CN1936938B - 基于混合遗传算法的智能化配车方法 - Google Patents

Abstract

本发明所述基于混合遗传算法的智能化配车方法，将遗传算法引入到配车装载过程中，遗传算法被用于个体中的全局搜索，从而使系统在满足各种约束条件的基础上，能以较高性能和效率、实现最大化利用三维箱体空间的装载方案。其具体的解决策略是：首先，以配车装载的三维箱体空间的利用率f作为目标函数，空间利用率f的表达式是，其中，BV_ij，表示装在第i个车辆中的第j物品的体积；CV_i，表示第i个车辆的体积。

Description

基于混合遗传算法的智能化配车方法

技术领域

本发明涉及一种基于混合遗传算法的配车方法，该配车方法应用于物流运输行业的货物配载过程，以提高配载效率。 

背景技术

随着目前国内、外物流配送行业的兴起与发展，货物配载相关技术的应用和发展受到越来越多地重视，作为主要运输工具的集装箱体装载也就成为物流配送的关键技术，并成为今后物流配送货物装载的必然趋势。 

在多种约束条件或货物装载要求下的三维空间装箱技术，广泛地应用于铁路货厢、汽车车厢、轮船集装箱等情况下。现有物流配载对于箱体空间利用的技术较为原始、信息化程度还不高，绝大多数物流企业还未采用先进的智能化配车系统。在物流配载过程中，通常是装载人员凭个人经验来决定货物的装载次序、摆放位置安排等。即使该配载人员经过长期实践而积累了丰富的经验，但终究是个人主观判断和预测，因此在货物装载过程中不可避免地存在着诸多误差，从而导致车辆配载空间利用率低、工作效率偏低而易导致货物滞留，从而拉长了配送时间，以至无法保障及时准确高效配送。 

现有的改进方案如采用启发式算法进行装载，基本上应用一维装箱空间的算法。虽然利用启发式策略来装载货物较为简便和灵活，但是启发式装载是在一定的假设条件之下，所产生的解决方案与最优方案之间的差异很难评价。由于启发式策略，缺乏严格的理论推导和数学证明，由其产生的配车方案具有较强的随意性和创造性。在实际应用中，装载结果也就不够规范、配车方案仍具有较大局限性、难以达到空间利用率最佳。 

发明内容

本发明所述基于混合遗传算法的智能化配车方法，其目的在于解决上述问题和不足而将遗传算法引入到配车装载过程中，遗传算法被用于 个体中的全局搜索，从而使系统在满足各种约束条件的基础上，能以较高性能和效率、实现最大化利用三维箱体空间的装载方案。 

所述基于混合遗传算法的智能化配车方法，其解决方案核心是将混合遗传算法引入到三维装载空间的配车过程中。 

所谓的遗传算法(Geneticalgorithm，简称GA算法)，是模拟自然界生物进化原理的一种随机性全局优化概率搜索算法，其模拟了生命进化机制，在人工系统中实现特定目标的优化。因而，具有很强的全局搜索能力，特别适合应用于如三维装载空间的配车最优方案的求解过程中。 

遗传算法的基本操作分为初始化、选择、交叉、变异等步骤。其中，选择、交叉和变异都是以个体的适应度为根据。 

所述基于混合遗传算法的智能化配车方法，其具体的解决策略是： 

首先，以配车装载的三维箱体空间的利用率f作为目标函数， 

空间利用率f的表达式是， 

$f=\underset{i}{\overset{n}{\mathrm{\Σ}}}{k}_i\left(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{BV}}_{\mathrm{ij}}\right)/{\mathrm{CV}}_i$

其中，BV_ij，表示装在第i个车辆中的第j物品的体积；CV_i，表示第i个车辆的体积。 

所述基于混合遗传算法的智能化配车方法，以空间利用率f作为适应度函数。 

遗传算法在进行搜索过程中基本不利用外部信息，仅以适应度函数为依据，利用种群中每个个体的适应度值进行搜索。 

因此适应度函数的选取至关重要，将直接影响到遗传算法的收敛速度以及能否找到最优解。 

解的好坏是用适宜度函数值的大小来评价的，适宜度函数值越大，解的质量越好。 

在遗传算法的世代进化过程中，遗传算法会计算每个染色体的适应度函数，并且由此得出每代进化结束时车辆的空间利用率，并对此 结果进行保存。 

其次，选择操作采用跨世代精英选择策略。跨世代精英选择策略的基本内容是，上世代种群与通过交叉方法产生的新的个体混合起来，从中按一定的概率选择较优的个体。 

利用这一策略，即使当交叉操作产生较劣个体偏多时，由于原种群大多数个体残留，不会引起个体的评价值降低，从而保持了健壮性和遗传的多样性。 

再次，在进化过程中动态调整交叉概率p_c和变异概率P_m。 

在应用混合遗传算法的配车方法中，由遗传算法控制参数的初始化，包括群体规模、交叉概率、变异概率、染色体长度、最大进化代数等。 

在适应度函数的设计时，遗传算法在进行搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群中每个个体的适应度值进行搜索。 

对于所装入货物的箱体进行编码标记。编码就是把一个问题的“可行解”从其“解空间”转换到遗传算法所能处理的搜索空间的操作。对编码的基本要求是，两个空间的“解”需一一对应且编码且尽量简明。编码是连接问题与算法的桥梁，对于应用遗传算法是首要解决的环节，也是设计遗传算法时的一个关键步骤。编码方法在很大程度上决定了如何进行群体的遗传进化运算以及遗传进化运算的效率。 

进行解码处理。能否简单、快速地将解的基因型表示转化为表现型，从而快速求出有关评价参数，是遗传算法能否有效应用的关键。 

本发明所述基于混合遗传算法的智能化配车方法，其实现流程是： 

1、确定所装入货物的配车约束条件； 

如包括箱体本身的承重性(易碎性)、箱体搬运的难易性、一些货物必须进行摆放隔离、不允许超过最大承重量、重心与几何形心偏差不应太大、以及货物码放的稳定性等等； 

2、进行编码变换，以将装箱问题转换到遗传算法所能处理的搜 索空间中； 

3、根据适应度函数，计算每个个体的适应度； 

其中，适应度函数是三维箱体的空间利用率f，其表达式是， 

$f=\underset{i}{\overset{n}{\mathrm{\Σ}}}{k}_i\left(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{BV}}_{\mathrm{ij}}\right)/{\mathrm{CV}}_i$

4、根据个体的适应度，从种群中选择优胜个体，淘汰劣势个体； 

5、对现有解群中的个体实施交叉操作； 

在交叉的过程中，交叉概率p_c符合以下表达式，进而生成新的个体； 

其中，f_avg表示每代群体的平均适应度值； 

f_max表示群体中最大的适应度值； 

f表示要交叉的两个个体中较大的适应度值； 

(上述三个值是根据空间利用率f的适应度函数公式得出)； 

p_c1表示最大交叉概率； 

P_c2表示最小交叉概率，上述两个值是人为设定的。 

6、对交叉后的个体实施变异操作； 

在变异的过程中，变异概率符合以下表达式并进行行变化： 

其中，f_avg表示每代群体的平均适应度值， 

f_max表示群体中最大的适应度值， 

f表示要变异个体的适应度值； 

(上述三个值是根据空间利用率f的适应度函数公式得出)；

p_m1表示最大变异概率； 

p_m2表示最小变异概率，上述两个值是人为设定的。 

7、在得到新的种群的基础上，判断新种群是否满足收敛条件(即是否满足遗传算法的最大进化世代数)； 

若不满足上述收敛条件，则继续进行遗传操作； 

若满足上述收敛条件，则从遗传算法保存的运算结果中，找出最优解，画出物品的三维装载图，流程结束。 

综上内容，所述基于混合遗传算法的智能化配车方法的优点是： 

1、通过应用多约束条件下的启发式装载，可以解决现有配车人员在配车过程中受其主观因素所做出的方案，人为因素被降低最小。 

2、能够有效提高配送业务的自动化水平、工作效率和规范业务流程，帮助企业提高自身物流竞争能力。 

3、应用该方法更为方便，避免出现货物的多次重装、货物滞留、空间利用率很低、浪费严重等现象，装载效率更高。 

4、利用该方法计算完毕后，所画出的三维装载图，清晰、明了，更有利于货物的装载。 

5、对于装箱问题的其他应用方面：线材下料、板类切割、以及物料行业都具有借鉴经验和参考依据。 

附图说明

图1是所述基于混合遗传算法的智能化配车方法流程图。 

图2是物品的装载效果图。 

具体实施方式

实施例1，如图1和图2所示，应用所述基于混合遗传算法的智能化配车方法，对于一组货物进行配车装载的实现流程是： 

确定所装货物的约束条件，并且选择装载货物所需要的箱体规格及数量； 

编码变换，将装箱问题转换到遗传算法所能处理的搜索空间； 

根据适应度函数，计算每个个体的适应度；

根据个体的适应度，从种群中选择优胜个体，淘汰劣势个体； 

对现有解群中的个体实施交叉操作，从而生成了新的个体； 

对交叉后的个体实施变异操作； 

此时得到了新的种群，判断新种群是否满足收敛条件，如果不满足，则继续进行遗传操作；如果满足收敛条件，则遗传操作结束，画出物品的三维装载图。 

任务结束。 

如图2所示，利用基于混合遗传算法的智能化配车方法，对一组货物进行装箱，所得到的三维装载图。 

其中，货物装载在规格为11.96m(长)×2.35m(宽)×2.35m(高)的集装箱中。 

货物明细以下表1所示，单位为毫米。 

  

名称	数量	深	宽	高	体积
						10#	10	800	475	335	127300000
8#	5	440	330	330	47916000
						4#	5	1500	420	420	264600000
2#	30	360	360	220	28512000
						3#	10	550	430	170	40205000
7#	40	660	440	350	101640000
						9#	6	285	230	230	15076000
11#	16	770	540	445	185031000
						17#	1	860	490	500	210700000
21#	20	291	364	275	29129000
						27#	8	580	580	580	195112000
28#	7	519	310	500	80445000
						30#	50	800	475	580	220400000
电机	15	565	365	235	48463000
						定时器	3	550	430	170	40205000
主体机	400	430	390	660	110682000

表1 

在如图2所示的货物配车装载方案中，以不同的深度代表不同的物品。通过装载图，装载人员可以有序地对货物进行装载。而且货物的空间利用率也较高，达到94.7％。

如下述表2所示，是对表1中的物品装箱，得到的装载结果。 

  

名称	数量	深向	宽向	高向	X0	Y0	Z0
								21#	16	2	8	1	0	0	0
21#	4	1	1	1	55550	0	0
								电机	10	1	10	1	825	0	0
电机	5	1	5	1	1390	0	0
								主体机	18	1	6	3	0	0	364
主体机	15	1	5	3	430	0	364
								主体机	25	1	5	5	825	0	365
主体机	15	1	3	5	14885	0	365
								主体机	276	23	6	2	1955	0	0
主体机	48	8	6	1	19555	0	1320
								主体机	3	1	3	1	5395	0	1320
2#	3	1	3	1	550	1164	0
								2#	4	2	2	1	1390	1175	0
2#	2	1	2	2	1390	1895	0
								2#	5	1	1	5	1485	1980	336655
2#	5	1	5	1	5395	1170	1320
								2#	10	1	10	1	1955	0	19880
2#	1	1	1	1	2315	0	1980
								27#	8	2	4	1	5825	0	1320
30#	48	6	4	2	6985	0	1320
								7#	9	3	3	1	5825	0	1900
7#	1	1	1	1	5825	19880	1900
								7#	20	4	5	1	226675	0	1980
7#	3	1	3	1	5315	0	1980
								定时器	3	1	1	3	825	2150	365
3#	1	1	1	1	825	2150	1655
								3#	2	1	2	1	5395	1170	1680
3#	6	1	3	2	11785	0	1320
								3#	1	1	1	1	11785	1650	1320
9#	1	1	1	1	53155	1980	1980
								9#	2	2	1	1	6644885	1980	1900
9#	3	1	3	1	2315	220	1980

表2 

其中，定义三维空间的横向方向为X轴，纵向方向为Y轴，高度方向为Z轴。则x0表示货物在X轴方向上的坐标，y0表示货物在Y轴方向上的坐标，z0表示货物在Z轴方向上的坐标；

通过x0，y0，z0可以知道货物在三维箱体中的具体位置。 

如上内容，即是所述基于混合遗传算法的智能化配车方法。

Claims (2)

1.一种基于混合遗传算法的智能化配车方法，其特征在于：将混合遗传算法引入到三维装载空间的配车过程中，其具体的解决策略是，

首先，以配车装载的三维箱体空间的利用率f作为目标函数；空间利用率f的表达式是，

其中，BV_ij，表示装在第i个车辆中的第j物品的体积；CV_i，表示第i个车辆的体积；

以空间利用率f作为适应度函数；

遗传算法在进行搜索过程中不利用外部信息，仅以适应度函数为依据，利用种群中每个个体的适应度值进行搜索；

其次，选择操作采用跨世代精英选择策略；即上世代种群与通过交叉方法产生的新的个体混合起来，从中按一定的概率选择较优的个体；

再次，在进化过程中动态调整交叉概率p_c和变异概率p_m。；

所述配车方法的实现流程是，

(1)、确定所装入货物的配车约束条件；

(2)、进行编码变换，以将装箱问题转换到遗传算法所能处理的搜索空间中；

(3)、根据适应度函数，计算每个个体的适应度；

其中，适应度函数是三维箱体的空间利用率f，其表达式是，

(4)、根据个体的适应度，从种群中选择优胜个体，淘汰 劣势个体；

(5)、对现有解群中的个体实施交叉操作；

在交叉的过程中，交叉概率p_c符合以下表达式，进而生成新的个体；

其中，f_avg表示每代群体的平均适应度值；

f_max表示群体中最大的适应度值；

f表示要交叉的两个个体中较大的适应度值；

上述三个值是根据空间利用率f的适应度函数公式得出；

p_c1表示最大交叉概率；

p_c2表示最小交叉概率，上述两个值是人为设定的；

(6)、对交叉后的个体实施变异操作；在变异的过程中，变异概率符合以下表达式并进行行变化：

其中，f_avg表示每代群体的平均适应度值，

f_max表示群体中最大的适应度值，

f表示要变异个体的适应度值；

p_m1表示最大变异概率；

p_m2表示最小变异概率；

(7)、在得到新的种群的基础上，判断新种群是否满足收敛条件；

若不满足上述收敛条件，则继续进行遗传操作；

若满足上述收敛条件，则从遗传算法保存的运算结果中，找出最优解，画出物品的三维装载图； 

流程结束。

2.根据权利要求1所述的基于混合遗传算法的智能化配车方法，其特征在于：在应用混合遗传算法的配车方法中，由遗传算法控制参数的初始化；

在适应度函数的设计时，遗传算法在进行搜索中不利用外部信息，仅以适应度函数为依据，利用种群中每个个体的适应度值进行搜索；

对于所装入货物的箱体进行编码标记；

进行解码处理，以获得有关评价参数。 

Images