CN110717594B - 基于移动模式序列与遗传算法的装配箱装配方法 - Google Patents

Abstract

本发明公开了一种基于移动模式序列与遗传算法的装配箱装配方法，包括以下步骤：A.获取装配箱的尺寸信息、内装箱的尺寸信息、内装箱的订单标识，并将获取的信息保存到存储设备中；B.读取存储设备中保存的装配箱的尺寸信息及内装箱个数N，设置种群个数M、交叉概率Pc、变异的概率Pm及终止迭代次数NUM；C.利用遗传算法对种群进行交叉变异，通过移动模式序列，得到体积利用率最高的装配方式，以此得到内装箱最优的排放顺序、坐标位置、移动模式、摆放模式。本发明的方法利用移动模式序列的移动方式，加上遗传算法的交叉变异的良好搜索能力，在三维空间搜索最优解，避免陷入局部最优，可适用于多种物流配送场景。

Description

基于移动模式序列与遗传算法的装配箱装配方法

技术领域

本发明涉及装配箱的装配方法技术领域，特别涉及基于移动模式序列与遗传算法的装配箱装配方法。

背景技术

随着物流的发展，物品的运输已渗入到我们生活的方方面面，例如，快递物流、外卖物流等等，如何有效的利用装配箱有限的容纳空间，是目前物流装配中亟需解决的问题，同时，目前较多的物流装配箱的装配都还是人工装配，具体怎样装配仅由操作人员根据自己的认知来操作，少数的由机械手装配时，其具体的装配方案也较为简单，不能最大化的利用装配箱有限的容纳空间。

发明内容

本发明的目的是克服上述背景技术中不足，提供基于移动模式序列与遗传算法的装配箱装配方法，可应用于多种物流装配场景，且特别适合应用于如外卖配送等配送场景，可以实现利用三维移动模式序列与遗传算法，选出适应度最高的个体即体积利用率最高的装配方案，然后通过自动装置如机械手等进行内装箱放置到装配箱。

为了达到上述的技术效果，本发明采取以下技术方案：

基于移动模式序列与遗传算法的装配箱装配方法，包括以下步骤：

A.获取装配箱的尺寸信息、内装箱的尺寸信息、内装箱的订单标识，并将获取的信息保存到存储设备中；

B.读取存储设备中保存的装配箱的尺寸信息及内装箱个数N，设置种群个数M、交叉概率Pc、变异的概率Pm及终止迭代次数NUM；其中，

0＜Pc＜1，0＜Pm＜1，1＜NUM；

C.利用遗传算法对种群进行交叉变异，通过移动模式序列，得到体积利用率最高的装配方式，以此得到内装箱最优的排放顺序、坐标位置、移动模式、摆放模式，其中，所述排放顺序即一个种群中内装箱的排列顺序，坐标位置是根据装配箱尺寸信息建立坐标系，根据每个内装箱的排放顺序结合其尺寸信息得出的其在坐标系中的坐标位置，移动模式为将内装箱放入装配箱中时的移动步骤，摆放模式是将内装箱放入装配箱中时的摆放方式。

进一步地，所述坐标系是以装配箱的容纳内腔最左侧的顶点作为三维坐标系的原点建立的三维坐标系，且每个内装箱的装配均是从该装配箱的最顶端开始，在所述三维坐标系中设有有效坐标范围，即所述装配箱的容纳内腔所在的坐标范围。

进一步地，移动模式包括以下6种模式，每个内装箱任选其中一种作为其移动模式：

模式1：先向下移动，向下到不能移动为止，向左移动到极限，最后向后移动；

模式2：先向下移动，向下移动到不能移动为止，向后移动到极限，最后向左移动；

模式3：先向左移动，向左到不能移动为止，向下移动到极限，最后向后移动；

模式4：先向左移动，向左到不能移动为止，向后移动到极限，最后向下移动；

模式5：先向后移动，向后到不能移动为止，向左移动到极限，最后向下移动；

模式6：先向后移动，向后到不能移动为止，向下移动到极限，最后向左移动。

进一步地，所述摆放模式包括横向放置和列向放置，每个内装箱任选其中一种作为其摆放模式。

进一步地，所述步骤C具体包括以下步骤：

C1.随机产生0～N-1个数字作为编码，一个数字与一个内装箱一一对应，即每个内装箱均有唯一的数字编码，且该数字编码与该内装箱的尺寸信息、订单标识、移动模式及摆放模式相对应；

C2.设定个体，其中，每个个体是N个内装箱的随机排列，则每个个体的内装箱的数字编码的顺序排列即构成该个体的唯一编码，并根据该唯一编码得出各内装箱在该编码下的坐标信息；设定初始迭代次数为0；

C3.判定当前迭代次数是否等于终止迭代次数NUM，若是，则进入步骤C10，否则，进入步骤C4；

C4.计算个体适应度，根据移动模式得出内装箱装入装配箱的序列，根据坐标信息与有效坐标范围得出该个体中装入装配箱的内装箱的信息，计算每个个体的装配箱的体积利用率η，η＝(所有装入装配箱的内装箱的体积之和)/(装配箱体积)*100％；

C5.根据订单标识判断同一订单中的内装箱是否放入同一个装配箱，若不是则将该个体的个体适应度置为零；

C6.将种群的个体适应度按降序排列，用排前n％的个体替换掉排后n％的个体；

C7.交叉算子：采用随机的方法对个体进行两两配对，随机选择交叉点，将个体在交叉点后的序列交换，分别形成新的个体；

C8.变异算子：采用随机的方法选取一个个体，随机产生两个变异点，将个体中的这两个变异点进行交换；

C9.将迭代次数加1并返回步骤C3；

C10.将种群的个体适应度按降序排列，选择第一个个体作为最优个体，则所述最优个体包含的排放顺序、坐标位置、移动模式、摆放模式即最终的装配方案。

进一步地，所述步骤C7具体包括：

C7.1.采用随机的方法对个体进行两两配对，并随机选择一对个体，随机产生0～1之间的随机数X、随机产生一个0～N-1之间的数作为交叉点，并随机给T赋值，其中，T＝0或T＝1；

C7.2.将产生的随机数X与交叉概率Pc进行比较，若X≥Pc，则保持选择的一对个体不变，否则，进入步骤C7.3；

C7.3.若T＝0，则将选择的两个个体的序列中交叉点后的内装箱的移动模式互换；若T＝1，则将两个个体的序列数即内装箱的排放顺序互换。

进一步地，所述步骤C8具体包括：

C8.1.采用随机的方法选取一个个体，随机产生0～1之间的随机数X、随机产生两个0～N-1之间的数作为变异点，随机给T赋值，其中，T＝0或T＝1或T＝2；

C8.2.将产生的随机数X与变异的概率Pm进行比较，若X≥Pm，则保持选择的个体不变，否则，进入步骤C8.3；

C8.3.若T＝0，则将个体中2个变异点的内装箱的移动模式互换；若T＝1，则将个体中2个变异点的内装箱的排放顺序互换；若T＝2，则将个体中2个变异点的内装箱的摆放模式互换。

进一步地，n＝15。

本发明与现有技术相比，具有以下的有益效果：

本发明的基于移动模式序列与遗传算法的装配箱装配方法，利用移动模式序列的移动方式，加上遗传算法的交叉变异的良好搜索能力，在三维空间搜索最优解，避免陷入局部最优，可适用于多种物流配送场景，特别是对如外卖行业等暂无智能装配的物料配送行业也提供了一个装配新思路。

附图说明

图1是本发明的基于移动模式序列与遗传算法的装配箱装配方法的流程示意图。

图2是以装配箱建立三维坐标系的示意图。

具体实施方式

下面结合本发明的实施例对本发明作进一步的阐述和说明。

实施例：

实施例一：

如图1所示，一种基于移动模式序列与遗传算法的装配箱装配方法，实际中可由写于软件程序内自动执行，本实施例中，将其应用于外卖物流配送为例，则下述的装配箱及外卖物流配送箱，内装箱及外卖盒，具体包括以下步骤：

步骤1.利用射频识别设备读取装配箱的尺寸信息(包括长、宽、高)、内装箱的尺寸信息(包括长、宽、高)、内装箱的订单标识，并将获取的信息保存到存储设备中；

步骤2.读取存储设备中保存的装配箱的尺寸信息及待装配的内装箱个数N，设置种群个数M、交叉概率Pc、变异的概率Pm及终止迭代次数NUM；其中，

0＜Pc＜1，0＜Pm＜1，1＜NUM，一般可设置终止迭代次数为1000，交叉概率Pc及变异的概率Pm则根据具体需要进行的交叉次数及变异次数来设定，如若需要多次交叉，可将交叉概率Pc设定较大即无限接近于1，若需要多次变异，可将变异的概率Pm设定较大即无限接近于1；

步骤3.利用遗传算法对种群进行交叉变异，通过移动模式序列，得到体积利用率最高的装配方式，以此得到内装箱最优的排放顺序、坐标位置、移动模式、摆放模式，其中，所述排放顺序即一个种群中内装箱的排列顺序，坐标位置是根据装配箱尺寸信息建立坐标系，根据每个内装箱的排放顺序结合其尺寸信息得出的其在坐标系中的坐标位置，移动模式为将内装箱放入装配箱中时的移动步骤，摆放模式是将内装箱放入装配箱中时的摆放方式。

具体的，如图2所示，所述坐标系是以装配箱的容纳内腔最左侧的顶点作为三维坐标系的原点建立的三维坐标系，且每个内装箱的装配均是从该装配箱的最顶端开始，在所述三维坐标系中设有有效坐标范围，即所述装配箱的容纳内腔所在的坐标范围，若某内装箱的坐标位置超出了设定的有效坐标范围，则可判定在该排放顺序中，该内装箱未装入装配箱内。

具体的，本实施例中，摆放模式包括横向放置和列向放置，每个内装箱任选其中一种作为其摆放模式。移动模式则包括以下6种模式，每个内装箱任选其中一种作为其移动模式：

模式1：先向下移动，向下到不能移动为止，向左移动到极限，最后向后移动；

模式2：先向下移动，向下移动到不能移动为止，向后移动到极限，最后向左移动；

模式3：先向左移动，向左到不能移动为止，向下移动到极限，最后向后移动；

模式4：先向左移动，向左到不能移动为止，向后移动到极限，最后向下移动；

模式5：先向后移动，向后到不能移动为止，向左移动到极限，最后向下移动；

模式6：先向后移动，向后到不能移动为止，向下移动到极限，最后向左移动。

具体的，上述步骤3具体包括以下步骤：

步骤3.1.随机产生0～N-1的N个数字作为编码，一个数字与一个内装箱一一对应，即每个内装箱均有唯一的数字编码，且该数字编码与该内装箱的尺寸信息、订单标识、移动模式及摆放模式相对应，相当于读取一个数字编码即可获取该数字编码对应的内装箱的尺寸信息、订单标识、移动模式及摆放模式；采用数字编码的好处是可以与内装箱数目一一对应，交叉变异时易于实现，增强遗传算法的全局搜索能力；

步骤3.2.设定个体，其中，每个个体是N个内装箱的随机排列，则每个个体的内装箱的数字编码的顺序排列即构成该个体的唯一编码；由于内装箱的尺寸固定，在内装箱装入装配箱的顺序、移动模式及摆放模式固定时，则该内装箱在装配箱内的位置即固定，因此通过个体的数字编码即可得出其各内装箱在三维坐标系内的坐标信息；同时，设定初始迭代次数为0；

步骤3.3.判定当前迭代次数是否等于终止迭代次数NUM，若是，则进入步骤3.10，否则，进入步骤3.4；

步骤3.4.计算个体适应度，根据个体的各内装箱的坐标信息与有效坐标范围得出该个体中装入装配箱的内装箱的信息，计算每个个体的装配箱的体积利用率η，η＝(所有装入装配箱的内装箱的体积之和)/(装配箱体积)*100％；

步骤3.5.根据订单标识判断同一订单中的内装箱是否放入同一个装配箱，若不是则将该个体的个体适应度置为零；

步骤3.6.为了保留优良的个体，在计算个体适应度后，将种群的个体适应度按降序排列，利用遗传算法优胜劣汰的规则，用排前15％的个体替换掉排后15％的个体；

步骤3.7.交叉算子：采用随机的方法对个体进行两两配对，随机选择交叉点，将个体在交叉点后的序列交换，分别形成新的个体；

具体包括：

步骤3.7.1.采用随机的方法对个体进行两两配对，并随机选择一对个体，随机产生0～1之间的随机数X、随机产生一个0～N-1之间的数作为交叉点，并随机给T赋值，其中，T＝0或T＝1；

步骤3.7.2.将产生的随机数X与交叉概率Pc进行比较，若X≥Pc，则保持选择的一对个体不变，否则，进入步骤C7.3；

步骤3.7.3.若T＝0，则将选择的两个个体的序列中交叉点后的内装箱的移动模式互换；若T＝1，则将两个个体的序列数即内装箱的排放顺序互换；

步骤3.8.变异算子：采用随机的方法选取一个个体，随机产生两个变异点，将个体中的这两个变异点进行交换；

具体包括：

步骤3.8.1.采用随机的方法选取一个个体，随机产生0～1之间的随机数X、随机产生两个0～N-1之间的数作为变异点，随机给T赋值，其中，T＝0或T＝1或T＝2；

步骤3.8.2.将产生的随机数X与变异的概率Pm进行比较，若X≥Pm，则保持选择的个体不变，否则，进入步骤C8.3；

步骤3.8.3.若T＝0，则将个体中2个变异点的内装箱的移动模式互换；若T＝1，则将个体中2个变异点的内装箱的排放顺序互换；若T＝2，则将个体中2个变异点的内装箱的摆放模式互换；

步骤3.9.将迭代次数加1并返回步骤3.3；

步骤3.10.将种群的个体适应度按降序排列，选择第一个个体作为最优个体，则所述最优个体包含的各内装箱的排放顺序、坐标位置、移动模式、摆放模式即最终的装配方案。

最后，机械手即可根据得出的装配方案进行装配，以实现智能装配。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (7)

1.基于移动模式序列与遗传算法的装配箱装配方法，其特征在于，包括以下步骤：

A.获取装配箱的尺寸信息、内装箱的尺寸信息、内装箱的订单标识，并将获取的信息保存到存储设备中；

B.读取存储设备中保存的装配箱的尺寸信息及内装箱个数N，设置种群个数M、交叉概率Pc、变异的概率Pm及终止迭代次数NUM；其中，

0＜Pc＜1，0＜Pm＜1，1＜NUM；

C.利用遗传算法对种群进行交叉变异，通过移动模式序列，得到体积利用率最高的装配方式，以此得到内装箱最优的排放顺序、坐标位置、移动模式、摆放模式，其中，所述排放顺序即一个种群中内装箱的排列顺序，坐标位置是根据装配箱尺寸信息建立坐标系，根据每个内装箱的排放顺序结合其尺寸信息得出的其在坐标系中的坐标位置，移动模式为将内装箱放入装配箱中时的移动步骤，摆放模式是将内装箱放入装配箱中时的摆放方式；所述步骤C具体包括以下步骤：

C1.随机产生0～N-1的N个数字作为编码，一个数字与一个内装箱一一对应，即每个内装箱均有唯一的数字编码，且该数字编码与该内装箱的尺寸信息、订单标识、移动模式及摆放模式相对应；

C2.设定个体，其中，每个个体是N个内装箱的随机排列，则每个个体的内装箱的数字编码的顺序排列即构成该个体的唯一编码，并根据该唯一编码得出各内装箱在该编码下的坐标信息；设定初始迭代次数为0；

C3.判定当前迭代次数是否等于终止迭代次数NUM，若是，则进入步骤C10，否则，进入步骤C4；

C4.计算个体适应度，根据个体的各内装箱的坐标信息与有效坐标范围得出该个体中装入装配箱的内装箱的信息，计算每个个体的装配箱的体积利用率η，η＝(所有装入装配箱的内装箱的体积之和)/(装配箱体积)*100％；

C5.根据订单标识判断同一订单中的内装箱是否放入同一个装配箱，若不是则将该个体的个体适应度置为零；

C6.将种群的个体适应度按降序排列，用排前n％的个体替换掉排后n％的个体；

C7.交叉算子：采用随机的方法对个体进行两两配对，随机选择交叉点，将个体在交叉点后的序列交换，分别形成新的个体；

C8.变异算子：采用随机的方法选取一个个体，随机产生两个变异点，将个体中的这两个变异点进行交换；

C9.将迭代次数加1并返回步骤C3；

C10.将种群的个体适应度按降序排列，选择第一个个体作为最优个体，则所述最优个体包含的排放顺序、坐标位置、移动模式、摆放模式即最终的装配方案。

2.根据权利要求1所述的基于移动模式序列与遗传算法的装配箱装配方法，其特征在于，所述坐标系是以装配箱的容纳内腔最左侧的顶点作为三维坐标系的原点建立的三维坐标系，且每个内装箱的装配均是从该装配箱的最顶端开始，在所述三维坐标系中设有有效坐标范围，即所述装配箱的容纳内腔所在的坐标范围。

3.根据权利要求2所述的基于移动模式序列与遗传算法的装配箱装配方法，其特征在于，移动模式包括以下6种模式，每个内装箱任选其中一种作为其移动模式：

模式1：先向下移动，向下到不能移动为止，向左移动到极限，最后向后移动；

模式2：先向下移动，向下移动到不能移动为止，向后移动到极限，最后向左移动；

模式3：先向左移动，向左到不能移动为止，向下移动到极限，最后向后移动；

模式4：先向左移动，向左到不能移动为止，向后移动到极限，最后向下移动；

模式5：先向后移动，向后到不能移动为止，向左移动到极限，最后向下移动；

模式6：先向后移动，向后到不能移动为止，向下移动到极限，最后向左移动。

4.根据权利要求2或3所述的基于移动模式序列与遗传算法的装配箱装配方法，其特征在于，所述摆放模式包括横向放置和列向放置，每个内装箱任选其中一种作为其摆放模式。

5.根据权利要求1所述的基于移动模式序列与遗传算法的装配箱装配方法，其特征在于，所述步骤C7具体包括：

C7.1.采用随机的方法对个体进行两两配对，并随机选择一对个体，随机产生0～1之间的随机数X、随机产生一个0～N-1之间的数作为交叉点，并随机给T赋值，其中，T＝0或T＝1；

C7.2.将产生的随机数X与交叉概率Pc进行比较，若X≥Pc，则保持选择的一对个体不变，否则，进入步骤C7.3；

C7.3.若T＝0，则将选择的两个个体的序列中交叉点后的内装箱的移动模式互换；若T＝1，则将两个个体的序列数即内装箱的排放顺序互换。

6.根据权利要求1所述的基于移动模式序列与遗传算法的装配箱装配方法，其特征在于，所述步骤C8具体包括：

C8.1.采用随机的方法选取一个个体，随机产生0～1之间的随机数X、随机产生两个0～N-1之间的数作为变异点，随机给T赋值，其中，T＝0或T＝1或T＝2；

C8.2.将产生的随机数X与变异的概率Pm进行比较，若X≥Pm，则保持选择的个体不变，否则，进入步骤C8.3；

C8.3.若T＝0，则将个体中2个变异点的内装箱的移动模式互换；若T＝1，则将个体中2个变异点的内装箱的排放顺序互换；若T＝2，则将个体中2个变异点的内装箱的摆放模式互换。

7.根据权利要求1所述的基于移动模式序列与遗传算法的装配箱装配方法，其特征在于，n＝15。

Images