写代码：使用遗传算法（Python）解决车间作业调度问题 将温度等可调参数与数据等放在__main__里面 数据为 jobs = { 0: [(0, 2), (1, 5), (2, 1)], 1: [(0, 3), (2, 7), (1, 2)], 2: [(1, 1), (2, 6), (0, 7)] } 每个工作中有三个任务，以编号为0的作业的第一个任务(0, 2)为例， 0表示必须在机器0上完成，2表示耗时两个时间单位完成， 同时，每个工作中的任务必须严格按照下标的顺序完

以下是使用遗传算法解决车间作业调度问题的 Python 代码：

import random

# 温度等可调参数放在 __main__ 里面
if __name__ == '__main__':
    POPULATION_SIZE = 100  # 种群大小
    MUTATION_RATE = 0.1  # 变异率
    FITNESS_THRESHOLD = 5  # 适应度达到多少就停止迭代
    TEMPERATURE = 100  # 初始温度
    COOLING_RATE = 0.001  # 降温速率
    jobs = {
        0: [(0, 2), (1, 5), (2, 1)],
        1: [(0, 3), (2, 7), (1, 2)],
        2: [(1, 1), (2, 6), (0, 7)]
    }

def initialize_population():
    """
    初始化种群，每个个体为一个长度为 3 的列表，表示每个作业的调度顺序
    """
    population = []
    for i in range(POPULATION_SIZE):
        individual = [random.randint(0, 2) for _ in range(3)]
        population.append(individual)
    return population

def evaluate_fitness(individual):
    """
    计算个体的适应度，即总完成时间
    """
    machines = [[0, 0], [0, 0], [0, 0]]  # 每台机器的空闲时间
    time = 0  # 当前时间
    for i in individual:
        for j in jobs[i]:
            machine, duration = j
            start_time = max(machines[machine])  # 从机器的空闲时间开始
            end_time = start_time + duration
            machines[machine][machines[machine].index(min(machines[machine]))] = end_time  # 分配任务到空闲时间最早的机器
            time = max(time, end_time)  # 更新当前时间为所有机器完成时间的最大值
    return time

def mutate(individual):
    """
    变异操作，随机选择一个作业，将其调度顺序随机改变
    """
    mutated_individual = individual.copy()
    job_index = random.randint(0, 2)
    random.shuffle(mutated_individual)
    mutated_individual[job_index] = individual[job_index]
    return mutated_individual

def anneal_temperature(temperature):
    """
    降温函数，采用指数降温
    """
    return temperature * (1 - COOLING_RATE)

def genetic_algorithm():
    """
    遗传算法求解车间作业调度问题
    """
    population = initialize_population()
    temperature = TEMPERATURE
    best_fitness = float('inf')
    best_individual = None
    fitness_history = []
    while temperature > 1:
        for i in range(POPULATION_SIZE):
            individual = population[i]
            fitness = evaluate_fitness(individual)
            if fitness < best_fitness:
                best_fitness = fitness
                best_individual = individual
            if fitness <= FITNESS_THRESHOLD:  # 如果适应度达到阈值，停止迭代
                return best_individual, best_fitness, fitness_history
            new_individual = mutate(individual)
            new_fitness = evaluate_fitness(new_individual)
            delta = new_fitness - fitness
            if delta < 0 or random.random() < pow(2.718, -delta / temperature):
                population[i] = new_individual
        fitness_history.append(best_fitness)
        temperature = anneal_temperature(temperature)
    return best_individual, best_fitness, fitness_history

best_individual, best_fitness, fitness_history = genetic_algorithm()
print('Best individual:', best_individual)
print('Best fitness:', best_fitness)
print('Fitness history:', fitness_history)

代码的思路如下：

1. 首先定义了一些参数，如种群大小、变异率、适应度阈值等，以及一个包含作业调度信息的字典 jobs。
2. 初始化种群，每个个体为一个长度为 3 的列表，表示每个作业的调度顺序。
3. 计算个体的适应度，即总完成时间。采用的是简单的贪心算法：每个作业按顺序分配到空闲时间最早的机器上。
4. 变异操作。随机选择一个作业，将其调度顺序随机改变。
5. 降温函数。采用指数降温。
6. 遗传算法主程序。每次迭代中，对种群中每个个体进行变异操作，并计算新的适应度。如果新的适应度更优，直接接受。否则，以一定概率接受新的个体，避免陷入局部最优解。同时，记录最优个体和适应度，并在适应度达到阈值时停止迭代。
7. 输出最优个体、最优适应度和适应度历史记录。