当前位置：首页 > news >正文

MATLAB多目标优化实战：用gamultiobj解决一个生产调度难题（附完整代码）

news 2026/4/18 18:07:52

MATLAB多目标优化实战：用gamultiobj解决生产调度难题

生产调度是制造业中的经典优化问题，如何在有限资源下平衡利润最大化和加班时长最小化，一直是工程师们面临的挑战。本文将带你用MATLAB的gamultiobj函数，基于NSGA-II算法，解决一个真实的生产调度问题。不同于简单的函数调用教程，我们会从业务需求出发，完整走通问题建模、算法实现、结果解读的全流程。

1. 问题建模：从业务需求到数学模型

假设某工厂生产两种产品A和B，每周需要制定生产计划。常规生产时间利润较高，但受限于正常工时；加班生产可以增加产量，但利润会降低且需要支付额外加班费。我们需要在满足市场需求的同时，平衡以下两个目标：

最大化总利润
最小化加班总时长

1.1 定义决策变量

设：

x₁：产品A的常规生产时长(小时)
x₂：产品B的常规生产时长(小时)
x₃：产品A的加班生产时长(小时)
x₄：产品B的加班生产时长(小时)

1.2 建立目标函数

根据生产数据，我们得到两个目标函数：

利润函数（需最大化）：

Z(x) = (x₁/3)×100 + (x₃/3)×90 + (x₂/2)×80 + (x₄/2)×70

加班函数（需最小化）：
```
f(x) = x₃ + x₄
```

注意：gamultiobj默认是最小化所有目标函数，因此实际编码时需要将利润函数取负。

1.3 确定约束条件

生产面临以下限制：

总常规生产时长不超过120小时：
```
x₁ + x₂ = 120
```
总加班时长不超过48小时：
```
x₃ + x₄ ≤ 48
```

最小产量要求：

x₁/3 ≥ 30 // 产品A至少生产30kg x₂/2 ≥ 30 // 产品B至少生产30kg

非负约束：
```
x₁, x₂, x₃, x₄ ≥ 0
```

2. MATLAB实现：gamultiobj实战

2.1 初始化设置

首先清理工作区并定义目标函数：

clear all fitnessfcn = @multiObjectiveFunc; % 目标函数句柄 nvars = 4; % 4个决策变量

2.2 定义约束条件

设置变量上下界和线性约束：

% 变量下界（非负约束） lb = [0, 0, 0, 0]; % 线性不等式约束 A*x ≤ b A = [0, 0, 1, 1]; % x₃ + x₄ ≤ 48 b = 48; % 线性等式约束 Aeq*x = beq Aeq = [1, 1, 0, 0]; % x₁ + x₂ = 120 beq = 120;

2.3 配置算法参数

设置NSGA-II的关键参数：

options = gaoptimset(... 'ParetoFraction', 0.3,... 'PopulationSize', 100,... 'Generations', 200,... 'StallGenLimit', 50,... 'TolFun', 1e-6,... 'PlotFcns', @gaplotpareto);

参数说明：

ParetoFraction: Pareto前沿解的比例
PopulationSize: 种群大小
Generations: 最大迭代次数
PlotFcns: 绘制Pareto前沿

2.4 目标函数实现

创建单独的函数文件multiObjectiveFunc.m：

function y = multiObjectiveFunc(x) % 第一个目标：利润（取负以实现最大化） y(1) = -(x(1)*100/3 + x(3)*90/3 + x(2)*80/2 + x(4)*70/2); % 第二个目标：加班时长 y(2) = x(3) + x(4); end

3. 求解与结果分析

3.1 运行优化

执行多目标优化：

[x, fval] = gamultiobj(fitnessfcn, nvars, A, b, Aeq, beq, lb, ub, options);

3.2 可视化Pareto前沿

绘制优化结果：

figure plot(-fval(:,1), fval(:,2), 'bo') % 注意利润目标取反 xlabel('总利润 (元)') ylabel('加班时长 (小时)') title('生产调度Pareto前沿') grid on

典型的Pareto前沿如下图所示：

[利润] ↑ | | ● ● ● | ● ● ● ● | ● ● ● ● ● |___________→ [加班时长]

3.3 结果解读

Pareto前沿展示了利润与加班时长之间的权衡关系。前沿上的每个点都代表一个最优解，选择时需要考虑：

高利润方案：加班时间长，适合订单紧急时期
低加班方案：利润较低，适合员工关怀场景

例如，我们可能得到以下典型解：

方案类型	x₁	x₂	x₃	x₄	利润	加班时长
最大利润	90	30	48	0	5800	48
平衡方案	100	20	20	10	5400	30
最少加班	120	0	0	0	4000	0

4. 高级技巧与实战建议

4.1 参数调优经验

种群大小：
- 复杂问题建议100-500
- 简单问题50-100即可
ParetoFraction：
- 通常设0.3-0.5
- 值越大解集越分散
收敛判断：
- 观察Pareto前沿变化
- 建议设置StallGenLimit=50

4.2 处理复杂约束

对于非线性约束，可以使用罚函数法：

function y = constrainedFunc(x) % 主目标函数 y = multiObjectiveFunc(x); % 处理约束违反 penalty = 1e6; % 罚系数 if x(1)/3 < 30 % 违反产量约束 y(1) = y(1) + penalty; end end

4.3 多目标决策方法

获得Pareto解集后，常用决策方法：

加权求和法：

weights = [0.7, 0.3]; % 利润权重70%，加班权重30% scores = -fval(:,1)*weights(1) + fval(:,2)*weights(2); [~, idx] = min(scores); % 找最优折衷解 best_x = x(idx,:);

TOPSIS法：计算各解与理想解的接近程度
人工选择：可视化后由决策者手动选择

5. 工程实践中的注意事项

数据准备：
- 确保成本、工时等参数准确
- 对数据进行归一化处理（特别是量纲不一时）
算法选择：
- NSGA-II适合大多数情况
- 对于超多目标(>3)，考虑MOEA/D
结果验证：
- 检查约束是否满足
- 对比单目标结果验证合理性
性能优化：
- 向量化目标函数计算
- 对于大规模问题，考虑并行计算：
```
options = gaoptimset(options, 'UseParallel', true);
```