-
Notifications
You must be signed in to change notification settings - Fork 0
/
InitFlowshop.m
350 lines (319 loc) · 21 KB
/
InitFlowshop.m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% FS.P - Matriz de tiempos %
% FS.mejorindividuo- Mejor individuo encontrado %
% FS.mejorvalor - Valor del mejor individuo %
% FS.lb - cota inferior %
% FS.ub - cota superior %
% FS.difflb - differencias de las soluciones con la cota inferior %
% FS.diffub - differencias de las soluciones con la cota superior %
% FS.relerrlb - error relativo respecto a la cota inferior %
% FS.relerrlb - error relativo respecto a la cota superior %
% FS.nfeval - Evaluaciones del makespan %
% FS.vals - valores promedio de las poblaciones del mejor individuo%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Flowshop 1%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
FS(1).P=[54 83 15 71 77 36 53 38 27 87 76 91 14 29 12 77 32 87 68 94; %
79 3 11 99 56 70 99 60 5 56 3 61 73 75 47 14 21 86 5 77; %
16 89 49 15 89 45 60 23 57 64 7 1 63 41 63 47 26 75 77 40; %
66 58 31 68 78 91 13 59 49 85 85 9 39 41 56 40 54 77 51 31; %
58 56 20 85 53 35 53 41 69 13 86 72 8 49 47 87 58 18 68 28]; %
FS(1).mejorindividuo=[]; %
FS(1).mejorval=Inf; %
FS(1).mejoresvals=[]; %
FS(1).lb=1232; %
FS(1).ub =1278; %
FS(1).difflb=Inf; %
FS(1).diffub=Inf; %
FS(1).relerrlb=Inf; %
FS(1).relerrub=Inf; %
FS(1).nfeval=0; %
FS(1).vals=[]; %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Flowshop 2%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
FS(2).P=[26 38 27 88 95 55 54 63 23 45 86 43 43 40 37 54 35 59 43 50; %
59 62 44 10 23 64 47 68 54 9 30 31 92 7 14 95 76 82 91 37; %
78 90 64 49 47 20 61 93 36 47 70 54 87 13 40 34 55 13 11 5; %
88 54 47 83 84 9 30 11 92 63 62 75 48 23 85 23 4 31 13 98; %
69 30 61 35 53 98 94 33 77 31 54 71 78 9 79 51 76 56 80 72]; %
FS(2).mejorindividuo=[]; %
FS(2).mejorval=Inf; %
FS(2).mejoresvals=[]; %
FS(2).lb=1290; %
FS(2).ub=1359; %
FS(2).difflb=Inf; %
FS(2).diffub=Inf; %
FS(2).relerrlb=Inf; %
FS(2).relerrub=Inf; %
FS(2).nfeval=0; %
FS(2).vals=[]; %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Flowshop 3%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
FS(3).P=[77 94 9 57 29 79 55 73 65 86 25 39 76 24 38 5 91 29 22 27; %
39 31 46 18 93 58 85 58 97 10 79 93 2 87 17 18 10 50 8 26; %
14 21 15 10 85 46 42 18 36 2 44 89 6 3 1 43 81 57 76 59; %
11 2 36 30 89 10 88 22 31 9 43 91 26 3 75 99 63 83 70 84; %
83 13 84 46 20 33 74 42 33 71 32 48 42 99 7 54 8 73 30 75]; %
FS(3).mejorindividuo=[]; %
FS(3).mejorval=Inf; %
FS(3).mejoresvals=[]; %
FS(3).lb=1073; %
FS(3).ub=1081; %
FS(3).difflb=Inf; %
FS(3).diffub=Inf; %
FS(3).relerrlb=Inf; %
FS(3).relerrub=Inf; %
FS(3).nfeval=0; %
FS(3).vals=[]; %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Flowshop 4%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
FS(4).P=[53 19 99 62 88 93 34 72 42 65 39 79 9 26 72 29 36 48 57 95; %
93 79 88 77 94 39 74 46 17 30 62 77 43 98 48 14 45 25 98 30; %
90 92 35 13 75 55 80 67 3 93 54 67 25 77 38 98 96 20 15 36; %
65 97 27 25 61 24 97 61 75 92 73 21 29 3 96 51 26 44 56 31; %
64 38 44 46 66 31 48 27 82 51 90 63 85 36 69 67 81 18 81 72]; %
FS(4).mejorindividuo=[]; %
FS(4).mejorval=Inf; %
FS(4).mejoresvals=[]; %
FS(4).lb=1268; %
FS(4).ub=1293; %
FS(4).difflb=Inf; %
FS(4).diffub=Inf; %
FS(4).relerrlb=Inf; %
FS(4).relerrub=Inf; %
FS(4).nfeval=0; %
FS(4).vals=[]; %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Flowshop 5%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
FS(5).P=[61 86 16 42 14 92 67 77 46 41 78 3 72 95 53 59 34 66 42 63; %
27 92 8 65 34 6 42 39 2 7 85 32 14 74 59 95 48 37 59 4; %
42 93 32 30 16 95 58 12 95 21 74 38 4 31 62 39 97 57 9 54; %
13 47 6 70 19 97 41 1 57 60 62 14 90 76 12 89 37 35 91 69; %
55 48 56 84 22 51 43 50 62 61 10 87 99 40 91 64 62 53 33 16]; %
FS(5).mejorindividuo=[]; %
FS(5).mejorval=Inf; %
FS(5).mejoresvals=[]; %
FS(5).lb=1198; %
FS(5).ub=1236; %
FS(5).difflb=Inf; %
FS(5).diffub=Inf; %
FS(5).relerrlb=Inf; %
FS(5).relerrub=Inf; %
FS(5).nfeval=0; %
FS(5).vals=[]; %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Flowshop 6%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
FS(6).P=[71 27 55 90 11 18 42 64 73 95 22 53 32 5 94 12 41 85 75 38; %
13 11 73 43 27 33 57 42 71 3 11 49 8 3 47 58 23 79 99 23; %
61 25 52 72 89 75 60 28 94 95 18 73 40 61 68 75 37 13 65 7; %
21 8 5 8 58 59 85 35 84 97 93 60 99 29 94 41 51 87 97 11; %
91 13 7 95 20 69 45 44 29 32 94 84 60 49 49 65 85 52 8 58]; %
FS(6).mejorindividuo=[]; %
FS(6).mejorval=Inf; %
FS(6).mejoresvals=[]; %
FS(6).lb=1180; %
FS(6).ub=1195; %
FS(6).difflb=Inf; %
FS(6).diffub=Inf; %
FS(6).relerrlb=Inf; %
FS(6).relerrub=Inf; %
FS(6).nfeval=0; %
FS(6).vals=[]; %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Flowshop 7%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
FS(7).P=[15 64 64 48 9 91 27 34 42 3 11 54 27 30 9 15 88 55 50 57; %
28 4 43 93 1 81 77 69 52 28 28 77 42 53 46 49 15 43 65 41; %
77 36 57 15 81 82 98 97 12 35 84 70 27 37 59 42 57 16 11 34; %
1 59 95 49 90 78 3 69 99 41 73 28 99 13 59 47 8 92 87 62; %
45 73 59 63 54 98 39 75 33 8 86 41 41 22 43 34 80 16 37 94]; %
FS(7).mejorindividuo=[]; %
FS(7).mejorval=Inf; %
FS(7).mejoresvals=[]; %
FS(7).lb=1226; %
FS(7).ub=1239; %
FS(7).difflb=Inf; %
FS(7).diffub=Inf; %
FS(7).relerrlb=Inf; %
FS(7).relerrub=Inf; %
FS(7).nfeval=0; %
FS(7).vals=[]; %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Flowshop 8%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
FS(8).P=[34 20 57 47 62 40 74 94 9 62 86 13 78 46 83 52 13 70 40 60; %
5 48 80 43 34 2 87 68 28 84 30 35 42 39 85 34 36 9 96 84; %
86 35 5 93 74 12 40 95 80 6 92 14 83 49 36 38 43 89 94 33; %
28 39 55 21 25 88 59 40 90 18 33 10 59 92 15 77 31 85 85 99; %
8 91 45 55 75 18 59 86 45 89 11 54 38 41 64 98 83 36 61 19]; %
FS(8).mejorindividuo=[]; %
FS(8).mejorval=Inf; %
FS(8).mejoresvals=[]; %
FS(8).lb=1170; %
FS(8).ub=1206; %
FS(8).difflb=Inf; %
FS(8).diffub=Inf; %
FS(8).relerrlb=Inf; %
FS(8).relerrub=Inf; %
FS(8).nfeval=0; %
FS(8).vals=[]; %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Flowshop 9%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
FS(9).P=[37 36 1 4 64 74 32 67 73 7 78 64 98 60 89 49 2 79 79 53; %
59 16 90 3 76 74 22 30 89 61 39 15 69 57 9 13 71 2 34 49; %
65 94 96 47 35 34 84 3 60 34 70 57 8 74 13 37 87 71 89 57; %
70 3 43 14 26 83 26 65 47 94 75 30 1 71 46 87 78 76 75 55; %
94 98 63 83 19 79 54 78 29 8 38 97 61 10 37 16 78 96 9 91]; %
FS(9).mejorindividuo=[]; %
FS(9).mejorval=Inf; %
FS(9).mejoresvals=[]; %
FS(9).lb=1206; %
FS(9).ub=1230; %
FS(9).difflb=Inf; %
FS(9).diffub=Inf; %
FS(9).relerrlb=Inf; %
FS(9).relerrub=Inf; %
FS(9).nfeval=0; %
FS(9).vals=[]; %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%Flowshop 10%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
FS(10).P=[27 92 75 94 18 41 37 58 56 20 2 39 91 81 33 14 88 22 36 65; %
79 23 66 5 15 51 2 81 12 40 59 32 16 87 78 41 43 94 1 93; %
22 93 62 53 30 34 27 30 54 77 24 47 39 66 41 46 24 23 68 50; %
93 22 64 81 94 97 54 82 11 91 23 32 26 22 12 23 34 87 59 2; %
38 84 62 10 11 93 57 81 10 40 62 49 90 34 11 81 51 21 39 27]; %
FS(10).mejorindividuo=[]; %
FS(10).mejorval=Inf; %
FS(10).mejoresvals=[]; %
FS(10).lb=1082; %
FS(10).ub=1108; %
FS(10).difflb=Inf; %
FS(10).diffub=Inf; %
FS(10).relerrlb=Inf; %
FS(10).relerrub=Inf; %
FS(10).nfeval=0; %
FS(10).vals=[]; %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%FS(i).stats%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Simular 25 veces por cada caso de prueba
%The study should be made with dimensions D = 50, D = 100, D=200, D=500, and D = 1,000.
%The maximum number of fitness evaluations is 5,000·D.
%Each run stops when the maximal number of evaluations is achieved.
%Calcular las siguientes medidas de desempeño
N = 30; %Simulaciones
generaciones=100;
NP=5*(20*5);%5*D
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for i=1:10
FS(i).stats.errslb = zeros(N,generaciones); %Acumula los errores respecto a la cota inferior
FS(i).stats.errsub = zeros(N,generaciones); %Acumula los errores respecto a la cota superior
FS(i).stats.vals = zeros(N,generaciones);
FS(i).stats.nfevals = zeros(N,1);
FS(i).statsSelectivo.errslb = zeros(N,generaciones); %Acumula los errores respecto a la cota inferior
FS(i).statsSelectivo.errsub = zeros(N,generaciones); %Acumula los errores respecto a la cota superior
FS(i).statsSelectivo.vals = zeros(N,generaciones);
FS(i).statsSelectivo.nfevals = zeros(N,1);
%FS(i).stats.avgerrlb = 0;% Error promedio respecto a la cota inferior
%FS(i).stats.avgerrub = 0;% Error promedio respecto a la cota superior
%FS(i).stats.maxerrlb = 0;% Error maximo respecto a la cota inferior
%FS(i).stats.maxerrub = 0;% Error maximo respecto a la cota superior
%FS(i).stats.minerrlb = 0;% Error minimo respecto a la cota inferior
%FS(i).stats.minerrub = 0;% Error minimo respecto a la cota superior
%FS(i).stats.mederrlb = 0;% Mediana del error respecto a la cota inferior
%FS(i).stats.mederrub = 0;% Mediana del error respecto a la cota superior
end
for j=1:1 %Este for recorre los problemas (10)
for i=1:N %Simulaciones
[mejorindividuo, mejorval, nfeval, difflb, diffub, mejores]=EvoDif_Programa(FS(j),NP,generaciones,'Makespan',false);
FS(j).stats.errlb(i) = difflb;
FS(j).stats.errub(i) = diffub;
FS(j).stats.vals(i,:) = mejores;
FS(j).stats.nfevals(i) = nfeval;
[mejorindividuo, mejorval, nfeval, difflb, diffub, mejores]=EvoDif_Programa(FS(j),NP,generaciones,'Makespan', true);
FS(j).statsSelectivo.errlb(i) = difflb;
FS(j).statsSelectivo.errub(i) = diffub;
FS(j).statsSelectivo.vals(i,:) = mejores;
FS(j).statsSelectivo.nfevals(i) = nfeval;
%if mejorval<FS(j).mejorval
% FS(j).mejorval=mejorval;
% FS(j).mejorindividuo=mejorindividuo;
% FS(j).nfeval=nfeval;
% FS(j).difflb=difflb;
% FS(j).diffub=diffub;
% FS(j).vals=vals;
%end
end
if 0
%Plot del makespan promedio
f=figure;
set(f,'visible','off')
titulo=sprintf('Taillard Flowshop (5x20) %d',j);
plot(vals,'-.b')
hold on;
plot(mejores,'-ro')
legend('Makespan promedio', 'Mejor makespan')
title(titulo)
xlabel('Generaciones')
ylabel('Makespan')
nombre = sprintf('TaillardFS_%d',j);
saveas(f,nombre,'pdf');
saveas(f,nombre,'fig');
%Tabla de mejor individuo
mejorindfile = sprintf('mejorind_%d',j); %nombre del archivo el mejor individuo
FSJ=FS(j);
save(mejorindfile,'mejorindividuo');
%Tablas de datos
datosfile = sprintf('datos_%d.mat',j);%nombre del archivo de los datos del problema
save(datosfile,'-struct', 'FSJ');
end
%%%%%%%%%%%%%%%%%%%%%%%
% FSJ=FS(j);
% fprintf('\nLB\t\t\t\t\t\t\t %f\n',FSJ.lb)
% fprintf('UB\t\t\t\t\t\t\t %f\n',FSJ.ub)
% fprintf('Diferencia LB\t\t\t\t %f\n',FSJ.difflb)
% fprintf('Diferencia UB\t\t\t\t %f\n',FSJ.diffub)
% fprintf('Error relativo LB\t\t\t %f\n',FSJ.relerrlb)
% fprintf('Error relativo UB\t\t\t %f\n',FSJ.relerrub)
% fprintf('Mejor valor\t\t\t\t\t %f\n',FSJ.mejorval)
% fprintf('Evaluaciones de la funcin\t %f\n',FSJ.nfeval)
%FS(j).mejorindividuo
%%Guardar errores
%FS(j).stats.errslb(k)=FS(j).mejorval-FS(j).lb;
%FS(j).stats.errsub(k)=FS(j).mejorval-FS(j).ub;
figure;
boxplot(FS(j).stats.vals, 1, '.',1,1);
hold on;
boxplot(FS(j).statsSelectivo.vals, 1, ['x','*'], 1, 1);
end
%%%%%Calcular Stats%%%%%%%%%%%
%for j=1:10
% FS(j).stats.avgerrlb = mean(F(j).stats.errslb);
% FS(j).stats.avgerrub = mean(F(j).stats.errsub);
% FS(j).stats.maxerrlb = max(F(j).stats.errslb);
% FS(j).stats.maxerrub = max(F(j).stats.errsub);
% FS(j).stats.minerrlb = min(F(j).stats.errslb);
% FS(j).stats.minerrub = min(F(j).stats.errsub);
% FS(j).stats.mederrlb = median(F(j).stats.errslb);
% FS(j).stats.mederrub = median(F(j).stats.errsub);
% FSJ=FS(j);
% fprintf('Error promedio LB:\t', FSJ.stats.avegerrlb)
% fprintf('Error promedio UB:\t', FSJ.stats.avgerrub)
% fprintf('Error maximo LB:\t', FSJ.stats.maxerrlb)
% fprintf('Error maximo UB:\t', FSJ.stats.maxerrub)
% fprintf('Error minimo LB:\t', FSJ.stats.minerrlb)
% fprintf('Error minimo UB:\t', FSJ.stats.minerrub)
% fprintf('Mediana de los errores LB:\t', FSJ.stats.mederrlb)
% fprintf('Mediana de los errores UB:\t', FSJ.stats.mederrub)
%end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Simulación con transformacion de parametros aqui
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%Comparar algoritmo con Evolucion diferencial simple con transformacion
%de parametros a parametros reales (Tengo un pdf con eso)
%Statistical analysis on the average error.
%A comparision should be carried out by applying non-parametric tests, such as Wilcoxon's test and Holm's test.
%General information and software on these tests may be found in the following link: http://sci2s.ugr.es/sicidm/.
%See as well:
%S. Garcia, D. Molina, M. Lozano, F. Herrera,
%A study on the use of non-parametric tests for analyzing the evolutionary algorithms' behaviour:
%a case study on the CEC'2005 Special Session on Real Parameter Optimization.
%Journal of Heuristics 15 (2009) 617-644. doi: 10.1007/s10732-008-9080-4. (Pdf file).
%An analysis of the scalability behaviour of the proposed algorithms.
%An investigation of the computational running time of the algorithms.
%Authors should provide, for each function, the average running time on the 25 runs.
%In addition, the computational conditions (machine, programming language, compiler, etc.)
%should be specified in the paper.
%In addition, authors should provide the following material:
%The source code of the algorithms.
%The source codes of the algorithms will be published as complementary material to the special issue
%(they will be available from an associated website).
%An Excel file having the performance measures achieved by the algorithms on every test problem.