CN110443549A - 一种物流仓库中物品的装箱方案生成方法及系统 - Google Patents

Abstract

本发明涉及一种物流仓库中物品的装箱方案生成方法及系统，其特征在于，包括以下内容：1)获取所有型号箱子和订单内所有物品的三维尺寸数据；2)采用启发式搜索算法和遗传算法，根据所有型号箱子和订单内所有物品的三维尺寸数据以及设定的熟练程度参数，针对某一具体的选箱方案，搜索得到各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案；3)根据各选箱方案下的箱子最小高度及其所有装箱方案，以及预先设定的起始条件和截止条件，搜索得到该订单所需的最优装箱方案，本发明可以广泛应用于空间规划技术及应用系统领域中。

Description

一种物流仓库中物品的装箱方案生成方法及系统

技术领域

本发明是关于一种物流仓库中物品的装箱方案生成方法及系统，属于空间规划技术及应用系统领域。

背景技术

在现代物流行业中，每天均有大量的订单被提交到物流仓储中心，需要仓库工人根据订单取出货品，装入大小合适的纸箱中后，发往各地的客户手中。由于全球电子商务的繁荣发展，这些订单的数量很大，尤其在中国的规模更是惊人。但是，由于物流打包要求较快的速度，且工人的熟练程度参差不齐，导致很多情况下较少的物品被装在过大的箱子里，造成严重的纸张浪费和物流运输资源的浪费。

研究者对于经典的装箱问题(bin packing problem)进行过比较深入的研究，提出了数学优化方法、构造法、数值优化法、遗传算法和模拟退火法等解决方法，其中，数学优化法虽然在理论上可行，但是由于可能性分支极多，求解过程计算量极大，因此在实际工程中应用价值不大。构造法要求按照一定的布局规则和策略构造出最优解，但是由于实际情况多样且复杂，很难找到符合全部实际情况的通用规则。数值优化方法只能找到局部最优解，它只适用于小规模物体的装箱问题。对于规模大的装箱问题，采用数学模型很难准确描述，即使能采用简化的数学模型来描述，由于局部最优解数目的急剧增加，其求解质量也将严重变坏。此外，数值优化方法所得解的质量在很大程度上还依赖于初始解的选择。遗传算法在解决高维空间、高复杂及非线性问题的优化中具有全局最优、效率高及易于并行计算等优点，有很强的解决问题的能力，但也存在收敛速度慢和易陷入局部最优解的缺点。模拟退火算法是一种有可能得到优化问题的全局最优解的问题求解方法，且已经逐步成为一种用于优化问题求解的一般、通用的方法，但是，这是以极其漫长的退火过程即问题求解过程为代价的。

还有研究者针对经典装箱问题提出过基于人工智能领域的强化学习理论的解决方法，但是实际取得的效果的提升也非常有限。另外，实际应用于物流打包领域的装箱问题和经典的装箱问题是不同的，经典装箱问题研究的是每个箱子容量相同(即只有一个型号的若干个箱子)时，如何能选取最少的箱子数目，而实际应用中其实有多种型号不同容积的箱子，是经典装箱问题的拓展，比经典装箱问题更复杂。

发明内容

针对上述问题，本发明的目的是提供一种既能节省纸箱又能保证工作效率的物流仓库中物品的装箱方案生成方法及系统。

为实现上述目的，本发明采取以下技术方案：一种物流仓库中物品的装箱方案生成方法，其特征在于，包括以下内容：1)获取所有型号箱子和订单内所有物品的三维尺寸数据；2)采用启发式搜索算法和遗传算法，根据所有型号箱子和订单内所有物品的三维尺寸数据以及设定的熟练程度参数，针对某一具体的选箱方案，搜索得到各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案；3)根据各选箱方案下的箱子最小高度及其所有装箱方案，以及预先设定的起始条件和截止条件，搜索得到该订单所需的最优装箱方案。

进一步地，所述步骤1)的具体过程为：1.1)获取订单内所有物品的多角度图像；1.2)采用数字图像处理方法，根据获取的多角度图像，得到订单内所有物品的三维尺寸数据；1.3)获取数据库中所有型号箱子的三维尺寸数据。

进一步地，所述步骤2)的具体过程为：2.1)采用启发式搜索算法，根据所有型号箱子和订单内所有物品的三维尺寸数据，针对某一具体的选箱方案以及确定的物品装箱顺序及位姿，搜索得到该订单内所有物品对箱子角的选取，进而得到各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案；2.2)设定熟练程度参数；2.3)根据所有型号箱子和订单内所有物品的三维尺寸数据以及设定的熟练程度参数，采用遗传算法，调用启发式搜索算法确定的箱子最小高度，进一步确定各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案。

进一步地，所述步骤2.1)的具体过程为：2.1.1)将每一个箱子的三维尺寸数据均向下取整并记为一个矩阵，其行数和列数分别为箱子的宽度和长度，或反之，矩阵中的每一元素均相等，其初始值取为零；2.1.2)将订单内所有物品的三维尺寸数据均向上取整并分别记为一个矩阵，该一乘三矩阵的三元素值为物品三维尺寸数据取整后的数值；2.1.3)将启发式搜索算法的搜索空间设定为箱子的角；2.1.4)将启发式搜索算法的搜索条件设定为物品对箱子角的选取；2.1.5)采用贪心算法，根据设定的搜索空间和搜索条件，确定装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案。

进一步地，所述步骤2.1.4)的具体过程为：①对于箱子的每个角，确定角处对应的箱子矩阵和该物品矩阵的元素值是否均相等；②对于能装入该物品的角，对浪费空间从小到大进行排序；③对浪费空间相同的角的角坐标高度从小到大进行排序；④对角坐标高度相同的角的角坐标长度从小到大进行排序；⑤对角坐标长度相同的角坐标宽度从小到大进行排序，得到该物品对箱子角的选取。

进一步地，所述步骤2.3)中遗传算法的编码设定为：将种群内每一个体的基因取为装箱顺序和每一物品的装箱位姿；遗传算法的参数设定为：将个体的适应度取为在该个体的基因下调用启发式搜索算法确定的箱子最小高度的负相关函数；交配概率、变异概率和种群大小与子代个数的比例均取为固定值；最大代数与设定的熟练程度参数正相关；种群大小与物品数量和设定的熟练程度参数正相关。

进一步地，所述步骤3)的具体过程为：3.1)将所有的选箱方案按照成本大小进行排序；3.2)预先设定选箱方案搜索的起始条件和截止条件；3.3)从预设的起始条件处开始，按照排序依次对各选箱方案下的装箱方案进行搜索，直至搜索得到满足预设截止条件的装箱方案，该装箱方案即为最优装箱方案。

一种物流仓库中物品的装箱方案生成系统，其特征在于，包括计算机、数据库和显示终端，其中，所述计算机内设置有三维尺寸数据获取模块、所有装箱方案确定模块和最优装箱方案确定模块；所述数据库用于存储并更新所有型号箱子的三维尺寸数据；所述三维尺寸数据获取模块用于获取订单内所有物品的三维尺寸数据并存入所述数据库中；所述所有装箱方案确定模块用于采用启发式搜索算法和遗传算法，根据所有型号箱子和订单内所有物品的三维尺寸数据以及设定的熟练程度参数，针对某一具体的选箱方案，搜索得到各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案；所述最优装箱方案确定模块用于根据各选箱方案下的箱子最小高度及其所有装箱方案，以及预先设定的起始条件和截止条件，搜索得到该订单所需的最优装箱方案；所述显示终端用于显示该最优装箱方案。

一种物流仓库中物品的装箱方法，其特征在于，包括：A)根据确定的最优装箱方案，对箱子内的物品进行分层，并通过显示终端进行显示；B)根据显示终端显示的分层结果，采用半自动化方式或全自动化方式，将该订单内的所有物品装入箱子内。

进一步地，所述半自动化方式为根据显示终端显示的分层结果采用人工进行装箱；所述全自动化方式为根据显示终端显示的分层结果采用机械臂进行装箱。

本发明由于采取以上技术方案，其具有以下优点：1、本发明方法将遗传算法和启发式搜索算法这两种算法结合，应用于目前还很少有人研究的实际物流打包的装箱环节，通过调节遗传算法的最大代数，可以实现在较短的时间内稳定收敛到最优解的效果，同时能够满足实际应用场景中对算法的速度和准确度的要求，明显优于之前同类的算法，而启发式搜索算法则在极大程度上模拟工人的实际装箱过程，所得出的解易于辅助工人进行装箱。2、本发明引入熟练程度参数的概念，可依据熟练程度参数的大小调节遗传算法中的变量，从而得出符合工人或机械臂熟练程度的解，因此，本发明可以有针对性地直接服务于实际应用场景(物流行业的订单装箱)中，无需再做过多调整。相较之下，之前的技术手段均用于解决经典装箱问题，与实际要解决的问题并不完全相同，本发明具有巨大的应用价值，可以广泛应用于空间规划技术及应用系统领域中。

附图说明

图1是本发明装箱方案生成方法的流程图；

图2是本发明装箱方案生成系统的结构示意图；

图3是本发明装箱方法采用半自动方式完成装箱的场景示意图；

图4是本发明装箱方法采用全自动方式完成装箱的场景示意图。

具体实施方式

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

本发明提供的物流仓库中物品的装箱方案生成方法，包括以下步骤：

1)获取订单内所有物品的多角度图像，并采用数字图像处理方法，根据获取的多角度图像，得到订单内所有物品的三维尺寸数据并存入数据库中。

可以采用若干摄像头拍摄物品的多角度图像或采用红外线扫描等方法获取物品的多角度图像，并通过多视图重建三维模型方法，获得商品的长、宽、高三个尺寸数据，其中，多视图重建三维模型方法的过程如下：

1.1)采用SFS(Shape from Silhouette，背影轮廓法)原理恢复三维模型，可以通过多视图轮廓及相机参数计算得到物体的三维点云。

1.2)求解领域点云，采用主成分分析法(PCA)，求解表面的法向量的朝向。

1.3)通过泊松表面重建方法(PCL)，生成物体的表面网络。

应当理解，上述多视图重建三维模型方法仅是一个具体可行的多视图重建三维模型方法的实现例子，不应该被视作对本系统专利的权利要求的限制。

2)获取数据库中所有型号箱子的三维尺寸数据。

3)采用启发式搜索算法和遗传算法，根据所有型号箱子和订单内所有物品的三维尺寸数据以及设定的熟练程度参数，针对某一具体的选箱方案，搜索得到各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案，其中，装箱方案包括箱子的型号以及各物品的摆放位置和摆放方式，具体为：

3.1)采用启发式搜索算法，根据所有型号箱子和订单内所有物品的三维尺寸数据，针对某一具体的选箱方案以及确定的物品装箱顺序及位姿，搜索得到该订单内所有物品对箱子角的选取，进而得到各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案：

3.1.1)采用厘米单位制，将每一个箱子的三维尺寸数据均向下取整(例如将4.3cm取为4cm)并记为一个矩阵，其行数为箱子的宽度，列数为箱子的长度(或反之)，矩阵中的每一元素均相等，其初始值取为零。

3.1.2)采用厘米单位制，将订单内所有物品的三维尺寸数据均向上取整并分别记为一个矩阵，该一乘三矩阵的三元素值为物品三维尺寸数据取整后的数值。

如果装箱过程中物品需要包装纸，则可以自定义订单内各物品需要增加的尺寸数据，使其包含包装纸的部分。

3.1.3)将启发式搜索算法的搜索空间设定为箱子的角，模拟工人装箱的习惯：

①将搜索空间设定为箱子的角，搜索复杂度降为N^2，其中，N为物品个数。

②当箱子为空时，箱子只有一个角(可取为四个角中的任意一处，为后续描述方便，取为坐标原点处，所选取箱子位于第一象限)，将第一个物品放入箱子的该角，并将箱子的角的个数更新为三个(若该物品的长宽高分别为2、3、4，则箱子角的坐标分别为(2，0，0)，(0，3，0)和(0，0，4)。

③将第二个物品放入箱子内，箱子角的个数更新为五个，将第三个物品放入箱子内，箱子角的个数更新为七个，以此类推。

3.1.4)将启发式搜索算法的搜索条件设定为物品对箱子角的选取，模拟工人装箱的习惯：

①对于箱子的每个角，查看物品能否装入，即确定角处对应的箱子矩阵和该物品矩阵的元素值(用角来定位，此指定位后行列分别为物品长宽的子矩阵)是否均相等。

②对于能装入该物品的角，对浪费空间从小到大进行排序(越小越好)，其中，浪费空间为装入物品后该物品覆盖区域矩阵元素增加值的和。

③对浪费空间相同的角的角坐标高度从小到大进行排序(越小越好)。

④对角坐标高度相同的角的角坐标长度从小到大进行排序(越小越好)。

⑤对角坐标长度相同的角坐标宽度从小到大进行排序(越小越好)，得到该物品对箱子角的选取。

3.1.5)采用贪心算法，模拟工人装箱的过程，根据设定的搜索空间和搜索条件，确定装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案：

采用贪心算法，每次均选取当前状态(箱子中物品已经确定摆放的状态)下摆放下一个物品的最佳位置，并更新物品矩阵内的元素值，更新后的元素值为摆放下一个物品后，元素位置处所有物品的最大高度，例如由：更新为：再更新为：

3.2)设定熟练程度参数(例如：0-1，0代表完全不熟练，1代表完全熟练)，熟练程度参数可以为工人的熟练程度参数或机械臂的熟练程度参数，可以根据实际情况进行设定，根据设定的熟练程度参数，可以调整最终得到的最优装箱方案的困难程度，在熟练程度较高的情况下，输出更节约箱子但也更难装箱的方案，在熟练程度较低的情况下，输出使用的箱子相对较大但是更容易装箱的方案。

3.3)如图1所示，根据所有型号箱子和订单内所有物品的三维尺寸数据以及设定的熟练程度参数，采用遗传算法，调用启发式搜索算法确定的箱子最小高度，进一步确定各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案：

3.3.1)遗传算法的编码设定为：

将种群内每一个体的基因取为装箱顺序(共N！种可能)和每一物品的装箱位姿(共x-y、x-z、y-x、y-z、z-x、z-y 6种可能，记为1、2、3、4、5、6)。

例如：若N＝3，且序号分别为1、2、3的物体其位姿状态分别为2、6、5，则装箱顺序为3号先装，1号其次，2号最后，该情况对应的个体基因编码为“526”。

3.3.2)遗传算法的参数设定为：

将个体的适应度取为在该个体的基因下调用启发式搜索算法确定的箱子最小高度的负相关函数(例如倒数)即启发式装箱函数，交配概率、变异概率和种群大小与子代个数的比例均取为固定值，最大代数与设定的熟练程度参数正相关，种群大小与物品数量和设定的熟练程度参数正相关。

基于上述确定的编码和参数，采用遗传算法，根据每一订单内物品的三维尺寸数据、所有型号箱子的三维尺寸数据和熟练程度参数，调用启发式搜索算法确定的箱子最小高度，即能够进一步确定装下该订单内所有物品所需的箱子最小高度，其中，遗传算法为现有技术公开的方法，具体过程在此不多做赘述。

4)根据满足进一步确定的各选箱方案下的箱子最小高度(即采用遗传算法确定的箱子最小高度)及其所有装箱方案，以及预先设定的起始条件和截止条件，搜索得到该订单所需的最优装箱方案：

4.1)将所有的选箱方案按照成本大小进行排序(例如尺寸最小的箱子排序为1，两个尺寸最小的箱子排序为2，一个尺寸次小的箱子排序为3等，以此类推)。

4.2)预先设定选箱方案搜索的起始条件(例如所选箱子的总容积大于该订单内物品的总容积)和截止条件(例如在该选箱方案下采用遗传算法确定的箱子最小高度小于实际箱子的高度)。

4.3)从预设的起始条件处开始，按照排序依次对各选箱方案下的装箱方案进行搜索，直至搜索得到满足预设截止条件的装箱方案，该装箱方案即为最优装箱方案。

多箱方案时，先针对第一个箱子，当第一个箱子装入的物品装不下时，再装第二个箱子，直至装到最后一个箱子，遗传算法确定的箱子最小高度即为将所有物品装完后最后一个箱子所需的高度，方案内装箱时箱子的顺序可以采用例如体积从小到大的顺序。

基于上述物流仓库中物品的装箱方案生成方法，如图2所示，本发明还提供一种物流仓库中物品的装箱方案生成系统，包括计算机、数据库和显示终端，其中，计算机内设置有三维尺寸数据获取模块、所有装箱方案确定模块和最优装箱方案确定模块。

数据库用于存储并更新所有型号箱子的三维尺寸数据。

三维尺寸数据获取模块，用于获取订单内所有物品的多角度图像，并采用数字图像处理方法，根据获取的多角度图像，得到订单内所有物品的三维尺寸数据并存入数据库中。

所有装箱方案确定模块，用于采用启发式搜索算法和遗传算法，根据所有型号箱子和订单内所有物品的三维尺寸数据以及设定的熟练程度参数，针对某一具体的选箱方案，搜索得到各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案。

最优装箱方案确定模块，用于根据满足进一步确定的各选箱方案下的箱子最小高度及其所有装箱方案，以及预先设定的起始条件和截止条件，搜索得到该订单所需的最优装箱方案。

显示终端用于显示该最优装箱方案。

基于上述物流仓库中物品的装箱方案生成方法，本发明还提供一种物流仓库中物品的装箱方法，包括：

1)根据确定的最优装箱方案，对箱子内的物品进行分层，并通过显示终端分别显示每层的物品，每层均显示该层物品的种类、摆放位置和摆放方式，通过相应按键切换显示不同的层，其中，将与所需箱子底面接触的物品分为第一层，将与第一层物品的顶面接触的物品分为第二层，将与第二层物品的顶面接触的物品分为第三层，以此类推。

2)根据显示终端显示的分层结果，采用半自动化方式或全自动化方式，将该订单内的所有物品装入箱子内，其中，半自动化方式为根据显示终端显示的分层结果人工进行装箱，全自动化方式为根据显示终端显示的分层结果采用机械臂进行装箱。

如图3、图4所示，下面通过具体实施例详细说明本发明物流仓库中物品的装箱方法：

半自动化方式：

如图3所示，为半自动化方式的某物流仓库中用于物流装箱的一个工位，装箱工人1在工作台2上接收由传送带3运送到工位的订单内物品4，每一工位上均摆放有待选用的各种型号的箱子5。工人接收该订单的物品4后，计算机计算得到该订单的最优装箱方案，并通过显示屏6进行显示。装箱工人1根据显示屏6上显示的最优装箱方案，选出该最优装箱方案中确定型号的箱子5，按照最优装箱方案，将订单中的物品4装入确定型号的箱子5中。

如图4所示，为全自动化方式的某物流仓库中用于物流装箱的一个工位，机械臂7在工作台2上接收由传送带3运送到工位的订单内物品4，每一工位上均摆放有待选用的各种型号的箱子5。物品4被输送到工作台2后，计算机计算得到该订单的最优装箱方案，通过局域网传送至机械臂7的控制逻辑单元内。机械臂7选出该最优装箱方案中确定型号的箱子5，按照最优装箱方案，将订单中的物品装入确定型号的箱子5中。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种物流仓库中物品的装箱方案生成方法，其特征在于，包括以下内容：

1)获取所有型号箱子和订单内所有物品的三维尺寸数据；

2)采用启发式搜索算法和遗传算法，根据所有型号箱子和订单内所有物品的三维尺寸数据以及设定的熟练程度参数，针对某一具体的选箱方案，搜索得到各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案；

3)根据各选箱方案下的箱子最小高度及其所有装箱方案，以及预先设定的起始条件和截止条件，搜索得到该订单所需的最优装箱方案。

2.如权利要求1所述的一种物流仓库中物品的装箱方案生成方法，其特征在于，所述步骤1)的具体过程为：

1.1)获取订单内所有物品的多角度图像；

1.2)采用数字图像处理方法，根据获取的多角度图像，得到订单内所有物品的三维尺寸数据；

1.3)获取数据库中所有型号箱子的三维尺寸数据。

3.如权利要求1所述的一种物流仓库中物品的装箱方案生成方法，其特征在于，所述步骤2)的具体过程为：

2.1)采用启发式搜索算法，根据所有型号箱子和订单内所有物品的三维尺寸数据，针对某一具体的选箱方案以及确定的物品装箱顺序及位姿，搜索得到该订单内所有物品对箱子角的选取，进而得到各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案；

2.2)设定熟练程度参数；

2.3)根据所有型号箱子和订单内所有物品的三维尺寸数据以及设定的熟练程度参数，采用遗传算法，调用启发式搜索算法确定的箱子最小高度，进一步确定各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案。

4.如权利要求3所述的一种物流仓库中物品的装箱方案生成方法，其特征在于，所述步骤2.1)的具体过程为：

2.1.1)将每一个箱子的三维尺寸数据均向下取整并记为一个矩阵，其行数和列数分别为箱子的宽度和长度，或反之，矩阵中的每一元素均相等，其初始值取为零；

2.1.2)将订单内所有物品的三维尺寸数据均向上取整并分别记为一个矩阵，该一乘三矩阵的三元素值为物品三维尺寸数据取整后的数值；

2.1.3)将启发式搜索算法的搜索空间设定为箱子的角；

2.1.4)将启发式搜索算法的搜索条件设定为物品对箱子角的选取；

2.1.5)采用贪心算法，根据设定的搜索空间和搜索条件，确定装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案。

5.如权利要求4所述的一种物流仓库中物品的装箱方案生成方法，其特征在于，所述步骤2.1.4)的具体过程为：

①对于箱子的每个角，确定角处对应的箱子矩阵和该物品矩阵的元素值是否均相等；

②对于能装入该物品的角，对浪费空间从小到大进行排序；

③对浪费空间相同的角的角坐标高度从小到大进行排序；

④对角坐标高度相同的角的角坐标长度从小到大进行排序；

⑤对角坐标长度相同的角坐标宽度从小到大进行排序，得到该物品对箱子角的选取。

6.如权利要求3所述的一种物流仓库中物品的装箱方案生成方法，其特征在于，所述步骤2.3)中遗传算法的编码设定为：

将种群内每一个体的基因取为装箱顺序和每一物品的装箱位姿；

遗传算法的参数设定为：

将个体的适应度取为在该个体的基因下调用启发式搜索算法确定的箱子最小高度的负相关函数；

交配概率、变异概率和种群大小与子代个数的比例均取为固定值；

最大代数与设定的熟练程度参数正相关；

种群大小与物品数量和设定的熟练程度参数正相关。

7.如权利要求3所述的一种物流仓库中物品的装箱方案生成方法，其特征在于，所述步骤3)的具体过程为：

3.1)将所有的选箱方案按照成本大小进行排序；

3.2)预先设定选箱方案搜索的起始条件和截止条件；

3.3)从预设的起始条件处开始，按照排序依次对各选箱方案下的装箱方案进行搜索，直至搜索得到满足预设截止条件的装箱方案，该装箱方案即为最优装箱方案。

8.一种物流仓库中物品的装箱方案生成系统，其特征在于，包括计算机、数据库和显示终端，其中，所述计算机内设置有三维尺寸数据获取模块、所有装箱方案确定模块和最优装箱方案确定模块；

所述数据库用于存储并更新所有型号箱子的三维尺寸数据；

所述三维尺寸数据获取模块用于获取订单内所有物品的三维尺寸数据并存入所述数据库中；

所述所有装箱方案确定模块用于采用启发式搜索算法和遗传算法，根据所有型号箱子和订单内所有物品的三维尺寸数据以及设定的熟练程度参数，针对某一具体的选箱方案，搜索得到各选箱方案下装下该订单内所有物品所需的箱子最小高度以及满足该箱子最小高度的所有装箱方案；

所述最优装箱方案确定模块用于根据各选箱方案下的箱子最小高度及其所有装箱方案，以及预先设定的起始条件和截止条件，搜索得到该订单所需的最优装箱方案；

所述显示终端用于显示该最优装箱方案。

9.一种物流仓库中物品的装箱方法，其特征在于，包括：

A)根据如权利要求1至7任一项确定的最优装箱方案，对箱子内的物品进行分层，并通过显示终端进行显示；

B)根据显示终端显示的分层结果，采用半自动化方式或全自动化方式，将该订单内的所有物品装入箱子内。

10.如权利要求9所述的一种物流仓库中物品的装箱方法，其特征在于，所述半自动化方式为根据显示终端显示的分层结果采用人工进行装箱；所述全自动化方式为根据显示终端显示的分层结果采用机械臂进行装箱。