博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
个人主页：海神之光
代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

一、车间调度简介

1 车间调度定义
车间调度是指根据产品制造的合理需求分配加工车间顺序，从而达到合理利用产品制造资源、提高企业经济效益的目的。车间调度问题从数学上可以描述为有n个待加工的零件要在m台机器上加工。问题需要满足的条件包括每个零件的各道工序使用每台机器不多于1次，每个零件都按照一定的顺序进行加工。

2 传统作业车间调度
传统作业车间带调度实例

有若干工件，每个工件有若干工序，有多个加工机器，但是每道工序只能在一台机器上加工。对应到上面表格中的实例就是，两个工件，工件J1有三道工序，工序Q11只能在M3上加工，加工时间是5小时。
约束是对于一个工件来说，工序的相对顺序不能变。O11->O12->O13。每时刻，每个工件只能在一台机器上加工；每个机器上只能有一个工件。
调度的任务则是安排出工序的加工顺序，加工顺序确定了，因为每道工序只有一台机器可用，加工的机器也就确定了。
调度的目的是总的完工时间最短（也可以是其他目标）。举个例子，比如确定了O21->O22->O11->O23->O12->O13的加工顺序之后，我们就可以根据加工机器的约束，计算出总的加工时间。
M2加工O21消耗6小时，工件J2当前加工时间6小时。
M1加工O22消耗9小时，工件J2当前加工时间6+9=15小时。
M3加工O11消耗5小时，工件J1当前加工时间5小时。
M4加工O23消耗7小时，工件J2加工时间15+7=22小时。
M1加工O12消耗11小时，但是要等M1加工完O22之后才开始加工O12，所以工件J1的当前加工时间为max(5,9)+11=20小时。
M5加工O13消耗8小时，工件J2加工时间20+8=28小时。
总的完工时间就是max(22,28)=28小时。

2 柔性作业车间调度
柔性作业车间带调度实例（参考自高亮老师论文
《改进遗传算法求解柔性作业车间调度问题》——机械工程学报）

相比于传统作业车间调度，柔性作业车间调度放宽了对加工机器的约束，更符合现实生产情况，每个工序可选加工机器变成了多个，可以由多个加工机器中的一个加工。比如上表中的实例，J1的O12工序可以选择M2和M4加工，加工时间分别是8小时和4小时，但是并不一定选择M4加工，最后得出来的总的完工时间就更短，所以，需要调度算法求解优化。

相比于传统作业车间，柔性车间作业调度的调度任务不仅要确定工序的加工顺序，而且需要确定每道工序的机器分配。比如，确定了O21->O22->O11->O23->O12->O13的加工顺序，我们并不能相应工序的加工机器，所以还应该确定对应的[M1、M3、M5]->[M1、M2、M3]->[M1、M2、M3、M4、M5]->[M2、M3、M4、M5]->[M2、M4]->[M1、M3、M4、M5]的机器组合。调度的目的还是总的完工时间最短（也可以是其他目标，比如机器最大负荷最短、总的机器负荷最短）

二、樽海鞘算法求解带小车的车间调度AGV-fjsp问题简介

1 樽海鞘算法
樽海鞘算法(SSA)是一种元启发式算法，由S.Mirjalili等人于2017年提出。该算法受海洋中的樽海鞘的成群行为启发，樽海鞘是一种透明的生物，通过抽水穿过它们的身体在水中移动，它们在捕食时会形成樽海鞘链，以方便种群的快速移动。樽海鞘算法的数学模型包括对应关系和位置更新。对应关系包括樽海鞘候选解、海洋范围、搜索空间、食物的浓度、解的质量和排在第一的樽海鞘全局最优解。位置更新包括领导者和追随者的分组以及领导者的更新公式。樽海鞘算法结构简单，容易理解并实现，收敛速度也比较快。

2 樽海鞘算法的步骤
樽海鞘算法的步骤如下：
（1）初始化种群：随机生成一定数量的樽海鞘个体，每个个体的位置是在搜索空间内随机生成的。
（2）计算适应度：根据问题的目标函数计算每个樽海鞘个体的适应度。
（3）确定领导者：选择适应度最好的樽海鞘个体作为领导者。
（4）更新位置：根据领导者的位置和跟随者的位置，更新每个樽海鞘个体的位置。
（5）判断终止条件：如果达到了预设的终止条件，则停止算法；否则返回步骤2。

3 樽海鞘算法求解带小车的车间调度AGV-fjsp问题
樽海鞘算法是一种基于群体智能的优化算法，可以用来求解带小车的车间调度AGV-fjsp问题。该问题需要考虑到AGV与作业工序之间的时间和空间关系，以及AGV之间的冲突避免。樽海鞘算法通过模拟樽海鞘的聚集和分散行为，来搜索解空间中的最优解。使用樽海鞘算法可以得到较优的车间调度方案，最大程度地减少总的调度时间和冲突次数，提高车间生产效率。同时，樽海鞘算法具有较好的全局搜索能力，能够避免局部最优解。因此，它在解决车间调度AGV-fjsp问题中具有较高的应用价值。

三、部分源代码

clc;
clear;
close all
global ps AGV_num trans_time_table job_number machine_number operations_number operations_number_vector operations_start_vector operations_vector time_table feasible_machines_table ;

ps=100;%种群大小
Maxiter=200; % 最大迭代次数
problem = ‘mk10.fjs’;
AGV_num=3; % AGV小车个数
load transtime_MK10 trans_time_table
% 读取算例信息
[job_number, machine_number, operations_number, operations_number_vector, operations_start_vector, operations_vector, time_table, feasible_machines_table] = readProblemData(problem);
%% 初始化
% [p_chrom,m_chrom,v_chrom]=Initial_Population(); % 完全随机
[p_chrom,m_chrom,v_chrom]=heuristic_Population(); % 启发式
%% 计算适应度
fitness=zeros(ps,1); % 存目标的适应度
for i=1:ps
fitness(i,1)=fitFJSP(p_chrom(i,:),m_chrom(i,:),v_chrom(i,:));
end
i=0;
while i<Maxiter %最大迭代次数
i=i+1;
i
QP=[];QM=[];QV=[];QF=[];
% SSA
[new_p,new_m,new_v]=SSA_update(p_chrom,m_chrom,v_chrom,fitness,Maxiter,i);
for j=1:ps
f1(j,1)=fitFJSP(new_p(j,:),new_m(j,:),new_v(j,:));
end%J END
QP=[QP;new_p;p_chrom];QM=[QM;new_m;m_chrom];QV=[QV;new_v;v_chrom];QF=[QF;f1;fitness]; %生成子种群
%更新新种群
Fmin0(i,1) = min(QF(:,1)); Fmean0(i,1) = mean(QF(:,1));
% FG2(i,1) = min(QF(:,2)); FK2(i,1) = mean(QF(:,2));
[~,TopPSRank]=sort(QF);
for kk=1:ps
p_chrom(kk,:)=QP(TopPSRank(kk);
m_chrom(kk,:)=QM(TopPSRank(kk);
v_chrom(kk,:)=QV(TopPSRank(kk);
fitness(kk,:)=QF(TopPSRank(kk);
end
end % 结束while 循环
%% 画甘特图
[~,tx]=min(fitness(:,1));
[fitness,energymac]=fitFJSP(p_chrom(tx,:),m_chrom(tx,:),v_chrom(tx,:));
DrawGanttChart(p_chrom(tx,:),m_chrom(tx,:),v_chrom(tx,:),fitness(tx,:));

%% 画迭代图
figure
plot(Fmin0,‘b-’,‘LineWidth’,1)
hold on
plot(Fmean0,‘r-’,‘LineWidth’,1)
xlabel(‘迭代次数’)
ylabel(‘加权和值’)
title(‘加权和值迭代曲线’)
legend(‘最优值’,‘平均值’)

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合