CN109447311A - 基于遗传算法的适配装箱方法、装置、设备和存储介质 - Google Patents

基于遗传算法的适配装箱方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN109447311A
CN109447311A CN201811065915.5A CN201811065915A CN109447311A CN 109447311 A CN109447311 A CN 109447311A CN 201811065915 A CN201811065915 A CN 201811065915A CN 109447311 A CN109447311 A CN 109447311A
Authority
CN
China
Prior art keywords
vanning
chromosome
scheme
container
generation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811065915.5A
Other languages
English (en)
Inventor
张玉梅
陈仰鹏
陈开活
陈豪
肖鸣悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Quartet Mdt Infotech Ltd
Original Assignee
Shenzhen Quartet Mdt Infotech Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Quartet Mdt Infotech Ltd filed Critical Shenzhen Quartet Mdt Infotech Ltd
Priority to CN201811065915.5A priority Critical patent/CN109447311A/zh
Publication of CN109447311A publication Critical patent/CN109447311A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种采用遗传算法，根据待装箱物品的装箱顺序参数、放置方式参数和推荐容器参数组合成装箱方案，即遗传算法的染色体，进行染色体的进化变异迭代过程，生成近似最优的装箱方案，解决需要同时装箱时候，根据待装箱物品动态适配装箱容器的问题，当单个容器空间不足时，支持使用多个容器完成一次装箱过程，即在于组合使用最少的装箱容器完成固定量物品的装载，因此，本发明针对客户定量的物品进行装箱时，当单个容器不能装完所有待装箱物品时，通过遗传算法结合容器数量与空间利用率，筛选出使用容器最少且空间利用率最高的最佳容器组合装箱方案，完成物品装箱，减少资源浪费。

Description

基于遗传算法的适配装箱方法、装置、设备和存储介质
技术领域
本发明涉及物流和仓储工业应用领域，尤其是一种基于遗传算法的适配装箱方法、装置、设备和存储介质。
背景技术
随着电商的快速发展，消费者订单以及物品数量增多，对物流的智能化装箱需求也越来越多。在物流打包装箱过程中，经常会出现单个消费者订单物品超出单个装箱容器的装载量，需要进行多箱组合打包情况，而物品打包作为物流运输的重要环节，因此智能化装箱对整个物流服务体验影响重大。但是，实际中多箱组合打包相对单箱打包，其复杂度高、对人工依赖较大，容易出现的问题有：(1)纸箱空间利用率较低，浪费空间资源；(2)占用的纸箱数量超出实际所需，浪费物质资源；(3)装箱结果不满足配送要求时，需要重复打包，浪费人力资源。
因此，对需要进行同时打包的物品进行适配装箱是物流打包过程中亟待解决的问题。目前针对该问题提出装箱算法，如申请号为201410798189.3的发明专利《基于三维移动模式序列与密母算法的三维装箱方法》和申请号为201711398819.8的发明《解决三维装箱问题的三叉树规划计算方法》，提出采用三维装箱中X，Y，Z构造三叉树方法的装箱方案，这些算法提供了三维装箱问题的建模和算法实现方案，主要解决的是单箱物品的快速装箱问题，不适用多容器动态适配，也并没有提出在需要进行同时打包的物品进行多容器装箱时，根据待装箱物品进行动态适配装箱容器的问题的解决方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种基于遗传算法的适配装箱方法、装置、设备和存储介质。
本发明所采用的技术方案是：
一种基于遗传算法的适配装箱方法，包括步骤：
S1：随机产生多个装箱方案染色体，所述多个装箱方案染色体组成初始种群；
S2：对所述初始种群中每个装箱方案染色体进行装箱适配过程，获得父代种群，并计算父代种群中每个装箱方案染色体的适应度，并保留适应度最高的装箱方案染色体；
S3：对父代种群中装箱方案染色体进行交叉进化，并和所述父代种群中适应度最高的装箱方案染色体组合得到第一代进化种群；
S4：对所述第一代进化种群进行变异，生成第一代变异种群，计算所述第一代变异种群中每个装箱方案染色体的适应度，选择所述第一代变异种群中适应度最高的装箱方案染色体为第一代近似最优装箱方案染色体。
进一步地，还包括步骤：
S5：对近似最优装箱方案染色体进行进化迭代，具体为：将所述步骤S4中得出的近似最优装箱方案染色体作为所述步骤S1中初始种群中的其中一个装箱方案染色体，重复执行步骤S1至S4，进行进化迭代得到下一代近似最优方案；
S6，当迭代次数达到预设迭代次数，则将最后一代近似最优装箱方案染色体输出。
进一步地，步骤S1中所述装箱方案染色体包括待装箱物品的装箱顺序参数、放置方式参数和推荐容器参数；
进一步地，还包括步骤：
执行步骤S1前，根据第一约束条件筛选待装箱物品和可用的容器；
所述第一约束条件包括：待装箱物品尺寸小于运输渠道的最大尺寸和可用容器尺寸小于运输渠道的最大尺寸。
进一步地，所述步骤S2中对所述初始种群中每个装箱方案染色体进行装箱适配过程具体包括步骤：
S21：根据装箱顺序进行待装箱物品装箱，判断容器尺寸是否匹配，如果匹配将待装箱物品放入容器中，并进行三空间划分及空间合并；
S22：如果容器尺寸不适配，则根据推荐容器初始化新的空间，直至容器尺寸适配；
S23：判断待装箱物品是否全部装入容器中：
如果没有，则按照装箱顺序执行步骤S21至S23继续装箱，直至所有待装箱物品全部装入容器中；
如果已经全部装入容器中，则判断该装箱方案染色体的装箱适配过程完成。
进一步地，所述适应度计算方法具体为：
Cost＝1-(M+Waste)/(n+1)
Waste＝1-Vn/Vuse
其中，Cost为装箱方案适应度，M为容器数量，Waste为空间浪费率，n为待装箱物品数量，Vn为待装物品的总体积，Vuse为使用容器的总体积。
进一步地，所述步骤S3对父代种群中装箱方案染色体进行交叉进化得到第一代进化种群具体为：
对父代种群中的装箱方案染色体按照顺序进行两两装箱方案染色体交叉进化形成多个第一代装箱方案染色体，多个第一代装箱方案染色体组成第一代进化种群；
所述两两装箱方案染色体交叉进化指：在两个进行交叉进化的装箱方案染色体中，随机选择一个装箱方案染色体的装箱顺序和推荐容器，然后按顺序交叉两个装箱方案染色体的放置方式，得到进化后的装箱方案染色体。
进一步地，所述步骤S4中所述变异具体为：
S41：按照预设变异概率选择需要进行变异的装箱方案染色体；
S42：在所述需要变异的装箱方案染色体中，随机改变装箱顺序参数，并根据改变后的装箱顺序参数对应改变放置方式参数或推荐容器参数。
进一步地，所述步骤S42具体为：
在所述需要变异的装箱方案染色体中，选择两个待装箱物品，调换其装箱顺序，同时分别随机生成其放置方式和推荐容器。
另一方面，本发明还提供一种基于遗传算法的适配装箱装置，包括
初始种群生成模块，用于随机产生多个装箱方案染色体，所述多个装箱方案染色体组成初始种群；
装箱适配模块，用于对初始种群生成模块输出的初始种群中每个装箱方案染色体进行装箱适配过程，获得父代种群，并计算父代种群中每个装箱方案染色体的适应度，并保留适应度最高的装箱方案染色体；
进化模块，用于对装箱适配模块输出的父代种群中装箱方案染色体进行交叉进化，并和所述父代种群中适应度最高的装箱方案染色体组合得到第一代进化种群，其输入为装箱适配模块的输出；
变异模块，用于对进化模块输出的第一代进化种群进行变异，生成第一代变异种群，计算所述第一代变异种群中每个装箱方案染色体的适应度，并选择所述第一代变异种群中适应度最高的装箱方案染色体为第一代近似最优装箱方案染色体；
进一步地，还包括：
迭代模块，用于对近似最优装箱方案染色体进行进化迭代，具体为：将变异模块中得出的近似最优装箱方案染色体作为初始种群生成模块中初始种群中的其中一个装箱方案染色体，重复执行将初始种群生成模块的输出送至装箱适配模块，装箱适配模块的输出送至进化模块，进化模块的输出送至变异模块，进行进化迭代得到下一代近似最优方案，当迭代次数达到预设迭代次数，则将最后一代近似最优装箱方案染色体输出。
另一方面，本发明还提供一种基于遗传算法的适配装箱操作的控制设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行任一项所述的基于遗传算法的适配装箱方法。
另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行任一项所述的基于遗传算法的适配装箱方法。
本发明的有益效果是：
本发明采用遗传算法，根据待装箱物品的装箱顺序参数、放置方式参数和推荐容器参数组合成装箱方案，即遗传算法的染色体，进行染色体的进化变异迭代过程，生成近似最优的装箱方案，解决需要同时装箱时候，根据待装箱物品动态适配装箱容器的问题，当单个容器空间不足时，支持使用多个容器完成一次装箱过程，即在于组合使用最少的装箱容器完成固定量物品的装载，因此，本发明针对客户定量的物品进行装箱时，当单个容器不能装完所有待装箱物品时，通过遗传算法结合容器数量与空间利用率，筛选出使用容器最少且空间利用率最高的最佳容器组合装箱方案，完成物品装箱，减少资源浪费。
另一方面，本发明在实际物流打包应用场景中，可以提前根据客户货物计算装箱方案并准备装箱资源，缩短打包出库时间，使得物流打包更高效，并且提前根据客户货物结算打包资源费用，避免出库后加收，给客户提供更优质的服务。
本发明可广泛应用于各种物流打包系统。
附图说明
图1是本发明一种实施例的基于遗传算法的适配装箱方法流程图；
图2a～图2f是本发明一种实施例的基于遗传算法的适配装箱方法中放置方式示意图；
图3是本发明一种实施例的基于遗传算法的适配装箱方法中筛选可用容器流程图；
图4是本发明一种实施例的基于遗传算法的适配装箱方法中装箱适配流程图；
图5是本发明一种实施例的基于遗传算法的适配装箱方法中三空间划分示意图；
图6a～图6c是本发明一种实施例的基于遗传算法的适配装箱方法中空间合并示意图；
图7是本发明一种实施例的基于遗传算法的适配装箱方法中交叉进化流程图；
图8是本发明一种实施例的基于遗传算法的适配装箱方法中变异流程图；
图9是本发明一种实施例的基于遗传算法的适配装箱装置框图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一：
如图1所示，为实施例一的基于遗传算法的适配装箱方法流程图，
包括步骤S1：生成初始种群。具体为：随机产生多个装箱方案染色体，并且多个装箱方案染色体组成初始种群；S2：装箱适配获得父代种群，具体为：对初始种群中每个装箱方案染色体进行装箱适配过程，获得父代种群，并计算父代种群中每个装箱方案染色体的适应度，并保留适应度最高的装箱方案染色体；S3：交叉进化获得第一代进化种群，具体为：对父代种群中装箱方案染色体进行交叉进化，并和父代种群中适应度最高的装箱方案染色体组合得到第一代进化种群；S4：种群变异获得第一代近似最优装箱方案，具体为：对第一代进化种群进行变异，生成第一代变异种群，计算第一代变异种群中每个装箱方案染色体的适应度，选择第一代变异种群中适应度最高的装箱方案染色体为第一代近似最优装箱方案染色体；S5：进化迭代输出近似最优装箱方案，具体为：对近似最优装箱方案染色体进行进化迭代，具体为：将步骤S4中得出的近似最优装箱方案染色体作为步骤S1中初始种群中的其中一个装箱方案染色体，重复执行步骤S1至S4，进行进化迭代得到下一代近似最优方案，当迭代次数达到预设迭代次数，则将最后一代近似最优装箱方案染色体输出。
其中，在该实施例中，还包括执行步骤S1前，根据第一约束条件筛选待装箱物品和可用的容器，第一约束条件包括：待装箱物品尺寸小于运输渠道的最大尺寸和可用容器尺寸小于运输渠道的最大尺寸，本实施例中将带装箱物体的外形看作是一种规则的具有长宽高的长方体。
约束情况有两种：当待装箱物品的尺寸超出运输渠道的最大尺寸限制，则不能运输；当仓库可用于装箱的容器(如纸箱)尺寸超出运输渠道的最大尺寸限制，则不采用该尺寸的容器装箱。
如图2a～图2f所示，是本实施例中放置方式的示意图，图中示出了6中放置方式，其中坐标系X-Y-Z，待装箱物品的左下角位于坐标系原点的位置，图2a～图2f分别表示六种不同的放置方式，分别为：
g1＝[长宽面朝上，横放]；g2＝[长高面朝上，横放]；g3＝[宽高面朝上，横放]；g4＝[长宽面朝上，直放]；g5＝[长高面朝上，直放]；g6＝[宽高面朝上，直放]。
如图3所示，是本实施例中筛选可用容器流程图，在满足第一约束条件的运输渠道最大尺寸限制的情况下，在可使用的装箱容器中，筛选出每个待装箱物品可使用的装箱容器的过程。
流程具体如下：
首先判断是否符合第一约束条件，当不符合第一约束条件的情况下提示装箱方案获取失败，在满足第一约束条件的情况时，提取可用容器的规格，即本次装箱过程可以使用的不同容器的规格列表，然后遍历待装箱物品，即对每一个待装箱物品判断每一个可用容器是否与之匹配，匹配指：待装箱物品能够放置在该容器中，记录每个待装箱物品的可用容器列表，如果待装箱物品找不到匹配的容器，则提示装箱方案获取失败，遍历完成后，筛选每个待装箱物品可使用的装箱容器的过程结束。
经过筛选可用容器的过程可以得到每个待装箱物品的可用容器列表，在本实施例中，匹配方法是将每个待装箱物品和可用容器的长度，宽度和高度按数值比，小到大排序后，例如待装箱物品w1的尺寸的排序后三个数值，与容器c1尺寸排序后的三个值，一一对应做比较，若是待装箱物品w1的长宽高数值全部小于容器c1的长宽高数值，则待装箱物品w1与容器c1匹配，将容器c1放入带装箱物体w1的可用容器列表中。
本实施例中装箱方案染色体组成部分包括待装箱物品的：装箱顺序参数、放置方式参数、推荐容器参数作为染色体组成部分。
根据装箱方案染色体的组成部分进行装箱方案染色体的初始化，染色体的长度即待装箱物品的数量，假设待装箱物品的数量为n，初始化步骤如下：
(1)待装箱物品的装箱顺序参数：随机生成长度为n的随机数组，并进行随机排序，获取排序后数据的索引，即可确定本条装箱方案染色体中待装箱物品的装箱顺序。
(2)放置方式参数：为每一个待装箱物品在6种放置方式种随机选择一种放置方式。
(3)推荐容器参数：筛选可用容器的过程完成后，即得到每个待装箱物品的可用容器列表，按上述装箱物品顺序，随机获取每一个待装箱物品的可用容器列表中的一个容器，作为此待装箱物品的推荐容器。
确定装箱顺序以及每个待装箱物品放置方式和推荐容器参数后，该装箱方案染色体初始化完毕。
本实施例中遗传算法初始种群由多个装箱方案染色体组成，随机产生多个装箱方案染色体，多个装箱方案染色体组成初始种群，通常取值为待装箱物品数量的10倍，对初始种群中每个装箱方案染色体进行装箱适配过程，其中装箱适配过程包括步骤：
S21：根据装箱顺序进行待装箱物品装箱，判断容器尺寸是否匹配，如果匹配将待装箱物品放入容器中，并进行三空间划分及空间合并；S22：如果容器尺寸不适配，则根据推荐容器初始化新的空间，直至容器尺寸适配；S23：判断待装箱物品是否全部装入容器中：如果没有，则按照装箱顺序执行步骤S21至S23继续装箱，直至所有待装箱物品全部装入容器中；如果已经全部装入容器中，则判断该装箱方案染色体的装箱适配过程完成。
如图4所示，其具体流程为：
获取需要进行装箱适配过程的装箱方案染色体，按照该染色体的装箱顺序以及每个待装箱物品放置方式和推荐容器参数，放入第一个待装箱物品，对可用的容器内部独立空间进行初始化，判断下一个待装箱物品的最小可用空间是否存在，如果存在，即放入下一个待装箱物品，然后判断所有的待装箱物品是否已经全部装箱，如果还存在需要装箱的物品，就对剩余的空间进行三空间划分，判断划分的三空间是否满足空间合并的条件，如果满足条件即进行空间合并，并更新可用的独立空间信息，直至所有的待装箱物品均已完成装箱。
如果装箱过程中，下一个待装箱物品的最小可用空间不存在，就根据推荐容器参数，为该待装箱物品初始化一个新的容器，放入该待装箱物品之后，可用的独立空间就包括已经使用的所有容器的可用空间，在进行下一个待装箱物品装箱的时候，按容器顺序进行最小可用空间判断，即前一个容器空间不足时，判断下一个容器空间是否能放入该物品。
如图5所示，为本实施例中三空间划分示意图，图中示出了坐标系X-Y-Z，该坐标系为三维笛卡尔坐标系，用于建立容器内的空间模型，其中三个坐标轴X,Y,Z分别对应容器的长度方向、宽度方向、高度方向，该坐标系的原点在容器的左后下角，还示出了容器1和其内部放置的物品2，按照坐标系Z-Y-X划分的三空间包括Z方向的上空间23、Y方向的前空间21以及X方向的左空间22。
如图6a～图6c所示，为本实施例中空间合并示意图，通过三空间划分方式，每放入一个待装箱物品就会产生3个子空间，随着待装箱物品越来越多，产生的子空间也越来越小，有些过狭窄而无法装入任何物品，因此需要在装箱之前对空间进行合并，即将同一空间中有共同面的两个空间进行合并成一个大的空间，形成新的可用独立空间，从而提高空间利用率。
图6a～6c示出了空间合并的三种情况，第一种为前后合并，图中示出了前空间211和后空间212，这两个空间有共同的XZ面，可以进行前后合并成新空间213；第二种为左右合并，图中示出了左空间221和右空间222，这两个空间有共同的ZY面，可以进行左右合并成新空间223；第三种为上下合并，图中示出了上空间231和下空间232，这两个空间有共同的XY面，可以进行上下合并成新空间233。
初始种群中所有装箱方案染色体的装箱适配过程完成后，获得父代种群，计算父代种群中每个装箱方案染色体的适应度，并保留适应度最高的装箱方案染色体。
适应度计算方法具体为：
Cost＝1-(M+Waste)/(n+1)
Waste＝1-Vn/Vuse
其中，Cost为装箱方案适应度，M为容器数量，Waste为空间浪费率，n为待装箱物品数量，Vn为待装物品的总体积，Vuse为使用容器的总体积。
对父代种群中装箱方案染色体进行交叉进化，进化过程具体为：对父代种群中的装箱方案染色体按照顺序进行两两装箱方案染色体交叉进化形成多个第一代装箱方案染色体，多个第一代装箱方案染色体组成第一代进化种群。其中两两装箱方案染色体交叉进化指：在两个进行交叉进化的装箱方案染色体中，随机选择一个装箱方案染色体的装箱顺序和推荐容器，然后按顺序交叉两个装箱方案染色体的放置方式，得到进化后的装箱方案染色体。
如图7所示为本实施例装箱方案染色体交叉进化流程图，具体流程如下：
首先选择第n,n+1个染色体，其中0<n<种群数量M，生成交叉随机数x1(0<x1<1)，判断是否满足条件x1<交叉概率，如果满足条件，则进化后的染色体的装箱编号参数选择染色体n的装箱编号参数，否则选择染色体n+1的装箱编号参数，然后根据新装箱编号参数逐个生成每个编号对应的交叉随机数x2，x2的数量与待装箱物品的数量相同，逐个判断x2是否小于交叉概率，如果x2<交叉概率，则选择该编号对应的待装箱物品在染色体n的放置方式参数，当x2>交叉概率，则选择该编号对应的待装箱物品在染色体n+1的放置方式参数，并根据新装箱编号对每一个待装箱物品选择推荐容器，根据装箱编号、放置方式、可用容器生成新的染色体，交叉进化过程结束。
将父代种群中装箱适配过程完成的适应度最高的装箱方案染色体与父代种群经过交叉后得到的多个第一代装箱方案染色体进行组合，得到第一代进化种群。
然后对第一代进化种群的每一个装箱方案染色体进行变异，生成第一代变异种群，变异过程即按照预设变异概率选择需要进行变异的装箱方案染色体，在需要变异的装箱方案染色体中，随机改变装箱顺序参数，并根据改变后的装箱顺序参数对应改变放置方式参数或推荐容器参数，更具体的是，在需要变异的装箱方案染色体中，选择两个待装箱物品，调换其装箱顺序，同时分别随机生成其放置方式和推荐容器。
变异过程实现流程如图8所示，根据染色体的装箱编号逐个生成变异随机数y(0<y<1)，即每一个待装箱物品对应一个变异随机数y，判断y与变异概率的大小，若y<变异概率，则交换当前的带装箱物体与下一个带装箱物体的装箱编号，并且随机生成参与交换的两个带装箱物体装箱编号对应的放置方式和推荐容器，如果y>变异概率，则不做处理，遍历整个装箱编号，即对每一个待装箱物品进行变异概率判断，生成变异后的新染色体，变异结束，得到第一代变异种群。例如，变异概率通常在0.01～0.2之间，当选取变异概率为0.05时，待装箱物体a的变异随机数y<0.05，则将待装箱物品a的装箱顺序与下一个待装箱物品b的装箱顺序调换，同时，物品a和b的放置方式和推荐容器重新随机生成。
对生成的第一代变异种群中每个装箱方案染色体的适应度，选择适应度最高的装箱方案染色体为第一代近似最优装箱方案染色体。
将上述第一代近似最优装箱方案染色体初始种群中的其中一个装箱方案染色体，重复执行步骤S1至S4，进行进化迭代得到下一代近似最优方案，当迭代次数达到预设迭代次数，则将最后一代近似最优装箱方案染色体数据转化成包含容器打包数据的装箱方案输出，装箱结束。
假设本实施例使用场景中待装箱物品数量在10个以下的占98％，则为了兼顾准确率和算法效率，可以设置预设迭代次数为300。
下面是本实施例的基于遗传算法的适配装箱方法的整体流程描述：
1)筛选出每个待装箱物品的可用容器后，根据装箱方案染色体的组成部分进行装箱方案染色体的初始化，获取初始种群；
2)对每个装箱方案染色体按照装箱顺序参数，获取待装箱物品的装箱编号、放置方式和推荐容器，进行装箱方案染色体的装箱适配过程。
3)根据待装箱物品的装箱编号，获取待装箱物品的尺寸信息，再获取可用的容器，如果待装箱物品为第一个装箱物品，根据其推荐容器信息，初始化可用的独立空间信息。
4)根据装箱方案染色体中待装箱物品编号对应的尺寸信息和放置方式，查找下一个待装箱物品的最小可用空间是否存在，如果最小可用空间不存在，则根据推荐容器参数，为该待装箱物品初始化一个新的容器，并且更新可用的独立空间信息，包括已经使用的所有容器的可用空间。
5)判断是否所有的待装箱物品均已装箱完成：若所有待装箱物品装箱完成，则装箱该装箱方案染色体的装箱适配过程结束，计算该装箱方案染色体的适应度；若还存在需要装箱的物品，就对剩余的空间进行三空间划分，并判断划分的三空间是否需要进行空间合并，更新可用的独立空间信息，直至所有的待装箱物品均已完成装箱。
6)初始种群中所有装箱方案染色体的装箱适配过程完成后，获得父代种群，进行适应度计算，保留适应度最高的装箱方案染色体。
7)将父代种群中装箱适配过程完成的适应度最高的装箱方案染色体与父代种群经过交叉后得到的多个第一代装箱方案染色体进行组合，得到第一代进化种群。
8)对第一代进化种群的每一个装箱方案染色体进行变异，生成第一代变异种群，并进行适应度计算保留适应度最高的装箱方案染色体。
9)判断是否已达到预设迭代次数：若未达到预设迭代次数，将变异后适应度最高的装箱方案染色体添加到初始种群中，继续进行交叉进化和变异后生成下一代染色体，重复步骤1～8；若达到预设迭代次数，将最后一代近似最优装箱方案染色体数据转化成包含容器打包数据的装箱方案输出，装箱结束。
在某一个实施例中：
一个客户在某购物网站买了5件商品，5件商品表示为w1～w5，其长宽高尺寸分别为(5*10*10，10*10*10，10*10*20，10*20*20，20*20*30)，该商家有3种专用打包的容器表示为c1～c3，其长宽高尺寸分别为(30*30*60,30*30*30,20*20*20)。
第一约束条件可以为：客户指定的派送渠道要求包裹最长边不能超过50，因此经过可用容器筛选后，商品w1～w4：可用两种纸箱c2～c3；商品w5只可用1种纸箱c2。
装箱方案染色体表示为：{装箱编号，放置方式，推荐容器}＝{W,G,C}；
其中一条装箱方案染色体组成为：
W＝{w5,w3,w2,w1,w4}-1；
G＝{g1，g2，g3，g4，g5}-1；
C＝{c2,c3,c2,c2,c3}-1；
对该装箱方案染色体进行装箱适配过程如下：
1)先按g1＝[长宽面朝上，直放]方式将w5放入c2；
2)再将w3按g2＝[长高面朝上，横放]方式放入剩余的可用空间，如果剩余可用空间过小无法放入，则按c3容器尺寸再增加一个新的可用空间，放入w3。依此类推将所有物品按顺序与摆放方式逐个放入纸箱。
3)完成装箱后，统计使用的纸箱容器数量与容器总体积，根据适应度计算公式，计算出该装箱方案染色体的适应度。
对初始种群所有的装箱方案染色体全部装箱适配完成后，保留适应度最高的染色体，进行两两交叉进化，变异，其中进化得到第一代变异种群，选择适应度最高的装箱方案染色体为第一代近似最优装箱方案染色体。
进行迭代直到达到预设迭代次数，得到近似最优装箱方案染色体，将最后一代近似最优装箱方案染色体数据转化成包含容器打包数据的装箱方案输出，装箱结束。
其中，交叉概率通常在0.4～0.6之间，本实施例中以0.5为例，变异概率通常在0.01～0.2之间，本实施例以0.05为例，种群数量通常为待装箱物品数量的10倍，本实施例以50为例，本实施例使用的预设迭代次数为300。
实施例二：
如图9所示，为本实施例的一种基于遗传算法的适配装箱装置框图，包括
初始种群生成模块，用于随机产生多个装箱方案染色体，多个装箱方案染色体组成初始种群；
装箱适配模块，用于对初始种群生成模块输出的初始种群中每个装箱方案染色体进行装箱适配过程，获得父代种群，并计算父代种群中每个装箱方案染色体的适应度，并保留适应度最高的装箱方案染色体；
进化模块，用于对装箱适配模块输出的父代种群中装箱方案染色体进行交叉进化，并和父代种群中适应度最高的装箱方案染色体组合得到第一代进化种群，其输入为装箱适配模块的输出；
变异模块，用于对进化模块输出的第一代进化种群进行变异，生成第一代变异种群，计算第一代变异种群中每个装箱方案染色体的适应度，并选择第一代变异种群中适应度最高的装箱方案染色体为第一代近似最优装箱方案染色体；
迭代模块，用于对近似最优装箱方案染色体进行进化迭代，具体为：将变异模块中得出的近似最优装箱方案染色体作为初始种群生成模块中初始种群中的其中一个装箱方案染色体，重复执行将初始种群生成模块的输出送至装箱适配模块，装箱适配模块的输出送至进化模块，进化模块的输出送至变异模块，进行进化迭代得到下一代近似最优方案，当迭代次数达到预设迭代次数，则将最后一代近似最优装箱方案染色体输出。
实施例三：
本发明还提供一种基于遗传算法的适配装箱操作的控制设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，所述存储器存储有可被至少一个处理器执行的指令，所述指令被至少一个处理器执行，以使至少一个处理器能够执行任一项基于遗传算法的适配装箱方法。
实施例四：
本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行任一项所述的基于遗传算法的适配装箱方法。
本发明采用遗传算法，根据待装箱物品的装箱顺序参数、放置方式参数和推荐容器参数组合成装箱方案，即遗传算法的染色体，进行染色体的进化变异迭代过程，生成近似最优的装箱方案，解决需要同时装箱时候，根据待装箱物品动态适配装箱容器的问题，当单个容器空间不足时，支持使用多个容器完成一次装箱过程，即在于组合使用最少的装箱容器完成固定量物品的装载，因此，本发明针对客户定量的物品进行装箱时，当单个容器不能装完所有待装箱物品时，通过遗传算法结合容器数量与空间利用率，筛选出使用容器最少且空间利用率最高的最佳容器组合装箱方案，完成物品装箱，减少资源浪费。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (13)

1.一种基于遗传算法的适配装箱方法，其特征在于，包括步骤：
S1：随机产生多个装箱方案染色体，所述多个装箱方案染色体组成初始种群；
S2：对所述初始种群中每个装箱方案染色体进行装箱适配过程，获得父代种群，并计算父代种群中每个装箱方案染色体的适应度，并保留适应度最高的装箱方案染色体；
S3：对父代种群中装箱方案染色体进行交叉进化，并和所述父代种群中适应度最高的装箱方案染色体组合得到第一代进化种群；
S4：对所述第一代进化种群进行变异，生成第一代变异种群，计算所述第一代变异种群中每个装箱方案染色体的适应度，选择所述第一代变异种群中适应度最高的装箱方案染色体为第一代近似最优装箱方案染色体。
2.根据权利要求1所述的一种基于遗传算法的适配装箱方法，其特征在于，还包括步骤：
S5：对近似最优装箱方案染色体进行进化迭代，具体为：将所述步骤S4中得出的近似最优装箱方案染色体作为所述步骤S1中初始种群中的其中一个装箱方案染色体，重复执行步骤S1至S4，进行进化迭代得到下一代近似最优方案；
S6，当迭代次数达到预设迭代次数，则将最后一代近似最优装箱方案染色体输出。
3.根据权利要求1所述的一种基于遗传算法的适配装箱方法，其特征在于，步骤S1中所述装箱方案染色体包括待装箱物品的装箱顺序参数、放置方式参数和推荐容器参数。
4.根据权利要求3所述的一种基于遗传算法的适配装箱方法，其特征在于，还包括步骤：
执行步骤S1前，根据第一约束条件筛选待装箱物品和可用的容器；
所述第一约束条件包括：待装箱物品尺寸小于运输渠道的最大尺寸和可用容器尺寸小于运输渠道的最大尺寸。
5.根据权利要求1所述的一种基于遗传算法的适配装箱方法，其特征在于，所述步骤S2中对所述初始种群中每个装箱方案染色体进行装箱适配过程具体包括步骤：
S21：根据装箱顺序进行待装箱物品装箱，判断容器尺寸是否匹配，如果匹配将待装箱物品放入容器中，并进行三空间划分及空间合并；
S22：如果容器尺寸不适配，则根据推荐容器初始化新的空间，直至容器尺寸适配；
S23：判断待装箱物品是否全部装入容器中：
如果没有，则按照装箱顺序执行步骤S21至S23继续装箱，直至所有待装箱物品全部装入容器中；
如果已经全部装入容器中，则判断该装箱方案染色体的装箱适配过程完成。
6.根据权利要求1所述的一种基于遗传算法的适配装箱方法，其特征在于，所述适应度计算方法具体为：
Cost＝1-(M+Waste)/(n+1)
Waste＝1-Vn/Vuse
其中，Cost为装箱方案适应度，M为容器数量，Waste为空间浪费率，n为待装箱物品数量，Vn为待装物品的总体积，Vuse为使用容器的总体积。
7.根据权利要求1所述的一种基于遗传算法的适配装箱方法，其特征在于，所述步骤S3对父代种群中装箱方案染色体进行交叉进化得到第一代进化种群具体为：
对父代种群中的装箱方案染色体按照顺序进行两两装箱方案染色体交叉进化形成多个第一代装箱方案染色体，多个第一代装箱方案染色体组成第一代进化种群；
所述两两装箱方案染色体交叉进化指：在两个进行交叉进化的装箱方案染色体中，随机选择一个装箱方案染色体的装箱顺序和推荐容器，然后按顺序交叉两个装箱方案染色体的放置方式，得到进化后的装箱方案染色体。
8.根据权利要求1所述的一种基于遗传算法的适配装箱方法，其特征在于，所述步骤S4中所述变异具体为：
S41：按照预设变异概率选择需要进行变异的装箱方案染色体；
S42：在所述需要变异的装箱方案染色体中，随机改变装箱顺序参数，并根据改变后的装箱顺序参数对应改变放置方式参数或推荐容器参数。
9.根据权利要求8所述的一种基于遗传算法的适配装箱方法，其特征在于，所述步骤S42具体为：
在所述需要变异的装箱方案染色体中，选择两个待装箱物品，调换其装箱顺序，同时分别随机生成其放置方式和推荐容器。
10.一种基于遗传算法的适配装箱装置，其特征在于，包括
初始种群生成模块，用于随机产生多个装箱方案染色体，所述多个装箱方案染色体组成初始种群；
装箱适配模块，用于对初始种群生成模块输出的初始种群中每个装箱方案染色体进行装箱适配过程，获得父代种群，并计算父代种群中每个装箱方案染色体的适应度，并保留适应度最高的装箱方案染色体；
进化模块，用于对装箱适配模块输出的父代种群中装箱方案染色体进行交叉进化，并和所述父代种群中适应度最高的装箱方案染色体组合得到第一代进化种群，其输入为装箱适配模块的输出；
变异模块，用于对进化模块输出的第一代进化种群进行变异，生成第一代变异种群，计算所述第一代变异种群中每个装箱方案染色体的适应度，并选择所述第一代变异种群中适应度最高的装箱方案染色体为第一代近似最优装箱方案染色体。
11.根据权利要求10所述的一种基于遗传算法的适配装箱装置，其特征在于，还包括：
迭代模块，用于对近似最优装箱方案染色体进行进化迭代，具体为：将变异模块中得出的近似最优装箱方案染色体作为初始种群生成模块中初始种群中的其中一个装箱方案染色体，重复执行将初始种群生成模块的输出送至装箱适配模块，装箱适配模块的输出送至进化模块，进化模块的输出送至变异模块，进行进化迭代得到下一代近似最优方案，当迭代次数达到预设迭代次数，则将最后一代近似最优装箱方案染色体输出。
12.一种基于遗传算法的适配装箱操作的控制设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至9任一项所述的基于遗传算法的适配装箱方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至9任一项所述的基于遗传算法的适配装箱方法。
CN201811065915.5A 2018-09-13 2018-09-13 基于遗传算法的适配装箱方法、装置、设备和存储介质 Pending CN109447311A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811065915.5A CN109447311A (zh) 2018-09-13 2018-09-13 基于遗传算法的适配装箱方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811065915.5A CN109447311A (zh) 2018-09-13 2018-09-13 基于遗传算法的适配装箱方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN109447311A true CN109447311A (zh) 2019-03-08

Family

ID=65531068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811065915.5A Pending CN109447311A (zh) 2018-09-13 2018-09-13 基于遗传算法的适配装箱方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN109447311A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948985A (zh) * 2019-03-21 2019-06-28 深圳蓝胖子机器人有限公司 智能装箱方法、设备和计算即可读储存介质
CN110135960A (zh) * 2019-05-22 2019-08-16 广东卓志供应链科技有限公司 一种包装推荐方法、装置及系统
CN110490371A (zh) * 2019-07-26 2019-11-22 西安理工大学 基于遗传算法的装箱方法
CN110705765A (zh) * 2019-09-25 2020-01-17 北京科技大学 基于遗传算法和启发式策略的电商订单装箱优化方法
CN111768135A (zh) * 2019-06-10 2020-10-13 北京京东乾石科技有限公司 搬运容器的方法和装置
CN111860837A (zh) * 2020-07-20 2020-10-30 上海汽车集团股份有限公司 装箱问题的处理方法、装置及计算机可读存储介质
CN112070444A (zh) * 2020-09-15 2020-12-11 深圳坤湛科技有限公司 箱型推荐方法、装置和计算机存储介质
CN112101650A (zh) * 2020-09-07 2020-12-18 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 一种基于组合优化的二维装箱算法的预处理方法及系统
CN112884410A (zh) * 2021-02-26 2021-06-01 深圳蓝胖子机器智能有限公司 装箱方法、电子设备以及存储介质
CN113298945A (zh) * 2021-06-08 2021-08-24 上海宝冶工程技术有限公司 集装箱装箱方案的计算方法
CN113505930A (zh) * 2021-07-16 2021-10-15 上海聚水潭网络科技有限公司 一种三维空间订单耗材推荐方法和系统
CN113537675A (zh) * 2020-04-20 2021-10-22 顺丰科技有限公司 装载方案输出方法、装置、计算机设备和存储介质
CN114066676A (zh) * 2020-08-05 2022-02-18 广东博智林机器人有限公司 一种装配适配的处理方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320441A (zh) * 2008-07-18 2008-12-10 浙江大学 面向装箱问题的组合优化方法
CN103473464A (zh) * 2013-09-17 2013-12-25 四川航天系统工程研究所 基于量子遗传算法的货物装载三维布局优化方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320441A (zh) * 2008-07-18 2008-12-10 浙江大学 面向装箱问题的组合优化方法
CN103473464A (zh) * 2013-09-17 2013-12-25 四川航天系统工程研究所 基于量子遗传算法的货物装载三维布局优化方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐丽丽: "集装箱单箱三维装载优化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109948985A (zh) * 2019-03-21 2019-06-28 深圳蓝胖子机器人有限公司 智能装箱方法、设备和计算即可读储存介质
CN110135960A (zh) * 2019-05-22 2019-08-16 广东卓志供应链科技有限公司 一种包装推荐方法、装置及系统
CN111768135A (zh) * 2019-06-10 2020-10-13 北京京东乾石科技有限公司 搬运容器的方法和装置
CN111768135B (zh) * 2019-06-10 2024-03-05 北京京东乾石科技有限公司 搬运容器的方法和装置
CN110490371A (zh) * 2019-07-26 2019-11-22 西安理工大学 基于遗传算法的装箱方法
CN110705765A (zh) * 2019-09-25 2020-01-17 北京科技大学 基于遗传算法和启发式策略的电商订单装箱优化方法
CN110705765B (zh) * 2019-09-25 2022-03-11 北京科技大学 基于遗传算法和启发式策略的电商订单装箱优化方法
CN113537675A (zh) * 2020-04-20 2021-10-22 顺丰科技有限公司 装载方案输出方法、装置、计算机设备和存储介质
CN111860837A (zh) * 2020-07-20 2020-10-30 上海汽车集团股份有限公司 装箱问题的处理方法、装置及计算机可读存储介质
CN114066676A (zh) * 2020-08-05 2022-02-18 广东博智林机器人有限公司 一种装配适配的处理方法、装置、设备及存储介质
CN112101650A (zh) * 2020-09-07 2020-12-18 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 一种基于组合优化的二维装箱算法的预处理方法及系统
CN112101650B (zh) * 2020-09-07 2024-04-09 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 一种基于组合优化的二维装箱算法的预处理方法及系统
CN112070444A (zh) * 2020-09-15 2020-12-11 深圳坤湛科技有限公司 箱型推荐方法、装置和计算机存储介质
CN112884410A (zh) * 2021-02-26 2021-06-01 深圳蓝胖子机器智能有限公司 装箱方法、电子设备以及存储介质
CN113298945A (zh) * 2021-06-08 2021-08-24 上海宝冶工程技术有限公司 集装箱装箱方案的计算方法
CN113505930A (zh) * 2021-07-16 2021-10-15 上海聚水潭网络科技有限公司 一种三维空间订单耗材推荐方法和系统

Similar Documents

Publication Publication Date Title
CN109447311A (zh) 基于遗传算法的适配装箱方法、装置、设备和存储介质
CN109359739A (zh) 基于遗传算法的堆叠组合方法、装置、设备和存储介质
CN110443549B (zh) 一种物流仓库中物品的装箱方案生成方法及系统
Tayur Structural properties and a heuristic for kanban-controlled serial lines
CN104915817A (zh) 一种集装箱的装箱方法和装置
CN112001535A (zh) 物流装箱方法、装置、设备及存储介质
CN105427065A (zh) 商品对象出库信息处理方法及装置
CN110705765B (zh) 基于遗传算法和启发式策略的电商订单装箱优化方法
CN102622667B (zh) 一种基于多产品多生产线生产模式下的均衡排产方法
CN110046845A (zh) 一种场区车辆装载方法和装载系统
CN105740961B (zh) 一种基于进化算法的零散货物拼船/车运输优化方法
Zhou et al. A material handling scheduling method for mixed-model automotive assembly lines based on an improved static kitting strategy
US7280880B2 (en) Manufacturing analysis using a part-process matrix
Rezaei et al. A multi-objective SCOR-based decision alignment for supply chain performance management
CN108984964B (zh) 车辆工艺单元设计方法及数字化设计生产系统
US10068192B2 (en) System and method of solving supply chain campaign planning problems involving major and minor setups
Golias et al. Scheduling of inbound trucks at a cross-docking facility: Bi-objective vs bi-level modeling approaches
CN112874927A (zh) 物流包装箱箱型推荐方法
Talibi et al. The relevance study of adaptive kanban in a multicriteria constraints context using data-driven simulation method
CN112200390B (zh) 基于分布估计算法的无人化发货仓承运货架空间规划方法
Kébé et al. A Lagrangean heuristic for a two-echelon storage capacitated lot-sizing problem
Li et al. Optimal product allocation for crossdocking and warehousing operations in FMCG supply chain
Dondo et al. Solving large distribution problems in supply chain networks by a column generation approach
CN113052418A (zh) 一种基于多维数据结构的生产计划方法及系统
Dullaert et al. A hybrid approach to designing inbound-resupply strategies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190308

RJ01 Rejection of invention patent application after publication