CN112001535B - 物流装箱方法、装置、设备及存储介质 - Google Patents
物流装箱方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112001535B CN112001535B CN202010796447.XA CN202010796447A CN112001535B CN 112001535 B CN112001535 B CN 112001535B CN 202010796447 A CN202010796447 A CN 202010796447A CN 112001535 B CN112001535 B CN 112001535B
- Authority
- CN
- China
- Prior art keywords
- boxed
- boxing
- boxes
- objects
- box
- 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.)
- Active
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
- 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
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Container Filling Or Packaging Operations (AREA)
Abstract
本发明涉及仓库管理技术领域,其公开了一种物流装箱方法、装置、设备及存储介质。该方法根据待装箱物件的尺寸参数相互组合匹配得到合适型号的箱子,在此基础上计算初步装箱策略,基于初步装箱策略进行实际的填充,得到实际填充结果,将实际填充结果与初步装箱策略进行比对校验,只有校验结果满足装箱条件时,进行装箱操作,不满足的则需要重新匹配箱子。基于这种方式实现对物件装箱的预匹配,预匹配可以减少装箱的计算量,提高实际装箱的效率,同时根据待装箱物件的尺寸参数来匹配,会大大减少箱子的耗材,降低了运输成本,并且还通过实际填充来验证预匹配的装箱策略,从而实现了装箱的自适应启动,提高了物件的实际填充效果。
Description
技术领域
本申请涉及物流仓储技术领域,具体涉及一种物流装箱方法、装置、设备及存储介质。
背景技术
目前,在仓储服务中,打包环节通常是这样完成的:在打包区,由人工根据用户订单内容,在拣选容器中选择需要的物品,还需要根据物品属性,比如,是否抗压,是否易碎,决定选择的包装箱以及商品在包装箱中的摆放策略。
但是,随着网络购物以及货运需求的日渐旺盛,用户订单迅猛增加。在打包环节中,夜以继日不知疲倦的移动机器人搬运到分拣容器中物品随之增加,人工打包效率明显跟不上,造成货物积压,商品出库慢,影响仓储运行效率以及用户体验,尤其是对于异构的物品,其包装会比较的耗材,这样大大增加了物流的成本。
发明内容
本发明的主要目的是解决现有的物品装箱方式,在对异构物品装箱时耗材过大,且效率低的技术问题。
本发明第一方面提供了一种物流装箱方法,所述物流装箱方法包括:
获取当前时刻下的待装箱物件,并计算所述待装箱物件的尺寸参数;
基于所述尺寸参数对所述待装箱物件进行组合计算,并根据组合计算的结果分配对应型号的箱子,得到初步装箱策略,其中所述初步装箱策略包括装箱方式、箱子的型号和箱子的数量;
调用填充算法,将所有的待装箱物件填充至所述初步装箱策略所规定的型号的箱子中,得到实际填充结果;
确定所述实际填充结果与所述初步装箱策略之间的差异关系,并判断所述差异关系是否满足装箱条件;
若满足,则根据所述初步装箱策略对所有的待装箱物件进行装箱;
若不满足,则重新匹配箱子的型号,确定初步装箱策略。
可选地,在本发明第一方面的第一种实现方式中,所述基于所述尺寸参数对所述待装箱物件进行组合计算,并根据组合计算的结果分配对应型号的箱子,得到初步装箱策略包括:
根据所述尺寸参数,对所有的待装箱物件进行排序,得到物件序列;
按照体积从大到小的顺序对所有型号的箱子进行排序,得到箱子序列;
将所述物件序列中的每个待装箱物件依次与所述箱子序列中的每个型号的箱子进行匹配,并基于匹配的结果对所述待装箱物件进行排序归类处理,得到物件集合;
基于物件组合算法对所述物件集合中同类的待装箱物件进行相互组合,并计算组合后的物件的尺寸信息;
基于所述尺寸信息选择尺寸相匹配的型号的箱子,生成初步装箱策略。
可选地,在本发明第一方面的第二种实现方式中,所述将所述物件序列中的每个待装箱物件依次与所述箱子序列中的每个型号的箱子进行匹配,并基于匹配的结果对所述待装箱物件进行排序归类处理,得到物件集合包括:
将所述物件序列中每个待装箱物件的尺寸参数与所述箱子序列中每个型号的箱子的尺寸参数进行比对,得到比对结果;
根据所述比对结果,对所述待装箱物件进行排序归类处理,得到物件集合,其中,所述比对结果包括所述待装箱物件的尺寸不大于箱子的尺寸和所述待装箱物件的尺寸大于箱子的尺寸。
可选地,在本发明第一方面的第三种实现方式中,在所述根据所述比对结果,对所述待装箱物件进行排序归类处理,得到物件集合,并基于所述物件集合构建匹配矩阵之后,还包括:
根据所述物件集合构建匹配矩阵;
基于所述匹配矩阵,则调用最优值求解算法,从所述物件集合中求解整体耗材最小的型号的箱子,并基于求解的结果更新所述待装箱物件与箱子的型号之间的对应关系;
根据更新后的对应关系,将对应的待装箱物件从所述待装箱物件的尺寸不大于箱子的尺寸的类别集合中删除,直到求解完所有待装箱物件的最小耗材量后,得到新物件集合;
基于所述新物件集合,继续调用所述最优值求解算法求解所述新物件集合中整体耗材最小的型号的箱子,直到所述待装箱物件的尺寸不大于箱子的尺寸的类别集合为空。
可选地,在本发明第一方面的第四种实现方式中,所述调用填充算法,将所有的待装箱物件填充至所述初步装箱策略所规定的型号的箱子中,得到实际填充结果包括:
获取分配型号相同的箱子的K个装箱物件,并以每个装箱物件的左后下角为放置点,计算所述K个装箱物件的放置点的第一坐标信息以及其他棱角相对于放置点的第二坐标信息,其中K为大于0的整数;
基于所述第一坐标信息和第二坐标信息,计算所述型号的箱子中极点的坐标,并计算所述待装箱物件与所述K个装箱物件构建的最小包络块;
基于所述最小包络块,将所述待装箱物件填充至所述型号的箱子中的极点,依次填充对应类别集合中的所有待装箱物件,直到所有类别物件集合都填充完成后,得到所有待装箱物件装箱所需要的实际箱子数量。
可选地,在本发明第一方面的第五种实现方式中,所述基于所述最小包络块,将所述待装箱物件填充至所述型号的箱子中的极点,依次填充对应类别集合中的所有待装箱物件,直到所有类别物件集合都填充完成后,得到所有待装箱物件装箱所需要的实际箱子数量包括:
将所述待装箱物件放入对应型号的箱子中,其中,所述待装箱物件的放置点与所述箱子的极点重合;
选择所述待装箱物件的其他棱角作为箱子的新极点,并计算所述箱子的剩余空间;
从剩余的待装箱物件中选择下标最小的待装箱物件填充至所述新极点的位置上,并计算所述箱子的剩余空间,直到所述箱子的剩余空间小于任一个待装箱物件的尺寸时,结束填充操作;
统计所有类别的物件集合都填充完成后所需的箱子数量,得到实际箱子数量。
可选地,在本发明第一方面的第六种实现方式中,在所述差异关系满足装箱条件,根据所述初步装箱策略对所有的待装箱物件进行装箱之后,还包括:
随机选择其中两个箱子作为合并对象,读取两个箱子对应的所有待装箱物件,形成待合并装箱集合,并根据预置堆积度函数计算所述两个的堆积度,得到原堆积度值;
将所述待合并装箱集合中的所有待装箱物件重新排序,依次填充所述两个箱子,并根据预置堆积度函数重新计算所述所有待装箱物件在所述两个箱子中的堆积度,得到合并堆积度值;
若所述合并堆积度大于所述原堆积度时,将所述两个箱子中的待装箱物件进行合并,输出合并后的装箱策略,并将所述合并后的装箱策略替代所述初始装箱策略;继续随机选择两个箱子反复计算堆积度,直到计算次数大于预设迭代次数时,结束堆积计算,输出最终装箱策略;
若所述合并堆积度不大于所述原堆积度时,保留所述初始装箱策略。
可选地,在本发明第一方面的第七种实现方式中,将所述待合并装箱集合中的所有待装箱物件重新排序,依次填充所述两个箱子包括:
随机交换所述待合并装箱集合中的两个待装箱物件的下标顺序,得到待装箱物件新的下标顺序,并按照所述新的下标顺序将所有待装箱物件依次装入所述两个箱子中型号较大的箱子;
若所有待装箱物件可全部填充于所述两个箱子中型号较大的箱子,删除所述两个箱子中的型号较小的箱子;
若所有待装箱物件不能全部填充于所述两个箱子中型号较大的箱子,将不能填充的待箱物件填充在所述两个箱子中型号较小的箱子。
本发明第二方面提供了一种物流装箱装置,所述物流装箱装置包括:
采集模块,用于获取当前时刻下的待装箱物件,并计算所述待装箱物件的尺寸参数;
选型模块,用于基于所述尺寸参数对所述待装箱物件进行组合计算,并根据组合计算的结果分配对应型号的箱子,得到初步装箱策略,其中所述初步装箱策略包括装箱方式、箱子的型号和箱子的数量;
填充模块,用于调用填充算法,将所有的待装箱物件填充至所述初步装箱策略所规定的型号的箱子中,得到实际填充结果;
校验模块,用于确定所述实际填充结果与所述初步装箱策略之间的差异关系,并判断所述差异关系是否满足装箱条件;
装箱模块,用于在所述差异关系满足装箱条件时,根据所述初步装箱策略对所有的待装箱物件进行装箱;以及在所述差异关系不满足装箱条件时,控制所述选型模块重新匹配箱子的型号,确定初步装箱策略。
可选地,在本发明第二方面的第一种实现方式中,所述选型模块包括:
排序单元,用于根据所述尺寸参数,对所有的待装箱物件进行排序,得到物件序列;以及按照体积从大到小的顺序对所有型号的箱子进行排序,得到箱子序列;
归类单元,用于将所述物件序列中的每个待装箱物件依次与所述箱子序列中的每个型号的箱子进行匹配,并基于匹配的结果对所述待装箱物件进行排序归类处理,得到物件集合;
组合单元,用于基于物件组合算法对所述物件集合中同类的待装箱物件进行相互组合,并计算组合后的物件的尺寸信息;
策略生成单元,用于基于所述尺寸信息选择尺寸相匹配的型号的箱子,生成初步装箱策略。
可选地,在本发明第二方面的第二种实现方式中,所述组合单元具体用于:
将所述物件序列中每个待装箱物件的尺寸参数与所述箱子序列中每个型号的箱子的尺寸参数进行比对,得到比对结果;
根据所述比对结果,对所述待装箱物件进行排序归类处理,得到物件集合,其中,所述比对结果包括所述待装箱物件的尺寸不大于箱子的尺寸和所述待装箱物件的尺寸大于箱子的尺寸。
可选地,在本发明第二方面的第三种实现方式中,所述选型模块还包括调整单元,所述调整单元具体用于:
根据所述物件集合构建匹配矩阵;
基于所述匹配矩阵,调用最优值求解算法,从所述物件集合中求解整体耗材最小的型号的箱子,并基于求解的结果更新所述待装箱物件与箱子的型号之间的对应关系;
根据更新后的对应关系,将对应的待装箱物件从所述待装箱物件的尺寸不大于箱子的尺寸的类别集合中删除,得到新物件集合;
基于所述新物件集合,继续调用所述最优值求解算法求解所述新物件集合中整体耗材最小的型号的箱子,直到所述待装箱物件的尺寸不大于箱子的尺寸的类别集合为空。
可选地,在本发明第二方面的第四种实现方式中,所述填充模块包括:
计算单元,用于获取分配型号相同的箱子的K个装箱物件,并以每个装箱物件的左后下角为放置点,计算所述K个装箱物件的放置点的第一坐标信息以及其他棱角相对于放置点的第二坐标信息,其中K为大于0的整数;
构建单元,用于基于所述第一坐标信息和第二坐标信息,计算所述型号的箱子中极点的坐标,并计算所述待装箱物件与所述K个装箱物件构建的最小包络块;
填充单元,用于基于所述最小包络块,将所述待装箱物件填充至所述型号的箱子中的极点,依次填充对应类别集合中的所有待装箱物件,直到所有类别物件集合都填充完成后,得到所有待装箱物件装箱所需要的实际箱子数量。
可选地,在本发明第二方面的第五种实现方式中,所述填充单元具体用于:
将所述待装箱物件放入对应型号的箱子中,其中,所述待装箱物件的放置点与所述箱子的极点重合;
选择所述待装箱物件的其他棱角作为箱子的新极点,并计算所述箱子的剩余空间;
从剩余的待装箱物件中选择下标最小的待装箱物件填充至所述新极点的位置上,并计算所述箱子的剩余空间,直到所述箱子的剩余空间小于任一个待装箱物件的尺寸时,结束填充操作;
统计所有类别的物件集合都填充完成后所需的箱子数量,得到实际箱子数量。
可选地,在本发明第二方面的第六种实现方式中,所述物流装箱装置还包括策略优化模块,所述策略优化模块具体用于:
随机选择其中两个箱子作为合并对象,读取两个箱子对应的所有待装箱物件,形成待合并装箱集合,并根据预置堆积度函数计算所述两个的堆积度,得到原堆积度值;
将所述待合并装箱集合中的所有待装箱物件重新排序,依次填充所述两个箱子,并根据预置堆积度函数重新计算所述所有待装箱物件在所述两个箱子中的堆积度,得到合并堆积度值;
若所述合并堆积度大于所述原堆积度时,将所述两个箱子中的待装箱物件进行合并,输出合并后的装箱策略,并将所述合并后的装箱策略替代所述初始装箱策略;继续随机选择两个箱子反复计算堆积度,直到计算次数大于预设迭代次数时,结束堆积计算,输出最终装箱策略;
若所述合并堆积度不大于所述原堆积度时,保留所述初始装箱策略。
可选地,在本发明第二方面的第七种实现方式中,所述策略优化模块具体用于:
随机交换所述待合并装箱集合中的两个待装箱物件的下标顺序,得到待装箱物件新的下标顺序,并按照所述新的下标顺序将所有待装箱物件依次装入所述两个箱子中型号较大的箱子;
若所有待装箱物件可全部填充于所述两个箱子中型号较大的箱子,删除所述两个箱子中的型号较小的箱子;
若所有待装箱物件不能全部填充于所述两个箱子中型号较大的箱子,将不能填充的待箱物件填充在所述两个箱子中型号较小的箱子。
本发明第三方面提供了一种物流装箱设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述物流装箱设备执行上述的物流装箱方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述的物流装箱方法。
本发明提供的技术方案中,通过根据待装箱物件的尺寸参数相互组合匹配得到合适型号的箱子,得到初步装箱策略,基于初步装箱策略进行实际的填充,得到实际填充结果,将实际填充结果与初步装箱策略进行比对校验,只有校验满足装箱条件时,进行装箱操作,不满足的则需要重新匹配箱子。基于这种方式实现对物件的装箱的预匹配,预匹配可以减少装箱的计算量,提高实际装箱的效率,同时根据待装箱物件的尺寸参数来匹配,会大大减少箱子的耗材,降低了运输成本,并且还通过实际填充来验证预匹配的装箱策略,从而实现了装箱的自适应启动,提高了物件的实际填充效果。
进一步的,该方法在校验初步装箱策略通过后,还包括利用堆积度函数计算策略中对待装箱物件装箱时的堆积度,基于堆积度来进一步的调整装箱策略中的所要求使用的箱子数量,并且只尝试合并两个箱子,因此可大幅度降低计算量。此外,该方法非常适用于并行运算,可同时在多个线程上合并不同的箱子对,进一步降低了箱子的消耗,减少了运输成本,同时也提高了装箱的效率。
附图说明
图1为本发明实施例中物流装箱方法的第一个实施例示意图;
图2为本发明实施例中物流装箱方法的第二个实施例示意图;
图3为本发明实施例中物流装箱方法的第三个实施例示意图;
图4为本发明实施例中物流装箱方法的第四个实施例示意图;
图5为本发明实施例中物流装箱方法的第五个实施例示意图;
图6为本发明实施例中物流装箱装置的第二个实施例示意图;
图7为本发明实施例中物流装箱装置的第三个实施例示意图;
图8为本发明实施例中物流装箱设备的一个实施例示意图;
图9为本发明实施例中匹配矩阵的示意图。
具体实施方式
针对于现有的装箱方式,本申请提出了通过基于物品的尺寸参数来预匹配装箱箱子,其预匹配是通过物品和箱型的一维体积信息和三维空间信息相互匹配,基于匹配的结果再进行实际的填充校验,在校验通过后对物品进行装箱操作,这样的方式不仅可以实现自动的装箱,还实现了自适应的调整装箱效果,从而减少对箱子的消耗;
进一步的,在校验通过后,通过两两拆分合并的方式调整物品装箱的堆积度,进一步地减少箱子的消耗,从而降低运输成本,减少资源的浪费;并且本申请提供的装箱方法为以后的自动化实现提供了可能。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中物流装箱方法的第一个实施例包括:
101、获取当前时刻下的待装箱物件,并计算待装箱物件的尺寸参数;
可以理解的是,本发明的执行主体可以为物流装箱装置,并且该物流装箱装置是物流运输设备改造的,也可以是基于仓库系统来实现,例如仓库管理系统(WarehouseManagement System,WMS)和仓库控制系统(Warehouse Control System,WCS),基于这两个系统的订单分配和控制装箱设备进行订单的分配和装箱,进一步的,其执行主体还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
在本实施例中,所述待装箱物件可以理解为是快递包裹,也可以理解为是大小型集装箱中的货物,优选的,这里选择快递包裹为例进行说明,当获取到的待装箱物件是快递包裹时,则其获取具体是通过监控仓库后台中的订单接收池,采集订单接收池中的待配送订单,而这里采集的订单可以是一张,也可以是多张,这个根据实际包装效率来选择,如果是特殊节日订单比较多时,可以选择多个订单同步处理,但是对于多个订单的情况,一般都是按照用户来选择,选择相同用户的订单,当然也可以是通过最终的配送目的地来选择,在采集到订单后需要对订单中的包裹进行识别,识别出对应的包裹,在实际应用中,用户订单通常会包含一个或多个物品,与订单对应的物品总和需要用包装箱进行包装,为了提高包装箱的使用效率,使得订单对应的物品所使用的包装箱体积最小,需要对订单中的物品在包装箱中的排放顺序进行组合,从而形成装箱模型,装箱模型包括该用户订单中物品的装箱顺序。同时,装箱模型定义了该用户订单所指示的物品在包装箱中的最佳空间放置位姿,该位姿包括物品的摆放位置和/或角度。
对此,计算每个订单中物品的尺寸参数,该尺寸参数包括长、宽、高、体积和底面积等等,通过这些参数来匹配箱子,或者是进一步计算物品的单个最小占用空间信息,以及多个物品的空间信息总和。
在本实施例中,该尺寸参数的计算可以采用三维扫描设备对实际物品进行扫描计算得到,当然在实际应用中,一般物品在存库后,都会有物品尺寸的记录,通过调用存库记录单也可以获取到。
同理对于集装箱的装货识别过程与订单包裹的方式相似,这里不再赘述。
102、基于尺寸参数对待装箱物件进行组合计算,并根据组合计算的结果分配对应型号的箱子,得到初步装箱策略;
其中,所述初步装箱策略包括装箱方式、箱子的型号和箱子的数量;
在本实施例中,对于获取的订单中包含有多个物品,即是包含有多个待装箱物件时,则需要对所有的物品进行组合,即是进行合并处理,具体是对每个待装箱物件的装箱姿态的调整,以使得所有的订单中的物品占用的空间最小,基于合并占用的空间大小来匹配对应的箱子,并获取箱子的型号建立订单与箱子的型号之间的对应关系表。在将所有待处理的订单进行箱子的型号匹配完成后,输出一个初步装箱策略,该初步装箱策略中包含有每个订单中每个物品的装箱姿态、所采用的箱子的型号,以及完成该订单所有物品装箱所需要的箱子数量。
在本实施例中,该步骤在进行箱子匹配时,具体还可以采用以下流程来实现:
首先确定所有的待装箱物件,计算出每个待装箱物件的最大体积和最小体积;
然后对每个待装箱物件进行第一箱子的匹配,这里的匹配只是对待装箱物件单独装箱时的匹配,只要该待装箱物件能装进箱子中即可,得到匹配结果,该匹配结果为待装箱物件与箱型之间的对应关系;
进一步的,基于该匹配结果对待装箱物件进行分类,得多个类别的待装箱物件集合;
进一步的,从多个类别的待装箱物件集合中随机选择一个作为主合并集,该主合并集优选的选择型号较大的箱子对应的集合;
进一步的,将主合并集对应的箱子与其他的待装箱物件集合中待装箱物件进行匹配,若匹配结果为可以容纳,则将该待装箱物件从原来的集合中删除,并调整至主合并集中,更新两个集合的元素,直到遍历匹配完成后,输出箱型匹配结果;
最后,计算所有待装箱物件在对应的型号的箱子中的装箱情况,具体推算每个待装箱物件的装箱姿态、以及全部物件装箱完成所需要的箱子数量,以及箱子的型号,输出初步装箱策略。
103、调用填充算法,将所有的待装箱物件填充至初步装箱策略所规定的型号的箱子中,得到实际填充结果;
在本实施例中,根据初步装箱策略中选择使用的型号的箱子,进行实际填充操作,其中,在填充过程中,首先确定该型号的箱子所分配的待装箱物件,构建出该待装箱物件的三维模型,该三维模型可以简单理解为是虚拟的空间模型,将该模型填充至对应型号的箱子中,具体是以模型的放置点和箱子的极点重合填充,并更新箱子的极点,选择下一个待装箱物件的模型进行继续填充,最后计算每个箱子所剩余的空间和统计实际使用的各种型号的箱子的数量,同时还记录每个待装箱物件的填充姿态,得到实际填充结果。
104、确定实际填充结果与初步装箱策略之间的差异关系,并判断差异关系是否满足装箱条件;
在本实施例中,这里的差异关系可以理解为实际使用的箱子的数量与初步装箱策略中的箱子的数量是否相同,或者是箱子数量的差值,或者是不同型号的箱子的数量的差值,或者是型号的数量的差值;
而装箱条件为各型号的箱子的数量相等,以及实际使用的型号数量小于初步装箱策略中的型号数量,若满足这些装箱条件,则认为校验通过,并执行步骤105,反之则校验不通过,并执行步骤106。
在实际应用中,该过程是验证初步装箱策略中选选型与实际填充的结果是否一致。如果实际消耗的箱子数量超过预匹配的数量,那么选择大于当前型号的箱子(如果存在的话)重新匹配箱型并填充。
105、若满足,则根据初步装箱策略对所有的待装箱物件进行装箱;
该步骤中,对于装箱可以理解为是控制仓库中的运输设备从货架中选择对应的待装箱物件运输到对应型号的箱子中,并通过箱子位置上的机械臂或者工作人员调整待装箱物件的姿态进行装箱操作。
在实际应用中,对于集装箱的装箱与仓库中的处理流程相同,不再赘述。
106、若不满足,则重新匹配箱子的型号,确定初步装箱策略。
该步骤,在重新匹配时,具体可以基于上一次匹配的型号选择大一型号的箱子进行填充匹配,并更新装箱策略。
在本实施例中,通过上述的方法对物件进行装箱的预配处理,推送装箱策略,并且在预匹配过程中,基于物件与箱子的尺寸参数来进行,提高了装箱的堆积度,以及装箱推算的计算效率,只需要根据物件的尺寸参数即可实现装箱的匹配,与现有技术相比,计算维度减少了,从而计算量也减少。使用体积预匹配包裹和箱型,是为了在较短的时间内计算出理想情况下(忽略实际能否填充得下)的最佳箱型,而随后的填充箱子是为了检验预选的准确性,只有当预选结果与填充结果不一致时才为包裹重新匹配箱型并填充。相比其他方法,这种预选箱型加填充验证的方式可以大幅度减少计算量,从而减少了装箱时对箱子的消耗,减低了运输成本,也提高的装箱效率。
请参阅图2,本发明实施例中物流装箱方法的第二个实施例包括:
201、获取当前时刻下的待装箱物件,并计算待装箱物件的尺寸参数;
该步骤中,具体是获取仓库中当前时刻下后台接收到的所有订单信息,识别订单信息中的货物,查询货物的尺寸参数,并对货物按照订单进行分类。
进一步的,对于订单中存在多个货物的情况,还需要调用填充合并算法对订单中的多个货物进行合并计算,形成一个待装箱物件,得到该订单的最小占用空间的尺寸参数。
202、根据尺寸参数,对所有的待装箱物件进行排序,得到物件序列;
在本实施例中,所述尺寸参数包括待装箱物件的长度、宽度、高度、体积和底面积;根据所述待装箱物件的长度、宽度、高度、体积和底面积的优先级别,对所有的待装箱物件进行排序,得到物件序列。
203、按照体积从大到小的顺序对所有型号的箱子进行排序,得到箱子序列;
在实际应用中,上述的排序可以是使用排序算法来实现,具体的这里采用体积-高度(先体积后高度)、高度-体积、底面积-高度和高度-底面积4种排列方法,分别对包裹和箱型进行降序排列,其中待装箱物件排列后的下标记为1,…,m,箱子排序后的下标记为1,…,n。
204、将物件序列中的每个待装箱物件依次与箱子序列中的每个型号的箱子进行匹配,并基于匹配的结果对待装箱物件进行排序归类处理,得到物件集合;
在该步骤中,主要是针对每个待装箱物件进行箱子匹配,而匹配的方式具体可以为:
将所述物件序列中的每个待装箱物件依次与所述箱子序列中的每个型号的箱子进行匹配,并计算所述待装箱物件与不同箱子装箱时耗材量;
将所述耗材量与每个型号的箱子的参数进行比对,得到比对结果;
根据所述比对结果,对所述待装箱物件进行排序归类处理,得到物件集合,并基于所述物件集合构建匹配矩阵,其中,所述比对结果为所述耗材量不小于箱子的材料值的归为一类,所述比对结果为所述耗材量大于箱子的材料值的归为另一类。
205、基于物件组合算法对物件集合中的同类的待装箱物件进行相互组合,并计算组合后的物件的尺寸信息;
206、基于尺寸信息选择尺寸相匹配的型号的箱子,生成初步装箱策略;
在实际应用中,具体可以以矩阵的形式体现初步匹配结果,详细箱子的型号(简称:箱型)匹配流程如下:
首先构造匹配矩阵M=[vij]m×n,其中元素vij满足:若箱型j可容纳包裹i,其值为包裹i的体积;否则为0。这里借助动态规划的思路求解,其最优方程表示如下:
其中Ji(I)为在阶段i当初始状态向量是I=(I1,…,In)时的最小耗材量,其分量Ik表示k型箱子可容纳的剩余包裹的集合,Ti为当前阶段所有可选箱型的集合,f(a,I)=(I1\Ia,…,In\Ia)为状态转移方程,为使用a型箱所消耗的材料。若所有Ik都是空集,那么g(a,I)=0。令边界条件为Jn+1(·)=0。基于此,一维箱型选择问题等价于求解动态规划问题其最优策略π*=(a1,…,an)即为最佳的箱型选择方案。我们采用递归方法求解,迭代结果如图9所示。
其中,行表示优先选择的箱型,列对应各箱型。比如,第一行表示先用箱型1填充所得到的各箱型的使用数量。不难看出,第i*∈arg min x{U1,...,Un}行所对应的非零值即为对应箱型的数量,基于该数量生成初步装箱策略。
207、调用填充算法,将所有的待装箱物件填充至初步装箱策略所规定的型号的箱子中,得到实际填充结果;
在实际应用中,在填充时,具体使用最小包络块的原则计算来进行填充操作,具体是将所有的待装箱物件中选择一个进行第一次填充,而该第一次填充时,对选择的待装箱物件的轮廓进行计算,计算出其轮廓点的坐标,例如:
若有K个包裹,任意包裹k的左后下角的坐标为(xk,yk,zk),沿各坐标轴的长度为(lk,wk,hk),令,
那么,以这三点为顶点张成的长方体即为K个包裹对应的包络块。包络块越大,剩余空间越小。因此,最小包络块原则就是使包裹放入后形成的包络块是所有可能的包络块中体积最小的一个。记Se=(ex,ey,ez,el,ew,eh)为极点-剩余空间对,其中前三个分量对应极点的坐标,后三个分量对应极点沿坐标轴方向距离边界的长度。
基于以上说明,算法步骤可简单描述为:
(1)从M中快速选择可放入箱中且下标是最小的剩余包裹;
(2)将所选包裹置于能形成最小包络块的Se中;
(3)更新剩余包裹集合和Se。
208、确定实际填充结果与初步装箱策略之间的差异关系,并判断差异关系是否满足装箱条件;
在该步骤中,验证初选选型与实际填充的结果是否一致。如果实际消耗的箱子数量超过预匹配的数量,那么选择大于当前型号的箱子(如果存在的话)重新匹配箱型并填充。
209、若满足,则根据初步装箱策略对所有的待装箱物件进行装箱;
210、若不满足,则重新匹配箱子的型号,确定初步装箱策略。
本实施例在第一实施例的基础上,详细描述了利用一维体积初步选出最佳箱型及其数量,并进行实际的填充,在此基础上校验实际填充结果与预选结果是否一致,根据校验结果进行装箱的处理,同时,基于最小包络块原则的极点填充算法本质上是一种使用贪婪法构造复合块的过程。将尺寸相近的包裹按某种排序规则聚在一起,然后依序装入箱子,并根据最小包络块原则放置于极点处,该过程可最大程度上使形成的包络块是充实或紧凑的。相比与现有技术,该方法不需要构造所有可能的复合块,因此可以大幅度减少存储空间,同时可避免由构造复合块引起的“组合爆炸”问题;同时也减少了对箱子的消耗,减少了运输成本,以及简化了装箱计算流程,提高了装箱推算的效率。
请参阅图3,本发明实施例中物流装箱方法的第三个实施例包括:
301、获取当前时刻下的待装箱物件,并计算待装箱物件的尺寸参数;
302、根据尺寸参数,对所有的待装箱物件进行排序,得到物件序列;
303、按照体积从大到小的顺序对所有型号的箱子进行排序,得到箱子序列;
304、将物件序列中每个待装箱物件的尺寸参数与箱子序列中每个型号的箱子的尺寸参数进行比对,得到比对结果;
在该步骤中,所述比对结果包括所述待装箱物件的尺寸不大于箱子的尺寸和所述待装箱物件的尺寸大于箱子的尺寸两种情况。
305、根据比对结果,对待装箱物件进行排序归类处理,得到物件集合,并基于物件集合构建匹配矩阵;
该步骤中,按照步骤304中的两种比对结果来进行分类,得到两个类别的物件集合,基于这两个集合进行矩阵的构建。
在实际应用中,对于步骤304-305具体还可以从耗材的角度来处理:
将物件序列中的每个待装箱物件依次与箱子序列中的每个型号的箱子进行匹配,并计算待装箱物件与不同箱子装箱时耗材量;
将耗材量与每个型号的箱子的参数进行比对,得到比对结果;
根据比对结果,对待装箱物件进行排序归类处理,得到物件集合,并基于物件集合构建匹配矩阵,其中,比对结果为耗材量不小于箱子的材料值的归为一类,比对结果为耗材量大于箱子的材料值的归为另一类。
306、基于匹配矩阵,调用最优值求解算法,从物件集合求解整体耗材最小的型号的箱子,并基于求解的结果更新待装箱物件与箱子的型号之间的对应关系;
307、根据更新后的对应关系,将对应的待装箱物件从待装箱物件的尺寸不大于箱子的尺寸的类别集合中删除,直到求解完所有待装箱物件的最小耗材量后,得到新物件集合。
308、基于物件组合算法对物件集合中的同类的待装箱物件进行相互组合,并计算组合后的物件的尺寸信息;
309、基于新物件集合,继续调用最优值求解算法求解新物件集合中整体耗材最小的型号的箱子,直到待装箱物件的尺寸不大于箱子的尺寸的类别集合为空;
310、基于尺寸信息选择尺寸相匹配的型号的箱子,生成初步装箱策略;
311、获取分配型号相同的箱子的K个装箱物件,并以每个装箱物件的左后下角为放置点,计算K个装箱物件的放置点的第一坐标信息以及其他棱角相对于放置点的第二坐标信息,其中K为大于0的整数;
312、基于第一坐标信息和第二坐标信息,计算型号的箱子中极点的坐标,并计算待装箱物件与K个装箱物件构建的最小包络块;
313、基于最小包络块,将待装箱物件填充至型号的箱子中的极点,依次填充对应类别集合中的所有待装箱物件,直到所有类别物件集合都填充完成后,得到所有待装箱物件装箱所需要的实际箱子数量;
在实际应用中,对于步骤311-313还可以通过以下方式实现:
获取分配箱子的型号相同的K个,并以每个待装箱物件的左后下角位置为放置点,计算待装箱物件的放置点的第一坐标信息以及其他棱角相对于放置点的第二坐标信息,其中K为大于0的整数;
基于第一坐标信息和第二坐标信息构建待装箱物件的最小包络块;
基于最小包络块,将K个待装箱物件依次填充至对应型号的箱子中,得到对应类别的物件集合的所需箱子数量,直到所有类别物件集合都填充完成后,得到所有待装箱物件装箱所需要的实际箱子数量。
在该步骤中,对于填充的实现具体可以为:
将所述待装箱物件放入对应型号的箱子中,其中,所述待装箱物件的放置点与所述箱子的极点重合;
选择所述待装箱物件的其他棱角作为箱子的新极点,并计算所述箱子的剩余空间;
从剩余的待装箱物件中选择下标最小的待装箱物件填充至所述新极点的位置上,并计算所述箱子的剩余空间,直到所述箱子的剩余空间小于任一个待装箱物件的尺寸时,结束填充操作;
统计所有类别的物件集合都填充完成后所需的箱子数量,得到实际箱子数量。
进一步的,以K个待装箱物件为例详细说明填充的过程:
从K个待装箱物件中选择下标最小的待装箱物件,并将所述待装箱物件放入对应型号的箱子中,其中,所述待装箱物件的极点与所述箱子的极点重合;
选择所述待装箱物件的其他棱角作为箱子的新极点,并计算所述箱子的剩余空间;
从剩余的K-1个待装箱物件中选择下标最小的待装箱物件填充至所述新极点的位置上,并计算所述箱子的剩余空间,直到所述箱子的剩余空间小于任一个待装箱物件的体积时,结束填充操作;
统计所有类别的物件集合都填充完成后所需的箱子数量,得到实际箱子数量。
314、确定实际填充结果与初步装箱策略之间的差异关系,并判断差异关系是否满足装箱条件;
315、若满足,则根据初步装箱策略对所有的待装箱物件进行装箱;
316、若不满足,则重新匹配箱子的型号,确定初步装箱策略。
在本实施例中,步骤301-310与上述步骤201-206的实现过程基本相同,这里不再重复赘述。
对于步骤311-313具体实现基于包络块原则实现,也即是在进行填充过程中,首先对待装箱物件的所有轮廓点的坐标进行计算,当然这里的计算是基于极点来计算得到,而极点可以理解为是坐标系中的原点,其他轮廓点相对于该原点的坐标变化,以得到各个轮廓点的坐标信息,具体是以待装箱物件的左后角为极点构建三维坐标系,下面以规则的四边形的待装箱物件为例说明,若有K个包裹,任意选择包裹k为例,设定包裹k的左后下角的坐标为(xk,yk,zk),即是包裹k的极点,以该极点创建三维坐标系,基于该极点计算该包裹k的长lk、宽wk、高hk,即是沿各坐标轴的长度为(lk,wk,hk),令,
那么,以这三点为顶点张成的长方体即为K个包裹对应的包络块。包络块越大,剩余空间越小。因此,最小包络块原则就是使包裹放入后形成的包络块是所有可能的包络块中体积最小的一个。记Se=(ex,ey,ez,el,ew,eh)为极点-剩余空间对,其中前三个分量对应极点的坐标,后三个分量对应极点沿坐标轴方向距离边界的长度。
在完成第一个待装箱物件的填充后,继续跳转至下一个待装箱物件进行填充操作,这时需要对箱子的极点进行更新,具体的可以是选择第一个待装箱物件中的任一轮廓点作为新的极点,例如新的极点选择上述的p1、p2、p3中的其中一个,然后将下一个待装箱物件的极点与新的极点进行重合,实现填充,直到将K个包裹全部填充至对应的型号的箱子中时,统计实际使用的型号数量和箱子数量,以及每个待装箱物件的填充姿态,最后得到实际填充结果。
将实际填充结果中的箱子数量和初步装箱策略中的箱子数量进行比较,若两者相等,则执行装箱处理,而装箱处理,对于仓库来说,控制仓库管理系统调取对应的订单信息,然后控制仓库控制系统来抓取订单中要求的物品,并按照初步装箱策略来组合得到待装箱物件,然后将待装箱物件移动至对应型号的箱子中进行装箱的操作。当然,这个装箱操作可以是工作人员,也可以是机器自动实现,当是工作文员时,则需要在装箱区域的显示屏上显示出该待装箱物件的装箱方式,即是物件的装箱姿态,以供工作人员参考装箱。
本实施例通过根据待装箱物件的尺寸参数来组合匹配合适型号的箱子,得到初步装箱策略,基于初步装箱策略进行实际的填充,得到实际填充结果,将实际填充结果与初步装箱策略进行比对校验,只有校验满足装箱条件时,进行装箱操作,不满足的需要重新匹配箱子。基于这种的方式实现对物件的装箱,预匹配可以减少装箱的计算量,提高实际装箱的效率,同时根据待装箱物件的尺寸来匹配,会大大减少箱子的耗材,降低了运输成本,并且还通过实际填充来验证预匹配的装箱策略,从而实现了装箱的自适应启动,提高了物件的实际填充效果。
请参阅图4,本发明实施例中物流装箱方法的第四个实施例包括:
401、获取当前时刻下的待装箱物件,并计算待装箱物件的尺寸参数;
402、基于尺寸参数对待装箱物件进行组合计算,并根据组合计算的结果分配对应型号的箱子,得到初步装箱策略;
403、调用填充算法,将所有的待装箱物件填充至初步装箱策略所规定的型号的箱子中,得到实际填充结果;
404、确定实际填充结果与初步装箱策略之间的差异关系,并判断差异关系是否满足装箱条件;
对于上述的步骤401-404实际上可以是对待装箱物件的装箱箱子的预选和校验的流程,而在预选的过程中,具体通过排序算法、最优解计算函数、递归算法和填充模拟算法来实现,而排序算法主要是用于对所有待装箱物件和箱子的排序,在排序是优选选择体积-高度(先体积后高度)、高度-体积、底面积-高度和高度-底面积4种排列方法,而待装箱物件和箱子的排序的方法应当相同,即是两者同时选择体积-高度或者是其他的优先级排序。
在得到序列后,首先基于待装箱物件与不同箱型的箱子进行单独的匹配,只要是能被装进箱子的情况都被记录为待装箱物件的体积,而不能装进箱子的,则记录为0,将匹配的结果转换为一个匹配矩阵阵M=[vij]m×n,其中,元素vij为待装箱物件的体积。基于该矩阵,调用最优解计算函数计算出每个待装箱物件的最小耗材量,基于计算的最小耗材量生成初始装箱策略。
然后调用填充模拟算法按照初步装箱策略进行实际填充,得到实际填充结果,在模拟填充时,还包括计算所有待装箱物件的最小包络块,该最小包络块即是每个待装箱物件的空间信息,基于该空间信息划分箱子的空间,以及计算对每个待装箱物件进行逐个填充后箱子的剩余空间,基于剩余空间匹配和填充下一个待装箱物件。
405、随机选择其中两个箱子作为合并对象,读取两个箱子对应的所有待装箱物件,形成待合并装箱集合,并根据预置堆积度函数计算两个的堆积度,得到原堆积度值;
406、将待合并装箱集合中的所有待装箱物件重新排序,依次填充两个箱子,并根据预置堆积度函数重新计算所有待装箱物件在两个箱子中的堆积度,得到合并堆积度值;
407、若合并堆积度大于原堆积度时,将两个箱子中的待装箱物件进行合并,输出合并后的装箱策略,并将合并后的装箱策略替代初始装箱策略;继续随机选择两个箱子反复计算堆积度,直到计算次数大于预设迭代次数时,结束堆积计算,输出最终装箱策略;
408、若合并堆积度不大于原堆积度时,保留初始装箱策略。
进一步的,所述将所述待合并装箱集合中的所有待装箱物件重新排序,依次填充所述两个箱子包括:
随机交换所述待合并装箱集合中的两个待装箱物件的下标顺序,得到待装箱物件新的下标顺序,并按照所述新的下标顺序将所有待装箱物件依次装入所述两个箱子中型号较大的箱子;
若所有待装箱物件可全部填充于所述两个箱子中型号较大的箱子,删除所述两个箱子中的型号较小的箱子;
若所有待装箱物件不能全部填充于所述两个箱子中型号较大的箱子,将不能填充的待箱物件填充在所述两个箱子中型号较小的箱子。
在本实施例中,步骤405-408主要是对步骤401-404得到的初步装箱策略做进一步优化,以减少装箱的耗材,提高堆积度,具体的实现还可以是:
在判断差异关系满足装箱条件时,判断初步装箱策略中箱子的数量是否大于预设阈值;
若大于预设阈值,则随机选择其中两个箱子作为合并对象,并读取两个箱子对应的所有待装箱物件,形成第一集合和第二集合;
从其他箱子的型号中选择一个型号大于当前两个集合对应型号的第二箱子,并根据预置堆积度函数计算第一集合和第二集合在第二箱子中的堆积度;
若堆积度大于采用两个箱子装箱时的堆积度时,将根据第二箱子对应的型号更新初始装箱策略,并继续随机选择两个箱子反复计算堆积度,直到计算次数大于预设迭代次数时,结束堆积计算,输出最终装箱策略.
在实际应用中,所述合并的具体实现方式包括但不局限于以下几种方式:
方式一、选择同一型号中的至少两个箱子的装箱策略进行分拆,每个箱子对应的待装箱物件形成一个集合,得到至少两个包裹集合,基于至少两个集合进行相互装箱匹配,并计算匹配后的堆积度,更新集合中的待装箱物件(即是包裹),从而得到更优的装箱策略;
方式二、选择不同型号中的箱子的装箱策略进行分拆,形成两个包裹集合,基于两个集合进行相互装箱匹配,并计算匹配后的堆积度,更新集合中的待装箱物件(即是包裹),从而得到更优的装箱策略;在实际应用中,该方式是选择将小型号的箱子中的包裹合并到大型号的箱子中;
方式三、计算每个箱子的剩余空间,并选择小型号的箱子进行拆分,并逐一与其他箱子的剩余空间进行匹配,计算堆积度,合并待装箱物件,以得到更优的装箱方案。
在实际应用中,不管是选择哪一种方式,其都是需要拆分和合并处理的,这里采用定义的拆分合并算法来实现,具体实现是采用邻域搜索的方式,其实现原理如下:
首先定义度量填充方案的效用函数。简单起见,记排序后的两个箱子的下标分别为1和2,它们可容纳的剩余包裹的集合为B1和B2。为了方便说明,用符号(B1,B2)来表示该装箱方案。记箱子的体积为V1和V2,包裹集合(如B1)对应的总体积为其中νi为包裹i的体积。在此基础上,对任意方案(x,y),我们定义堆积度函数为:
其中1{·}为示性函数,该示性函数的目的是在可选的方案集合Ω中选择堆积度最高的方案,即该堆积度函数的特点是,在保证无剩余包裹的前提下,随着迭代的进行,包裹将逐渐堆积到型号相对较大的箱子里,从而减少箱子的使用数量。
算法分为拆分和合并两个过程。在拆分过程中,任选两个箱子,按步骤401-402所给的其他排序方法重新排列箱子和包裹。在合并过程中,不同于模块1,这里随机挑选一个包裹作为首个填充的包裹,按照步骤403中的填充算法重新填充剩余包裹。如果新方案的堆积度大于原方案的值,那么替代原方案,并删除空箱子(如果存在的话),否则保留原方案不变。
409、根据最终装箱策略对所有的待装箱物件进行装箱;
410、若不满足,则重新匹配箱子的型号,确定初步装箱策略。
本实施例中的步骤409-410与第一实施例中的步骤105-106相似,此处不再赘述。
在本发明实施例中,主要分为两大步骤来实现对包裹的装箱计算,第一大步骤主要是利用一维体积初步选出最佳箱型及其数量,并进行实际的填充,在此基础上校验实际填充结果与预选结果是否一致;第二大步骤时利用大规模邻域搜索方法进一步提升第一大步骤得到的方案,可大幅度降低计算量。此外,该方法非常适用于并行运算,可同时在多个线程上合并不同的箱子对。同时还减少了装箱箱子的消耗,大大提高了装箱效率。
下面结合具体的应用场景对本申请提供的方法进行详细的说明。以订单包裹为例说明,具体实现过程如图5所示:
501、对包裹和箱型进行排序;
在本实施例中,对于包裹和箱型,具体是通过仓库管理系统中的库存记录中调取,而包裹则通过实时获取当前时刻待发货的订单信息中识别,在识别出来后,对包裹按照体积从大到小的顺序进行排序,而箱子也是按照体积从大到小进行排序,得到对应的序列。
502、预选箱型;
该步骤中,根据上述得到的序列进行包裹和箱型的匹配,这里的匹配具体包括两个步骤,分别是:
步骤1,将每个包裹的体积与每个箱型的体积进行比对,若包裹的体积可别箱型容纳,则直接记录匹配结果为包裹的体积,反之则记录为0,直到将所有的包裹匹配完成后,基于匹配的结果生成一个匹配矩阵M,该匹配矩阵中,只有两种元素记录,分别是包裹体积和0。
步骤2,基于匹配矩阵M计算每个包裹被装入每个箱型时所需消耗的材料,并计算出对应包裹的最小耗材量,基于该最小耗材量来选择最终的箱型。
进一步的,步骤2在计算出每个包裹的匹配箱型后,将相同箱型的包裹归为一类,形成多个包裹集合,然后对每个集合中的包裹进行组合处理,这里的组合处理具体是将包裹装到一个箱子中,得到该集合最终的装箱方案,将所有包裹集合的装箱方案汇总得到初始当前所有包裹的初步装箱策略。
503、包裹填充;
该步骤主要是通过填充算法来实现,即是基于初步装箱策略中的每种箱型的箱子对应的包裹分配,进行实际模型的装箱计算,例如箱型1的箱子预分配有K个包裹,对K个包裹进行填充的计算,在填充计算时,每次只填充一个,然后逐一选择加入填充中,具体的任意选择一个包裹k,以包裹k的左后下角为极点,并定义该极点的坐标为(xk,yk,zk),将K个包裹的极点均重叠在一起,然后以该极点创建三维坐标系,基于该极点计算所有包裹k的长lk、宽wk、高hk,并选择出每个坐标轴的最长长度,得到K个包裹沿各坐标轴的长度集合为(lk,wk,hk),并基于该长度集合构建轮廓点,令,
那么,以这三点为顶点张成的长方体即为K个包裹对应的包络块。包络块越大,剩余空间越小。因此,最小包络块原则就是使包裹放入后形成的包络块是所有可能的包络块中体积最小的一个。记Se=(ex,ey,ez,el,ew,eh)为极点-剩余空间对,其中前三个分量对应极点的坐标,后三个分量对应极点沿坐标轴方向距离边界的长度,得到最终的实际填充结果。
504、比较填充结果与预选箱型结果;
在本实施例中,在比较过程中,主要是比较结果中所只用的箱子的数量与初步装箱策略中的箱子数量是否相等,若相等则执行步骤505,反之则返回步骤502继续进行包裹与箱型的匹配预选。
在实际应用中,在填充的过程中,可能会存在不同箱型的合并,这时其比较还包括对箱型是否相同的比对,若相同,则执行步骤505,反之则确定箱型是少了还是多了,若少了,则采用实际填充结果中的箱型,若多了,则返回步骤502。
505、判断箱子数量是否大于1;
在实际应用中,不管是实际填充还是预选的操作,其箱子都会存在一定的剩余空间,而剩余空间部分会材料的增加,这时,可以进一步地判断是否需要执行合并的处理,具体是通过检测当前的装箱方案中所使用的箱子数量是否大于预设值,优选的这里选择1个,若大于,则可以选择合并处理,具体的在判断大于的情况下,判断每个箱子中是否存在剩余空间,以及剩余空间是否达到一定的值。若不大于,则结束流程,跳转至装箱的流程。
506、若是,则随机拆分、合并两箱子的包裹;
在实际应用中,在进行拆分合并操作具体是通过定义的堆积度优化填充函数来实现,选择同一箱型中的两个箱子的装箱策略进行分拆,形成两个包裹集合,基于两个集合进行相互装箱匹配,并计算匹配后的堆积度,更新集合中的待装箱物件(即是包裹),从而得到更优的装箱策略。
507、判断装箱的堆积度是否大于原来堆积度;
基于更优的装箱策略计算对应的堆积度,判断堆积度大于原来方案的堆积度时,执行步骤508,并且还计算后形成方案的耗材量,以及判断耗材量是否满足成本的要求,若满足则输出最终的装箱方案。
若不满足,则返回步骤506,继续基于新的装箱方案来选择两个箱子,并且选择再打一号的箱型进行合并,直到耗材满足成本要求。
508、若是,则代替原来填充方案,输出最终装箱方案;
509、基于最终装箱方案安排装箱运输。
基于上述步骤的实施,其计算维度不仅减少了,且计算量也减少了。通过使用体积预匹配包裹和箱型,实现了再较短的时间内计算出理想情况下(忽略实际能否填充得下)的最佳箱型,而随后的填充箱子检验预选的准确性,只有当预选结果与填充结果不一致时才为包裹重新匹配箱型并填充。相比其他方法,这种预选箱型加填充验证的方式可以大幅度减少计算量。
进一步的,还使用了最小包络块原则的极点填充算法进行校验,并且最小包络块本质上是一种使用贪婪法构造复合块的过程,将尺寸相近的包裹按某种排序规则聚在一起,然后依序装入箱子,并根据最小包络块原则放置于极点处,该过程可最大程度上使形成的包络块是充实或紧凑的,可以大幅度减少存储空间,同时可避免由构造复合块引起的“组合爆炸”问题。
进一步的,由于大规模邻域搜索方法在迭代过程中每次只尝试合并两个箱子,因此可大幅度降低计算量。此外,该方法非常适用于并行运算,可同时在多个线程上合并不同的箱子对。
上面对本发明实施例中物流装箱方法进行了描述,下面对本发明实施例中物流装箱装置进行描述,请参阅图6,本发明实施例中物流装箱装置的第一个实施例包括:
采集模块601,用于获取当前时刻下的待装箱物件,并计算所述待装箱物件的尺寸参数;
选型模块602,用于基于所述尺寸参数对所述待装箱物件进行组合计算,并根据组合计算的结果分配对应型号的箱子,得到初步装箱策略,其中所述初步装箱策略包括装箱方式、箱子的型号和箱子的数量;
填充模块603,用于调用填充算法,将所有的待装箱物件填充至所述初步装箱策略所规定的型号的箱子中,得到实际填充结果;
校验模块604,用于确定所述实际填充结果与所述初步装箱策略之间的差异关系,并判断所述差异关系是否满足装箱条件;
装箱模块605,用于在所述差异关系满足装箱条件时,根据所述初步装箱策略对所有的待装箱物件进行装箱;以及在所述差异关系不满足装箱条件时,控制所述选型模块重新匹配箱子的型号,确定初步装箱策略。
在本实施例中,所述物流装箱装置运行上述物流装箱方法,所述物流装箱方法通过根据待装箱物件的尺寸参数来组合匹配合适型号的箱子,得到初步装箱策略,基于初步装箱策略进行实际的填充,得到实际填充结果,将实际填充结果与初步装箱策略进行比对校验,只有校验满足装箱条件时,进行装箱操作,不满足的需要重新匹配箱子。基于这种的方式实现对物件的装箱,预匹配可以减少装箱的计算量,提高实际装箱的效率,同时根据待装箱物件的尺寸来匹配,会大大减少箱子的耗材,降低了运输成本,并且还通过实际填充来验证预匹配的装箱策略,从而实现了装箱的自适应启动,提高了物件的实际填充效果。
请参阅图7,本发明实施例中物流装箱装置的第二个实施例,该物流装箱装置具体包括:
采集模块601,用于获取当前时刻下的待装箱物件,并计算所述待装箱物件的尺寸参数;
选型模块602,用于基于所述尺寸参数对所述待装箱物件进行组合计算,并根据组合计算的结果分配对应型号的箱子,得到初步装箱策略,其中所述初步装箱策略包括装箱方式、箱子的型号和箱子的数量;
填充模块603,用于调用填充算法,将所有的待装箱物件填充至所述初步装箱策略所规定的型号的箱子中,得到实际填充结果;
校验模块604,用于确定所述实际填充结果与所述初步装箱策略之间的差异关系,并判断所述差异关系是否满足装箱条件;
装箱模块605,用于在所述差异关系满足装箱条件时,根据所述初步装箱策略对所有的待装箱物件进行装箱;以及在所述差异关系不满足装箱条件时,控制所述选型模块重新匹配箱子的型号,确定初步装箱策略。
在本实施例中,所述选型模块602具体可以包括以下单元组成:
排序单元6021,用于根据所述尺寸参数,对所有的待装箱物件进行排序,得到物件序列;以及按照体积从大到小的顺序对所有型号的箱子进行排序,得到箱子序列;
归类单元6022,用于将所述物件序列中的每个待装箱物件依次与所述箱子序列中的每个型号的箱子进行匹配,并基于匹配的结果对所述待装箱物件进行排序归类处理,得到物件集合;
组合单元6023,用于基于物件组合算法对所述物件集合中同类的待装箱物件进行相互组合,并计算组合后的物件的尺寸信息;
策略生成单元6024,用于基于所述尺寸信息选择尺寸相匹配的型号的箱子,生成初步装箱策略。
进一步的,所述组合单元6023具体用于:
将所述物件序列中每个待装箱物件的尺寸参数与所述箱子序列中每个型号的箱子的尺寸参数进行比对,得到比对结果;
根据所述比对结果,对所述待装箱物件进行排序归类处理,得到物件集合,其中,所述比对结果包括所述待装箱物件的尺寸不大于箱子的尺寸和所述待装箱物件的尺寸大于箱子的尺寸。
在本实施例中,所述选型模块602还包括调整单元6025,所述调整单元6025具体用于:
根据所述物件集合构建匹配矩阵;
基于所述匹配矩阵,调用最优值求解算法,从所述物件集合中求解整体耗材最小的型号的箱子,并基于求解的结果更新所述待装箱物件与箱子的型号之间的对应关系;
根据更新后的对应关系,将对应的待装箱物件从所述待装箱物件的尺寸不大于箱子的尺寸的类别集合中删除,得到新物件集合;
基于所述新物件集合,继续调用所述最优值求解算法求解所述新物件集合中整体耗材最小的型号的箱子,直到所述待装箱物件的尺寸不大于箱子的尺寸的类别集合为空。
在本实施例中,所述填充模块603具体可以通过以下单元实现:
计算单元6031,用于获取分配型号相同的箱子的K个装箱物件,并以每个装箱物件的左后下角为放置点,计算所述K个装箱物件的放置点的第一坐标信息以及其他棱角相对于放置点的第二坐标信息,其中K为大于0的整数;
构建单元6032,用于基于所述第一坐标信息和第二坐标信息,计算所述型号的箱子中极点的坐标,并计算所述待装箱物件与所述K个装箱物件构建的最小包络块;
填充单元6033,用于基于所述最小包络块,将所述待装箱物件填充至所述型号的箱子中的极点,依次填充对应类别集合中的所有待装箱物件,直到所有类别物件集合都填充完成后,得到所有待装箱物件装箱所需要的实际箱子数量。
进一步的,所述填充单元6033具体用于:
将所述待装箱物件放入对应型号的箱子中,其中,所述待装箱物件的放置点与所述箱子的极点重合;
选择所述待装箱物件的其他棱角作为箱子的新极点,并计算所述箱子的剩余空间;
从剩余的待装箱物件中选择下标最小的待装箱物件填充至所述新极点的位置上,并计算所述箱子的剩余空间,直到所述箱子的剩余空间小于任一个待装箱物件的尺寸时,结束填充操作;
统计所有类别的物件集合都填充完成后所需的箱子数量,得到实际箱子数量。
在本实施例中,所述物流装箱装置还包括策略优化模块606,所述策略优化模块606具体用于:
随机选择其中两个箱子作为合并对象,读取两个箱子对应的所有待装箱物件,形成待合并装箱集合,并根据预置堆积度函数计算所述两个的堆积度,得到原堆积度值;
将所述待合并装箱集合中的所有待装箱物件重新排序,依次填充所述两个箱子,并根据预置堆积度函数重新计算所述所有待装箱物件在所述两个箱子中的堆积度,得到合并堆积度值;
若所述合并堆积度大于所述原堆积度时,将所述两个箱子中的待装箱物件进行合并,输出合并后的装箱策略,并将所述合并后的装箱策略替代所述初始装箱策略;继续随机选择两个箱子反复计算堆积度,直到计算次数大于预设迭代次数时,结束堆积计算,输出最终装箱策略;
若所述合并堆积度不大于所述原堆积度时,保留所述初始装箱策略。
进一步的,所述策略优化模块606具体用于:
随机交换所述待合并装箱集合中的两个待装箱物件的下标顺序,得到待装箱物件新的下标顺序,并按照所述新的下标顺序将所有待装箱物件依次装入所述两个箱子中型号较大的箱子;
若所有待装箱物件可全部填充于所述两个箱子中型号较大的箱子,删除所述两个箱子中的型号较小的箱子;
若所有待装箱物件不能全部填充于所述两个箱子中型号较大的箱子,将不能填充的待箱物件填充在所述两个箱子中型号较小的箱子。
本发明实施例中,通过上述的物流装箱装置实现包裹的装箱处理,其计算维度不仅减少了,且计算量也减少了。通过使用体积预匹配包裹和箱型,实现了再较短的时间内计算出理想情况下(忽略实际能否填充得下)的最佳箱型,而随后的填充箱子检验预选的准确性,只有当预选结果与填充结果不一致时才为包裹重新匹配箱型并填充。相比其他方法,这种预选箱型加填充验证的方式可以大幅度减少计算量。
进一步的,还使用了最小包络块原则的极点填充算法进行校验,并且最小包络块本质上是一种使用贪婪法构造复合块的过程,将尺寸相近的包裹按某种排序规则聚在一起,然后依序装入箱子,并根据最小包络块原则放置于极点处,该过程可最大程度上使形成的包络块是充实或紧凑的,可以大幅度减少存储空间,同时可避免由构造复合块引起的“组合爆炸”问题。
进一步的,由于大规模邻域搜索方法在迭代过程中每次只尝试合并两个箱子,因此可大幅度降低计算量。此外,该方法非常适用于并行运算,可同时在多个线程上合并不同的箱子对。
上面图6和图7从模块化功能实体的角度对本发明实施例中的物流装箱装置进行详细描述,下面从硬件处理的角度对本发明实施例中物流装箱设备进行详细描述。
图8是本发明实施例提供的一种物流装箱设备的结构示意图,该物流装箱设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对物流装箱设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在物流装箱设备800上执行存储介质830中的一系列指令操作,以实现上述各实施例提供的物流装箱方法的步骤。
物流装箱设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8示出的物流装箱设备结构并不构成对本申请提供的物流装箱设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行上述各实施例提供的物流装箱方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种物流装箱方法,其特征在于,所述物流装箱方法包括:
获取当前时刻下的待装箱物件,并计算所述待装箱物件的尺寸参数;
基于所述尺寸参数对所述待装箱物件进行组合,以及对组合后的待装箱物件的装箱姿态进行调整,并计算调整后的待装箱物件组合所占用的空间大小,根据所述空间大小分配对应型号的箱子,得到初步装箱策略,其中所述初步装箱策略包括装箱方式、箱子的型号和箱子的数量;
根据初步装箱策略中选择使用的型号的箱子,并调用填充算法对所有的待装箱物件进行实际填充操作,得到实际填充结果,其中,所述实际填充操作包括确定所述型号的箱子所分配的待装箱物件,构建出所述待装箱物件的虚拟的空间模型,将所述空间模型填充至对应型号的箱子中,将所述空间模型的放置点和箱子的极点重合填充,并更新箱子的极点,选择下一个待装箱物件的模型进行继续填充,最后计算每个箱子所剩余的空间和统计实际使用的各种型号的箱子的数量以及记录每个待装箱物件的填充姿态;
确定所述实际填充结果与所述初步装箱策略之间的差异关系,并判断所述差异关系是否满足装箱条件;
若满足,则根据所述初步装箱策略对所有的待装箱物件进行装箱;
判断初步装箱策略中箱子的数量是否大于预设阈值;
若大于预设阈值,则随机选择其中两个箱子作为合并对象,并读取两个箱子对应的所有待装箱物件,形成第一集合和第二集合;
从其他箱子的型号中选择一个型号大于当前两个集合对应型号的第二箱子,并根据预置的堆积度函数计算第一集合和第二集合在第二箱子中的堆积度,其中,所述堆积度函数为:1和2分别为两个箱子的下标,B1和B2分别为两个箱子可容纳的剩余包裹的集合,V1和V2分别是两个箱子的体积,1{·}为示性函数,V(x)和V(y)分别为包裹的集合x、y的体积,该示性函数的目的是在可选的方案集合Ω中选择堆积度最高的方案;
若堆积度大于采用两个箱子装箱时的堆积度时,将根据第二箱子对应的型号更新初始装箱策略,并继续随机选择两个箱子反复计算堆积度,直到计算次数大于预设迭代次数时,结束堆积计算,输出最终装箱策略;
若不满足,则重新匹配箱子的型号,确定初步装箱策略。
2.根据权利要求1所述的物流装箱方法,其特征在于,所述基于所述尺寸参数对所述待装箱物件进行组合,以及对组合后的待装箱物件的装箱姿态进行调整,并计算调整后的待装箱物件组合所占用的空间大小,根据所述空间大小分配对应型号的箱子,得到初步装箱策略包括:
根据所述尺寸参数,对所有的待装箱物件进行排序,得到物件序列;
按照体积从大到小的顺序对所有型号的箱子进行排序,得到箱子序列;
将所述物件序列中的每个待装箱物件依次与所述箱子序列中的每个型号的箱子进行匹配,并基于匹配的结果对所述待装箱物件进行排序归类处理,得到物件集合;
基于物件组合算法对所述物件集合中同类的待装箱物件进行相互组合,并对组合后的物件的装箱姿态进行调整;
计算组合后的物件和组合后调整装箱姿态的物件所占用的空间大小;
比较调整前后的空间大小,根据比较的结果确定组合后的物件的最小空间大小;
基于所述最小空间大小选择尺寸相匹配的型号的箱子,生成初步装箱策略。
3.根据权利要求2所述的物流装箱方法,其特征在于,所述将所述物件序列中的每个待装箱物件依次与所述箱子序列中的每个型号的箱子进行匹配,并基于匹配的结果对所述待装箱物件进行排序归类处理,得到物件集合包括:
将所述物件序列中的每个待装箱物件的尺寸参数与所述箱子序列中的每个型号的箱子的尺寸参数进行比对,得到比对结果;
根据所述比对结果,对所述待装箱物件进行排序归类处理,得到物件集合,其中,所述比对结果包括所述待装箱物件的尺寸不大于箱子的尺寸和所述待装箱物件的尺寸大于箱子的尺寸。
4.根据权利要求3所述的物流装箱方法,其特征在于,在所述根据所述比对结果,对所述待装箱物件进行排序归类处理,得到物件集合之后,还包括:
根据所述物件集合构建匹配矩阵;
基于所述匹配矩阵,调用最优值求解算法,从所述物件集合中求解整体耗材最小的型号的箱子,并基于求解的结果更新所述待装箱物件与箱子的型号之间的对应关系;
根据更新后的对应关系,将对应的待装箱物件从所述待装箱物件的尺寸不大于箱子的尺寸的类别集合中删除,得到新物件集合;
基于所述新物件集合,继续调用所述最优值求解算法求解所述新物件集合中整体耗材最小的型号的箱子,直到所述待装箱物件的尺寸不大于箱子的尺寸的类别集合为空。
5.根据权利要求1-4中任一项所述的物流装箱方法,其特征在于,所述根据初步装箱策略中选择使用的型号的箱子,并调用填充算法对所有的待装箱物件进行实际填充操作,得到实际填充结果包括:
获取分配型号相同的箱子的K个装箱物件,并以每个装箱物件的左后下角为放置点,计算所述K个装箱物件的放置点的第一坐标信息以及其他棱角相对于放置点的第二坐标信息,其中K为大于0的整数;
基于所述第一坐标信息和第二坐标信息,计算所述型号的箱子中极点的坐标,并计算所述待装箱物件与所述K个装箱物件构建的最小包络块;
基于所述最小包络块,将所述待装箱物件填充至所述型号的箱子中的极点,依次填充对应类别集合中的所有待装箱物件,直到所有类别物件集合都填充完成后,得到所有待装箱物件装箱所需要的实际箱子数量。
6.根据权利要求5所述的物流装箱方法,其特征在于,所述基于所述最小包络块,将所述待装箱物件填充至所述型号的箱子中的极点,依次填充对应类别集合中的所有待装箱物件,直到所有类别物件集合都填充完成后,得到所有待装箱物件装箱所需要的实际箱子数量包括:
将所述待装箱物件放入对应型号的箱子中,其中,所述待装箱物件的放置点与所述箱子的极点重合;
选择所述待装箱物件的其他棱角作为箱子的新极点,并计算所述箱子的剩余空间;
从剩余的待装箱物件中选择下标最小的待装箱物件填充至所述新极点的位置上,并计算所述箱子的剩余空间,直到所述箱子的剩余空间小于任一个待装箱物件的尺寸时,结束填充操作;
统计所有类别的物件集合都填充完成后所需的箱子数量,得到实际箱子数量。
7.根据权利要求1所述的物流装箱方法,其特征在于,在所述根据预置的堆积度函数计算第一集合和第二集合在第二箱子中的堆积度之前,还包括:
随机交换所述第一集合和第二集合中的两个待装箱物件的下标顺序,得到待装箱物件新的下标顺序,并按照所述新的下标顺序将所有待装箱物件依次装入所述两个箱子中型号较大的箱子;
若所有待装箱物件可全部填充于所述两个箱子中型号较大的箱子,删除所述两个箱子中的型号较小的箱子;
若所有待装箱物件不能全部填充于所述两个箱子中型号较大的箱子,将不能填充的待箱物件填充在所述两个箱子中型号较小的箱子。
8.一种物流装箱装置,其特征在于,所述物流装箱装置包括:
采集模块,用于获取当前时刻下的待装箱物件,并计算所述待装箱物件的尺寸参数;
选型模块,用于基于所述尺寸参数对所述待装箱物件进行组合,以及对组合后的待装箱物件的装箱姿态进行调整,并计算调整后的待装箱物件组合所占用的空间大小,根据所述空间大小分配对应型号的箱子,得到初步装箱策略,其中所述初步装箱策略包括装箱方式、箱子的型号和箱子的数量;
填充模块,用于根据初步装箱策略中选择使用的型号的箱子,并调用填充算法对所有的待装箱物件进行实际填充操作,得到实际填充结果,其中,所述实际填充操作包括确定所述型号的箱子所分配的待装箱物件,构建出所述待装箱物件的虚拟的空间模型,将所述空间模型填充至对应型号的箱子中,将所述空间模型的放置点和箱子的极点重合填充,并更新箱子的极点,选择下一个待装箱物件的模型进行继续填充,最后计算每个箱子所剩余的空间和统计实际使用的各种型号的箱子的数量以及记录每个待装箱物件的填充姿态;
校验模块,用于确定所述实际填充结果与所述初步装箱策略之间的差异关系,并判断所述差异关系是否满足装箱条件;
装箱模块,用于在所述差异关系满足装箱条件时,根据所述初步装箱策略对所有的待装箱物件进行装箱;
策略优化模块,用于判断初步装箱策略中箱子的数量是否大于预设阈值;
若大于预设阈值,则随机选择其中两个箱子作为合并对象,并读取两个箱子对应的所有待装箱物件,形成第一集合和第二集合;从其他箱子的型号中选择一个型号大于当前两个集合对应型号的第二箱子,并根据预置的堆积度函数计算第一集合和第二集合在第二箱子中的堆积度,其中,所述堆积度函数为:1和2分别为两个箱子的下标,B1和B2分别为两个箱子可容纳的剩余包裹的集合,V1和V2分别是两个箱子的体积,1{·}为示性函数,V(x)和V(y)分别为包裹的集合x、y的体积,该示性函数的目的是在可选的方案集合Ω中选择堆积度最高的方案;若堆积度大于采用两个箱子装箱时的堆积度时,将根据第二箱子对应的型号更新初始装箱策略,并继续随机选择两个箱子反复计算堆积度,直到计算次数大于预设迭代次数时,结束堆积计算,输出最终装箱策略;
所述装箱模块还用于在所述差异关系不满足装箱条件时,控制所述选型模块重新匹配箱子的型号,确定初步装箱策略。
9.一种物流装箱设备,其特征在于,所述物流装箱设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述物流装箱设备执行如权利要求1-7中任一项所述的物流装箱方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的物流装箱方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010796447.XA CN112001535B (zh) | 2020-08-10 | 2020-08-10 | 物流装箱方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010796447.XA CN112001535B (zh) | 2020-08-10 | 2020-08-10 | 物流装箱方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001535A CN112001535A (zh) | 2020-11-27 |
CN112001535B true CN112001535B (zh) | 2022-03-18 |
Family
ID=73464226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010796447.XA Active CN112001535B (zh) | 2020-08-10 | 2020-08-10 | 物流装箱方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001535B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112124837B (zh) * | 2020-11-24 | 2021-02-12 | 深圳市万邑通信息科技有限公司 | 一种物流打包校验出库方法 |
CN112508493B (zh) * | 2020-12-18 | 2024-04-19 | 安徽省优质采科技发展有限责任公司 | 用于线上采购平台的货物管理方法和系统 |
CN112591236A (zh) * | 2020-12-28 | 2021-04-02 | 上海振华重工(集团)股份有限公司南通分公司 | 一种轮胎吊拆散装集装箱发运工艺 |
CN112874927B (zh) * | 2021-02-03 | 2023-07-07 | 四川物联亿达科技有限公司 | 物流包装箱箱型推荐方法 |
CN113486292B (zh) * | 2021-06-22 | 2023-01-03 | 华东师范大学 | 一种将批量物体通过批量容器进行存放的方法 |
CN113673663A (zh) * | 2021-08-03 | 2021-11-19 | 武汉理工大学 | 一种基于pi集装箱的组合方法及装置 |
CN113928770A (zh) * | 2021-10-14 | 2022-01-14 | 深圳市海柔创新科技有限公司 | 确定货物的换箱策略的方法、装置和设备 |
CN113911614B (zh) * | 2021-10-21 | 2023-06-06 | 深圳市库宝软件有限公司 | 料箱处理方法及设备 |
CN113762899A (zh) * | 2021-10-25 | 2021-12-07 | 北京富通东方科技有限公司 | 一种基于混合算法的货物三维装箱方法 |
CN113743390B (zh) * | 2021-11-08 | 2022-02-08 | 山东莱特光电科技有限公司 | 针对劳保手套的智能仓储方法和装置 |
CN114537747A (zh) * | 2022-02-28 | 2022-05-27 | 西安电子科技大学广州研究院 | 基于自动化旋转和重组合策略的三维智能装箱方法和系统 |
CN115057058B (zh) * | 2022-07-07 | 2024-06-14 | 北京京东振世信息技术有限公司 | 包装匹配方法、装置、电子设备及介质 |
CN115108274B (zh) * | 2022-07-19 | 2023-04-07 | 广东工业大学 | 一种考虑货物成套性的集装箱装箱方法 |
CN115423390A (zh) * | 2022-08-01 | 2022-12-02 | 深圳智汇创想科技有限责任公司 | 对集箱装产品尺寸的识别方法、装置、设备以及介质 |
CN116228093B (zh) * | 2022-12-26 | 2024-04-12 | 上海通天晓信息技术有限公司 | 一种装箱方法及装置、存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101381033A (zh) * | 2008-10-15 | 2009-03-11 | 江苏科技大学 | 一种基于蚁群算法的集装箱装载方法 |
CN104915817A (zh) * | 2015-05-26 | 2015-09-16 | 亿赞普(北京)科技有限公司 | 一种集装箱的装箱方法和装置 |
DE102017111720A1 (de) * | 2017-05-30 | 2018-12-06 | Erik Hahn | Verpackung zum wärmeisolierten Transport von Waren |
CN109264110A (zh) * | 2018-08-23 | 2019-01-25 | 武汉智能装备工业技术研究院有限公司 | 一种物流装箱方法 |
CN109948991A (zh) * | 2019-04-09 | 2019-06-28 | 深圳蓝胖子机器人有限公司 | 一种智能装箱方法、设备及存储介质 |
CN110097315A (zh) * | 2019-04-24 | 2019-08-06 | 网易无尾熊(杭州)科技有限公司 | 容器确定方法、容器确定装置、介质和计算设备 |
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 |
CN110717594A (zh) * | 2019-10-11 | 2020-01-21 | 四川长虹电器股份有限公司 | 基于移动模式序列与遗传算法的装配箱装配方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040019520A (ko) * | 2002-08-28 | 2004-03-06 | 김성삼 | 물품 포장용 충진틀 |
CN103693265A (zh) * | 2013-12-17 | 2014-04-02 | 深圳市华星光电技术有限公司 | 箱体结构 |
CN104504468B (zh) * | 2014-12-19 | 2018-03-13 | 西安电子科技大学 | 基于三维移动模式序列与密母算法的三维装箱方法 |
CN208775425U (zh) * | 2018-06-14 | 2019-04-23 | 上海东普信息科技有限公司 | 一种可回收利用的降振包装箱 |
CN110633930A (zh) * | 2018-06-22 | 2019-12-31 | 北京京东振世信息技术有限公司 | 物品尺寸确定方法、装置、存储介质及电子设备 |
CN110874701B (zh) * | 2018-09-03 | 2024-05-14 | 菜鸟智能物流控股有限公司 | 物流容器管理方法、系统、装置和机器可读介质 |
CN110909969B (zh) * | 2018-09-18 | 2023-09-29 | 北京京东乾石科技有限公司 | 箱体类型选择方法和装置 |
CN111311145A (zh) * | 2020-01-22 | 2020-06-19 | 中国铁路上海局集团有限公司科学技术研究所 | 一种铁路货运智能装配方法 |
-
2020
- 2020-08-10 CN CN202010796447.XA patent/CN112001535B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101381033A (zh) * | 2008-10-15 | 2009-03-11 | 江苏科技大学 | 一种基于蚁群算法的集装箱装载方法 |
CN104915817A (zh) * | 2015-05-26 | 2015-09-16 | 亿赞普(北京)科技有限公司 | 一种集装箱的装箱方法和装置 |
DE102017111720A1 (de) * | 2017-05-30 | 2018-12-06 | Erik Hahn | Verpackung zum wärmeisolierten Transport von Waren |
CN109264110A (zh) * | 2018-08-23 | 2019-01-25 | 武汉智能装备工业技术研究院有限公司 | 一种物流装箱方法 |
CN109948991A (zh) * | 2019-04-09 | 2019-06-28 | 深圳蓝胖子机器人有限公司 | 一种智能装箱方法、设备及存储介质 |
CN110097315A (zh) * | 2019-04-24 | 2019-08-06 | 网易无尾熊(杭州)科技有限公司 | 容器确定方法、容器确定装置、介质和计算设备 |
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 |
CN110717594A (zh) * | 2019-10-11 | 2020-01-21 | 四川长虹电器股份有限公司 | 基于移动模式序列与遗传算法的装配箱装配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112001535A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001535B (zh) | 物流装箱方法、装置、设备及存储介质 | |
CN110097315B (zh) | 容器确定方法、容器确定装置、介质和计算设备 | |
CN112085385B (zh) | 基于订单的稳定混箱垛型供箱序列的生成系统及其方法 | |
KR101813887B1 (ko) | 팔레트 적재를 위한 가이드 제공 방법 및 그 장치 | |
CN110443549B (zh) | 一种物流仓库中物品的装箱方案生成方法及系统 | |
US9663309B2 (en) | Automated palletization method, system and software | |
Shiau et al. | A warehouse management system with sequential picking for multi-container deliveries | |
US6876958B1 (en) | Method and system of optimized sequencing and configuring of items for packing in a bounded region | |
JP6650508B2 (ja) | 倉庫管理システム及び倉庫管理方法 | |
CN112533834B (zh) | 集装箱包装系统 | |
GB2524952A (en) | A method of packing containers | |
CN109948991A (zh) | 一种智能装箱方法、设备及存储介质 | |
CN114901569B (zh) | 具有灵活定序的货板构建系统 | |
CN111027902B (zh) | 无人仓货品运输匹配方法及装置 | |
TW202240488A (zh) | 訂單處理方法、裝置、設備、系統、媒體及產品 | |
CN111695966B (zh) | 一种智能化包材推荐和装箱的方法与系统 | |
CN116187499A (zh) | 货运配载方法、装置、电子设备及存储介质 | |
CA2826533C (en) | Automated palletization method, system and software | |
CN114429325A (zh) | 一种智能箱型推荐方法及系统 | |
US20240083616A1 (en) | Systems and methods for assembling unpacked merchandise in containers | |
CN113780917A (zh) | 货物调度方法和系统 | |
CN114940386B (zh) | 混合码垛规划方法、装置、计算设备及计算机存储介质 | |
JP2003026309A (ja) | 物品のピッキング方法、ピッキングシステム及びピッキング指示システム | |
JP4680345B2 (ja) | 箱詰め手順決定方法及び装置 | |
KR20220009745A (ko) | 적재 공간의 크기 결정 방법 및 장치 |
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 |