼車間

2、布局優(yōu)化是將加工設(shè)備、物料輸送設(shè)備、工作單元和通道走廊等布置物體合理地放置在一個(gè)有限的生產(chǎn)車間內(nèi)的過(guò)程.車間布局優(yōu)化模型是一個(gè)含有較為復(fù)雜約束的非線性連續(xù)優(yōu)化模型，可以使用遺傳算法進(jìn)行優(yōu)化。% 車間布局遺傳禁忌搜索算法仿真主界面% 第一步:設(shè)置問(wèn)題實(shí)例li=38；16;30;40;48;32；46;%車間長(zhǎng)度wi=28；36;16;18；24；28;16；車間寬度每單位距離每單位物流量的物料搬運(yùn)費(fèi)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、;物料搬運(yùn)的頻率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；%物料搬運(yùn)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；矩形區(qū)域的長(zhǎng)度，x軸w=120；%矩形區(qū)域的寬度,y軸mindx=10;%各車間的最小水平間距mindy=10；各車間的最小垂直間距minds=10;%各車間到區(qū)域邊界的最小距離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% 調(diào)用遺傳算法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(遺傳算法輸出的最優(yōu)結(jié)果為);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） 此函數(shù)實(shí)現(xiàn)遺傳算法，用于車間布局優(yōu)化 輸入?yún)?shù)列表 k 迭代次數(shù)% n 種群規(guī)模，要求是偶數(shù)% pm 變異概率% lb 決策變量的下界，m1的向量 ub 決策變量的上界，m1的向量% 輸出參數(shù)列表 bestx k1細(xì)胞結(jié)構(gòu),每一個(gè)元素是m1向量,記錄每一代的最優(yōu)個(gè)體 besty k1矩陣，記錄每一代的最優(yōu)個(gè)體的評(píng)價(jià)函數(shù)值% allx k1細(xì)胞結(jié)構(gòu)，每一個(gè)元素是mn矩陣，記錄全部個(gè)體 ally kn矩陣,記錄全部個(gè)體的評(píng)價(jià)函數(shù)值 第一步：m=length（lb);決策變量的個(gè)數(shù)種群初始化，每

7、一列是一個(gè)樣本farm=zeros（m，n）;for i=1:m x=unifrnd（lb(i)，ub(i），1，n）; farm（i，:)=x；end%輸出變量初始化allx=cell(k，1);%細(xì)胞結(jié)構(gòu)，每一個(gè)元素是mn矩陣,記錄每一代的個(gè)體ally=zeros（k，n)；kn矩陣，記錄每一代評(píng)價(jià)函數(shù)值bestx=cell（k,1)；%細(xì)胞結(jié)構(gòu)，每一個(gè)元素是m1向量，記錄每一代的最優(yōu)個(gè)體besty=zeros(k，1)；%k1矩陣,記錄每一代的最優(yōu)個(gè)體的評(píng)價(jià)函數(shù)值k=1；迭代計(jì)數(shù)器初始化% 第二步：迭代過(guò)程while k=k% 以下是交叉過(guò)程 newfarm=zeros（m，2*n);

8、ser=randperm(n)；兩兩隨機(jī)配對(duì)的配對(duì)表 a=farm(:,ser(1）； b=farm（：，ser（2）); p0=unidrnd（m-1）； a=a(1：p0，:);b(（p0+1）：end,:);%產(chǎn)生子代a b=b（1：p0，:）;a（p0+1）：end,：);%產(chǎn)生子代b newfarm（：,2n1)=a；%加入子代種群 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; % 選擇復(fù)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 % 記錄最佳個(gè)體和收斂曲線 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； % 變異 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% 繪圖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