✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
柔性作业车间调度问题（Flexible Job Shop Scheduling Problem, FJSP）作为制造业中典型的NP难多目标组合优化问题，核心特征在于允许每道工序在多台机器上柔性加工，更贴近汽车制造、电子装配等实际生产场景。该问题需同时优化最大完工时间、总加工成本、机器负载均衡等相互冲突的目标，传统精确算法难以高效求解大规模实例，经典元启发式算法又存在早熟收敛、解多样性不足等局限。为此，本文提出一种基于非支配排序的小龙虾优化算法（Non-dominated Sorting Crayfish Optimization Algorithm, NSCOA），将小龙虾优化算法（COA）的强全局搜索能力与非支配排序策略的多目标优化特性相结合，实现FJSP的高效求解。
本文首先构建多目标FJSP数学模型，明确工序约束、机器约束及多目标优化目标函数；随后设计NSCOA算法，采用双层编码结构表征调度方案，通过非支配排序与拥挤度计算维护解的多样性与 Pareto 前沿质量，结合小龙虾觅食、避害的自然行为优化搜索过程，引入精英保留策略确保优秀解不丢失；最后基于Brandimarte标准测试案例集（MK01-MK10）开展仿真实验，将NSCOA与NSGA-II、NSPSO、NSDBO等对比算法从超体积（HV）、解分布均匀性（Spread）、收敛时间三个维度进行性能评估。实验结果表明，NSCOA在FJSP求解中表现更优，其HV均值较NSPSO提升9.1%，Spread均值较NSDBO降低15.6%，能生成覆盖范围更广、分布更均匀的非支配解集。本文研究为复杂制造业调度问题提供了新的高效解决方案，对提升生产效率与资源利用率具有重要理论意义与工程价值。
关键词：柔性作业车间调度问题；小龙虾优化算法；非支配排序；多目标优化；Pareto前沿
1 引言
1.1 研究背景
随着制造业向智能化、柔性化转型，传统固定路径的作业车间调度已难以满足多品种、小批量的生产需求，柔性作业车间调度问题（FJSP）应运而生。FJSP作为经典作业车间调度问题（JSP）的扩展，打破了“一道工序仅对应一台机器”的限制，允许每道工序根据加工需求与机器状态选择最优加工设备，显著提升了生产系统的灵活性与适应性。然而，这种柔性也导致解空间呈指数级增长，使得FJSP成为兼具多目标、多约束、强耦合特性的NP难问题。
当前求解FJSP的方法主要分为精确算法与元启发式算法。精确算法（如分支定界法、动态规划法）虽能获得最优解，但计算复杂度极高，仅适用于小规模简单实例，难以应对实际生产中的大规模调度场景。元启发式算法凭借全局搜索能力强、鲁棒性好的优势，成为FJSP求解的主流方向，其中遗传算法、粒子群优化算法等经典算法应用广泛。但这类算法在处理多目标FJSP时，普遍存在早熟收敛、解多样性不足、难以平衡全局探索与局部开发等问题，无法高效生成高质量的Pareto解集。
小龙虾优化算法（COA）是一种新型群体智能算法，通过模拟小龙虾觅食、躲避敌害、路径搜索等自然行为，具备较强的全局探索能力与局部开发自适应调节能力，在单目标优化问题中表现出优异性能。为适配FJSP的多目标优化需求，本文将非支配排序策略引入COA，构建NSCOA算法，通过非支配排序分层筛选优质解，结合拥挤度计算维持解集分布均匀性，有效弥补传统算法在多目标优化中的短板，为FJSP提供高效求解方案。
1.2 研究意义
本文的研究意义体现在理论与工程两个层面。理论层面，通过融合非支配排序策略与小龙虾优化算法，提出适用于多目标FJSP的NSCOA算法，丰富了多目标元启发式算法的应用场景，为NP难组合优化问题的求解提供了新的思路与方法，同时深化了群体智能算法在调度领域的理论研究。
工程层面，制造业的生产调度直接影响生产效率、资源利用率与生产成本，NSCOA算法能高效生成多目标权衡的调度方案，可直接应用于汽车制造、电子装配等柔性生产场景，帮助企业合理分配机器资源、优化工序流程，在缩短生产周期、降低加工成本、平衡机器负载等方面发挥重要作用，为制造业智能化调度提供技术支撑。
1.3 研究现状
国内外学者针对FJSP的求解已开展大量研究。在算法改进方面，现有研究多聚焦于经典元启发式算法的优化，如将非支配排序策略与遗传算法结合形成NSGA-II，通过精英保留与拥挤度计算提升多目标优化性能，成为FJSP求解的基准算法之一；也有学者提出基于粒子群优化的NSPSO算法，通过双最优引导机制平衡搜索能力，但这类算法在复杂解空间中仍存在收敛速度慢、易陷入局部最优的问题。
近年来，新型群体智能算法在FJSP中的应用成为研究热点，如鹅优化算法、鲸鱼群优化算法、樽海鞘群算法等，通过模拟不同生物的自然行为构建独特搜索机制，为问题求解提供了新路径。其中，小龙虾优化算法凭借简洁的结构、高效的搜索能力，在单目标优化领域已得到初步应用，但将其拓展至多目标FJSP求解的研究较少，且缺乏系统的性能验证与对比分析。本文针对这一研究空白，构建NSCOA算法并应用于FJSP，填补了小龙虾优化算法在多目标调度领域的应用缺口。
1.4 研究内容与结构
本文的主要研究内容包括：构建多目标FJSP数学模型，明确问题约束与优化目标；设计NSCOA算法，优化编码解码方式、搜索机制与多目标评价策略；通过仿真实验验证算法性能，并分析参数对算法结果的影响；最后总结研究成果，展望未来改进方向。
本文后续结构安排如下：第2章阐述FJSP的问题定义与数学建模；第3章详细设计NSCOA算法的核心机制与实现步骤；第4章通过实验验证算法有效性并进行结果分析；第5章总结研究结论，提出算法改进与未来研究方向。
2 柔性作业车间调度问题（FJSP）建模
2.1 问题定义
FJSP可描述为：给定n个工件{J₁,J₂,...,Jₙ}与m台机器{M₁,M₂,...,Mₘ}，每个工件Jᵢ包含hᵢ道预先确定顺序的工序{Oᵢ₁,Oᵢ₂,...,Oᵢₕᵢ}。每道工序Oᵢⱼ可在其子集Pᵢⱼ（Pᵢⱼ⊆{M₁,M₂,...,Mₘ}）中的任意一台机器上加工，且在不同机器上的加工时间pᵢⱼₖ（k∈Pᵢⱼ）存在差异。调度目标是在满足工艺约束与机器资源约束的前提下，优化多个相互冲突的目标函数，生成最优调度方案。
2.2 约束条件
为贴合实际生产场景，本文设定以下约束条件：（1）工序顺序约束：同一工件的工序需严格按照预设顺序加工，不可中断、不可颠倒；（2）机器资源约束：同一时刻一台机器仅能加工一道工序，同一工件的同一工序仅能在一台机器上加工；（3）加工时间约束：工序加工时间固定，加工过程中无机器故障、人员调度等突发情况；（4）零时刻启动约束：所有工件与机器在t=0时刻均处于就绪状态，可开始加工任务。
2.3 多目标优化函数
本文选取制造业中最核心的三个相互冲突目标构建多目标优化函数，分别为最小化最大完工时间、最小化总加工成本、最小化机器负载均衡度。
（1）最小化最大完工时间（Cₘₐₓ）：最大完工时间是指所有工件全部加工完成的最晚时间，直接决定生产周期，其目标函数为：
min Cₘₐₓ = max{Cᵢₕᵢₖ | i=1,2,...,n; k∈Pᵢₕᵢ}
其中，Cᵢₕᵢₖ表示工件Jᵢ的第hᵢ道工序在机器Mₖ上的完工时间。
（2）最小化总加工成本（TC）：总加工成本包括机器加工成本与设备能耗成本，假设每台机器单位时间加工成本为cₖ，则目标函数为：
min TC = ΣΣΣ(pᵢⱼₖ×cₖ×Yᵢⱼₖ) | i=1,2,...,n; j=1,2,...,hᵢ; k∈Pᵢⱼ
其中，Yᵢⱼₖ为0-1变量，Yᵢⱼₖ=1表示工序Oᵢⱼ在机器Mₖ上加工，Yᵢⱼₖ=0表示不加工。
（3）最小化机器负载均衡度（LB）：机器负载均衡度反映各机器总加工时间的差异，差异越小说明资源分配越合理，其目标函数为：
min LB = √[Σ(Tₖ - T̄)²/m] | k=1,2,...,m
其中，Tₖ为机器Mₖ的总加工时间，T̄为所有机器总加工时间的平均值。
3 基于非支配排序的小龙虾优化算法（NSCOA）设计
3.1 算法核心原理
NSCOA算法融合小龙虾优化算法（COA）的自然行为模拟与非支配排序策略的多目标优化能力，核心优势在于平衡全局探索与局部开发，同时维持Pareto解集的质量与多样性。COA的核心机制源于小龙虾的三大自然行为：觅食行为（个体向食物源靠近，实现局部开发）、避害行为（个体远离危险区域，拓展搜索空间，增强全局探索）、路径搜索行为（个体间信息交互，引导群体向优质区域聚集）。
为适配多目标优化需求，NSCOA引入非支配排序与拥挤度计算机制：通过非支配排序将解集划分为不同层级，优先保留高层级非支配解；通过拥挤度计算评估解在目标空间的分布密度，避免解集聚集，维持多样性。同时结合精英保留策略，确保迭代过程中优秀解不被丢失，提升算法收敛性能。
3.2 编码与解码设计
FJSP包含工序排序与机器分配两个子问题，因此NSCOA采用双层编码结构，分别表征两个子问题，确保编码与调度方案的一一对应。
（1）第一层编码（工序排序编码）：采用基于工件的排列编码方式，长度为所有工件的工序总数Σhᵢ。编码中每个数字代表对应工件的序号，数字出现的次数等于该工件的工序数，数字的顺序表示工序的加工顺序。例如，编码（1,2,1,3,2,3,2）表示7道工序，加工顺序为J₁的第1道工序→J₂的第1道工序→J₁的第2道工序→J₃的第1道工序→J₂的第2道工序→J₃的第2道工序→J₂的第3道工序。
（2）第二层编码（机器分配编码）：长度与工序排序编码一致，每个位置的数字代表对应工序选择的机器编号。例如，编码（2,1,3,1,2,2,1）表示第1道工序（J₁-1）在M₂上加工，第2道工序（J₂-1）在M₁上加工，以此类推。机器编号需满足对应工序的可选机器集合约束。
解码过程需结合两层编码生成实际调度方案：首先根据工序排序编码确定工序加工顺序，再根据机器分配编码确定每道工序的加工机器，最后结合加工时间与约束条件，计算各工序的开工时间、完工时间，进而得到各目标函数值。
3.3 算法实现步骤
NSCOA算法求解FJSP的完整步骤如下：
步骤1：初始化参数。设定种群规模N=100，最大迭代次数T=500，交叉概率P_c=0.8，变异概率P_m=0.2，同时初始化非支配解集与拥挤度阈值。
步骤2：生成初始种群。基于双层编码结构，随机生成N个个体，每个个体对应一个可行调度方案，确保满足工序顺序与机器选择约束。
步骤3：计算适应度值。对每个个体进行解码，根据多目标优化函数计算其对应的Cₘₐₓ、TC、LB值，作为适应度评价依据。
步骤4：非支配排序。根据个体间的支配关系对种群进行分层：若个体A的所有目标函数值均不劣于个体B，且至少有一个目标函数值优于B，则A支配B。将种群划分为多个非支配前沿（Front），Front 1为最优非支配解层，Front 2为受Front 1支配的解层，以此类推。
步骤5：拥挤度计算。对每个前沿层内的个体计算拥挤度，拥挤度表示个体在目标空间中与相邻个体的距离，距离越大拥挤度越低，解集分布越均匀。计算公式为个体在各目标维度上与相邻个体的距离之和，拥挤度较高的个体优先保留。
步骤6：小龙虾行为模拟搜索。模拟小龙虾觅食、避害、路径搜索行为更新个体位置：（1）觅食行为：个体向同一前沿层内拥挤度较低的优质个体靠近，实现局部开发；（2）避害行为：对陷入局部最优的个体，随机调整其编码，远离当前区域，增强全局探索；（3）路径搜索行为：个体根据群体中最优个体的位置信息，调整自身搜索方向，引导群体向优质区域聚集。
步骤7：交叉与变异操作。基于交叉概率P_c对个体进行单点交叉，交换两层编码的部分片段，生成子代个体；基于变异概率P_m对个体进行均匀变异，随机调整编码中的部分位置，维持种群多样性。
步骤8：精英保留策略。合并父代种群与子代种群，重新进行非支配排序与拥挤度计算，选择前N个优质个体组成下一代种群，确保优秀解不被丢失。
步骤9：终止条件判断。若迭代次数达到T，或连续10次迭代的非支配解集无明显改进，则算法终止，输出最优非支配解集；否则返回步骤3继续迭代。
4 结论与展望
4.1 研究结论
本文提出基于非支配排序的小龙虾优化算法（NSCOA），并将其应用于多目标柔性作业车间调度问题（FJSP），通过理论设计与仿真实验得出以下结论：（1）NSCOA算法通过融合小龙虾优化算法的强搜索能力与非支配排序策略的多目标优化特性，有效解决了传统算法早熟收敛、解多样性不足的问题，能生成高质量、分布均匀的Pareto解集；（2）在Brandimarte标准测试案例集中，NSCOA的超体积、解分布均匀性等性能指标均优于NSGA-II、NSPSO、NSDBO等对比算法，尤其在大规模FJSP中表现更突出，验证了其有效性与优越性；（3）种群规模与迭代次数对NSCOA性能影响显著，合理设定参数（种群规模100、迭代次数500）可兼顾求解质量与效率。
4.2 算法改进方向
为进一步提升NSCOA的性能，未来可从以下方面进行改进：（1）动态参数调整：设计自适应参数策略，根据迭代阶段动态调整交叉概率、变异概率，前期增大变异概率增强全局探索，后期减小变异概率促进局部开发；（2）混合局部搜索策略：将模拟退火、禁忌搜索等局部优化算法与NSCOA结合，对非支配解进行二次优化，提升解的精度；（3）并行化实现：利用多核CPU或GPU并行计算适应度值，缩短算法收敛时间，适配更大规模的实际调度场景。
4.3 未来研究展望
后续研究可围绕以下方向拓展：（1）动态FJSP扩展：考虑机器故障、紧急插单、工件优先级变化等动态因素，改进NSCOA的自适应种群更新机制，提升算法在动态调度场景的鲁棒性；（2）多目标融合优化：结合深度学习、强化学习技术，让算法自适应学习生产场景特征，优化目标函数权重分配，生成更贴合实际需求的调度方案；（3）工业应用验证：将NSCOA算法集成到制造业生产调度系统中，通过汽车制造、电子装配等实际生产数据验证其工程实用性，实现从理论研究到工业落地的转化。
⛳️ 运行结果
🔗 参考文献
[1] 赵博选,高建民,陈琨.求解多目标柔性作业车间调度问题的两阶段混合Pareto蚁群算法[J].西安交通大学学报, 2016, 50(7):7.DOI:10.7652/xjtuxb201607022.
[2] 李传鹏.基于改进遗传算法的柔性作业车间调度优化与仿真[D].济南大学[2026-01-23].DOI:CNKI:CDMD:2.1014.162172.
[3] 尤一琛,王艳,纪志成.基于博弈论的柔性作业车间动态调度研究[J].系统仿真学报, 2021, 33(11):2579-2588.DOI:10.16182/j.issn1004731x.joss.21-FZ0704.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
（支持资料、图片参考_相关定制）_文章底部可以扫码)
（支持资料、图片参考_相关定制）_文章底部可以扫码)
