[发明专利]一种多约束条件下三维装箱新型遗传算法模型

说明书

技术领域

本发明主要针对多约束条件下集装箱装箱算法模型优化，涉及多目标优化、遗传算法（genetic algorithm, GA）、蒙特卡罗（Monte Carlo, MC）方法、非支配排序（Non-Dominated Sorting）算法。旨在优化装箱决策使用的遗传算法中存在的问题，包括时间复杂度高、空间利用率低、装箱方案不够完善等，属于智能算法优化领域。

背景技术

集装箱运输作为目前先进的现代化运输方式，它将集装箱作为运输单位进行货物运输，可以综合利用铁路、公路、水路和航空进行多式联运，实现门到门运输，有利于减少运输环节。伴随着国民经济的快速增长和外贸事业的蓬勃发展，中国集装箱运输市场巨大，近年来，我国集装箱运输业发展迅猛，码头集装箱吞吐量连续十年保持世界第一。作为国际货物运输的主要方式之一，全球经济一体化的趋势已经涉及到集装箱运输企业的核心利益，提高集装箱装载量，可以有效降低物流成本，因此，集装箱装载研究，不但具有较强的理论价值，还具有巨大的经济价值。

就智能化装箱系统而言，当前信息化和智能化程度都还较低，通常配载人员都是依据多年的现场装载经验进行货物装载，因此装载方案因人而异，不能保证较高且稳定的集装箱空间利用率，而且这种人工装箱方式工作效率低，空间浪费严重，从而导致产品运输成本较高。

为解决该类问题，从20世纪70年代初就引起了业界的广泛探讨和研究。装箱问题可以追溯到1831年高斯(Gauss)首次提出的布局问题，因为装箱问题和布局问题本质上是一样的。虽然经过多年努力，迄今尚无成熟的理论和有效的数值计算方法。从70-80年代开始，陆续提出的装箱算法都是各种近似算法，如首次适应、下次适应、降序下次适应和调和算法等。其中一维和二维装箱问题相对比较简单，然而三维集装箱装载问题，是复杂的离散组合最优化问题，属于NPC问题，此类问题随着数据规模的增加，其计算量将指数性增长。

由于三维装箱问题较为复杂且解决难度较大，研究相应较少，而且这些研究大都没有给出能够实际应用的具体算法。现有典型的算法模型包括遗传算法、模拟退火算法、蚁群算法等，这些算法主要都是基于空间分解或层的思想，存在如下缺陷：

1） 算法模型运行效率较低；

2） 空间利用率还有极大的优化空间；

3） 对多约束条件下的装箱问题处理较少。

由于存在上述缺陷，极大限制了集装箱运输业的发展，不利于运输成本的降低。本设计正是基于此，通过改进遗传算法，旨在提高集装箱空间利用率并降低算法模型的时间复杂度。

发明内容

在现有多约束条件下三维集装箱遗传算法中，主要运用的技术有适应度评估、罚函数、空间合并，其中适应度评估与罚函数根据实际装箱要求会有适应性修改，而空间合并技术的设计则相对固定。基于传统的空间合并方法，严重限制了装箱算法的空间利用率、装箱合理性。本设计针对上述问题，提供一种在线空间合并模型，该模型能有效提高集装箱空间利用率及装箱合理性。除此之外，本设计还对遗传算法做了适应性改进，表现为在初始化种群阶段使用正态分布下的蒙特卡罗（CR）方法；使用基因片段库并增加基因注入算子；交叉、变异及基因注入概率均为自适应函数。通过上述修改，旨在提高空间利用率的同时加快算法收敛速度。

在解决多约束条件下的三维集装箱装箱问题中，本算法模型步骤如下：

1)   预处理：预处理方式是将多个小尺寸货物（以下简称小货物）堆叠组合为较大尺寸货物（以下简称大货物）。该步骤能有效减少实际计算中的货物数量，加快算法运行速度；

2)   初始化种群：基于预处理结果初始化种群，但如果种群中小尺寸货物合并数量较多，计算过程中易陷入局部最优；反之，若小尺寸合并数量过少，无法达到加快算法运行速度的效果。为权衡这一问题，本设计使用基于正态分布的蒙特卡罗算法来初始化种群。

3)   计算空间利用率：将遗传基因中代表的货物按顺序放入集装箱并计算集装箱空间利用率。为提高这一指标，空间合并方法被广泛运用。但较为固定的传统空间合并方式适应性不高，本设计使用了在线空间合并方法，既在将货物模拟放入集装箱时根据货物尺寸选择空间合并方案，有效的提高了算法适应性。

4)   非支配排序：本设计主要考虑了空间利用率、集装箱重心、集装箱承重、每件货物承重的约束条件。通过求解具体装箱方案中的相关参数与标准值对比，其差值作为非支配排序的依据。差值越小，个体方案越优秀；差值越大，个体方案越差。