MATLAB多目标优化实战：用gamultiobj解决一个生产排程难题（附完整代码）

MATLAB多目标优化实战：用gamultiobj解决生产排程难题

生产排程是制造业中常见的优化问题，企业需要在有限的资源条件下，平衡多个相互冲突的目标。比如在追求利润最大化的同时，还需要控制加班时长、降低能耗或提高设备利用率。这类问题往往没有单一的"最优解"，而是存在一系列折中方案。MATLAB提供的gamultiobj函数基于NSGA-II算法，能够有效求解这类多目标优化问题，为决策者提供全面的Pareto最优解集。

1. 生产排程问题建模

1.1 问题描述

假设某工厂生产两种产品A和B，每周需要制定生产计划。产品A的常规生产利润为100元/公斤，加班生产利润为90元/公斤；产品B的常规生产利润为80元/公斤，加班生产利润为70元/公斤。生产时间方面，产品A需要3小时/公斤（常规或加班），产品B需要2小时/公斤。

工厂有以下限制条件：

• 每周常规生产总时长（产品A+B）必须正好为120小时
• 每周加班总时长不超过48小时
• 产品A的常规生产量至少相当于30小时工作量（即至少10公斤）
• 产品B的常规生产量至少相当于30小时工作量（即至少15公斤）

我们的目标是：

1. 最大化总利润
2. 最小化加班总时长

1.2 数学模型构建

设决策变量为：

• 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）

目标函数：

1. 利润最大化（转换为最小化问题需取负）：

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

2. 加班时长最小化：

   f(x) = x₃ + x₄

约束条件：

x₁ + x₂ = 120 x₃ + x₄ ≤ 48 x₁/3 ≥ 30 x₂/2 ≥ 30 x₁, x₂, x₃, x₄ ≥ 0

2. MATLAB实现与gamultiobj配置

2.1 目标函数编写

在MATLAB中，我们需要创建一个函数来计算两个目标值：

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

2.2 约束条件设置

gamultiobj支持三种类型的约束：

1. 变量边界约束（lb ≤ x ≤ ub）：

   lb = [0, 0, 0, 0]; % 所有变量非负 ub = []; % 无上界限制

2. 线性不等式约束（A*x ≤ b）：

   A = [0, 0, 1, 1; % x₃ + x₄ ≤ 48 -1/3, 0, 0, 0; % -x₁/3 ≤ -30 → x₁/3 ≥ 30 0, -1/2, 0, 0]; % -x₂/2 ≤ -30 → x₂/2 ≥ 30 b = [48; -30; -30];

3. 线性等式约束（Aeq*x = beq）：

   Aeq = [1, 1, 0, 0]; % x₁ + x₂ = 120 beq = 120;

2.3 算法参数配置

NSGA-II算法的性能很大程度上取决于参数设置：

options = optimoptions('gamultiobj',... 'ParetoFraction', 0.35,... 'PopulationSize', 100,... 'MaxGenerations', 200,... 'FunctionTolerance', 1e-4,... 'PlotFcn', @gaplotpareto);

关键参数说明：

• ParetoFraction：保留的非支配解比例（0-1）
• PopulationSize：每代种群大小
• MaxGenerations：最大迭代次数
• FunctionTolerance：目标函数变化容忍度

3. 求解与结果分析

3.1 执行优化

运行gamultiobj求解器：

[x, fval] = gamultiobj(@productionObjectives, 4, A, b, Aeq, beq, lb, ub, options);

求解过程中，MATLAB会实时显示Pareto前沿的演化情况。对于这个中等规模的问题，通常需要1-5分钟完成求解。

3.2 Pareto前沿解读

求解完成后，我们可以绘制Pareto前沿图：

figure; plot(-fval(:,1), fval(:,2), 'bo'); % 注意第一个目标取反 xlabel('总利润（元）'); ylabel('加班总时长（小时）'); title('生产排程Pareto最优前沿'); grid on;

典型的Pareto前沿呈现以下特征：

1. 利润与加班的权衡：随着利润增加，所需加班时长也增加
2. 拐点识别：某些区域加班时长小幅增加能带来利润大幅提升
3. 极端解：
   • 利润最大化解（通常加班最多）
   • 加班最小化解（通常利润最低）

3.3 解集筛选策略

从Pareto解集中选择最终方案时，可以考虑以下方法：

1. 加权求和法：

   weights = [0.7, 0.3]; % 利润权重70%，加班权重30% normalized_fval = [fval(:,1)/max(fval(:,1)), fval(:,2)/max(fval(:,2))]; scores = normalized_fval * weights'; [~, idx] = min(scores); best_solution = x(idx,:);

2. 约束法：设定最大可接受加班时长，然后选择该约束下利润最高的解

3. 拐点法：选择Pareto前沿曲率最大的点，代表最佳的权衡点

4. 高级应用与扩展

4.1 多目标敏感性分析

了解各变量对目标的影响程度：

% 计算每个解的各变量均值 mean_x = mean(x, 1); % 分析变量与目标的相关性 corr_matrix = corr(x, fval); disp('变量与目标的相关性矩阵：'); disp(array2table(corr_matrix, ... 'VariableNames', {'利润', '加班时长'}, ... 'RowNames', {'x1', 'x2', 'x3', 'x4'}));

典型分析结果可能显示：

• x₃和x₄与加班时长高度正相关
• x₁和x₂的组合影响利润水平

4.2 处理不确定性

实际生产中，参数往往存在不确定性。我们可以采用鲁棒优化方法：

1. 参数扰动分析：

   num_samples = 50; perturbed_results = zeros(num_samples, 2); for i = 1:num_samples % 添加5%的随机扰动 perturbed_x = x(1,:) .* (1 + 0.05*(2*rand(1,4)-1)); perturbed_results(i,:) = productionObjectives(perturbed_x); end figure; scatter(-perturbed_results(:,1), perturbed_results(:,2));

2. 随机规划：将不确定参数建模为随机变量，优化期望目标

4.3 大规模问题优化

对于更复杂的生产排程问题（多产品、多阶段），可考虑：

1. 分层优化：先优化产品组合，再优化详细排程

2. 并行计算：利用MATLAB的并行计算工具箱加速求解

   options.UseParallel = true;

3. 混合整数优化：当涉及离散决策（如机器开关）时，可结合GA和整数规划

5. 实际应用建议

1. 数据预处理：

   • 确保所有变量在相同数量级
   • 对约束条件进行合理性验证
   • 收集足够的历史数据校准模型

2. 算法调优技巧：

   • 从较小种群开始，逐步增加规模
   • 先宽松后严格地设置终止条件
   • 多次运行以避免局部最优

3. 结果验证：

   % 检查约束满足情况 constraint_violation = A*x' - b; disp('约束违反程度：'); disp(max(constraint_violation, 0));

4. 决策支持：

   • 将Pareto前沿可视化呈现给决策者
   • 提供关键解的详细生产计划表
   • 分析不同场景下的最优策略

在实际项目中，我们发现最耗时的往往不是算法求解本身，而是问题建模和数据准备阶段。一个实用的建议是先用简化模型快速验证思路，再逐步增加复杂性。生产排程问题通常还需要考虑更多实际因素，如：

• 换型时间
• 工人技能限制
• 库存成本
• 交货期限等

这些因素可以通过扩展目标函数或添加约束条件来纳入模型。gamultiobj的灵活性使其能够适应各种复杂的多目标优化场景，关键在于如何将业务问题准确地转化为数学模型。