CN110705765A - 基于遗传算法和启发式策略的电商订单装箱优化方法 - Google Patents

基于遗传算法和启发式策略的电商订单装箱优化方法 Download PDF

Info

Publication number
CN110705765A
CN110705765A CN201910908716.4A CN201910908716A CN110705765A CN 110705765 A CN110705765 A CN 110705765A CN 201910908716 A CN201910908716 A CN 201910908716A CN 110705765 A CN110705765 A CN 110705765A
Authority
CN
China
Prior art keywords
goods
box
cost
express
naked
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.)
Granted
Application number
CN201910908716.4A
Other languages
English (en)
Other versions
CN110705765B (zh
Inventor
吴秀丽
李晶
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201910908716.4A priority Critical patent/CN110705765B/zh
Publication of CN110705765A publication Critical patent/CN110705765A/zh
Application granted granted Critical
Publication of CN110705765B publication Critical patent/CN110705765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

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)
  • Container Filling Or Packaging Operations (AREA)

Abstract

本发明涉及货物装箱优化技术领域，提供了一种基于遗传算法和启发式策略的电商订单装箱优化方法，将电商订单分割为裸送货物和非裸送货物；根据货物的数量多少，选择采用枚举法、结合块处理的遗传算法、或模块化方法得到非裸送货物针对不同快递商的物流成本；加总裸送货物和非裸送货物得到电商订单对于不同快递商的总物流成本和装箱方案；输出总物流成本最低所对应的快递商及装箱方案。本发明针对电商平台类企业的订单特征设计了一套高效装箱优化方法，灵活考虑了多种箱型、多种快递可选的情况；通过合理规划装箱方案，减少工人打包时的试错时间，帮助提高打包效率，同时减少订单包括纸箱与快递成本在内的总物流成本，方案简单可行，具有推广意义。

Description

基于遗传算法和启发式策略的电商订单装箱优化方法
技术领域
本发明涉及货物装箱优化技术领域，特别涉及一种基于遗传算法和启发式策略的电商订单装箱优化方法，可以为电商平台类企业根据订单特点合理规划货物装箱方案。
背景技术
近年来电子商务行业正在高速发展，如何降低物流成本是电商平台类企业普遍面临的挑战。线上的客户订单一般由电商仓库拣选和发货，打包用的纸箱以及快递寄送等在企业物流成本中占据很大比例。在货物打包环节合理规划装箱方案，能帮助企业减少纸箱消耗成本以及快递成本。
装箱问题(Bin-packing Problem，BPP)是典型的离散组合优化问题。经典的装箱问题要求把一定数量的物品放入容量相同的一些箱子中，每个箱子中物品的体积不得超过箱子容积，并且用到的箱子数目最少。然而，在实际电商仓库打包环节，一般用到大小容积不同的多种箱型，各箱型成本不同。快递合作商一般根据箱子体积和重量以及配送目的地来收取费用，采用不同装箱方案或选择不同快递寄送，其快递成本也有差异。因此需要得到一个综合考虑纸箱成本和快递成本的最佳装箱方案。已有算法能高效解决传统的装箱问题，但针对电商企业考虑不同箱型和其他因素来优化物流成本的装箱问题，还有待进一步研究。
遗传算法(Genetic Algorithm，GA)是模拟达尔文生物进化论的一种启发式智能算法，由美国密歇根大学教授Holland于1975年提出。遗传算法将问题的解编码为染色体，由多条染色体构成种群，通过选择、交叉和变异等一系列操作，使种群不断迭代进化，最终收敛到最适应的群体，从而求得问题的最优解或满意解。遗传算法操作简单、通用性强、具备很强的全局搜索能力，在组合优化问题中已得到广泛利用。
遗传算法能在有限时间内取得大规模问题的满意解，非常适合解决多品种、大批量的电商订单装箱优化问题。这类订单有很大的物流成本节约空间，而且在促销活动等发货高峰期，光靠工人经验无法保证装箱效率并兼顾物流成本，因此有必要借助遗传算法进行优化。除此之外，电商平台交易主要以个体客户为主，因此还有很多单品种或少品种订单，发货量也比较小，装箱采用简单快速的启发式策略更加合适。综合来看，借助遗传算法和启发式策略，针对不同类型电商订单优化装箱方案，有利于提高纸箱空间利用率、避免纸箱浪费，降低快递成本并提高工人打包效率。
发明内容
本发明的目的就是克服现有技术的不足，提供了一种基于遗传算法和启发式策略的电商订单装箱优化方法，能满足多种类型电商订单的装箱需求，以减少纸箱成本和快递成本，并且能在短时间内得到合理的装箱方案，有助于提高工人打包效率。
启发式策略是指根据经验规则设计的一种解决问题的方法，启发式策略可以在有限搜索时间和空间内，获得问题的可行解，常与算法结合使用。
针对不同类型订单，本发明提出了三种启发式策略进行处理：
(1)枚举法
采用枚举法(Enumeration Method，ENUM)列出订单的所有装箱方案，分别计算其物流成本，根据成本得出最佳方案。对于发货量小于N1(一般可取3)的小订单，由于其货物数量小于遗传算法最低要求，因此适合用枚举法处理，而且计算量小、用时非常短。
(2)块处理法
块处理法(Block Method，BLOCK)适用于货物品种多且批量较大的情况。将相同种类的货物组成固定的“块”，再以“块”为单位运用遗传算法进行处理。通过块处理操作减小问题规模，可以较大幅度减少计算时间，并且同类货物放在一起也符合实际的装箱习惯。
每种货物的块处理原则为：从小到大遍历所有箱型，每个箱型都将货物旋转6次(对应 6种摆放方向)，找到该货物在6个方向上能装箱的最大数量。根据最大数量对应的旋转方向和摆放数量，得到一个个的“块”。剩下的散件也单独以“货物块”对待。
(3)模块化法
模块化法(ModularizationMethod，MODU)适用于单品种或少品种但出货量非常大的订单。考虑了一类货物需要多个纸箱才能装完的情况，并进行整箱模块化处理，大大提高计算效率。
除此之外，本发明方法还考虑了自带包装的大件货物，这类货物不需要再用纸箱包装，叫做裸送货物。其物流成本单独计算，最后并入总物流成本。
本发明采用如下技术方案：
一种基于遗传算法和启发式策略的电商订单装箱优化方法，该优化方法将电商订单分割为裸送货物和非裸送货物；对于非裸送货物，根据货物的数量多少，选择采用枚举法、结合块处理的遗传算法、或者模块化方法(选择三种方式中之一)得到所述非裸送货物针对不同快递商的物流成本；加总所述裸送货物和非裸送货物，得到所述电商订单对于不同快递商的总物流成本和装箱方案；输出总物流成本最低所对应的快递商及装箱方案；其中，所述枚举法、块处理法、模块化法属于启发式策略，遗传算法中包含启发式策略。
进一步的，该方法具体包括：
S1、导入数据，所述数据包括电商订单数据(各类货物长、宽、高、体积、重量、数量、易碎标志、是否裸送)、快递价格(不同快递公司收费的首重、首重价、续重价以及体积重量参数)、箱型数据(不同箱型长、宽、高、体积、成本)；设置遗传算法参数，所述遗传算法参数包括种群规模Popsize、迭代次数Maxgen、代沟Gap、交叉概率Px和变异概率Pm；
S2、分离电商订单中的裸送货物和非裸送货物，计算裸送货物对于不同快递商的快递成本；转到步骤S3计算非裸送货物对于不同快递商的物流成本；所述物流成本包括纸箱成本和快递成本两部分；
S3、若货物数量<＝N1，转到步骤S4；若N1<货物数量<＝N2，转到步骤S5；若货物数量>N2，转到步骤S6；
S4、对于货物数量<＝N1的订单，采用枚举法(ENUM)计算物流成本；转到步骤S7；
S5、对于N1<货物数量<＝N2的订单，先对货物进行块处理(BLOCK)；若块数量<＝N1，转到步骤S4用枚举法计算；否则用遗传算法(GA)迭代优化得到物流成本；转到步骤S7；
S6、对于货物数量>N2的订单，先进行整箱模块化处理，将货物分成整箱和散件两部分；直接计算整箱货物物流成本，散件货物物流成本利用步骤S5计算；转到步骤S7；
S7、计算得到非裸送货物对于不同快递商的物流成本后，与裸送货物进行加和，得到该订单对于不同快递商的总物流成本及对应装箱方案；输出物流成本最低的装箱方案、对应快递商和物流成本。
进一步的，所述优化方法的目标为总物流成本最低，选择总物流成本最低的快递商安排寄送；
目标函数为：
min(Cost总k)，k＝1,2,3…K (1)
约束条件为：
Cost总＝CostA+CostB (2)
Figure RE-GDA0002245143090000031
Figure RE-GDA0002245143090000032
Figure RE-GDA0002245143090000033
Vj<Vmaxj(1-Percent预留)，j＝1,2,3…N (6)
l货≤l箱，xij＝1，i＝1,2,3…M，j＝1,2,3…N (7)
w货≤w箱，xij＝1，i＝1,2,3…M，j＝1,2,3…N (8)
h货≤h箱，xij＝1，i＝1,2,3…M，j＝1,2,3…N (9)
Figure RE-GDA0002245143090000041
式(1)为目标函数，K为待选快递商的总个数；k为第k个快递商；选择总物流成本最低的快递商安排寄送，并根据该快递商下的优化装箱方案打包订单；
式(2)为每种快递商定价下装箱方案的总物流成本计算公式，总物流成本等于裸送货物和非裸送货物的物流成本之和；
式(3)为每种快递商定价下裸送货物的快递成本，若总重不超过首重则按照首重收费，若超过首重则超出部分向上取整乘以续重每单位价格；也可以根据实际收费策略确定快递成本计算方法；
式(4)为每种快递商定价下非裸送货物的总成本，等于快递成本(与裸送货物计算方法相同)与纸箱成本之和；
式(5)表示一件货物只能放入一个箱子中；
式(6)表示每个箱子都有一定的预留空间(用于放置缓冲材料等)，盛装货物的总体积不得超过箱子预留空间以外的最大体积；
式(7)、式(8)、式(9)分别表示货物摆放方向的长、宽、高不得超过箱子对应尺寸；
其中：K是待选快递商的总个数；Cost总k表示在第k个快递商定价策略下优化得到的总物流成本；对于某种快递商定价策略，Cost总是该定价策略下的总物流成本，CostA和CostB分别表示该定价策略下裸送货物和非裸送货物的总物流成本；W总表示订单总重，W首表示对应快递商的首重，Pf表示首重收费价格，Pa表示单位重量续重收费价格(需要注意的是，W 总可能是订单货物的实际重量或者体积重量，一般快递如果实际重量大于体积重量就按实际重量收费，反之按体积重量收费，体积重量＝体积/体积重量参数)；ECost和BCost分别表示非裸送货物在对应快递商定价策略下的快递成本和纸箱成本，N是订单使用的箱子总数，Pbj是第j个箱子的成本；M是货物总数，xij＝1表示第i个货物放入第j个箱中，xij＝0则不放入； Vj表示第j个箱子盛装货物的总体积，Vmaxj表示第j个箱子的最大容量，Percent预留表示箱子预留空间占最大容量的百分比；l，w，h分别表示货物或者箱子对应某种摆放方向的长、宽、高。
进一步的，对于步骤5中使用的遗传算法，其染色体编码由一系列货物或者块编号组成，排在前的货物优先摆放；解码过程设计了多种启发式方法，比如箱子不够用时添加空箱的策略、添加空箱后货物的摆放策略、摆放时的平面分割与合并等，通过多种方式提高箱子的空间利用率。
进一步的，步骤S5中，所述对货物进行块处理的具体方法为：从小到大遍历所有箱型，每个箱型都将货物旋转6次，对应6种摆放方向，找到该货物在6个方向上能装箱的最大数量，根据最大数量对应的旋转方向和摆放数量，得到一个个的“块”，剩下的散件也单独以“货物块”对待。
进一步的，步骤S5中，所述遗传算法的解码总体策略，及解码过程包含的启发式策略分别为：
解码总体策略：根据未装箱货物的信息，按照设计的空箱选择策略添加一个空箱，再根据设计的货物摆放策略往空箱中装货，直到无法装入；如果货物没有装完，则再添加一个空箱并装箱，如此反复直到货物全部入箱；
解码过程包含的空箱选择策略：从小到大遍历所有箱型，箱型必须能放入体积最大的未入箱货物，优先选择能放入所有未入箱货物的最小箱型；
解码过程包含的货物摆放策略：按顺序依次将货物装入空箱，货物无法装入时优先考虑旋转其面向后再装箱，无法装入时才遍历下一个货物，直到箱子装满为止(考虑给包装材料预留的空间)，所有货物遍历一次后如果还存在未入箱货物，则重复进行平面合并、货物摆放的流程，直到入箱的货物数量没有增加或者货物已经全部入箱。
进一步的，步骤S6中，每种货物的整箱模块化处理流程为：
S6.1将所有箱型按体积从小到大排列，令j＝1，f＝1；
S6.2在第j种箱型中，将货物按第f种面向摆放，计算该货物在x、y、z轴的最大摆放数量，相乘得到m1；计算该货物在箱子空余部分x、y、z轴的最大摆放数量，相乘得到m2；加和得到该货物的整箱装箱方案和整箱箱数，每箱能装m0＝m1+m2个；
S6.3若货物没有遍历完全部面向，将货物旋转，并令f＝f+1，转到步骤S6.2；否则转到步骤S6.4；
S6.4若没有遍历完全部箱型，令j＝j+1，f＝1，转到步骤S6.2；否则转到步骤S6.5；
S6.5选择遍历过程中每箱装货数量最大的整箱装箱方案，并计算按该方案装箱后，货物剩余的散件数量。
进一步的，步骤S3中，N1＝3，N2＝100。
一种实现上述的基于遗传算法和启发式策略的电商订单装箱优化方法的计算机程序。
一种实现上述的基于遗传算法和启发式策略的电商订单装箱优化方法的信息数据处理终端。
一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于遗传算法和启发式策略的电商订单装箱优化方法。
本发明的有益效果为：针对电商平台类企业的订单特征设计了一套高效装箱优化方法，灵活考虑了多种箱型、多种快递可选的情况。通过合理规划装箱方案，减少工人打包时的试错时间，帮助提高打包效率，同时减少订单包括纸箱与快递成本在内的总物流成本。本发明设计的装箱算法适用于电商平台企业的多种货物类型，比如服装、箱包、数码产品、家电、厨具以及其他各类日用品。设计的枚举法、块处理法、遗传算法和模块化方法能基本覆盖到出货种类和数量不同的各类订单。尤其是在遗传算法的解码过程加入了多种启发式方法，以提高箱子的空间利用率。
附图说明
图1所示为本发明实施例一种基于遗传算法和启发式策略的电商订单装箱优化方法的总体流程示意图。
图2所示为实施例中的遗传算法流程示意图。
图3所示为实施例中启发式方法解码流程图。
图4所示为实施例中空箱选择流程图。
图5所示为实施例中货物摆放策略流程图。
具体实施方式
下文将结合具体附图详细描述本发明具体实施例。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。在下述实施例的附图中，各附图所出现的相同标号代表相同的特征或者部件，可应用于不同实施例中。
本发明实施例一种基于遗传算法和启发式策略的电商订单装箱优化方法，将电商订单分割为裸送货物和非裸送货物；对于非裸送货物，根据货物的数量多少，选择采用枚举法、结合块处理的遗传算法、或者模块化方法得到所述非裸送货物针对不同快递商的物流成本；加总所述裸送货物和非裸送货物，得到所述电商订单对于不同快递商的总物流成本和装箱方案；输出总物流成本最低所对应的快递商及装箱方案；其中，所述枚举法、块处理法、模块化法属于启发式策略，遗传算法中包含启发式策略。
如图1所示，本发明实施例的优化方法的具体流程如下：
步骤1、读取订单、箱型和快递价格数据；
步骤2、如果存在裸送货物，则将其与非裸送货物分离；直接计算裸送货物在不同快递收费下的快递成本；
步骤3、计算非裸送货物在不同快递收费下的物流成本(包含纸箱成本和快递成本两部分)。若非裸送货物数量<＝3，转到步骤4；若3<货物数量<＝100(或是其他依据实际情况设定的上限值)，转到步骤5；若货物数量>100，转到步骤6；
步骤4、若货物数量<＝3，采用枚举法(ENUM)列出全部装箱方案，计算各方案在不同快递收费下的物流成本；转到步骤7；
步骤5、若3<货物数量<＝100，先按照货物种类进行块处理(BLOCK)；每种货物的块处理方法为：从小到大遍历所有箱型，每个箱型都将货物旋转6次(对应6种摆放方向)，找到该货物在6个方向上能装箱的最大数量；根据最大数量对应的旋转方向和摆放数量，得到一个个的“块”。剩下的散件也单独以“货物块”对待；将处理后的块运用遗传算法进行装箱优化，得到不同快递商收费下的最佳装箱方案；遗传算法流程如图2所示，具体步骤为：
步骤5.1随机产生初始种群；每个个体的染色体编码由一系列货物或者块编号组成，排在前的货物解码时优先摆放；
步骤5.2采用启发式方法解码；解码流程如图3所示，方法为：根据未装箱货物的信息，按照设计的空箱选择策略添加一个空箱，再根据设计的货物摆放策略往空箱中装货，直到无法装入，如果货物没有装完，则按流程再添加一个空箱并装箱，如此反复直到货物全部入箱；
空箱选择策略的流程如图4所示，其方法为：从小到大遍历所有箱型，箱型必须能放入体积最大的未入箱货物；如果箱型能装入所有未入箱货物，停止遍历，选择当前箱型为新增加的空箱；否则更换大箱直到遍历完所有箱型；
货物摆放策略的流程如图5所示，其方法为：根据染色体中的货物摆放优先级，依次尝试将未入箱的货物装入当前空箱，货物无法装入时优先考虑旋转其面向后再装箱，无法装入时才遍历下一个货物，直到箱子装满为止(考虑给包装材料预留的空间)；摆放过程采取了平面列表的概念；货物在平面上摆放，初始时箱子底部是一个完整的平面，后续被货物分割，而货物的顶面形成新的可以利用的平面。对于每一个未入箱的货物，从底到顶遍历可用平面，摆不下则尝试将货物进行旋转(共有6种面向)，判断是否能装入；如果当前货物能入箱，则更新平面列表和箱子装载信息；不能入箱则放弃，遍历下一个未入箱货物；所有货物遍历一次后，如果还存在未入箱货物，则重复进行平面合并、货物摆放的流程；若某次合并后，入箱的货物数量没有增加或者货物已经全部入箱，则停止合并，输出结果；
步骤5.3、对种群个体进行适应度评估。用启发式方法将种群个体解码为装箱方案后，计算当前快递商收费下的快递成本，与纸箱成本加和得到其总物流成本。
步骤5.4、令当前迭代次数i＝0。
步骤5.5、执行选择操作；采用轮盘赌方式选择父代个体；
步骤5.6、执行交叉操作；采用两点交叉方式以加强对解空间的搜索能力；
步骤5.7、执行变异操作；变异方式为随机选择染色体的两个位置交换基因；
步骤5.8、执行保优操作；选中一定数量的父代优秀个体直接进入子代；其余子代个体通过选择、交叉和变异产生；
步骤5.9、对子代个体进行解码和评估；
步骤5.10、令i＝i+1。若i小于最大迭代次数，转到步骤5.5；否则停止迭代，输出最优解；最优解对应当前快递收费方式下的最佳装箱方案。
步骤6、若货物数量>100，将订单中出货量非常大的货物先装整箱，每箱只装一种货物。对于每种需要装整箱的货物，运用模块化方法进行处理。如图4所示，模块化方法的流程为：
步骤6.1、将所有箱型按体积从小到大排列。令j＝1，f＝1。
步骤6.2、在第j种箱型中，将货物按第f种面向摆放。计算该货物在x、y、z轴的最大摆放数量，相乘得到m1。计算该货物在箱子空余部分x、y、z轴的最大摆放数量，相乘得到m2。加和得到该货物的整箱装箱方案和整箱箱数，每箱能装m0＝m1+m2个。
步骤6.3、若货物没有遍历完全部面向，将货物旋转，并令f＝f+1，转到步骤6.2；否则转到步骤6.4。
步骤6.4、若没有遍历完全部箱型，令j＝j+1，f＝1，转到步骤6.2；否则转到步骤6.5。
步骤6.5、选择之前步骤遍历过程中每箱装货数量最大的整箱装箱方案，并计算按该方案装箱后，货物剩余的散件数量。
产生的整箱装箱方案可以不断复制，直到剩下不足一箱的散件。模块化处理得到的整箱货物可以直接计算不同快递商的物流成本，而剩下的散件货物物流成本利用步骤5计算。
步骤7、通过步骤4、5或6得到非裸送货物对于不同快递商的物流成本后，与裸送货物进行加和，得到该订单对于不同快递商的总物流成本以及对应装箱方案。输出物流成本最低的装箱方案、对应快递商和物流成本。
本文虽然已经给出了本发明的几个实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。

Claims (10)

1.基于遗传算法和启发式策略的电商订单装箱优化方法，其特征在于，该优化方法将电商订单分割为裸送货物和非裸送货物；对于非裸送货物，根据货物的数量多少，选择采用枚举法、结合块处理的遗传算法、或者模块化方法得到所述非裸送货物针对不同快递商的物流成本；加总所述裸送货物和非裸送货物的物流成本，得到所述电商订单对于不同快递商的总物流成本和装箱方案；输出总物流成本最低所对应的快递商及装箱方案；其中，所述枚举法、块处理法、模块化法均为启发式策略，遗传算法中包含启发式策略。
2.如权利要求1所述的基于遗传算法和启发式策略的电商订单装箱优化方法，其特征在于，该方法具体包括：
S1、导入数据，所述数据包括电商订单数据、快递价格、箱型数据；设置遗传算法参数，所述遗传算法参数包括种群规模、迭代次数、代沟、交叉概率和变异概率；
S2、分离电商订单中的裸送货物和非裸送货物，计算裸送货物对于不同快递商的快递成本；转到步骤S3计算非裸送货物对于不同快递商的物流成本；所述物流成本包括纸箱成本和快递成本两部分；
S3、若货物数量<＝N1，转到步骤S4；若N1<货物数量<＝N2，转到步骤S5；若货物数量>N2，转到步骤S6；
S4、对于货物数量<＝N1的订单，采用枚举法计算物流成本；转到步骤S7；
S5、对于N1<货物数量<＝N2的订单，先对货物进行块处理；若块数量<＝N1，转到步骤S4用枚举法计算；否则用遗传算法迭代优化得到物流成本；转到步骤S7；
S6、对于货物数量>N2的订单，先进行整箱模块化处理，将货物分成整箱和散件两部分；直接计算整箱货物物流成本，散件货物物流成本利用步骤S5计算；转到步骤S7；
S7、计算得到非裸送货物对于不同快递商的物流成本后，与裸送货物进行加和，得到该订单对于不同快递商的总物流成本及对应装箱方案；输出物流成本最低的装箱方案、对应快递商和物流成本。
3.如权利要求1或2所述的基于遗传算法和启发式策略的电商订单装箱优化方法，其特征在于，所述优化方法的目标为总物流成本最低，选择总物流成本最低的快递商安排寄送；
目标函数为：
min(Cost总k)，k＝1,2,3…K (1)
约束条件为：
Cost总＝CostA+CostB (2)
Figure FDA0002214073790000021
Figure FDA0002214073790000022
Figure FDA0002214073790000023
Vj<Vmaxj(1-Percent预留)，j＝1,2,3…N (6)
l货≤l箱，xij＝1，i＝1,2,3…M，j＝1,2,3…N (7)
w货≤w箱，xij＝1，i＝1,2,3…M，j＝1,2,3…N (8)
h货≤h箱，xij＝1，i＝1,2,3…M，j＝1,2,3…N (9)
Figure FDA0002214073790000024
式(1)为目标函数，K为待选快递商的总个数；k为第k个快递商；
式(2)为每种快递商定价下装箱方案的总物流成本计算公式，总物流成本等于裸送货物和非裸送货物的物流成本之和；
式(3)为每种快递商定价下裸送货物的快递成本，若总重不超过首重则按照首重收费，若超过首重则超出部分向上取整乘以续重每单位价格；
式(4)为每种快递商定价下非裸送货物的总成本，等于快递成本与纸箱成本之和；
式(5)表示一件货物只能放入一个箱子中；
式(6)表示每个箱子都有一定的预留空间，盛装货物的总体积不得超过箱子预留空间以外的最大体积；
式(7)、式(8)、式(9)分别表示货物摆放方向的长、宽、高不得超过箱子对应尺寸；
其中：Cost总k表示在第k个快递商定价策略下优化得到的总物流成本；对于某种快递商定价策略，Cost总是该定价策略下的总物流成本，CostA和CostB分别表示该定价策略下裸送货物和非裸送货物的总物流成本；W总表示订单总重，W首表示对应快递商的首重，Pf表示首重收费价格，Pa表示单位重量续重收费价格；ECost和BCost分别表示非裸送货物在对应快递商定价策略下的快递成本和纸箱成本，N是订单使用的箱子总数，Pbj是第j个箱子的成本；M是货物总数，xij＝1表示第i个货物放入第j个箱中，xij＝0则不放入；Vj表示第j个箱子盛装货物的总体积，Vmaxj表示第j个箱子的最大容量，Percent预留表示箱子预留空间占最大容量的百分比；l，w，h分别表示货物或者箱子对应某种摆放方向的长、宽、高。
4.如权利要求2所述的基于遗传算法和启发式策略的电商订单装箱优化方法，其特征在于，步骤S5中，所述对货物进行块处理的具体方法为：从小到大遍历所有箱型，每个箱型都将货物旋转6次，对应6种摆放方向，找到该货物在6个方向上能装箱的最大数量，根据最大数量对应的旋转方向和摆放数量，得到一个个的“块”，剩下的散件也单独以“货物块”对待。
5.如权利要求2所述的基于遗传算法和启发式策略的电商订单装箱优化方法，其特征在于，步骤S5中，所述遗传算法的解码总体策略，及解码过程包含的启发式策略分别为；
解码总体策略：根据未装箱货物的信息，按照设计的空箱选择策略添加一个空箱，再根据设计的货物摆放策略往空箱中装货，直到无法装入；如果货物没有装完，则再添加一个空箱并装箱，如此反复直到货物全部入箱；
解码过程包含的空箱选择策略：从小到大遍历所有箱型，箱型必须能放入体积最大的未入箱货物，优先选择能放入所有未入箱货物的最小箱型；
解码过程包含的货物摆放策略：按顺序依次将货物装入空箱，货物无法装入时优先考虑旋转其面向后再装箱，无法装入时才遍历下一个货物，直到箱子装满为止(考虑给包装材料预留的空间)，所有货物遍历一次后如果还存在未入箱货物，则重复进行平面合并、货物摆放的流程，直到入箱的货物数量没有增加或者货物已经全部入箱。
6.如权利要求2所述的基于遗传算法和启发式策略的电商订单装箱优化方法，其特征在于，步骤S6中，每种货物的整箱模块化处理流程为：
S6.1将所有箱型按体积从小到大排列，令j＝1，f＝1；
S6.2在第j种箱型中，将货物按第f种面向摆放，计算该货物在x、y、z轴的最大摆放数量，相乘得到m1；计算该货物在箱子空余部分x、y、z轴的最大摆放数量，相乘得到m2；加和得到该货物的整箱装箱方案和整箱箱数，每箱能装m0＝m1+m2个；
S6.3若货物没有遍历完全部面向，将货物旋转，并令f＝f+1，转到步骤S6.2；否则转到步骤S6.4；
S6.4若没有遍历完全部箱型，令j＝j+1，f＝1，转到步骤S6.2；否则转到步骤S6.5；
S6.5选择遍历过程中每箱装货数量最大的整箱装箱方案，并计算按该方案装箱后，货物剩余的散件数量。
7.如权利要求2所述的基于遗传算法和启发式策略的电商订单装箱优化方法，其特征在于，步骤S3中，N1＝3，N2＝100。
8.一种实现如权利要求1～7任一项所述的基于遗传算法和启发式策略的电商订单装箱优化方法的计算机程序。
9.一种实现如权利要求1～7任一项所述的基于遗传算法和启发式策略的电商订单装箱优化方法的信息数据处理终端。
10.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7任一项所述的基于遗传算法和启发式策略的电商订单装箱优化方法。
CN201910908716.4A 2019-09-25 2019-09-25 基于遗传算法和启发式策略的电商订单装箱优化方法 Active CN110705765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910908716.4A CN110705765B (zh) 2019-09-25 2019-09-25 基于遗传算法和启发式策略的电商订单装箱优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910908716.4A CN110705765B (zh) 2019-09-25 2019-09-25 基于遗传算法和启发式策略的电商订单装箱优化方法

Publications (2)

Publication Number Publication Date
CN110705765A true CN110705765A (zh) 2020-01-17
CN110705765B CN110705765B (zh) 2022-03-11

Family

ID=69195964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910908716.4A Active CN110705765B (zh) 2019-09-25 2019-09-25 基于遗传算法和启发式策略的电商订单装箱优化方法

Country Status (1)

Country Link
CN (1) CN110705765B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111898889A (zh) * 2020-07-17 2020-11-06 拉扎斯网络科技（上海）有限公司 一种数据处理的方法、装置、打包装置和信号生成装置
CN112001535A (zh) * 2020-08-10 2020-11-27 上海东普信息科技有限公司 物流装箱方法、装置、设备及存储介质
CN112837014A (zh) * 2021-02-03 2021-05-25 四川物联亿达科技有限公司 可视化三维立体装箱方法
CN113421078A (zh) * 2020-04-29 2021-09-21 阿里巴巴集团控股有限公司 物流对象的处理方法、装置、系统及电子设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5936863A (en) * 1998-01-28 1999-08-10 Lockheed Martin Idaho Technologies Company Optimal segmentation and packaging process
WO2003090149A1 (en) * 2002-04-19 2003-10-30 Salim Damji Process for determining optimal packaging and shipping of goods
CN101789093A (zh) * 2009-07-21 2010-07-28 上海海事大学 一种集装箱码头泊位与岸桥分配方法
US20120173308A1 (en) * 2010-12-30 2012-07-05 International Business Machines Corporation Optimizing package delivery using social networks
CN103473617A (zh) * 2013-09-17 2013-12-25 四川航天系统工程研究所 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
CN103632286A (zh) * 2013-04-28 2014-03-12 方美玉 一种免邮电子商务系统及交易方法
CN104077383A (zh) * 2014-06-27 2014-10-01 广州唯品会网络技术有限公司 用于确定商品包装方案的方法及装置
CN109359739A (zh) * 2018-09-13 2019-02-19 深圳市递四方信息科技有限公司 基于遗传算法的堆叠组合方法、装置、设备和存储介质
CN109447311A (zh) * 2018-09-13 2019-03-08 深圳市递四方信息科技有限公司 基于遗传算法的适配装箱方法、装置、设备和存储介质
CN109761066A (zh) * 2019-03-14 2019-05-17 宁波大学科学技术学院 一种基于组合启发式的三维集装箱装箱方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5936863A (en) * 1998-01-28 1999-08-10 Lockheed Martin Idaho Technologies Company Optimal segmentation and packaging process
WO2003090149A1 (en) * 2002-04-19 2003-10-30 Salim Damji Process for determining optimal packaging and shipping of goods
CN101789093A (zh) * 2009-07-21 2010-07-28 上海海事大学 一种集装箱码头泊位与岸桥分配方法
US20120173308A1 (en) * 2010-12-30 2012-07-05 International Business Machines Corporation Optimizing package delivery using social networks
CN103632286A (zh) * 2013-04-28 2014-03-12 方美玉 一种免邮电子商务系统及交易方法
CN103473617A (zh) * 2013-09-17 2013-12-25 四川航天系统工程研究所 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
CN104077383A (zh) * 2014-06-27 2014-10-01 广州唯品会网络技术有限公司 用于确定商品包装方案的方法及装置
CN109359739A (zh) * 2018-09-13 2019-02-19 深圳市递四方信息科技有限公司 基于遗传算法的堆叠组合方法、装置、设备和存储介质
CN109447311A (zh) * 2018-09-13 2019-03-08 深圳市递四方信息科技有限公司 基于遗传算法的适配装箱方法、装置、设备和存储介质
CN109761066A (zh) * 2019-03-14 2019-05-17 宁波大学科学技术学院 一种基于组合启发式的三维集装箱装箱方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
C. LIN等: "A Heuristic Algorithm for the Three-Dimensional Container Packing Problem with Zero Unloading Cost Constraint", 《 2006 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN AND CYBERNETICS》 *
何静静等: "基于遗传算法的海运集装箱空箱调运成本优化", 《计算机系统应用》 *
徐尔等: "集装箱空箱调运优化问题的研究", 《物流技术》 *
王瑾: "海运集装箱空箱调运成本优化研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
那日萨等: "三维多箱异构货物装载优化及其可视化", 《运筹与管理》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113421078A (zh) * 2020-04-29 2021-09-21 阿里巴巴集团控股有限公司 物流对象的处理方法、装置、系统及电子设备
CN111898889A (zh) * 2020-07-17 2020-11-06 拉扎斯网络科技（上海）有限公司 一种数据处理的方法、装置、打包装置和信号生成装置
CN111898889B (zh) * 2020-07-17 2021-06-15 拉扎斯网络科技（上海）有限公司 一种数据处理的方法、装置、打包装置和信号生成装置
CN112001535A (zh) * 2020-08-10 2020-11-27 上海东普信息科技有限公司 物流装箱方法、装置、设备及存储介质
CN112001535B (zh) * 2020-08-10 2022-03-18 上海东普信息科技有限公司 物流装箱方法、装置、设备及存储介质
CN112837014A (zh) * 2021-02-03 2021-05-25 四川物联亿达科技有限公司 可视化三维立体装箱方法

Also Published As

Publication number Publication date
CN110705765B (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
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
CN112001535B (zh) 物流装箱方法、装置、设备及存储介质
Chan et al. Supply chain coordination with reverse logistics: A vendor/recycler-buyer synchronized cycles model
Khouja et al. A review of the joint replenishment problem literature: 1989–2005
Moon et al. Positioning empty containers among multiple ports with leasing and purchasing considerations
CN109359739A (zh) 基于遗传算法的堆叠组合方法、装置、设备和存储介质
Ali et al. On-line three-dimensional packing problems: A review of off-line and on-line solution approaches
CN109447311A (zh) 基于遗传算法的适配装箱方法、装置、设备和存储介质
Jamrus et al. Extended priority-based hybrid genetic algorithm for the less-than-container loading problem
Sadri Esfahani et al. Modeling the time windows vehicle routing problem in cross-docking strategy using two meta-heuristic algorithms
CN115345549B (zh) 结合装载方案的车辆路径调整方法及系统
Singh et al. Carton Set Optimization in E‐commerce Warehouses: A Case Study
Panda et al. Dynamic hybrid scheduling of crude oil using structure adapted genetic algorithm for uncertainty of tank unavailability
Das et al. Integrated warehouse assignment and carton configuration optimization using deep clustering-based evolutionary algorithms
Damayanti et al. Intelligent warehouse picking improvement model for e-logistics warehouse using single picker routing problem and wave picking
Mungwattana et al. A two-step evolutionary algorithm for the distributor’s pallet loading problem with multi-size pallets
US20180341913A1 (en) Reducing the environmental effects of shipments of goods
CN112478553A (zh) 一种紧致化机器人自动存取系统货物合箱方法
Jiao et al. Container loading problem based on robotic loader system: An optimization approach
Kır et al. A novel hierarchical approach for a heterogeneous 3D pallet loading problem subject to factual loading and delivery constraints
Li et al. Optimal decision-making on product ranking for crossdocking/warehousing operations
Aazami et al. A bi-objective robust optimization model for an integrated production-distribution problem of perishable goods with demand improvement strategies: a case study
Liang et al. A customizable optimization model for green e-commerce packing considering multiple orders and diverse box types
Iori et al. A mixed approach for pallet building problem with practical constraints
Kim et al. Scheduling Trucks in Multi-Door Cross Docking Systems: An Adaptive Genetic Algorithm with a Dispatching Rule

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
GR01 Patent grant
GR01 Patent grant