模拟退火算法解决车间调度问题的MATLAB实现

不想上吊王承恩

1. 车间调度问题概述

在现代制造业中，车间调度是生产管理的核心环节。想象一下，你管理着一个生产多种产品的工厂，有多台性能各异的机器，每台机器加工不同产品所需的时间不同，原材料供应有限，工人数量固定，客户订单还有严格的交付期限。如何在这样的复杂环境下安排生产顺序，就是我们要解决的"无关并行机调度问题"(UPMSP)。

这个问题之所以称为"无关并行机"，是因为同一产品在不同机器上的加工时间没有固定比例关系。比如产品A在机器1上需要2小时，在机器2上可能需要4小时，而在机器3上可能只需要1.5小时。这种"无关性"使得问题更加复杂，但也更贴近实际生产情况。

2. 问题建模与约束条件

2.1 数学模型构建

我们需要建立一个数学模型来描述这个问题。设我们有：

m台机器：M₁, M₂, ..., Mₘ
n个作业：J₁, J₂, ..., Jₙ
每个作业Jᵢ在机器Mⱼ上的加工时间为pᵢⱼ
每个作业有截止日期dᵢ
原材料库存限制为R
成品库存容量为S

目标是最小化总延迟时间，即所有作业完成时间与截止日期之差的总和：

minimize Σ max(0, Cᵢ - dᵢ)

其中Cᵢ是作业Jᵢ的完成时间。

2.2 约束条件解析

资源约束：任何时候消耗的原材料不能超过当前库存量。这需要在调度时考虑作业的资源需求序列。
库存容量：成品产出速度不能超过库存剩余容量，否则会造成堵塞。
机器分配：每个作业只能在一台机器上加工，不能拆分。
顺序约束：某些作业可能有先后顺序要求。

这些约束使得问题变得极其复杂，传统的调度方法往往难以找到满意解。

3. 模拟退火算法原理与实现

3.1 算法核心思想

模拟退火算法灵感来自金属退火过程。在高温下，金属原子活动剧烈；随着温度降低，原子逐渐趋于稳定排列。类比到优化问题：

"温度"控制搜索的随机性
"能量"对应目标函数值
"状态"代表一个可行解

算法允许在一定概率下接受较差的解，这有助于跳出局部最优。

3.2 算法实现步骤

初始化：
- 设置初始温度T₀=1000
- 降温系数α=0.95
- 终止温度Tₑ=0.1
- 当前解S=随机生成一个可行调度方案
- 计算当前解的目标函数值E(S)
迭代过程：
while T > Tₑ:
for i=1 to L: # L是每个温度的迭代次数
S' = 对S进行随机扰动产生新解
E' = 计算S'的目标函数值
ΔE = E' - E
if ΔE < 0 or random() < exp(-ΔE/T):
S = S'
E = E'
T = α*T
扰动策略：
- 交换两个随机选择的作业的机器分配
- 在一个随机机器上交换两个作业的加工顺序
- 将一个作业重新分配到另一台机器

4. MATLAB实现详解

4.1 数据结构设计

matlab复制jobs = struct('id', {}, 'processingTimes', {}, 'dueDate', {}, 'resourceReq', {});
machines = struct('id', {}, 'schedule', {});

processingTimes是一个数组，存储该作业在各机器上的加工时间。

4.2 核心函数实现

matlab复制function [bestSchedule, bestCost] = simulatedAnnealing(jobs, machines, params)
    % 初始化
    currentSchedule = randomSchedule(jobs, machines);
    currentCost = evaluateSchedule(currentSchedule);
    
    T = params.initialTemp;
    bestSchedule = currentSchedule;
    bestCost = currentCost;
    
    while T > params.finalTemp
        for i = 1:params.iterPerTemp
            % 生成新解
            newSchedule = perturbSchedule(currentSchedule);
            newCost = evaluateSchedule(newSchedule);
            
            % 决定是否接受新解
            delta = newCost - currentCost;
            if delta < 0 || rand() < exp(-delta/T)
                currentSchedule = newSchedule;
                currentCost = newCost;
                
                % 更新最优解
                if currentCost < bestCost
                    bestSchedule = currentSchedule;
                    bestCost = currentCost;
                end
            end
        end
        % 降温
        T = params.coolingRate * T;
    end
end

4.3 评估函数设计

matlab复制function cost = evaluateSchedule(schedule)
    totalTardiness = 0;
    resourceUsage = zeros(1, maxTime); % 随时间变化的资源使用量
    
    for m = 1:length(schedule.machines)
        machine = schedule.machines(m);
        time = 0;
        
        for j = 1:length(machine.jobs)
            job = machine.jobs(j);
            startTime = max(time, job.earliestStart);
            endTime = startTime + job.processingTime;
            
            % 检查资源约束
            for t = startTime:endTime
                if resourceUsage(t) + job.resourceReq > maxResource
                    % 资源不足，需要推迟
                    startTime = t + 1;
                    endTime = startTime + job.processingTime;
                end
            end
            
            % 更新资源使用
            for t = startTime:endTime
                resourceUsage(t) = resourceUsage(t) + job.resourceReq;
            end
            
            % 计算延迟
            tardiness = max(0, endTime - job.dueDate);
            totalTardiness = totalTardiness + tardiness;
            
            time = endTime;
        end
    end
    
    cost = totalTardiness;
end

5. 实际应用与优化技巧

5.1 参数调优经验

初始温度：通常设置为使初始接受概率在80%左右。可以通过多次随机扰动，计算目标函数变化的平均值ΔEₐᵥₑ，然后解方程exp(-ΔEₐᵥₑ/T₀)≈0.8得到T₀。
降温系数：一般在0.8-0.99之间。较大的值(如0.95)适合复杂问题，搜索更彻底但耗时；较小值(如0.85)收敛快但可能错过全局最优。
终止温度：当接受概率低于1%时可以停止。实践中可以观察目标函数变化，当连续若干温度下最优解不再改善时终止。