GA算法本身带有一定的随机性，本研究做了20次实验，实验的仿真优化结果见表4-4，图4-7显示了其中一次的优化结果。实验环境：计算机为DELL Power Edge 1600SC，操作系统为Windows 2000 Server。实验中各参数设置：交叉概率=0.9，变异概率=0.1，初始种群数量100个，迭代次数100次。
表4-4 仿真优化结果
从表4-4可以看出，20次实验结果中共有8次获得了462的优化结果，10次获得479的优化结果，2次获得418.5的优化结果，平均每次优化耗时2分37秒。图4-9显示了其中的一次优化过程。从图中可看出，随着优化值的不断优化，重组费用也随之下降。但是，本研究采用以E/T惩罚和重组费用相结合的多目标优化过程，最优个体的重组费用略微高于可得到的重组费用最优个体。
图4-9 优化过程曲线
图4-10为图4-7最优个体的调度甘特图，图4-11为企业现场相应时间段（某半个月）的实际调度甘特图，图4-12为采用文献[98]的启发式算法得到的调度甘特图。
(https://www.xing528.com)
图4-10 最优个体对应的甘特图（DTPN-GA）
图4-11 现场采用的调度甘特图
经对比可以看出，图4-10中重组费用为260，E/T惩罚值为82；图4-11中的相应值分别为560和128；图4-12中的相应值分别为300和104。可见，重组费用分别优化了53.6%和46.6%，E/T惩罚值降低了35.9%和18.8%。由上可知，本书提出的调度算法运行效率较高，相对企业现有采用的调度方法优化效果明显，给企业带来了可观的经济效益。
图4-12 最优个体对应的甘特图（启发式）
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
