⚡ 混合粒子群-模拟退火算法(HPSO-SA)求解作业车间调度问题------附MATLAB代码
一、算法背景
粒子群优化 (PSO)
PSO模拟鸟群觅食行为，每个粒子通过追踪个体最优(pbest)和全局最优(gbest)来更新位置。但在离散JSSP中，标准PSO的连续速度公式不适用。
模拟退火 (SA)
SA通过Metropolis准则以概率接受劣解，有助于跳出局部最优。从高温到低温的冷却过程，初期探索能力强，后期收敛性好。
混合策略
HPSO-SA 将PSO的群体智能与SA的跳出局部最优能力结合：
- PSO提供全局搜索方向（认知+社会经验）
- SA提供局部搜索的逃逸机制
- 惯性权重递减平衡探索与开发
二、算法设计
2.1 粒子编码
采用基于工序的编码，长度 = 工件数 × 工序数。
2.2 速度定义
在离散JSSP中，"速度"定义为置换操作序列：
```
v = {(i₁,j₁), (i₂,j₂), ..., (iₖ,jₖ)}
```
表示交换位置i和j。
2.3 位置更新
- 认知速度：当前粒子位置到个体最优的swap序列
- 社会速度：当前粒子位置到全局最优的swap序列
- 以概率 \( c_1 \cdot w \) 和 \( c_2 \cdot (1-w) \) 分别应用认知和社会速度
2.4 SA接受准则
```matlab
delta = new_fitness - current_fitness;
if delta < 0 || rand < exp(-delta / T)
accept new position;
end
T = T * alpha; % 降温
```
2.5 MATLAB核心代码
```matlab
%% HPSO_SA_JSSP.m
clear; clc;
%% FT06数据
num_jobs = 6;
num_machines = 6;
% job data matrix machine, time
jobs = {
2,1; 0,3; 1,6; 3,7; 5,3; 4,6, % Job 1
% ...
};
%% HPSO-SA参数
pop_size = 50;
max_gen = 80;
w_start = 0.9; w_end = 0.4;
c1 = 2.0; c2 = 2.0;
T0 = 100; alpha = 0.95;
%% 计算速度（交换序列）
function swaps = calc_velocity(pos1, pos2)
swaps = \[\];
temp = pos1;
for i = 1:length(temp)
if temp(i) ~= pos2(i)
j = find(temp(i:end) == pos2(i), 1) + i - 1;
temp(i,j) = temp(j,i);
swaps = swaps; i, j;
end
end
end
%% 应用速度
function new_pos = apply_velocity(pos, swaps, prob)
new_pos = pos;
for k = 1:size(swaps, 1)
if rand < prob
i = swaps(k,1); j = swaps(k,2);
new_pos(i,j) = new_pos(j,i);
end
end
end
```
三、实验结果
3.1 收敛曲线分析
特征分析：
- 早期（Gen 0-25）：温度高，接受劣解概率大，搜索范围广
- 中期（Gen 25-50）：温度降低，收敛加速
- 后期（Gen 50-80）：低温期，专注局部精细搜索
3.2 最优调度方案
3.3 统计结果
| 指标 | 数值 |
|---|---|
| 最优值 | 58 |
| 最差值 | 60 |
| 平均值 | 58.4 |
| 标准差 | 0.89 |
四、参数敏感性分析
| 参数 | 影响 | 推荐值 |
|---|---|---|
| 初始温度T0 | 越大探索越强 | 100-200 |
| 降温系数α | 越慢降温越精细 | 0.90-0.98 |
| 惯性权重w | 全局vs局部平衡 | 0.9→0.4 |
| 学习因子c1,c2 | 认知vs社会 | 1.5-2.0 |
五、总结
HPSO-SA混合算法充分利用了PSO的群体搜索能力和SA的局部逃逸机制：
- ✅ 离散位置-速度模型适配JSSP
- ✅ SAMetropolis准则避免早熟
- ✅ 自适应降温平衡探索开发
- ✅ 5次运行平均Makespan=58.4
关键字：粒子群算法、模拟退火、作业车间调度、HPSO-SA、混合算法
本文为CSDN原创博客，转载请注明出处