灰狼优化算法GWO解决柔性作业车间调度问题FJSP_混合灰狼算法求解多目标柔性作业车间调度问题

灰狼优化算法

灰狼优化算法（Grey Wolf Optimization, GWO）是于 2014 年提出的一种群体智能优化算法，算法主要思想是模仿灰狼群体觅食行为。算法中主要涉及四种类型的狼：α 狼、β 狼、δ 狼、ω狼。

其中，α 狼：处于狼群的第一等级，它是狼群中的绝对领导者，主要负责对整个狼群做出决策。

β 狼：处于狼群的第二等级，它在狼群中的职责是帮助 α 狼进行决策及参与其他狼群活动。如果 α 狼过世或是变老，不再适合担当领导者的职务，那么 β 狼便成为 α 狼的最佳候选者。

δ 狼：处于狼群的第三等级，狼群中的侦察者、长者、哨兵皆来自这一阶层，侦察者负责监控狼群边界，在有侵略者侵入时及时报警。长者是狼群中有经验的个体，曾经是 α 狼或者 β 狼中的一员。哨兵负责整个种群的安全事物。

ω狼：在狼群等级制度的最底层。它作为狼群中的普通个体，是狼群中数量最多的一个群体，必须服从于 α 狼、β 狼和 δ 狼。

四种狼的等级如下图所示：

在熟悉了GWO的基本概念后，我们接着了解如何使用GWO算法 ~ ~

GWO基本框架

我们先贴出GWO的流程：




步骤3中提及的公式（2.9），即位置更新公式是什么呢？

接着，我们了解如何进行位置更新，我们贴出来：

柔性作业车间调度

柔性作业车间的部分，我们之前已经讲述过了，请移步： 麻雀算法SSA解决柔性作业车间调度问题FJSP

GWO求解FJSP问题实例

算例

使用 Brandimarte 测试集的 mk 算例。

测试结果

迭代曲线

甘特图

部分代码
main.m

clc;
dictPath='Brandimarte_Data';
dataName='Mk01.fjs';
dataRead(dictPath,dataName);
%% 载入数据
fileName=split(dataName,'.');
fileName=[fileName{1},'.mat'];
eval(['load ',fileName]);
%% 灰狼优化器
[Alpha_score,Alpha_pos,Convergence_curve]=GWO(MachineNum,jobNum,jobInfo,operaNumVec);
%% 画出迭代曲线
titleName=split(dataName,'.');
titleName=titleName{1};
figure(1);
plot(Convergence_curve, 'r-', 'LineWidth', 1.5);
box on; grid on
title([titleName,' Objective space']);
xlabel('Iteration');
ylabel('Best score obtained so far');
%% 画出Gantte图
[~,~,machineTable]=fitness(Alpha_pos,MachineNum,jobNum,jobInfo,operaNumVec);
figure(2);
gantt_chart(machineTable,'M');
title([titleName,' Gantte chart ',' makespan:',num2str(Alpha_score)]);
xlabel('Time');
ylabel('Machine');
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

写在后面

本文为本人的原创内容，未经本人允许，严谨盗图、盗文！如需完整MATLAB代码，私戳博主，或是咨询博主（扣）3249992049 ~ ~