遗传算法解混合流水车间调度问题(注释很多)JavaScript

题目描述: n 个工件要在 c 台机器上加工,每个工件需要经过 c 道工序,每道工序要求不同的机器,n 个工件在 c 台机器上的加工顺序相同。确定 n 个工件在每台机器上的最优加工顺序,使最大流程时间达到最小。

测试问题参数取值:工件数量n=6,工序数量c=3,每道工序并行机器数量m=2。
遗传算法解混合流水车间调度问题(注释很多)JavaScript_第1张图片

目录

  • 1、遗传算法一般流程
  • 2、编码
  • 3、初始化种群
  • 4、评估个体适应度
  • 5、选择
  • 6、交叉
  • 7、变异
  • 8、完整代码

1、遗传算法一般流程

遗传算法解混合流水车间调度问题(注释很多)JavaScript_第2张图片

  1. 编码 指将最终结果抽象成为可以进行优化处理的序列,例如这道题最终要找到合理的工序,那么我们就可以设置一个工序的数组,如果有3个工件,那么工序对应为[1,2,3], [1,3,2], [2,1,3], [2,3,1],[3,1,2],[3,2,1] 六种。他们之间是可以通过改变序列顺序进行优化的。
  2. 初始化种群 定义初始时刻的结果集合,他们一般是随机生成的,程序会根据这些初始的结果集合进行演变。最终趋向于某个最优解。在初始化过程种,最重要的是初始化总群大小,过大的总群会增加内存负担,而过小的总群很容易进入局部最优解。
  3. 评估个体适应度 这一步用于计算一个个体是否符合需求,适应度高的个体会在遗传算法中得到保留和发展。
  4. 选择 挑选最满足条件的优秀个体,而抛弃偏离条件的个体
  5. 交叉 优秀的个体序列进行交换数据(或者取平均,具体的问题具体分析),模拟自然届中的基因重组。
  6. 变异 个体序列发生变异,模拟自然界中的变异,可以有效的防止程序进入局部最优值。

2、编码

根据表述,我们先择顺序列表作为编码。本题中有六个工件,所以我们可以开辟一个6格大小的数组进行数据的存储。例如

var arr = [2,3,0,1,5,4];

3、初始化种群

初始化种群的重要参数是种群中最多容纳个体的数目,个体又是一个一个序列的集合,所以在这个过程中,我们要生成一个m * n的二维矩阵,m为个体总数,n为每个个体的对应的数列,如上文所言,这里的数列会随机产生。

var WORKPIECE_NUM = 6;  // 总共要完成的零件数目
var POOR_SIZE = 25;      // 每一波存在的组数
var poor = new Array(POOR_SIZE); // 初始化自然空间个体数目的容纳数组 (总群数)
poorInit(POOR_SIZE, WORKPIECE_NUM, poor);

/** 初始化自然空间
 * @param {*} poor_size 自然空间的种群数目的容纳量
 * @param {*} workpiece_num 工件的数目,即每个个体的大小
 * @param {*} poor 自然空间种群数目的容纳数组
 */
function poorInit(poor_size, workpiece_num, poor){
    for(var i=0; i<poor_size; i++){ // 随机生成流程数目
        poor[i] = new Array(workpiece_num);
        // 对于每一个个体,随机生成其基因序列
        randomList(workpiece_num,poor[i]);
    }
}

/** 生成一个随机不重复的数列
 * @param {Int} len 数组的长度
 * @param {Int16Array} arr 结果存储数组
 */
function randomList(len, arr){
    // 生成顺序排列的字符串
    for(var i=0; i< len; i++){
        arr[i] = i;
    }
    // 打乱
    for(var i=len-1; i>0; i--){
        var j = random(i);  // 生成一个随机数
        var tem = arr[j];   // 让最后一位和随机数对应的数字进行交换,然后i--,最后一位向前移动一格
        arr[j] = arr[i];
        arr[i] = tem;
    }
}

/** 产生[0, n)范围内的随机整数
 * @param {Int} n 随机数上线
 */
function random (n){
    return Math.floor(Math.random()*n);
}

4、评估个体适应度

这一部分是整个问题的第一大难点!适应度嘛,简单点来说就是时间越少适应越好。那么具体如果去完成2*3,一共6条个车间的处理呢?我们可以对其进行抽象,流水线的本质就是工件在车间上被加工处理,我们只需要知道每个车间上正在处理的工件处理工件的剩余时间就可以进行推演了,于是,我们定义了“工作状态矩阵”和“剩余时间矩阵”分别表式上面的两个量。
流程开始,每隔一秒(假设的最小时间单位),我们检擦一遍“工作状态矩阵”work_state上的工件流程的剩余时间temp_maxtr[ ][ ],如果剩余时间没了,那么他就可以进行下一个流程。等到所有工件的每一个流程剩余时间都小于等于0时,即可结束。
内存调试真实效果
遗传算法解混合流水车间调度问题(注释很多)JavaScript_第3张图片
甘特图模拟效果
遗传算法解混合流水车间调度问题(注释很多)JavaScript_第4张图片

那么进行下一个流程如果表示呢?只要更改work_state改变以下车间里的原件就好。

var work_state = new Array(PROCESS_NUM * WORKSHOP_NUM); // 存储流水线状态,用于保存每条流水线上正在加工的工件id
var temp_maxtr = new Array(PROCESS_NUM);                // 用于存储每个工件在加工过程中的剩余时间
for(var i=0; i<PROCESS_NUM; i++) { 
    temp_maxtr[i] = new Array(WORKPIECE_NUM);
}
var scores = new Array(POOR_SIZE); // 存储分数(每个顺序下的时间)

for(var j=i==0?0:SUVIVAL_SIZE-1; j<POOR_SIZE; j++){ // 前SUVIVAL_SIZE组为SUVIVAL区,上一次已经记录过分数
	// 将work_state, 和 temp_maxtr 做归零处理
	resetTimeAndState(work_state, PROCESS_NUM, WORKSHOP_NUM, T_MAXTR, temp_maxtr);
	// 把得分存到scores里
	scores[j] = calcTime(work_state, temp_maxtr, PROCESS_NUM, WORKSHOP_NUM, WORKPIECE_NUM, poor[j]);
}

/** 重置流水线状态和时间记录矩阵
 * @param work_state 要复位的工作状态矩阵
 * @param c 流程数目
 * @param m 每一个流程下可以同时运行的生产线数目
 * @param t_maxtr 每一个工件在每个工序上所要消耗的时间
 * @param temp_maxtr   t_maxtr => temp_maxtr
 * @returns temp_maxtr每个工件各个流程的剩余时间记录矩阵
 */ 
function resetTimeAndState(work_state, c, m, t_maxtr, temp_maxtr) {
    var n = t_maxtr[0].length;
    // 将每一个机床都复位
    for (var i = 0; i < c * m; i++) {
        work_state[i] = n; // 用n来表示空闲状态
    }
    for(var i=0; i<c ;i++){
        for(var j=0; j<t_maxtr[0].length; j++){
            temp_maxtr[i][j] = t_maxtr[i][j];
        }
    }
}

/** 计算一个状态量所耗费的时间
 * @param {Int16List} work_state 工作状态矩阵
 * @param {二维矩阵} temp_maxtr 每个工件各个流程的剩余时间记录矩阵
 * @param {Int} c 流程数目
 * @param {Int} m 每一个流程下可以同时运行的生产线数目
 * @param {Int} n 工件的总数目
 * @param {Int16List} arr 工件的加工顺序矩阵
 * @returns {Int16List} 返回所用的时间
 */
function calcTime(work_state, temp_maxtr, c, m, n, arr, record) {
    var tim = 0;    // 使用的总时间
    var parts_id = 0;
    while (true) {
        // 检测是否可以补货
        if (parts_id != n) {
            for (var i = 0; i < m; i++) {
                if (work_state[i] == n) {
                    work_state[i] = arr[parts_id++];
                }
            }
        }
        // 仅当进入测试模式下if条件成立,记录每次一运行时各条流水线上的状态
        if(record != null){
                var a = new Array(6);
            for(var i =0; i<6; i++){
                a[i] = work_state[i];
            }
            record.push(a.map(item => item));
        }
        // 每个车间开始工作
        for (var i = c * m - 1; i >= 0; i--) {
            // 每次循环让所有车间进行一单位的时间
            temp_maxtr[Math.floor(i / m)][work_state[i]] = temp_maxtr[Math.floor(i / m)][work_state[i]] - 1;
            if (work_state[i] != n) { // 如果这个车间有物品的话
                if (temp_maxtr[Math.floor(i / m)][work_state[i]] <= 0) { // 如果这个车间上的东西已经加工完了
                    if (i >= c * m - m) { // 如果时最后一个车间了
                        work_state[i] = n; // 就可以把状态设置为空闲了
                    } else for (var j = 0; j < m; j++) { // 否则就去判断 下一个流程上的车间是否有空闲
                        if (work_state[(Math.floor(i / m) + 1) * m + j] == n) { // 如果找到空闲了
                            work_state[(Math.floor(i / m) + 1) * m + j] = work_state[i]; // 就把当前进程放到下一个流水线上
                            work_state[i] = n; // 并且把状态置成空闲
                        }
                    }
                }
            }
        }
        // 增加一次时间
        tim++;
        // 检测是否结束
        var is_end = true;
        for(var i=0; i<n; i++){
            if(temp_maxtr[c - 1][i]){
                is_end = false;
                break;
            }
        }
        if(is_end){
            return tim;
        }
    }
}

5、选择

在上一步中,我们计算了每个个体的时间,作为适应度。接下来的评分,选择就很方便了。排个序,选最大的几个就好,这就变成了一个简单的排序算法。根据题意,这里使用 “选择排序” 较为合理。

var SUVIVAL_SIZE = 5;  // 模拟自然选择,留下最优的n支幸存下来

// 按照评估分数排序(选择排序法),找到前n个, n为幸存的数目,幸存的数目是我们定义的常量
for(var j=0; j<SUVIVAL_SIZE; j++){
    for(var k=j; k<POOR_SIZE; k++){
        if(scores[j]>scores[k]){
            // 交换分数
            var t1 = scores[j];
            scores[j] = scores[k];
            scores[k] = t1;
            // 交换poor里的内容
            var t2 = poor[j];
            poor[j] = poor[k];
            poor[k] = t2;
        }
    }
}

6、交叉

遗传算法解混合流水车间调度问题(注释很多)JavaScript_第5张图片

交叉的是这道题里的第二个难点,由于序列交叉会导致一个工件在一个顺序中出现两次,而有的工件会没有被排序,导致顺序不存在。我们要设计算法去避免交叉带来的重复问题。
遗传算法解混合流水车间调度问题(注释很多)JavaScript_第6张图片

var FUSION_NUM = 3;        // 发生交叉时,交换的序列数

fusion(poor, POOR_SIZE, SUVIVAL_SIZE, FUSION_NUM, WORKPIECE_NUM);
/** 进行个体交叉
 * @param {*} poor 种群池
 * @param {*} poor_size 种群池的大小(自然环境的容量)(流程顺序方案数目)
 * @param {*} surival_size 自然选择下存活的方案数(最优的n种解决方案)
 * @param {*} fusion_num 发生交叉时,交换的序列数
 * @param {*} workpiece_num 总共要完成的零件数目(也是每个个体的基因数)
 */
function fusion(poor, poor_size, surival_size, fusion_num, workpiece_num) {
    var poor_p = surival_size ;  // 位置标记,要被修改的组的位置
    // 将幸存区里的每两个进行交叉
    for(var i=0; i<surival_size; i++){
        for(var j=i+1; j<surival_size; j++){
            // 随机生成一个位置,将两个个体的一段进行交换
            var fusion_pos = random(workpiece_num-fusion_num+1);
            // 交叉生成两个新的个体
            createNew(poor, workpiece_num, fusion_num, fusion_pos, i, j, poor_p);
            poor_p = poor_p+1;
            createNew(poor, workpiece_num, fusion_num, fusion_pos, j, i, poor_p);
            poor_p = poor_p+1;
        }
    }
}
/** 创建一个新的个体, 这个个体由 i 加入部分 j 构成
 * @param {二维数组} poor 种群池
 * @param {Int} fusion_pos 交叉标志位, 从交叉标记位开始,往后的n个会被替换,n为交换的序列数,是个常量
 * @param {Int} workpiece_num 一个体的所拥有的基因数(工件的数目)
 * @param {Int} i 初始个体i, i是一个int
 * @param {Int} j 初始个体i, j是一个int
 * @param {Int} poor_p 目标个体poor_p,新产生的个体数据会被放到这个个体中
 */
function createNew(poor,workpiece_num, fusion_num, fusion_pos, i, j, poor_p){
    var kk_p = fusion_pos; // 记录这个位置,用于更高效的完成循环
    // 构建第一个新的数组(个体)
    for(var ii=0; ii<workpiece_num; ii++){
        if(ii<fusion_pos || ii>= fusion_pos + fusion_num){ // 如果是非交换的位置
            var is_repeat = false; // 数据重复标志位
            for(var jj= fusion_pos; jj< fusion_num+fusion_pos; jj++){
                if(poor[i][ii] == poor[j][jj]){ // 如果要交换的位置检查出了重复
                    is_repeat = true;
                    for(var kk=kk_p; kk< fusion_num+fusion_pos; kk++){ // 就从要交换过去的位置里去找一个替换部分不一样的,用这个数来消除重复
                        var is_repeat2 = false; // 数据重复标志位
                        for(var iii = fusion_pos; iii< fusion_num+fusion_pos; iii++){
                            if(poor[i][kk] == poor[j][iii]){ // 如果在交替部分发生重复就不用考虑这一位了
                                is_repeat2 = true;
                                kk_p ++; break;
                            }
                        }
                        if(!is_repeat2){ // 如果不是重复的,
                            poor[poor_p][ii] = poor[i][kk]; // 我们就将这个基因赋值给新的个体
                            kk_p ++;break; // kk的起始位置 +1
                        }
                    }
                }
            }
            if(!is_repeat){ // 两个交换的部分没有重复,代表这个数会在原数列的非交换部分出现。
                poor[poor_p][ii] = poor[i][ii];
            }
        }else{ // 如果是两序列相互交换的位置就直接交换
            poor[poor_p][ii] = poor[j][ii];
        }
    }
}

7、变异

变异也比较简单,随便交换两个位的数就可以了,在自然界中变异不常发生,我们可以设置一个概率去控制其发生的可能性。

var VARITATION_RATE = 0.2; // 变异发生的概率

// 变异 为了保证最后得到的分数是我们测试中出现的最大值,每次选择出的最大值不会参与变异
varitation(poor, POOR_SIZE, WORKPIECE_NUM, VARITATION_RATE);

/** 变异算法
 * @param {*} poor 种群池
 * @param {*} poor_size 种群池的大小(自然环境的容量)(流程顺序方案数目)
 * @param {*} workpiece_num 总共要完成的零件数目(也是每个个体的大小)
 * @param {*} varitarion_rate 变异率,变异率越大,发生变异的可能性越大
 */
function varitation(poor, poor_size, workpiece_num, varitarion_rate) {
    for(var i=1; i<poor_size; i++){ // 从第二大的开始变异
        if(Math.random()<varitarion_rate){ // 有一定概率进入变异环节
            // 随机选出连个位置
            var p1 = random(workpiece_num);
            var p2 = random(workpiece_num);
            // 交换两个位置里的值
            var temp = poor[i][p1];
            poor[i][p1] = poor[i][p2];
            poor[i][p2] = temp;
        }
    }
}

8、完整代码

完整代码分为两部分,数据展示和进行计算。为了方便演示,我把所有函数,写成了script标签,放到了html文件里。完全原生,ES6 以上,copy一下,存为html就可以使用。

1、直接打开,你可以看到效果展示
遗传算法解混合流水车间调度问题(注释很多)JavaScript_第7张图片

2、按下F12打开控制台, 调用 main(test=false)你可以看到运算过程。
遗传算法解混合流水车间调度问题(注释很多)JavaScript_第8张图片


<html lang="en">

<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Documenttitle>
head>

<body>
    <div style="width: 100%;align-items: center;">
        <table id="show_t" style="border-spacing: 0; margin: auto;">
        table>
    div>
    <button id="do_test" style="border-spacing: 0; margin:0 20%;">换一个button>
    <script>
        /**颜色数组,用来图形化显示,你可以自己选择好的配色 */
        COLORS = ["#f99", "#9f9", "#99f", "#ff9", "#9ff", "#f9f", "#fff"];

        var arr = [2, 3, 0, 1, 5, 4];  // 测试专用

        /** 重置流水线状态和时间记录矩阵
         * @param work_state 要复位的工作状态矩阵
         * @param c 流程数目
         * @param m 每一个流程下可以同时运行的生产线数目
         * @param t_maxtr 每一个工件在每个工序上所要消耗的时间
         * @param temp_maxtr   t_maxtr => temp_maxtr
         * @returns temp_maxtr每个工件各个流程的剩余时间记录矩阵
         */
        function resetTimeAndState(work_state, c, m, t_maxtr, temp_maxtr) {
            var n = t_maxtr[0].length;
            // 将每一个机床都复位
            for (var i = 0; i < c * m; i++) {
                work_state[i] = n; // 用n来表示空闲状态
            }
            for (var i = 0; i < c; i++) {
                for (var j = 0; j < t_maxtr[0].length; j++) {
                    temp_maxtr[i][j] = t_maxtr[i][j];
                }
            }
        }

        /** 计算一个状态量所耗费的时间
         * @param {Int16List} work_state 工作状态矩阵
         * @param {二维矩阵} temp_maxtr 每个工件各个流程的剩余时间记录矩阵
         * @param {Int} c 流程数目
         * @param {Int} m 每一个流程下可以同时运行的生产线数目
         * @param {Int} n 工件的总数目
         * @param {Int16List} arr 工件的加工顺序矩阵
         * @returns {Int16List} 返回所用的时间
         */
        function calcTime(work_state, temp_maxtr, c, m, n, arr, record) {
            var tim = 0;    // 使用的总时间
            var parts_id = 0;
            while (true) {
                // 检测是否可以补货
                if (parts_id != n) {
                    for (var i = 0; i < m; i++) {
                        if (work_state[i] == n) {
                            work_state[i] = arr[parts_id++];
                        }
                    }
                }
                // 仅当进入测试模式下if条件成立,记录每次一运行时各条流水线上的状态
                if (record != null) {
                    var a = new Array(6);
                    for (var i = 0; i < 6; i++) {
                        a[i] = work_state[i];
                    }
                    record.push(a.map(item => item));
                }
                // 每个车间开始工作
                for (var i = c * m - 1; i >= 0; i--) {
                    // 每次循环让所有车间进行一单位的时间
                    temp_maxtr[Math.floor(i / m)][work_state[i]] = temp_maxtr[Math.floor(i / m)][work_state[i]] - 1;
                    if (work_state[i] != n) { // 如果这个车间有物品的话
                        if (temp_maxtr[Math.floor(i / m)][work_state[i]] <= 0) { // 如果这个车间上的东西已经加工完了
                            if (i >= c * m - m) { // 如果时最后一个车间了
                                work_state[i] = n; // 就可以把状态设置为空闲了
                            } else for (var j = 0; j < m; j++) { // 否则就去判断 下一个流程上的车间是否有空闲
                                if (work_state[(Math.floor(i / m) + 1) * m + j] == n) { // 如果找到空闲了
                                    work_state[(Math.floor(i / m) + 1) * m + j] = work_state[i]; // 就把当前进程放到下一个流水线上
                                    work_state[i] = n; // 并且把状态置成空闲
                                }
                            }
                        }
                    }
                }
                // 增加一次时间
                tim++;
                // 检测是否结束
                var is_end = true;
                for (var i = 0; i < n; i++) {
                    if (temp_maxtr[c - 1][i]) {
                        is_end = false;
                        break;
                    }
                }
                if (is_end) {
                    return tim;
                }
            }
        }

        /** 产生[0, n)范围内的随机整数
         * @param {Int} n 随机数上线
         */
        function random(n) {
            return Math.floor(Math.random() * n);
        }

        /** 生成一个随机不重复的数列
         * @param {Int} len 数组的长度
         * @param {Int16Array} arr 结果存储数组
         */
        function randomList(len, arr) {
            // 生成顺序排列的字符串
            for (var i = 0; i < len; i++) {
                arr[i] = i;
            }
            // 打乱
            for (var i = len - 1; i > 0; i--) {
                var j = random(i);  // 生成一个随机数
                var tem = arr[j];   // 让最后一位和随机数对应的数字进行交换,然后i--,最后一位向前移动一格
                arr[j] = arr[i];
                arr[i] = tem;
            }
        }

        /** 初始化自然空间
         * @param {*} poor_size 自然空间的种群数目的容纳量
         * @param {*} workpiece_num 工件的数目,即每个个体的大小
         * @param {*} poor 自然空间种群数目的容纳数组
         */
        function poorInit(poor_size, workpiece_num, poor) {
            for (var i = 0; i < poor_size; i++) { // 随机生成流程数目
                poor[i] = new Array(workpiece_num);
                // 对于每一个个体,随机生成其基因序列
                randomList(workpiece_num, poor[i]);
            }
        }

        /** 创建一个新的个体, 这个个体由 i 加入部分 j 构成
         * @param {二维数组} poor 种群池
         * @param {Int} fusion_pos 交叉标志位, 从交叉标记位开始,往后的n个会被替换,n为交换的序列数,是个常量
         * @param {Int} workpiece_num 一个体的所拥有的基因数(工件的数目)
         * @param {Int} i 初始个体i, i是一个int
         * @param {Int} j 初始个体i, j是一个int
         * @param {Int} poor_p 目标个体poor_p,新产生的个体数据会被放到这个个体中
         */
        function createNew(poor, workpiece_num, fusion_num, fusion_pos, i, j, poor_p) {
            var kk_p = fusion_pos; // 记录这个位置,用于更高效的完成循环
            // 构建第一个新的数组(个体)
            for (var ii = 0; ii < workpiece_num; ii++) {
                if (ii < fusion_pos || ii >= fusion_pos + fusion_num) { // 如果是非交换的位置
                    var is_repeat = false; // 数据重复标志位
                    for (var jj = fusion_pos; jj < fusion_num + fusion_pos; jj++) {
                        if (poor[i][ii] == poor[j][jj]) { // 如果要交换的位置检查出了重复
                            is_repeat = true;
                            for (var kk = kk_p; kk < fusion_num + fusion_pos; kk++) { // 就从要交换过去的位置里去找一个替换部分不一样的,用这个数来消除重复
                                var is_repeat2 = false; // 数据重复标志位
                                for (var iii = fusion_pos; iii < fusion_num + fusion_pos; iii++) {
                                    if (poor[i][kk] == poor[j][iii]) { // 如果在交替部分发生重复就不用考虑这一位了
                                        is_repeat2 = true;
                                        kk_p++; break;
                                    }
                                }
                                if (!is_repeat2) { // 如果不是重复的,
                                    poor[poor_p][ii] = poor[i][kk]; // 我们就将这个基因赋值给新的个体
                                    kk_p++; break; // kk的起始位置 +1
                                }
                            }
                        }
                    }
                    if (!is_repeat) {
                        poor[poor_p][ii] = poor[i][ii];
                    }
                } else {
                    poor[poor_p][ii] = poor[j][ii];
                }
            }
        }

        /** 进行个体交叉
         * @param {*} poor 种群池
         * @param {*} poor_size 种群池的大小(自然环境的容量)(流程顺序方案数目)
         * @param {*} surival_size 自然选择下存活的方案数(最优的n种解决方案)
         * @param {*} fusion_num 发生交叉时,交换的序列数
         * @param {*} workpiece_num 总共要完成的零件数目(也是每个个体的基因数)
         */
        function fusion(poor, poor_size, surival_size, fusion_num, workpiece_num) {
            var poor_p = surival_size;  // 位置标记,要被修改的组的位置
            // 将幸存区里的每两个进行交叉
            for (var i = 0; i < surival_size; i++) {
                for (var j = i + 1; j < surival_size; j++) {
                    // 随机生成一个位置,将两个个体的一段进行交换
                    var fusion_pos = random(workpiece_num - fusion_num + 1);
                    // 交叉生成两个新的个体
                    createNew(poor, workpiece_num, fusion_num, fusion_pos, i, j, poor_p);
                    poor_p = poor_p + 1;
                    createNew(poor, workpiece_num, fusion_num, fusion_pos, j, i, poor_p);
                    poor_p = poor_p + 1;
                }
            }
        }

        /** 变异算法
         * @param {*} poor 种群池
         * @param {*} poor_size 种群池的大小(自然环境的容量)(流程顺序方案数目)
         * @param {*} workpiece_num 总共要完成的零件数目(也是每个个体的大小)
         * @param {*} varitarion_rate 变异率,变异率越大,发生变异的可能性越大
         */
        function varitation(poor, poor_size, workpiece_num, varitarion_rate) {
            for (var i = 1; i < poor_size; i++) { // 从第二大的开始变异
                if (Math.random() < varitarion_rate) { // 有一定概率进入变异环节
                    // 随机选出连个位置
                    var p1 = random(workpiece_num);
                    var p2 = random(workpiece_num);
                    // 交换两个位置里的值
                    var temp = poor[i][p1];
                    poor[i][p1] = poor[i][p2];
                    poor[i][p2] = temp;
                }
            }
        }

        // 主函数
        function main() {
            // 常量定义区
            var T_MAXTR = [  // 不同线路对于不同内容初始化
                [2, 4, 4, 9, 5, 9],
                [4, 9, 2, 5, 2, 4],
                [6, 2, 8, 6, 7, 3]
            ];
            var PROCESS_NUM = 3;   // 流程数目
            var WORKPIECE_NUM = 6;  // 总共要完成的零件数目
            var WORKSHOP_NUM = 2;  // 每一个流程下可以同时运行的生产线数目

            var POOR_SIZE = 25;      // 每一波存在的组数
            var SUVIVAL_SIZE = 5;  // 模拟自然选择,留下最优的n支幸存下来
            var VARITATION_RATE = 0.6; // 变异发生的概率
            var FUSION_NUM = 3;        // 发生交叉时,交换的序列数
            var GENERATION = 50;       // 遗传算法进行多少代


            // 初始化内存空间,定义变量
            var work_state = new Array(PROCESS_NUM * WORKSHOP_NUM); // 存储流水线状态,用于保存每条流水线上正在加工的工件id
            var temp_maxtr = new Array(PROCESS_NUM);                // 用于存储每个工件在加工过程中的剩余时间
            for (var i = 0; i < PROCESS_NUM; i++) {
                temp_maxtr[i] = new Array(WORKPIECE_NUM);
            }
            var poor = new Array(POOR_SIZE); // 初始化自然空间个体数目的容纳数组 (总群数)
            var scores = new Array(POOR_SIZE); // 存储分数(每个顺序下的时间)

            if (test == false) {
                // 初始化自然空间
                poorInit(POOR_SIZE, WORKPIECE_NUM, poor);
                // 进行遗传算法
                for (var i = 0; ; i++) {
                    // 评估每一组的得分
                    for (var j = i == 0 ? 0 : SUVIVAL_SIZE - 1; j < POOR_SIZE; j++) { // 前四组为SUVIVAL区,上一次已经记录过分数
                        // 将work_state, 和 temp_maxtr 做归零处理
                        resetTimeAndState(work_state, PROCESS_NUM, WORKSHOP_NUM, T_MAXTR, temp_maxtr);
                        // 把得分存到scores里
                        scores[j] = calcTime(work_state, temp_maxtr, PROCESS_NUM, WORKSHOP_NUM, WORKPIECE_NUM, poor[j]);
                    }
                    // 按照评估分数排序(选择排序法),找到前n个, n为幸存的数目,幸存的数目是我们定义的常量
                    for (var j = 0; j < SUVIVAL_SIZE; j++) {
                        for (var k = j; k < POOR_SIZE; k++) {
                            if (scores[j] > scores[k]) {
                                // 交换分数
                                var t1 = scores[j];
                                scores[j] = scores[k];
                                scores[k] = t1;
                                // 交换poor里的内容
                                var t2 = poor[j];
                                poor[j] = poor[k];
                                poor[k] = t2;
                            }
                        }
                    }
                    console.log("当前最佳时间:" + scores[0]);
                    console.log("顺序为:" + poor[0]);
                    // 迭代一定次数后自动停止
                    if (i == GENERATION) break;
                    // 交叉 从幸存下来的总群中两两进行交叉,产生新的个体,这里规定交叉必须连续
                    fusion(poor, POOR_SIZE, SUVIVAL_SIZE, FUSION_NUM, WORKPIECE_NUM);
                    // 变异 为了保证最后得到的分数是我们测试中出现的最大值,每次选择出的最大值不会参与变异
                    varitation(poor, POOR_SIZE, WORKPIECE_NUM, VARITATION_RATE);
                }
                // 遗传过程结束,输出最佳方案和时间
                console.log("最佳时间:" + scores[0]);
                console.log("顺序为:" + poor[0]);
                arr = poor[0];
            } else {
                // 存储每一个时间的矩阵
                var record = [];
                // 将work_state, 和 temp_maxtr 做归零处理
                resetTimeAndState(work_state, PROCESS_NUM, WORKSHOP_NUM, T_MAXTR, temp_maxtr);
                // 把得分存到scores里
                var ss = calcTime(work_state, temp_maxtr, PROCESS_NUM, WORKSHOP_NUM, WORKPIECE_NUM, arr, record);
                console.log("测试时间为:" + ss);
                alert("测试时间为:" + ss);
                // 创建一个表格来可视化数据
                var table = document.getElementById("show_t");
                var inner_html = "";
                for (var i = 0; i < PROCESS_NUM * WORKSHOP_NUM + 1; i++) {
                    inner_html += "";
                }
                table.innerHTML = inner_html;
                var trs = document.getElementsByClassName("show_tr");
                var j;
                for (j = 0; j < PROCESS_NUM * WORKSHOP_NUM; j++) {
                    for (var i = 0; i < record.length; i++) {
                        // process.stdout.write("" + record[i][j]);
                        trs[j].innerHTML += "";
                    }
                }
                for (var i = 0; i < record.length; i++) {
                    trs[j].innerHTML += "" + i + "";
                }
                // 创建图例
                var ul = document.createElement("tr");
                inner_html = "+ record.length + "'>";
                for (var i = 0; i < WORKPIECE_NUM; i++) {
                    inner_html += "
  • 第" + i + "号工件
  • "
    ; } inner_html += ""; ul.innerHTML = inner_html; table.appendChild(ul); } } document.getElementById("do_test").onclick = function (){ main(test = false); main(test = true); } main(test = true);
    script> body> html>

    (PS 本题只是测试遗传算法,这么简单的流水线,遍历大法真的爽。题目内容图片来源中国石油大学 智能科学系ppt)

    你可能感兴趣的:(人工智能,算法,人工智能)