⚡ 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*