CN111311145A

CN111311145A - 一种铁路货运智能装配方法

Info

Publication number: CN111311145A
Application number: CN202010074184.1A
Authority: CN
Inventors: 郭坚; 梁耀明; 郑健; 李建华; 厉劲松; 裴鹏; 方海涛; 杨闻彪; 夏伟力; 武文婷; 孙健
Original assignee: Jiangsu Taili Mechanical Technology Co ltd; Institute of Science and Technology of China Railway Shanghai Group Co Ltd
Current assignee: Jiangsu Taili Mechanical Technology Co ltd; Institute of Science and Technology of China Railway Shanghai Group Co Ltd
Priority date: 2020-01-22
Filing date: 2020-01-22
Publication date: 2020-06-19

Abstract

本发明涉及物流货运技术领域，尤其涉及一种铁路货运智能装配方法，将货物的基础数据录入铁路货运智能装配系统中，所述基础数据包括所述货物的形状、尺寸及数量，所述铁路货运智能装配系统根据所述货物的基础数据计算分析所述货物的约束条件；装配时，根据所述运输车辆的车体情况，调取所述铁路货运智能装配系统中的车体配载约束条件，根据所述货物的约束条件和所述车体配载约束条件利用多元优化算法运算所述货物在所述运输车辆内配载计划，并根据所述配载方案生成所述货物装载在所述运输车辆上的配载图。本发明的优点是：根据货物属性，车体规格，计算出合理高效的装车配载，提高了配载效率，减少人工装车事后翻包的工作。

Description

一种铁路货运智能装配方法

技术领域

本发明涉及物流货运技术领域，尤其涉及一种铁路货运智能装配方法。

背景技术

在铁路货物运输业务中，棚车货运站是物流作业的重要环节之一，主要工作包括备车、接货、理货、装货等作业流程。一些小型贸易公司工厂物流公司的货物为小批量，不足以装满一个棚车，因此当目的地相同的货物集中到一定数量时，货运站将这些货物拼装人车，在拼装过程中，如何将一定数量的货物装入最少数量的棚车内是货运站工作的最终目标，达到经济的装车效果。

传统的装车作业是由作业人员根据工作经验，通过反复实践来实现的，棚车的空间利用率相对不理想，造成一定的运输成本。一直以来，很多课题对棚车装车配货问题进行研究，但多数以理论为主，忽略了装货配载的实用性。

发明内容

本发明的目的是根据上述现有技术的不足，提供了一种铁路货运智能装配方法，通过运用多元优化算法运算货物在运输车辆内的配载方案，提高装货配载的实用性和经济性，符合铁路货运的规范，满足铁路货运的需要。

本发明目的实现由以下技术方案完成：

一种铁路货运智能装配方法，用于将货物装入运输车辆中，其特征在于：所述方法至少包括以下步骤：

将货物的基础数据录入铁路货运智能装配系统中，所述基础数据包括所述货物的形状、尺寸及数量，所述铁路货运智能装配系统根据所述货物的基础数据计算分析所述货物的约束条件；

根据所述铁路货运智能装配系统的计算分析结果在所述货物上进行标识；

装配时，根据所述运输车辆的车体情况，调取所述铁路货运智能装配系统中的车体配载约束条件，根据所述货物的约束条件和所述车体配载约束条件利用多元优化算法运算所述货物在所述运输车辆内配载计划，并根据所述配载方案生成所述货物装载在所述运输车辆上的配载图；

确定所述货物对应于所述运输车辆的装载计划，生成配载作业单，根据所述装配作业单将所述货物按所述配载作业单装入所述运输车辆中。

所述铁路货运智能装配系统所采用的多元优化算法所采用的计算过程采用以下步骤：随机放置：装入所述运输车辆内的所述货物的摆放方式均随机选择；局部调整：对装入所述运输车辆内的局部货物按目标函数值作局部调整；逐步逼近：递推的局部随机放置与调整优化，使目标函数值逐步逼近最优值，从而完成所述货物的配载计划的优化；所述目标函数值指的是所述货物的约束条件和所述车体配载约束条件之间的函数关系式的最优解。

当所述货物为不规则形状、尺寸时，将其长宽高抽象成为一个标准立方体，并以该标准立方体进行所述多元优化算法运算。

所述货物的约束条件至少包括所述货物的单边长度约束、空间坐标约束、摆放方向约束、承载能力约束、特殊位置约束、货物重心约束。

所述车体配载约束条件至少包括所述运输车辆的可装载货物的区域的总容积约束、所述运输车辆的车载重量约束。

本发明的优点是：根据货物属性，车体规格，计算出合理高效的装车配载，提高了配载效率，减少人工装车事后翻包的工作；计算出货物的合理装配位置，达到不偏载不偏重，达到铁路运输的安全要求；合理的配载货物后，还充分利用车体空间，提高车体的装载率，提高运输效率。

附图说明

图1为本发明中货物箱的空间分割图；

图2为本发明中货物向的摆放方式示意图；

图3为本发明中运输车辆车载货物摆放空间合并方式图；

图4为本发明中多元优化算法的数据结构图；

图5为本发明的步骤流程图；

图6为本发明的功能示意图；

图7为本发明一实例的箱子三维值及数量表；

图8为本发明一实例的填充率的变化关系表；

图9为各种算法的装箱效果比较图一；

图10为各种算法的装箱效果比较图二；

图11为本发明一实例的测试数据图；

图12为本发明在应用时的填充率变化图。

具体实施方式

以下结合附图通过实施例对本发明特征及其它相关特征作进一步详细说明，以便于同行业技术人员的理解：

实施例：本实施例中的铁路货运智能配载方法用于将货物在对应运输车辆容积及车载重量的条件下，提供最优化的货物配载方案，从而提高经济性和实用性。由于货物在运输过程中均具有包装箱，因此本实施例中的货物以包装在长方体包装箱中的货物为基础，即装载在运输车辆上的货物所占空间是以长方体包装箱的尺寸为基准；而对于运输车辆而言，本实施例以棚车为例。

具体而言，首先，装货配货问题是“尺寸协调”问题，涉及到空间利用问题。本实施例旨在解决如何提高棚车的空间利用率，该空间利用率正是装货配货的目标，空间利用率的提高即可增加单次运输的经济性。

通过对作为运输车辆的棚车的装货配货过程进行分析，总结出如下常见且必要的约束条件：

对于棚车的约束条件包括：

1) 棚车总容积约束。

2) 棚车载重量约束。

对于货物的约束条件包括：

1) 货物箱单边长度约束，如：货物装车后左右偏载不大于100mm。

2) 货物箱空间坐标约束。

3) 货物箱摆放方向约束。有些货物包装上标有向上的箭头（即只能在水平方向向上旋转），本实施例中用可旋转度表示其摆放方向的约束。

4) 货物箱承载能力约束。货物所能承受的最大压力是有限的，当上面货物重量大于下面货物的承受能力时，下面的货物可能被损坏，本实施例中用货物的重量、货物堆垛层数表示货物承载能力的约束。

5) 货物箱特殊位置约束。有些特殊货物需要摆在指定位置，例如需接受海关查验的货物需要放在棚车门边；或者某些货物不能混装。

6) 货物重心约束。货物装载结束后，棚车的重心应该在限定范围之内，这样才能保证码放稳定且容易搬运，如：货物装车后前后偏重不大于1000KG。

本实施例中的铁路货运智能配载系统包括其算法，该算法采用多片段的进行数据对碰运算，从而运算得到货物在运输车辆内的最佳配载方案，该算法原理如下：

A、空间划分

箱子（即货物的包装盒）的装载是在容器（即运输车辆的货物装载空间）的剩余空间中进行的，剩余空间是指容器中未被填充的空间。箱子理论上可以放在容器的任意位置，但不能超出容器的容纳范围，也不能与其他货物交迭放置。为了满足装配问题的稳定性约束和保证每一个箱子装进容器之前，剩余空间都是立方体空间，本实施例选择将箱子从容器的原点坐标处开始放置，并且箱子摆放时必须与坐标轴平行或正交，不能斜放，也不能悬浮放置。当第一个箱子装进容器后，将剩余空间分割成相对于刚刚装入的箱子的前空间、右空间和上空间三个立方体空间，如图 1所示。对每一个箱子装入容器后产生的剩余空间都严格做同样的分割处理。为了装配的有效进行，每装进一个箱子，更新记录一次容器的剩余空间。

B、箱子的放置

假设箱子的摆放没有方向性约束C1，则在装配过程中，箱子的任意一条边都可以竖直放置，此时可以将箱子的摆放方式细分为6种:

1) l平行于L，w平行于W，h平行于H；

2) w平行于L，l平行于W，h平行于H；

3) l平行于L，h平行于W，w平行于H；

4) h平行于L，l平行于W，w平行于H；

5) h平行于L，w平行于W，l平行于H；

6) w平行于L，h平行于W，l平行于H。

如图 2(a)至图 2(f)所示。如果箱子的摆放有方向性约束C1，则根据具体的方向性约束来选择箱子的摆放方式。箱子放入容器时，本实施例中的算法先选择摆放方式后选择放置空间。

C、剩余空间的合并

随着装配的不断进行，剩余空间中可能会产生一些废弃空间，废弃空间指的是装不下任何一个待装箱子的剩余子空间。要提高容器的利用率，就要最大程度的使用废弃空间，即要尽可能地将废弃空间变为可用空间，唯一的办法就是将废弃空间与其他剩余子空间合并。空间合并需同时满足3个条件：

1)两个空间相邻；

2)两个空间底面同高；

3)两个空间合并后，可用空间必须增大。

在同时满足上述3个条件时，根据两个相邻空间的相对位置，将空间的合并方式分为左右合并和前后合并两种方式，如图 3所示。

D、算法描述

多元优化算法(Multi-variant optimization algorithm， MOA)是基于全局和局部搜索交替进行的思想提出的一种全新的群智能算法，该算法在问题的解空间中随机产生全局搜索元及相应的局部搜索元，对解空间进行全面细致地搜索，从而逐渐逼近全局最优解。算法基于计算机的数据结构，构造多元化结构体，结构体用于记忆并协调搜索信息、调动全局局部交替寻优、记忆寻优过程，多次全局局部交叉搜索后，获得全局最优解和多个次优解。

结构体是搜索元全局和局部交替寻优信息交流的平台，是寻优过程记忆的载体。搜索元和结构体构成了MOA的基本框架。结构体是一种能够按照一定规则，记忆协调搜索信息，有固定结构的数据表，如图 4所示。

结构体是用指针实现的二维有序链表，由全局链表和局部链表组成。结构体中，第一行为全局链表，用于保存全局搜索元并记忆和共享全局信息；每一列叫做局部链表，用于保存各个局部解空间内的局部搜索元和记忆局部信息。

全局链表和局部链表都是以搜索元的适应度值为关键字(Key)的有序链表。全局链表中前端搜索元优于后端搜索元，局部链表中上部搜索元优于下部搜索元。搜索元是结构体的组织细胞，用于存放和接收寻优信息。搜索元具有进行全局探索和局部调整的功能。

全局搜索元G_a(Global atom)是全局解空间内随机生成的一个解。一个d维全局元描述如下:

（2）G_a=[unifrnd(l_1,u_1 ),…,unifrnd(l_d,u_d )]

式中，l_i和u_i分别为第i维待优化参数x_i的下限和上限，unifrnd(l_i,u_i )为返回l_i和u_i之间的一个随机数。

局部搜索元L_a (Local atom)是以某个全局元为中心的局部邻域内随机生成的一个解。以全局元G_a为中心的局部搜索元描述如下:

（2）L_a=G_a+[unifrnd(-r,r),…,unifrnd(-r,r)]

式中r为局部邻域半径，决定了局部搜索的范围。

将全局链表记忆较优的全局元作为具有搜索价值的局部解空间的中心，根据其所在全局链表中的位置共享该局部解空间在所有已经发现的具有搜索价值局部解空间中的优越程度:位置越靠前，其所在区域越优。当局部搜索元发现优于全局元的解时，局部链表记忆较优的局部元将取代全局元作为新的具有搜索价值的局部解空间的中心，以分享局部搜索获得的信息。

为了更好地说明MOA的实现过程，给出函数

（2）F(x)=exp(-2 log⁡(2)×((x-0.1)/0.8)^2 )×sin^6⁡(5πx), 0≤x≤1

在给定的区间0≤x≤1内，用MOA求F(x)取最大值时对应的解，寻优过程如图 5所示，多个全局搜索元和对应的局部搜索元对解空间进行全面细致地搜索，逐渐逼近最优解x=0.1。

E、问题的解

针对待装箱子在实际应用中的复杂性和不确定性，基本思想是：

1) 随机放置：装入容器的箱子以及箱子的摆放方式均随机选择；

2) 局部调整：对装入容器的局部箱子按目标函数值作局部调整；

3) 逐步逼近：递推的局部随机放置与调整优化，使目标函数值逐步逼近最优值。

在用MOA实现三维装配问题的求解之前进行预处理：

1) 箱子编号:按自然数序列对待装箱子进行编号，若待装箱子总数为d，则所有待装箱子的编号为1，2，⋯，i，⋯，d。若箱子数量很庞大或不确定，则可以省略这一步，直接分批次装即可。

2) 箱子摆放方式编号:若没有方向性约束C1，则待装箱子的摆放方式编号为:1，2，3，4，5，6，这6种摆放方式分别代表第B、C节中描述的6种摆放方式；若有方向性约束C1，则根据具体的方向约束，待装箱子的摆放方式编号为第B、C节中的一种或几种。

多元优化算法实现背包装载问题的具体步骤如下：

步骤1：编码。编码是应用多元优化算法首先要解决的问题。根据不同研究对象的不同性质，把一个问题的可行解从其解空间转换到多元优化算法能处理的搜索空间中。假设总共有d个待装的箱子，则MOA结构体里一个全局搜索元的编码方式为P=[a_1,⋯,a_i,⋯a_d ]，a_i是1-d之间的随机的且互不重复的整数，表示箱子的序号，i表示箱子a_i,装入容器的次序。d维的搜索元P由全局搜索元式(2)产生，装配问题中，需要全局搜索，同时对局部进行调整。

步骤2：分批随机放置箱子。在实际应用中，待装箱子的种类多样且数量庞大，因此将待装箱子分几批次装入容器。首先取出P中的前n个待装箱子，即第一批次的装配个数为n，然后将此批次的箱子依次装入容器中，n的大小根据箱子的数量设置。每一个箱子装入容器时，采取一种拟人的方法，先随机放置，再做逐步调整。具体如下：

步骤2.1：首先随机选取一个可用空间即剩余空间，然后随机选取一种货物即箱子的摆放方式，最后按该种摆放方式将箱子装入选取好的剩余空间。

步骤2.2：若该箱子无法以该种摆放方式装入剩余空间，则从箱子剩下的几种摆放方式中再随机选取一种，并判断是否可以装入剩余空间。如果可以，则将箱子放入所选的剩余空间并记录箱子的摆放方式；反之，继续选取摆放方式，直到将箱子放入剩余空间或已遍历完该箱子的所有摆放方式为止。

步骤2.3：重复步骤2.1和步骤2.2，直到将箱子放入剩余空间或遍历完所有的剩余空间为止。每装一个箱子，更新记录一次容器的剩余空间，若有废弃空间且满足合并的条件，则将废弃空间与其相邻的剩余空间合并。

步骤2.4：重复步骤2.1-2.3，直到无剩余空间可装载或这一批次的n个箱子全部装入为止。

步骤3：调整优化。利用最优化原理调整优化容器的填充率。已有的决策序D_1=[a_1,a_2,⋯,a_n,]不一定是最优的决策序列，要使该序列为最优决策序列，利用最优化原理逐步调整该序列，直到得到一个满意的结果，具体步骤如下:

步骤3.1：在容器外未装的箱子集中随机抽取一个箱子及其对应的摆放方式。

步骤3.2：将抽取的箱子的体积与a_1的体积相比较，若抽取的箱子体积大于a_1的体积，同时抽取的箱子能够放入a_1放进容器之前对应的剩余空间(指a_1被放入容器之前算法记录的剩余空间)，则用随机抽取的箱子替换a_1。反之，若抽取的箱子的体积小于或等于a_1的体积，或者抽取的箱子不能放入a_1放进容器之前对应的剩余空间，则a_1不用被随机抽取的箱子替换。用同样的方法依次优化该批次装进容器的箱子，得到新的装配序列D_2=[a_1,a_2,⋯,a_n,]，D_2是D_1的优化序列。

步骤3.3：将下一批箱子装入容器后，按步骤3.1和步骤3.2中的方法对新装进容器的几个箱子进行调整优化。重复上述步骤，直到待装箱子已装完或剩余空间全为废弃空间时，即可获得一个潜在的装配方案。由于局部调整后的每一个局部序列都是最优序列，因此整个全局序列同样也是最优序列，符合最优化原理。

步骤3.3、逐次逼近，渐近收敛装配过程，直到满意为止。

如图5和图6所示，本实施例在应用时包括如下步骤：

1) 货源到达货站，作业人员把货物的基础数据整理录入系统，系统根据基础数据，计算分析货物的约束条件，指导作业人员把货物有序的放置待装配区，在理货同时给每件货物粘贴条码标签标识货号；

2) 装配时，根据具体的车体情况，调取系统里的车体配载约束条件，然后自动生成3D配载图；

3) 对于配载不理想之处，可以人工干预进行调整；

4) 调整完毕，确定配载计划，生成配载作业单，配载作业单包含3D配载图、货物装载序号；

5）作业人员根据配载作业单，并参照货物上所粘贴的货号信息向运输车辆内装入货物。

本实施例在实际测试时，以如下实例体现：

从OR-Library网站下载数据，在BR1-BR10中，每种类型有100组测试实例，同时每种类型中箱子的类型数分别为3，5，8， 10，12，15，20，30，40，50，箱子的多样性从弱到强，从而能够更好地反映算法在不同多样性装货配货问题中的应用情况。实验程序运行相适配的计算机上。

1）测试过程

1) 测试过程

以BR1中第1组实例为例具体描述测试过程，将该实例取名为BR1-1。图7为BR1-1的待装箱子的三维值及数量。

预处理1、读取图7数据。通过程序将图7转换为具体的数据矩阵，数据矩阵的每一行代表一种类型的箱子，每一行的前三列分别代表货物的长、宽、高的值，最后一列代表该种类型箱子的数量。

预处理2、对所有箱子按顺序编号。由图7可知，BR1-1中共有112个箱子，其中，第1种类型有40个，第2种类型有33个，第3种类型有39个。因此第1种类型的箱子的编号为1-40，第2种类型的箱子的编号为41-73，第3种类型的箱子的编号为74-112。

步骤1：编码。随机产生112个1-112之间不重复的整数串，如[91，63，3， 36，18，39，⋯，⋯，52，74，10，97，2]，此整数串中的每一个整数与预处理2中的箱子的编号对应，例如91代表 91号货物。相当于把所有待装箱子打乱。

步骤2：分批次装载箱子。根据待装箱子的总数设置装货过程分几批次装载，同时设定每一批次装多少个箱子。例如BR1-1有112个待装箱子，装货过程即可设置为分5批次装载，第1批次装32个，第2批次装27个，第3批次装22个，第4批次装17个，第5批次装14个，这些具体的数据只是某一次实验设置的结果，并不是固定不变的。接着进行装货过程，先将在步骤1产生的箱子序列串中从91号开始的前32个箱子依次装入容器中，每一个箱子装入容器之前更新记录一次当前的剩余空间，若中间有装不下的箱子，则取该箱子后面的货物继续装，直到已装入容器的个数达到设定的32个或者是剩余空间已装不下任何一个未被装的箱子为止，此时将箱子分为已装箱子和未装箱子两部分。

步骤3：调整优化。从未被装入容器的箱子中随机抽取一个如编号为10的箱子，比较10号箱子与91号箱子的体积大小，若10号箱子的体积小于91号箱子的体积，则装入容器的箱子保持不动，同时将10号箱子放回未被装入容器的箱子集中，此时默认91号箱子作为第一个装入容器的最优态；接着从剩下的未被装入容器的箱子中随机抽取一个如编号为97的箱子，比较63号箱子与97号箱子的体积大小，若97号箱子的体积大于63号箱子，则此时判断若97号箱子是否能被63号箱子装入容器之前的剩余空间装下，若能装下，则将63号箱子替换成97号箱子作为第二装入容器的最优态，63号箱子则放到未装的箱子集中。替换后及时更新剩余空间，以便于下一个箱子正确地装入容器中。如上所述，依次将第1批的32个箱子优化完后，继续将第2批次的箱子装入容器中，对第2批次装入的箱子也做同样的优化处理，第3批、第4批和第5批亦然。

步骤4、逐次逼近。经过5次的装载调整优化之后，容器的填充率逐渐逼近上限100%。图8是某一次实验时容器填充率逐渐变化逼近的过程。整个装货过程满足最不利原则。最不利原则是指：若最不利的情况也能满足问题的要求，则其他情况必然满足问题的要求。

如图8所示，是应用多元优化算法后的填充率变化关系表，其可以发现随着逐步逼近的多次递推，填充率达到了0.9625，可显著提高了经济性。

2) 实验结果与分析

从图9和图10中可以看出：从横向数据来看，针对每一种算法，图9的装配效果明显优于图10中的装配效果，且从相邻算例之间填充率的变化量来看，图9要小于图10。不难看出是箱子种类数的不同造成这一现象。图9中箱子的种类数、相邻算例之间箱子种类数的变化量都小于图10。箱子种类数很多即同类箱子的数量很少时，装配过程中立方体对齐的难度大大增加，箱子与箱子中间产生的废弃空间就随之增多，从而问题求解结果的优度呈单调递减的趋势，这在一定程度上体现了三维装配问题存在的一个难题：箱子的种类数越多，即箱子的多样性越强，问题的求解就越困难。

图11给出了本实施例对BR1-BR10测试时的具体细节。图11中从左起的第三列Minimum到最后一列Average分别表示本文算法在同一类型的100个测试实例的运行中记录下的最短运行时间、最长运行时间、平均运行时间、最小填充率、最大填充率和平均填充率，这里的运行时间指程序的实际运行时间。

从图11可以看出，

1)算法最短运行时间与最长运行时间相差很大，原因是本实施例的算法具有较强的随机性；

2)随着箱子种类数的增加，算法的运行时间近似呈单调递增的趋势，这是由于箱子种类数越多，在求解问题时，箱子的组合情况越复杂，要取得好的装配效果就需付出较大的时间代价。

经多批次随机放置和局部调整优化，装配结果逐步逼近全局最优解的过程如图12所示。在实验过程中，装配的批次数和每批次的装配个数等这些参数的设置与每一个算例的箱子总数紧密相关。针对1000个算例，经过测试，得出装配的批次数的取值范围为[5，12][5，12]比较适中，每批次的装配个数呈缓慢递减的趋势。

本实施例在具体实施时：MOA算法求解，具有随机放置、局部调整和逐步逼近的三大特性，经过电脑数据模拟，取得理想的配载效果，针对实际问题中的复杂性和不确定性，MOA算法可以达到货运要求，大不压小，重不压轻，前后不偏重，左右不偏载，同时车皮满载率达到87%。

当货物为不标准包装的货物时，在使用算法前把不标准包装的货物，根据其长宽高抽象成为一个标准的立方体，最后以抽象的立方体进行MOA运算。同时，也可给予这些货物部分的人工干预，从而调整配载方案，提高经济性。

虽然以上实施例已经参照附图对本发明目的的构思和实施例做了详细说明，但本领域普通技术人员可以认识到，在没有脱离权利要求限定范围的前提条件下，仍然可以对本发明作出各种改进和变换故在此不一一赘述。

Claims

1.一种铁路货运智能装配方法，用于将货物装入运输车辆中，其特征在于：所述方法至少包括以下步骤：

配载时，根据所述运输车辆的车体情况，调取所述铁路货运智能装配系统中的车体配载约束条件，根据所述货物的约束条件和所述车体配载约束条件利用多元优化算法运算所述货物在所述运输车辆内配载计划，并根据所述配载方案生成所述货物装载在所述运输车辆上的配载图；

2.根据权利要求1所述的一种铁路货运智能装配方法，其特征在于：所述铁路货运智能装配系统所采用的多元优化算法所采用的计算过程采用以下步骤：随机放置：装入所述运输车辆内的所述货物的摆放方式均随机选择；局部调整：对装入所述运输车辆内的局部货物按目标函数值作局部调整；逐步逼近：递推的局部随机放置与调整优化，使目标函数值逐步逼近最优值，从而完成所述货物的配载计划的优化；所述目标函数值指的是所述货物的约束条件和所述车体配载约束条件之间的函数关系式的最优解。

3.根据权利要求1所述的一种铁路货运智能装配方法，其特征在于：当所述货物为不规则形状、尺寸时，将其长宽高抽象成为一个标准立方体，并以该标准立方体进行所述多元优化算法运算。

4.根据权利要求1所述的一种铁路货运智能装配方法，其特征在于：所述货物的约束条件至少包括所述货物的单边长度约束、空间坐标约束、摆放方向约束、承载能力约束、特殊位置约束、货物重心约束。

5.根据权利要求1所述的一种铁路货运智能装配方法，其特征在于：所述车体配载约束条件至少包括所述运输车辆的可装载货物的区域的总容积约束、所述运输车辆的车载重量约束。