CN103473617A - 多种物资放入多规格货包的三维装载全局优化方法及系统 - Google Patents

Abstract

本发明公开了一种多种物资放入多规格货包的三维装载全局优化方法及系统，属一种物资装载智能化处理方法，启动装载全局优化计算模块，利用量子遗传算法与启发式三维装载算法相结合的方式完成单次任务的装载全局优化计算，输出装载方案；进行判断后并将合理化的方案存储至数据库中，等待呈现。通过将将启发式三维装载算法与量子遗传算法有机结合，可以处理多种货物放置入多种不同规格的货包容器的全局装载优化计算，相对原有的处理单个货包容器或者单类货包容器优化计算来说，具有较为明显的全局优势。

Description

多种物资放入多规格货包的三维装载全局优化方法及系统

技术领域

本发明涉及一种物资装载智能化处理方法，更具体的说，本发明主要涉及一种多种物资放入多规格货包的三维装载全局优化方法及系统。

背景技术

货物三维装载全局优化是指在一定的装载约束条件下，在特定几种容器（集装箱或者货包）中排布货物，排布完成后使特定形状容器能够达到指定的全局指标要求（如总装载货物的质量最大、总装载的货物对容器的内部空间利用率最大等）。在计算机智能优化科学和供应链优化管理领域中，货物三维装载全局优化有着广泛的应用背景，包括物流配送装货、集装箱装货、空运飞机装货、太空运输物资、大型轮船装货等，对货物三维装载全局优化问题的研究都是焦点。另外，从计算复杂性理论来讲，即使一般三维装载优化问题都属于NP-Hard问题，是优化问题中最难的一类组合优化问题，其求解难度随问题规模的增大和约束的增多而成几何级增长。在现有国内外的三维装载（3D-Packing）问题研究中，主要涉及的装载容器为规格一样的，很少涉及多种规格、单种规格多个装载容器的研究报道，即使涉及到得全局装载优化算法的研究报道也一般采用启发式装载算法和有限的几种演化算法，目前这些方法只能给出问题的局部最优解而缺乏全局寻优能力，部分具有全局优化能力的演化算法也因为较高的时空复杂度使得在三维装载优化工程应用中无法采用。因此有必要针对物资的多品种、多规格智能装载优化方法做进一步的研究和改进。

发明内容

本发明的目的之一在于针对上述不足，提供一种多种物资放入多规格货包的三维装载全局优化方法及系统，以期望解决现有技术中物资智能装载方法不能实现多品种、多规格物资的全局优化计算等技术问题。

为解决上述的技术问题，本发明采用以下技术方案：

本发明所提供的一种多种物资放入多规格货包的三维装载全局优化方法，所述方法包括：

S1、输入任务信息，基础数据管理模块将任务数据存储至数据库中，作为一次优化计算任务中其他数据的检索基础；

S2、输入单次任务所有类别货包容器的基础信息，基础数据管理模块将货包容器的基本信息存储至数据库中；

S3、输入单次任务中所有待装载货物种类和单个货物的数量信息，基础数据管理模块将待装载的货物信息存储至数据库中；

S4、启动装载全局优化计算模块，利用量子遗传算法与启发式三维装载算法相结合的方式完成单次任务的装载全局优化计算，输出装载方案；进行判断后并将合理化的方案存储至数据库中，等待呈现。

作为优选，进一步的技术方案是：输入单次任务中所有种类货包使用的最大限制数量约束，基础数据管理模块将货包数量约束信息存储至数据库中。

更进一步的技术方案是：所述方法中还包括步骤S5、装载方案三维显示模块从数据库中读取合理化方案的数据，并在用户界面上以三维方式将方案呈现。

本发明还可以：所述步骤S4中量子遗传算法与启发式三维装载算法相结合的方式包括：

S41、优化计算输入信息初始化；

S42、装载方案染色体编码并生成初始种群；

S43、当前种群内个体交叉生成交叉种群；

S44、交叉种群内个体变异生成变异种群；

S45、变异种群内个体进行量子测量生成新种群；

S46、新种群与当前种群进行组合生成合并种群；

S47、合并种群内个体进行启发式装载并计算适应度；

S48、合并种群轮盘赌选择生成新一代当前种群；

S49、判断是否满足终止条件，如为是，则输出全局优化方案；反之则从步骤S43循环，当进行大于或等于1次的循环后，合并种群轮盘赌选择生成的新一代当前种群替换当前待输出的全局优化方案。

进一步的技术方案是：所述步骤S42装载方案染色体编码生成初始种群的步骤包括：

S421、按照货物的体积从大到小进行排序，得到排序后的货物列表，作为后续计算的检索基础；

S422、按照排序后的货物列表，使用货物的类别编号作为基因，构造初始化装载方案的染色体；

S423、根据构造的初始化装载方案的染色体，采用个体变异的方法构造N-1个染色体，合并初始化装载方案的染色体，共得到N个装载方案的染色体，以完成个体数为N的初始化种群构造，并将初始化种群赋值给当前种群。

进一步的技术方案是：所述步骤S47进行启发式装载并计算适应度的步骤包括：

S4701、对染色体信息进行解码得到货物装载顺序列表；

S4702、从货物装载顺序列表中按照顺序查找到第一个未装载货物作为当前装载货物；

S4703、根据当前装载货物查找最适合的货包，并将其作为装载空间，将货物装入装载空间；

S4704、对装载空间进行划分，将划分后的装载空间压入装载空间堆栈；

S4705、判断装载空间堆栈是否为空，如不为空执行下一步，如果为空转入步骤S4702；

S4706、装载空间弹出堆栈；

S4707、从货物装载列表按照顺序选择到一个还未装载入货包的可装货物，如没有选择到货物，转入步骤S4708；如选择到了货物，转入步骤S4710；

S4708、判断是否还有货物未装，如果还有货物未装，转入步骤S4709；如果没有货物未装，转入步骤S4711；

S4709、进行空间转移处理，判断转移后得到的新空间是否在过去处理过，如果没有处理过，将空间压入堆栈，转入步骤S4705，如果转移处理后发现转移空间已经计算过，则直接转入步骤S4705；

S4710、将货物装入装载空间，然后转入步骤S4704；

S4711、返回装载方案并计算装载率作为该染色体的适应度值，同时结束该步骤。

本发明另一方面还提供了一种用于执行上述多种物资放入多规格货包的三维装载全局优化系统，所述系统中包括：

基础数据管理模块，用于输入任务信息，将任务数据存储至数据库中，作为一次优化计算任务中其他数据的检索基础；输入单次任务所有类别货包容器的基础信息，将货包容器基本信息存储至数据库中；输入单次任务中所有待装载货物种类和单个货物的数量信息，将待装载货物信息存储至数据库中；

装载全局优化计算模块，用于利用启发式三维装载算法与量子遗传算法结合的方式完成单次任务的装载全局优化计算，输出装载方案，判断后并将合理化的方案存储至数据库中，等待呈现；

所述装载方案三维显示模块，从数据库中读取合理化方案数据，并在用户界面上以三维的方式将方案呈现，以三维的方式显示装载方案中所有容器结构和所有容器内装载货物的结果。

与上述的技术方案相类似，本发明还提供了一种单独进行的利用量子遗传算法与启发式三维装载算法相结合的多种物资放入多规格货包的三维装载全局优化方法，所述方法包括：

S41、优化计算输入信息初始化；

S42、装载方案染色体编码并生成初始种群；

S43、当前种群内个体交叉生成交叉种群；

S44、交叉种群内个体变异生成变异种群；

S45、变异种群内个体进行量子测量生成新种群；

S46、新种群与当前种群进行组合生成合并种群；

S47、合并种群内个体进行启发式装载并计算适应度；

S48、合并种群轮盘赌选择生成新一代当前种群；

S49、判断是否满足终止条件，如为是，则输出全局优化方案；反之则从步骤S43循环，当进行大于或等于1次的循环后，合并种群轮盘赌选择生成的新一代当前种群替换当前待输出的全局优化方案。

进一步的技术方案是：所述步骤S42装载方案染色体编码生成初始种群的步骤包括：

S421、按照货物的体积从大到小进行排序，得到排序后的货物列表，作为后续计算的检索基础；

S422、按照排序后的货物列表，使用货物的类别编号作为基因，构造初始化装载方案的染色体；

S423、根据构造的初始化装载方案的染色体，采用个体变异的方法构造N-1个染色体，合并初始化装载方案的染色体，共得到N个装载方案的染色体，以完成个体数为N的初始化种群构造，并将初始化种群赋值给当前种群。

更进一步的技术方案是：所述步骤S47进行启发式装载并计算适应度的步骤包括：

S4701、对染色体信息进行解码得到货物装载顺序列表；

S4702、从货物装载顺序列表中按照顺序查找到第一个未装载货物作为当前装载货物；

S4703、根据当前装载货物查找最适合的货包，并将其作为装载空间，将货物装入装载空间；

S4704、对装载空间进行划分，将划分后的装载空间压入装载空间堆栈；

S4705、判断装载空间堆栈是否为空，如不为空执行下一步，如果为空转入步骤S4702；

S4706、装载空间弹出堆栈；

S4707、从货物装载列表按照顺序选择到一个还未装载入货包的可装货物，如没有选择到货物，转入步骤S4708；如选择到了货物，转入步骤S4710；

S4708、判断是否还有货物未装，如果还有货物未装，转入步骤S4709；如果没有货物未装，转入步骤S4711；

S4709、进行空间转移处理，判断转移后得到的新空间是否在过去处理过，如果没有处理过，将空间压入堆栈，转入步骤S4705，如果转移处理后发现转移空间已经计算过，则直接转入步骤S4705；

S4710、将货物装入装载空间，然后转入步骤S4704；

S4711、返回装载方案并计算装载率作为该染色体的适应度值，同时结束该步骤。

与现有技术相比，本发明的部分有益效果如下：

1）本发明中的全局装载优化算法是在启发式装载算法基础上，引入并整合了量子遗传算法作基本核心骨架，从而大大提高了本优化计算方法的并行阶跃式探险搜索优化能力；

2）本发明中的全局装载优化算法中染色体变异和交叉操作采用了片段变异和交叉，这种片段变异和交叉使整合启发式装载算法与遗传算法成为可能，同时这种片段变异和交叉较传统的点位变异和交叉也大大保持了物种多样性并提高了个体演化速度；

3）本发明中的全局装载优化算法是以染色体结构外加高斯噪声模拟量子叠态的自然特性，以随机采样方式构建基于目标函数评估个体的适应度。这种设计既体现了量子计算与遗传计算相结合的本质特性，又大大降低了算法的时空复杂度。

4）本发明将启发式三维装载算法与量子遗传算法有机结合，可以处理多种货物放置入多种不同规格的货包容器的全局装载优化计算，相对原有的处理单个货包容器或者单类货包容器优化计算来说，具有较为明显的全局优势。

附图说明

图1为用于说明本发明一个实施例中的全局优化计算流程图；

图2为用于说明本发明一个实施例中基于染色体的启发式装载算法流程图；

图3为用于说明本发明另一个实施例中货包空间划分策略与转移策略的示意图；

图中，1为前空间1、2为上空间2、3为左空间3。

具体实施方式

目前学术界有一股研究趋势是将量子计算引入传统演化算法，因为从数学意义上讲，量子系统是一个超并行高维随机系统，量子计算思想与经典智能算法相结合可以显著增强传统演化算法的种群多样性，进而提高了系统维持能力和全局优化性能，这种复合的优化算法同时也具有了较低的时空复杂度等优点，因此研究将传统演化算法（如遗传算法）和量子计算进行有机整合同时结合传统的启发式装载算法得到复合的全局装载优化算法，并将其应用于三维装载工程应用具有重要的基础意义。

下面结合附图对本发明作进一步阐述。

本发明的一个实施例是一种多种物资放入多规格货包的三维装载全局优化方法，所述方法可按照如下步骤进行操作：

S1、输入任务信息，基础数据管理模块将任务数据存储至数据库中，作为一次优化计算任务中其他数据的检索基础；

S2、输入单次任务所有类别货包容器的基础信息，基础数据管理模块将货包容器的基本信息存储至数据库中；

S3、输入单次任务中所有待装载货物种类和单个货物的数量信息，基础数据管理模块将待装载的货物信息存储至数据库中；

S4、启动装载全局优化计算模块，利用量子遗传算法与启发式三维装载算法相结合的方式完成单次任务的装载全局优化计算，输出装载方案；进行判断后并将合理化的方案存储至数据库中，等待呈现。

进一步的，为减少装载全局优化计算模块出现的较大的误差，上述实施例中的步骤S3与S4之间还可增设如下步骤：输入单次任务中所有种类货包使用的最大限制数量约束，基础数据管理模块将货包数量约束信息存储至数据库中。

并且，为更加直观的了解装载全局优化计算模块输出的装载方案，在上述实施例的步骤S4结束后，继续进行步骤S5、装载方案三维显示模块从数据库中读取合理化方案的数据，并在用户界面上以三维方式将方案呈现。

本发明的另一个实施例是一种用于执行上述多种物资放入多规格货包的三维装载全局优化系统，该系统中包括：

基础数据管理模块，用于输入任务信息，将任务数据存储至数据库中，作为一次优化计算任务中其他数据的检索基础；输入单次任务所有类别货包容器的基础信息，将货包容器基本信息存储至数据库中；输入单次任务中所有待装载货物种类和单个货物的数量信息，将待装载货物信息存储至数据库中；

装载全局优化计算模块，用于利用启发式三维装载算法与量子遗传算法结合的方式完成单次任务的装载全局优化计算，输出装载方案，判断后并将合理化的方案存储至数据库中，等待呈现；

所述装载方案三维显示模块，从数据库中读取合理化方案数据，并在用户界面上以三维的方式将方案呈现，以三维的方式显示装载方案中所有容器结构和所有容器内装载货物的结果。

参考图1所示，在本发明的另一实施例中，上述启发式三维装载算法与量子遗传算法相结合的装载全局优化算法流程包括输入信息初始化、装载方案染色体编码产生初始种群、当前种群内个体交叉生成交叉种群、交叉种群内个体变异生成变异种群、变异种群内个体进行量子测量生成新种群、新种群与当前种群进行组合生成合并种群、合并种群内个体进行启发式装载并计算适应度、合并种群轮盘赌选择生成新一代当前种群、替换当前全局最优方案、终止条件判断和输出优化结果等步骤。下面以一个具体的实施例进行说明。

（1）输入信息初始化

本实施例用于装载的货包容器为若干个矩形体规则容器，这些容器为最小单元，具有多种尺寸，不可再细分。本步骤将从数据库中读取每种容器的三维尺寸和每种容器的最大限制数到内存，并构造货包容器信息列表，然后从数据库中读取每种货物的三维尺寸和每种货物的数量到内存，并构造货物信息列表。单个货物信息的主要数据结构如表1所示。

表1货物信息的主要数据结构

序号	成员变量	变量描述
			1	TypeID	类别编号
2	L、W、H	长、宽、高
			3	Mass	质量
4	Number	数量

（2）装载方案染色体编码产生初始种群

该步骤主要根据货物信息列表构造初始化装载方案的染色体编码，并构造初始化种群，具体方法如下：

2a-1）按照货物的体积从大到小进行排序，得到排序后的货物列表，作为后续计算的检索基础。排序后总共L类中第i类货物信息采用(T_i,N_i)表示，其中T_i表示货物类别编号，N_i表示该类货物的数量，那么第K类货物占用的整个序号从 $\left[\underset{i=0}{\overset{K-1}{\mathrm{\Σ}}}(T_i\×N_i)\right]+1$ 到 $\left[\underset{i=0}{\overset{K}{\mathrm{\Σ}}}(T_i\×N_i)\right]$ 之间;

2a-2）按照排序后的货物列表，使用货物的类别编号作为基因，构造初始化装载方案的染色体，初始化的染色体Q={q₁,q₂,q₃,…,q_M}为1到M的顺序排列数值，其中总共的货物数

然后将其作为货物装载时的选择顺序；

2a-3）根据构造的初始化装载方案的染色体，采用个体变异的方法构造N-1个染色体（即N-1种装载方案），合并初始化装载方案的染色体，共得到N个装载方案的染色体，也即完成了个体数为N的初始化种群构造，并将初始化种群赋值给当前种群，其中个体变异方法采用步骤（4）中的变异方法实现。

（3）当前种群内个体交叉生成交叉种群

该步骤主要从当前种群中任意选择N对个体作为交叉的输入，生成新的个体，将这些新的个体组合就成为交叉种群，交叉种群包含个体个数为N个。

具体交叉方法如下：从当前种群中任意选取两个染色体个体Q_i和Q_j，将其作为需要交叉运算的父代染色体，在Q_i中任意选择一个位置x和长度lx的信息{q_ix,…,q_i(x+lx-1)}，然后作为子代Q_i+1的位置x和长度lx的信息，其他部分采用Q_j中的信息填充，注意填充的时候需要考虑按照Q_j中的货物选择顺序来填充。

（4）交叉种群内个体变异生成变异种群

该步骤主要完成交叉种群中每个个体染色体的变异，每个个体变异K次后生成一个变异后的个体，组合这些变异后个体得到了变异种群，变异种群包含的个体总数也为N个。

具体变异方法如下：从交叉种群中任意选择一个染色体个体Q_i，在Q_i中任意选择一个位置x，将位置x前lx个信息和后lx个信息进行对调，对调后产生的染色体个体Q_i+1作为变异后个体，其中对调方法为：位置x同位置x-1对调，x+1同位置x-2对调，x+2同位置x-3对调，如此这般，直至lx个信息全部对调完成。

（5）变异种群内个体进行量子测量生成新种群

该步骤主要完成变异种群中每个个体染色体的量子测量操作生成测量后的个体，具体方法如下：

从交叉种群中任意选择一个染色体个体Q_i={q_i1,q_i2,q_i3,…,q_iM}，该染色体包含M个装载步骤，每个步骤代表一个货物，对于装载步骤和染色体基因的下标是一致的，对于第j个步骤，采用期望值为j，方差为常值（如一般取值为3～5之间）的高斯函数对其实施高斯变换后得到一个值，再整数得到k，如果k在（1，M）之间同时j不等于k，将q_ij与q_ik进行对调，如此从1到M步循环执行得到Q_i的量子测量后的染色体个体Q_i+1。

（6）新种群与当前种群进行组合生成合并种群

该步骤主要将经过交叉，变异和量子测量运算后得到的新种群和步骤（3）中输入的当前种群进行数组合并，得到包含有2N个染色体个体的合并种群。

（7）合并种群内个体进行启发式装载并计算适应度

该步骤主要完成种群中每个个体染色体的解码，并对解码后的信息进行启发式装载，最后计算每个个体的适应度，对每个染色体个体进行启发式装载算法参考图2所示，具体步骤如下：

7a-1）对染色体信息进行解码得到货物装载顺序列表；

7a-2）从货物装载顺序列表中按照顺序查找到第一个未装载货物作为当前装载货物；

7a-3）根据当前装载货物查找最适合的货包，并将其作为装载空间，将货物装入装载空间（注：一般选择货包的原则为装后剩余空间最小）；

7a-4）对装载空间进行划分，将划分后的装载空间压入装载空间堆栈；

7a-5）判断装载空间堆栈是否为空，如不为空执行下一步，如果为空转入7a-2）；

7a-6）装载空间弹出堆栈；

7a-7）从货物装载列表按照顺序选择到一个还未装载入货包的可装货物，如没有选择到货物，转入7a-8）；如果选择到了货物，转入7a-10）；

7a-8）判断是否还有货物未装，如果还有货物未装，转入7a-9），如果没有货物未装，转入7a-11）；

7a-9）进行空间转移处理，判断转移后得到的新空间是否在过去处理过，如果没有处理过，空间入堆栈，转入7a-5），如果转移处理后发现转移空间已经计算过，转入7a-5）；

7a-10）将货物装入装载空间，然后转入7a-4）；

7a-11）返回装载方案并计算装载率作为该染色体的适应度值，同时结束该步骤。

在本步骤中的7a-4）中含有一个本发明的装载空间（一般为矩形体空间）划分策略，如图3中（a）图所示，假设原有的矩形体空间的长宽高分别为L、W、H，其中与Y轴平行的长度为L，与X轴平行的长度为W，与Z轴平行的长度为H，对应装载物体块的长宽高为l、w、h，其中与Y轴平行的长度为l，与X轴平行的长度为w，与Z轴平行的长度为h，在空间放入物体是遵循的原则为靠底靠边，在放入物体块后，装载空间被划分为三个矩形体空间，分别为前空间1、左空间3和上空间2，其中前空间1的长宽高分别为L、W-w、H，左空间3的长宽高分别为L-l、w、H，上空间2的长宽高分别为l、w、H-h。

在本步骤中的7a-9）中含有一个本发明的装载空间（一般为矩形体空间）转移策略，在上述空间划分中，结合算法中装载空间压入堆栈过程，前空间1先压入堆栈，左空间3再压入堆栈，如果前空间1无法装载物体块，可以将前空间1部分空间转移到左空间3，如图3中（b）图所示，这样可以增大左空间3的装载空间，装载空间被仍然被划分为三个矩形体空间，分别为前空间1、左空间3和上空间2，其中上空间2未发生变化，前空间1长宽高分别为l、W-w、H，左空间3的长宽高分别为L-l、W、H。

（8）合并种群轮盘赌选择生成新一代当前种群

该步骤完成合并种群所有2N个染色体个体一起参加轮盘赌的选择，选择出N个染色体作为新一代的当前种群，作为下次迭代运算的输入，轮盘赌的具体方法同一般遗传算法的轮盘赌算法一致。

（9）替换当前全局最优方案

该步骤计算当前合并种群的所有装载方案的适应度值（如总装载货物的质量最大、总装载的货物对容器的内部空间利用率最大等），并将适应度值值作为判断较优方案的标准找到当前合并种群中最优方案，合并种群中的最优方案同全局最优方案进行比较，如合并种群中的最优方案更好，就将其最有全局最优方案。

（10）终止条件判断

该步骤用于进行终止条件判断，如果满足终止条件，转到步骤（11），如果不满足终止条件，转到步骤（3），继续进行循环。终止条件可以有多种，如可以是判断是否已生成全局指标值满足要求的装载方案、循环次数达到给定阈值、连续两次最优解的全局指标值之差小于给定阈值或者最优解的全局指标值连续未变化次数大于给定阈值等。

（11）输出优化结果

本步骤输出优化的最终结果，即全局指标值最优的装载方案，包含的信息包括货包信息、货物信息、货包与货物之间的装载关联关系信息，这些装载的关联关系信息可以通过装载方案三维显示模块以三维的方式显示方案中所有货包结构和所有货包内每一步装载货物的结果。

需要说明的是，由于量子遗传算法与启发式三维装载算法在本领域中均已应用，本发明的目的为将两者相结合，通过复合的优化算法降低常规优化算法的复杂程度，使得处理多种货物放置入多种不同规格的货包容器的全局装载优化计算成为可能，且相对原有的处理单个货包容器或者单类货包容器优化计算有较为明显的全局优势。

还需要说明的是在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”等，指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说，结合任一实施例描述一个具体特征、结构或者特点时，所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外，对于本领域技术人员来说，其他的用途也将是明显的。

Claims (10)

1.一种多种物资放入多规格货包的三维装载全局优化方法，其特征在于所述方法包括：

S1、输入任务信息，基础数据管理模块将任务数据存储至数据库中，作为一次优化计算任务中其他数据的检索基础；

S2、输入单次任务所有类别货包容器的基础信息，基础数据管理模块将货包容器的基本信息存储至数据库中；

S3、输入单次任务中所有待装载货物种类和单个货物的数量信息，基础数据管理模块将待装载的货物信息存储至数据库中；

S4、启动装载全局优化计算模块，利用量子遗传算法与启发式三维装载算法相结合的方式完成单次任务的装载全局优化计算，输出装载方案；进行判断后并将合理化的方案存储至数据库中，等待呈现。

2.根据权利要求1所述的多种物资放入多规格货包的三维装载全局优化方法，其特征在于所述步骤S3与S4之间还包括如下步骤：输入单次任务中所有种类货包使用的最大限制数量约束，基础数据管理模块将货包数量约束信息存储至数据库中。

3.根据权利要求1或2所述的多种物资放入多规格货包的三维装载全局优化方法，其特征在于：所述方法中还包括步骤S5、装载方案三维显示模块从数据库中读取合理化方案的数据，并在用户界面上以三维方式将方案呈现。

4.根据权利要求1所述的多种物资放入多规格货包的三维装载全局优化方法，其特征在于：所述步骤S4中量子遗传算法与启发式三维装载算法相结合的方式包括：

S41、优化计算输入信息初始化；

S42、装载方案染色体编码并生成初始种群；

S43、当前种群内个体交叉生成交叉种群；

S44、交叉种群内个体变异生成变异种群；

S45、变异种群内个体进行量子测量生成新种群；

S46、新种群与当前种群进行组合生成合并种群；

S47、合并种群内个体进行启发式装载并计算适应度；

S48、合并种群轮盘赌选择生成新一代当前种群；

S49、判断是否满足终止条件，如为是，则输出全局优化方案；反之则从步骤S43循环，当进行大于或等于1次的循环后，合并种群轮盘赌选择生成的新一代当前种群替换当前待输出的全局优化方案。

5.根据权利要求4所述的多种物资放入多规格货包的三维装载全局优化方法，其特征在于：所述步骤S42装载方案染色体编码生成初始种群的步骤包括：

S421、按照货物的体积从大到小进行排序，得到排序后的货物列表，作为后续计算的检索基础；

S422、按照排序后的货物列表，使用货物的类别编号作为基因，构造初始化装载方案的染色体；

S423、根据构造的初始化装载方案的染色体，采用个体变异的方法构造N-1个染色体，合并初始化装载方案的染色体，共得到N个装载方案的染色体，以完成个体数为N的初始化种群构造，并将初始化种群赋值给当前种群。

6.根据权利要求4所述的多种物资放入多规格货包的三维装载全局优化方法，其特征在于：所述步骤S47进行启发式装载并计算适应度的步骤包括：

S4701、对染色体信息进行解码得到货物装载顺序列表；

S4702、从货物装载顺序列表中按照顺序查找到第一个未装载货物作为当前装载货物；

S4703、根据当前装载货物查找最适合的货包，并将其作为装载空间，将货物装入装载空间；

S4704、对装载空间进行划分，将划分后的装载空间压入装载空间堆栈；

S4705、判断装载空间堆栈是否为空，如不为空执行下一步，如果为空转入步骤S4702；

S4706、装载空间弹出堆栈；

S4707、从货物装载列表按照顺序选择到一个还未装载入货包的可装货物，如没有选择到货物，转入步骤S4708；如选择到了货物，转入步骤S4710；

S4708、判断是否还有货物未装，如果还有货物未装，转入步骤S4709；如果没有货物未装，转入步骤S4711；

S4709、进行空间转移处理，判断转移后得到的新空间是否在过去处理过，如果没有处理过，将空间压入堆栈，转入步骤S4705，如果转移处理后发现转移空间已经计算过，则直接转入步骤S4705；

S4710、将货物装入装载空间，然后转入步骤S4704；

S4711、返回装载方案并计算装载率作为该染色体的适应度值，同时结束该步骤。

7.一种用于执行权利要求1至6任意一项所述多种物资放入多规格货包的三维装载全局优化方法的系统，其特征在于所述系统中包括：

基础数据管理模块，用于输入任务信息，将任务数据存储至数据库中，作为一次优化计算任务中其他数据的检索基础；输入单次任务所有类别货包容器的基础信息，将货包容器基本信息存储至数据库中；输入单次任务中所有待装载货物种类和单个货物的数量信息，将待装载货物信息存储至数据库中；

装载全局优化计算模块，用于利用启发式三维装载算法与量子遗传算法结合的方式完成单次任务的装载全局优化计算，输出装载方案，判断后并将合理化的方案存储至数据库中，等待呈现；

所述装载方案三维显示模块，从数据库中读取合理化方案数据，并在用户界面上以三维的方式将方案呈现，以三维的方式显示装载方案中所有容器结构和所有容器内装载货物的结果。

8.一种利用量子遗传算法与启发式三维装载算法相结合的多种物资放入多规格货包的三维装载全局优化方法，其特征在于：所述方法包括：

S41、优化计算输入信息初始化；

S42、装载方案染色体编码并生成初始种群；

S43、当前种群内个体交叉生成交叉种群；

S44、交叉种群内个体变异生成变异种群；

S45、变异种群内个体进行量子测量生成新种群；

S46、新种群与当前种群进行组合生成合并种群；

S47、合并种群内个体进行启发式装载并计算适应度；

S48、合并种群轮盘赌选择生成新一代当前种群；

S49、判断是否满足终止条件，如为是，则输出全局优化方案；反之则从步骤S43循环，当进行大于或等于1次的循环后，合并种群轮盘赌选择生成的新一代当前种群替换当前待输出的全局优化方案。

9.根据权利要求8所述的多种物资放入多规格货包的三维装载全局优化方法，其特征在于：所述步骤S42装载方案染色体编码生成初始种群的步骤包括：

S421、按照货物的体积从大到小进行排序，得到排序后的货物列表，作为后续计算的检索基础；

S422、按照排序后的货物列表，使用货物的类别编号作为基因，构造初始化装载方案的染色体；

S423、根据构造的初始化装载方案的染色体，采用个体变异的方法构造N-1个染色体，合并初始化装载方案的染色体，共得到N个装载方案的染色体，以完成个体数为N的初始化种群构造，并将初始化种群赋值给当前种群。

10.根据权利要求8所述的多种物资放入多规格货包的三维装载全局优化方法，其特征在于：所述步骤S47进行启发式装载并计算适应度的步骤包括：

S4701、对染色体信息进行解码得到货物装载顺序列表；

S4702、从货物装载顺序列表中按照顺序查找到第一个未装载货物作为当前装载货物；

S4703、根据当前装载货物查找最适合的货包，并将其作为装载空间，将货物装入装载空间；

S4704、对装载空间进行划分，将划分后的装载空间压入装载空间堆栈；

S4705、判断装载空间堆栈是否为空，如不为空执行下一步，如果为空转入步骤S4702；

S4706、装载空间弹出堆栈；

S4707、从货物装载列表按照顺序选择到一个还未装载入货包的可装货物，如没有选择到货物，转入步骤S4708；如选择到了货物，转入步骤S4710；

S4708、判断是否还有货物未装，如果还有货物未装，转入步骤S4709；如果没有货物未装，转入步骤S4711；

S4709、进行空间转移处理，判断转移后得到的新空间是否在过去处理过，如果没有处理过，将空间压入堆栈，转入步骤S4705，如果转移处理后发现转移空间已经计算过，则直接转入步骤S4705；

S4710、将货物装入装载空间，然后转入步骤S4704；

S4711、返回装载方案并计算装载率作为该染色体的适应度值，同时结束该步骤。

Images