模拟退火算法解决并行机调度优化问题

1. 项目背景与核心问题

在制造业生产车间中，调度问题一直是影响生产效率的关键因素。特别是当面临多台并行机器、多种原材料约束、成品库存限制以及严格交货期要求时，如何合理安排生产顺序就成为一个极具挑战性的优化难题。

这个项目要解决的正是这样一个典型场景：车间里有若干台功能相同的机器（即"无关并行机"），可以同时加工不同工件；每种工件需要特定的原材料，而原材料库存有限；加工完成的成品也需要占用库存空间；每个订单都有明确的截止日期。我们的目标是在这些复杂约束下，找到最优的调度方案，使得总生产成本最低或订单延误最少。

提示：这里的"无关并行机"（Unrelated Parallel Machine Scheduling Problem, UPMSP）指的是多台机器可以独立处理任务，但同一任务在不同机器上的加工时间可能不同，这与"同构并行机"形成对比。

2. 问题建模与数学表达

2.1 基本参数定义

我们先明确问题中的各个参数：

• 机器集合：M = {1, 2, ..., m}（共m台机器）
• 工件集合：J = {1, 2, ..., n}（共n个待加工工件）
• 工件j在机器i上的加工时间：p_ij
• 工件j的原材料需求：r_j = [r_j1, r_j2, ..., r_jk]（k种原材料）
• 原材料库存上限：R = [R1, R2, ..., Rk]
• 工件j的成品库存占用：s_j
• 成品库存上限：S
• 工件j的交货期：d_j
• 工件j的权重（重要性）：w_j

2.2 决策变量

引入关键决策变量：

• x_ijt：二进制变量，当工件j在机器i上于时间t开始加工时为1，否则为0
• C_j：工件j的完成时间
• T_j：工件j的延误时间，T_j = max(0, C_j - d_j)

2.3 目标函数

常见的目标函数形式包括：

1. 最小化总加权延误时间：
   min Σ(w_j * T_j)

2. 最小化最大完成时间（makespan）：
   min max(C_j)

3. 最小化总完成时间：
   min Σ(C_j)

在本项目中，我们选择第一种形式作为优化目标，因为它更能反映实际生产中按时交付的重要性。

2.4 约束条件

问题的核心约束包括：

1. 每个工件只能在一台机器上加工一次：
   ΣΣx_ijt = 1, ∀j∈J

2. 机器在同一时间只能加工一个工件：
   Σx_ijt' ≤ 1, ∀i∈M, ∀t, 其中t'∈[t, t+p_ij)

3. 原材料库存约束：
   Σ(r_jk * x_ijt) ≤ Rk, ∀k, ∀t

4. 成品库存约束：
   Σ(s_j * x_ijt') ≤ S, ∀t, 其中t'满足C_j ≤ t

5. 时间约束：
   C_j = ΣΣ(t + p_ij) * x_ijt, ∀j∈J

3. 模拟退火算法设计

3.1 算法基本原理

模拟退火(Simulated Annealing, SA)是一种受金属退火过程启发的随机优化算法。其核心思想是通过引入"温度"参数来控制搜索过程：高温时接受较差的解以避免陷入局部最优，随着温度降低逐渐趋向于局部搜索。

算法流程如下：

1. 初始化温度T，降温系数α，终止温度T_min
2. 生成初始解S，计算其成本函数值E(S)
3. while T > T_min:
   a. 对当前解S进行扰动，生成新解S'
   b. 计算ΔE = E(S') - E(S)
   c. if ΔE < 0 or random() < exp(-ΔE/T):
   接受S'作为新解
   d. 降温：T = α * T
4. 返回找到的最优解

3.2 解的表达与邻域结构

在本问题中，一个解需要表达：

• 每个工件分配到哪台机器
• 在该机器上的加工顺序

我们采用基于排列的编码方式：

1. 将所有工件编号排列成一个序列
2. 使用分割点表示分配到不同机器

例如，有3台机器和6个工件，序列[3,1,5 | 2,6 | 4]表示：

• 机器1：工件3 → 工件1 → 工件5
• 机器2：工件2 → 工件6
• 机器3：工件4

邻域操作设计：

1. 交换：随机选择两个工件交换位置
2. 插入：随机选择一个工件插入到另一位置
3. 移动：将工件移到另一台机器的随机位置
4. 逆转：逆转某台机器上的部分序列

3.3 约束处理技术

面对复杂的约束条件，我们采用以下方法：

1. 惩罚函数法：将约束违反程度加入目标函数
   E' = E + λ1*(原材料超限) + λ2*(成品超限)

2. 可行解保持：在邻域操作中设计规则确保不违反约束

   • 检查原材料需求不超过当前库存
   • 检查成品库存有足够空间

3. 修复策略：对不可行解进行修复

   • 延迟某些工件的开始时间直到资源可用
   • 重新分配导致资源冲突的工件

3.4 参数设置与降温策略

关键参数设置经验：

1. 初始温度T0：应使初始接受概率在0.7-0.9
   T0 = -ΔE_avg / ln(p0)

2. 降温系数α：通常0.85-0.99

   • 较大值适合复杂问题但耗时
   • 较小值收敛快但可能质量低

3. 马尔可夫链长度L：

   • 通常与问题规模相关
   • 可取n*m（工件数×机器数）

4. 终止条件：

   • 温度低于T_min（如1e-6）
   • 连续若干代无改进

4. Matlab实现详解

4.1 数据结构设计

matlab复制% 问题参数
problem.nJobs = 20;       % 工件数量
problem.nMachines = 3;    % 机器数量
problem.nResources = 2;   % 资源类型数量
problem.pTimes = rand(problem.nJobs, problem.nMachines) * 10 + 1; % 加工时间矩阵
problem.resources = randi([1,3], problem.nJobs, pro