Matlab新手也能玩转遗传算法：从零实现一个简易车间布局优化器

Matlab新手也能玩转遗传算法：从零实现一个简易车间布局优化器

第一次听说遗传算法时，我脑海中浮现的是生物课本上孟德尔的豌豆实验。谁能想到，这种模拟自然进化过程的计算方法，竟能用来解决工厂车间的机器摆放问题？作为工业工程专业的学生，我在大二课程设计中第一次尝试用Matlab实现遗传算法优化车间布局，那种看着代码自己"进化"出解决方案的成就感，至今难忘。本文将带你用最基础的Matlab知识，从零构建一个会"自我进化"的车间布局优化器。

1. 遗传算法与车间布局的奇妙结合

车间里五台机器该怎么摆放？传统方法可能需要工程师反复调整测试，而遗传算法给了我们更聪明的选择。这种受生物进化启发的优化方法，通过模拟"适者生存"的自然法则，让计算机自动寻找最优解。

想象一下，我们把每种可能的机器排列方式看作一个"DNA序列"。通过以下四个关键步骤实现进化：

1. 编码：用数字矩阵表示机器位置
2. 选择：保留搬运成本低的优秀布局
3. 交叉：将两个好布局的特征组合
4. 变异：随机微调某些机器位置

% 示例：用5x2矩阵表示5台机器的(x,y)坐标 layout1 = [1.2 3.5; 4.1 2.8; 2.3 1.7; 3.9 4.2; 0.8 2.1]; layout2 = [2.4 1.5; 3.2 4.0; 1.1 2.3; 4.2 3.1; 0.5 1.8];

车间布局优化的核心目标是最小化物料搬运成本。假设机器A到B的物流量为5单位，距离越远搬运成本越高。通过遗传算法，我们可以让布局方案不断进化，最终找到使总搬运成本最低的机器排列方式。

2. 从零搭建遗传算法框架

2.1 初始化种群：创造第一代布局方案

任何进化过程都需要起点。我们随机生成N个不同的机器布局方案作为初始种群：

function population = initializePopulation(popSize, numMachines, areaSize) % popSize: 种群大小 % numMachines: 机器数量 % areaSize: 车间区域边长 population = cell(1, popSize); for i = 1:popSize % 在areaSize x areaSize区域内随机放置机器 population{i} = areaSize * rand(numMachines, 2); end end

提示：种群大小通常取50-200，太小会限制多样性，太大会增加计算量

2.2 适应度函数：评估布局好坏

这是遗传算法的"指挥棒"，决定哪些布局能存活下来。我们计算每个布局的总搬运成本：

function cost = calculateCost(layout, flowMatrix) % layout: 机器坐标矩阵 % flowMatrix: 机器间物流量矩阵 numMachines = size(layout, 1); cost = 0; for i = 1:numMachines-1 for j = i+1:numMachines % 计算机器间距离 dist = norm(layout(i,:) - layout(j,:)); % 累加物流量×距离 cost = cost + flowMatrix(i,j) * dist; end end end

2.3 选择操作：优胜劣汰

采用轮盘赌选择法，给优秀布局更高被选中的概率：

function parents = selectParents(population, costs) % 将成本转换为适应度(成本越低适应度越高) fitness = 1./(1+costs); totalFitness = sum(fitness); prob = fitness / totalFitness; % 轮盘赌选择 cumProb = cumsum(prob); parentsIdx = arrayfun(@(~) find(rand() <= cumProb,1), 1:2); parents = population(parentsIdx); end

3. 让布局"繁殖进化"的关键操作

3.1 交叉操作：混合两个优秀布局

单点交叉是最简单有效的方式：

function child = crossover(parent1, parent2) % 随机选择交叉点 crossoverPoint = randi(size(parent1,1)); % 组合两个父代的基因 child = [parent1(1:crossoverPoint,:); parent2(crossoverPoint+1:end,:)]; end

3.2 变异操作：引入新变化

以小概率随机调整某些机器位置：

function mutated = mutate(layout, mutationRate, areaSize) mutated = layout; for i = 1:size(layout,1) if rand() < mutationRate % 在当前坐标±10%范围内变异 mutated(i,:) = layout(i,:) .* (0.9 + 0.2*rand(1,2)); % 确保不超出车间边界 mutated(i,:) = min(max(mutated(i,:), 0), areaSize); end end end

3.3 完整遗传算法流程

将上述操作整合成完整进化循环：

function bestLayout = geneticAlgorithm(flowMatrix, params) % 参数设置 popSize = params.popSize; numGenerations = params.numGenerations; mutationRate = params.mutationRate; areaSize = params.areaSize; numMachines = size(flowMatrix,1); % 初始化种群 population = initializePopulation(popSize, numMachines, areaSize); % 进化循环 for gen = 1:numGenerations % 评估种群 costs = cellfun(@(x) calculateCost(x, flowMatrix), population); [~, bestIdx] = min(costs); bestLayout = population{bestIdx}; % 创建新一代 newPopulation = cell(1, popSize); newPopulation{1} = bestLayout; % 保留最优个体 for i = 2:popSize % 选择 parents = selectParents(population, costs); % 交叉 child = crossover(parents{1}, parents{2}); % 变异 child = mutate(child, mutationRate, areaSize); newPopulation{i} = child; end population = newPopulation; end end

4. 可视化与调试技巧

4.1 实时观察进化过程

添加可视化代码让我们看到布局如何优化：

% 在遗传算法循环内添加： if mod(gen,10) == 0 % 每10代显示一次 figure(1); plotLayout(bestLayout, flowMatrix); title(sprintf('Generation %d, Cost: %.2f', gen, min(costs))); drawnow; end function plotLayout(layout, flowMatrix) scatter(layout(:,1), layout(:,2), 'filled'); text(layout(:,1), layout(:,2), cellstr(num2str((1:size(layout,1))'))); axis([0 max(layout(:))*1.1 0 max(layout(:))*1.1]); % 用线条粗细表示物流量大小 [i,j] = find(triu(flowMatrix)); for k = 1:length(i) if flowMatrix(i(k),j(k)) > 0 line([layout(i(k),1) layout(j(k),1)],... [layout(i(k),2) layout(j(k),2)],... 'LineWidth', 0.5*flowMatrix(i(k),j(k))); end end end

4.2 常见问题与解决方法

4.3 参数调优指南

通过实验找到最佳参数组合：

% 典型参数范围 params = struct(); params.popSize = 100; % 种群大小: 50-200 params.numGenerations = 200; % 迭代次数: 100-500 params.mutationRate = 0.05; % 变异概率: 0.01-0.1 params.areaSize = 10; % 车间区域大小

第一次运行我的遗传算法时，机器全部挤在车间角落——因为算法发现这样搬运距离最短，却忽略了实际操作空间。后来我在适应度函数中添加了机器间距惩罚项：

function cost = calculateCost(layout, flowMatrix) % ...原有计算... % 添加间距惩罚 minDistance = 1.5; % 机器间最小距离 penalty = 0; for i = 1:numMachines-1 for j = i+1:numMachines dist = norm(layout(i,:) - layout(j,:)); if dist < minDistance penalty = penalty + 100*(minDistance - dist); end end end cost = cost + penalty; end