【技术实现步骤摘要】
本专利技术属于物流装箱，涉及一种基于混合遗传算法的现代物流多箱型装箱方法及系统。
技术介绍
1、随着经济全球化，全球运输的包裹数量急剧增加，越来越庞大的运输需求让物流场景变得更加复杂，而现行物流体系无法满足要求，仍存在一些突出问题，需要建立高效可持续的现代物流体系降低物流成本。现代物流高度集成并融合信息、运输、仓储、分拨、配送、装卸搬运以及包装等服务功能，是促进市场供需对接与实体商品流通的重要基础，对于构建现代流通体系、建设现代化经济体系，发挥着重要作用。随着全球化和数字化进程的加速，物流行业也在不断加速发展和变革转型，物流体系的发展不断趋于规模化、集约化、融合化，建立更成熟的全国乃至全球范围内标准规范、互联互通、开放共赢的现代物流体系已成为行业趋势。
2、为此，一些高效可持续的现代物流体系被先后提出。physical internet(pi或π，实物互联网)以及单元化物流正是一种为解决现有物流运作存在的低效率和不可持续性问题提出的物流体系构建理论。实物互联网是美国乔治亚理工大学benoit montreuil教授深受互联网产业发展启示，开创性提出的一个开放全球物流体系构建理论，其目标是通过世界标准的模块化集装箱、接口和协议将物流网络普遍互联，以提高全球物流的效率和可持续性。实物互联网的整套理念把标准化、精益化、数字化和智能化浓缩在一个完整的网络体系中，其颠覆性创新能推动实现智慧物流的跨越式发展。单元化物流是一种与实物互联网内涵相似的物流模式，简单来讲就是以单元化形态所完成的物流过程，这个物流过程包含仓储、运输、装卸
3、在现代物流体系研究中，三维装箱问题是一项基础性工作，它可以描述为将大量规格不同(强异构)的货物装入不同规格的集装容器中并最大化容器的空间利用率。三维装箱问题在当前物流行业中广泛存在，同时也在单元化物流场景、pi实物互联网场景以及未来更成熟的现代物流体系中无处不在。集装容器空间的利用率直接影响着物流成本，解决好这个问题，优化货物装箱方式，提高容器空间利用率，可以很好的降低物流运输和存储成本。
4、三维装箱问题属于组合优化问题，根据所需集装容器类型的数量可以分为单箱型装载问题和多箱型装载问题。单箱型装载问题即将不同的货物装入到同一类型的集装容器中，使得容器的空间利用率最大，然而在大多数物流场景下，容器类型是不同的，需要将大量规则的不同货物装入不同规格的容器中，显然多箱型三维装箱问题更贴近实际应用。
5、国内外的研究学者针对多箱型三维装箱问题做出了不少的研究，回顾求解三维装箱问题的相关算法，可以划分为传统的精确算法、构造启发式算法、元启发式算法，以及新兴的强化学习算法。
6、1)精确解法。通过精确求解的方法可以解决部分简单的小规模装箱问题，其最大的优点是可以为三维装箱问题寻找到最优解，可以从理论上证明求得的解是最优的，但随着问题规模的扩大，特别是涉及大量异构货物时，在有限的时间内不可能求得最优解。所以在多箱型三维装箱问题中研究较少。现行研究有提出混合整数线性规划模型求解三维装箱问题，验证在较小规模的问题上可得到最优解；或者将问题公式化为一个数学问题求解。目前精确算法难以在合理的时间内对实际规模的问题求出最优解或质量尚可的可行解，从规模和复杂性来说精确算法不适用于本方法研究的问题。
7、2)构造启发式算法。启发式算法是一类基于观察和经验设计的算法，在可接受的花费(指计算时间、空间)下给出优化问题一个可行解，一般不能预计给出的可行解与最优解的偏离程度。根据ali等的分类，在三维装箱问题中，构造启发式算法涉及货物放置规则、货物排序规则和装载位置规则。针对货物放置规则，主要提出一些构造层、块、墙的概念，根据层块等放置货物。货物排序规则是对货物装载顺序的决策，主要分为静态排序和动态排序，静态排序是一种预先排序策略，通常根据货物的长宽高、体积等排序，动态排序则是在装载过程中决定下一个装载的货物。装载位置规则主要是对于空闲空间的管理，主要有基于穴度大小选择，根据极大空间选择，使用最大空闲空间的概念装载货物等。
8、3)元启发式算法。元启发式算法是通用的不局限于特定问题的，是针对大范围的优化问题提供通用的流程，也被称为智能优化算法。它结合了随机算法与局部搜索算法，通常较大范围的探索解空间，迭代地对完整解决方案进行更改，从而提高当前解决方案的质量。用于求解多箱型三维装载问题的元启发式算法主要有遗传算法、差分进化算法、模拟退火算法、粒子群算法、蚁群算法、禁忌搜索算法等。
9、4)强化学习算法。组合优化即在离散的决策空间内进行决策变量的最优选择，与强化学习的动作选择具有相似的特征。强化学习具有离线训练、在线决策的特性，为组合优化问题的实时求解提供了可能性。指针网络率先被应用于三维装箱问题，利用指针网络学习货物的顺序，利用传统的构造启发式方法选择装载的方向和位置，从而将货物序列转换为可行的解决方案。还有提出深度强化学习模型求解三维装箱问题，最近也提出了基于transformer的神经网络模型，然后通过强化学习的方法进行训练优化网络参数来得到装箱方案最优解。
10、三维装箱问题是一个复杂的属于np难的组合优化问题，随着问题规模的扩大，决策变量取值的不同组合量也会大幅度增加。精确算法难以在合理的时间内对大规模的问题求出最优解或质量尚可的可行解；构造启发式算法需要人为制定一些启发式规则，往往会依赖于人们的经验，虽然可在较短时间内获的可行解，但解的质量不高；元启发式算法能够在可接受的时间内搜索到高质量的近似最优解，是目前解决三维装箱问题主流的、表现最好的算法，但元启发式算法是迭代型优化算法，对于大规模问题需要消耗较长的计算时间进行大量的迭代搜索，因此实际问题中还应进行优化；基于强化学习的优化算法求解速度快、泛化能力强，但目前研究处于起步阶段，求得的解仍然很难超过精心设计和迭代优化的元启发式算法。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于混合遗传算法的现代物流多箱型装箱方法及系统，本方法和系统采用了混合的元启发式算法，采用启发式装载算法提高求解速度，同时混合遗传算法和模拟退火算法，提高解的质量。具体包括考虑到遗传算法的全局搜索力具有随机性、快速性的特点，但其局部搜索能力较弱，因此加入罚函数、模拟退火算子、最佳保护策略来对其进行改进，从而丰富算法寻优过程中的搜索行为，增强局部、全局搜索力和搜索效率；采用基于动态空间划分的启发式装载算法，相较于静态的三空间划分能够更加合理的使用装载空间，提高容器空间利用率。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于混合遗传算法的现代物流多箱型装箱方法，该方法包括以下步骤：
4、步骤1：获取货物、容器的参数：包括每个货物的长、宽、高、质量、旋转放置状态；每种类型容器的长、宽、高、允许最大载重量、期望重心坐标、重心安全偏离范围(默认都为0.3)；
<本文档来自技高网...【技术保护点】
1.一种基于混合遗传算法的现代物流多箱型装箱方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于混合遗传算法的现代物流多箱型装箱方法，其特征在于：步骤中所述的基于动态空间划分启发式装载算法具体为：
3.根据权利要求2所述的一种基于混合遗传算法的现代物流多箱型装箱方法，其特征在于：所述步骤5)中的搜索最佳空间旨在找到该类型容器中预装载该货物后适应度值变化最大的容器，表明当前待装货物放入该容器最佳，其具体步骤为：
4.根据权利要求1所述的一种基于混合遗传算法的现代物流多箱型装箱方法，其特征在于：在步骤5中，所述的根据轮盘赌概率选择目标个体具体包括：
5.根据权利要求1所述的一种基于混合遗传算法的现代物流多箱型装箱方法，其特征在于：在步骤6中，所述交叉、变异操作采用部分映射交叉，对于不同编码段采用不同的变异操作，第一段编码采用改进的双变异操作，第二段编码采用顺序逆转变异以保证算法的有效性，具体包括：
6.根据权利要求1所述的一种基于混合遗传算法的现代物流多箱型装箱方法，其特征在于：在步骤8中，模拟退火操作：
7.一种基于混合遗传算法的现代物流多箱型装箱系统，其特征在于：该系统采用如权利要求1至6中任一项所述方法。
...【技术特征摘要】
1.一种基于混合遗传算法的现代物流多箱型装箱方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于混合遗传算法的现代物流多箱型装箱方法，其特征在于：步骤中所述的基于动态空间划分启发式装载算法具体为：
3.根据权利要求2所述的一种基于混合遗传算法的现代物流多箱型装箱方法，其特征在于：所述步骤5)中的搜索最佳空间旨在找到该类型容器中预装载该货物后适应度值变化最大的容器，表明当前待装货物放入该容器最佳，其具体步骤为：
4.根据权利要求1所述的一种基于混合遗传算法的现代物流多箱型装箱方法，其特征在于：在步骤5中，所述的根据轮盘赌概率选择目标个体具体包括：
5.根据...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。