[发明专利]一种多约束条件下三维装箱新型遗传算法模型

权利要求书

1.一种多约束条件下三维装箱的新型非支配排序遗传算法模型，包括以下步骤：

1) 预处理：在运行遗传算法之前，本算法需对装载货物进行预处理，处理方式为将多个小尺寸货物（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）；

2) 初始化种群：基于预处理结果，使用基于正态分布的蒙特卡罗算法初始化种群； 

3) 计算空间利用率：将遗传基因中所代表的货物按顺序模拟放入集装箱，根据放入集装箱货物的体积与集装箱总体积的比值计算空间利用率；同时，在模拟货物装箱时根据货物尺寸基于在线空间合并方案以提高空间利用率；

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，既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；

5) 拥挤度计算：本设计中，通过比较两个个体中相同或相似基因片段的数量判断两个个体是否相似，相同或相似的基因片段越多则说明两个个体相似度越高；而拥挤度大小则通过目标个体与种群中所有个体逐一比较后所得相似度进行计算：种群中与目标个体相似度高的个体越多，则拥挤度越高，反之，拥挤度越低；

6) 计算适应度函数：通过非支配排序结果和拥挤度计算个体适应度：非支配排序越靠前的个体适应度越高，非支配排序越靠后的个体适应度越低；没有支配关系的两个个体根据拥挤度计算适应度：拥挤度越高的个体适应度越低，拥挤度越低的个体适应度越高；

7) 更新基因片段库：为加快算法收敛速度，本设计使用基因片段库以保留优秀个体中的公共基因片段：通过对比优秀个体的基因，将共同或相似的基因片段保存在基因片段库中；库中基因片段根据被更新时间的先后顺序被淘汰，越早被更新的基因片段越早被淘汰；

8) 更新种群：通过选择、交叉、变异、基因注入操作更新种群，其中选择操作使用传统的赌盘算法，适应度越高，被选择概率越大；在选出两个个体作为父代个体后，使用交叉、变异、基因注入等操作更新个体；本设计中交叉、变异和基因注入算子的概率均使用基于种群平均适应度的函数计算：种群平均适应度越低则概率越大，平均适应度越高则概率越小；

9) 迭代：当迭代次数大于预先设定的阈值或达到收敛条件时，退出算法，否则回到第3步继续执行。

2.在要求1所述步骤2）中，本算法模型采用基于正态分布的蒙特卡罗方法选取货物，选取方法为按预处理后大货物中包含小货物的数量排序，根据排序结果，随机选取大货物的概率呈正态分布。

3.在要求1所述步骤3）中，本算法模型使用了在线空间合并算法：根据当前待放入货物决定合并方式，选取最贴近货物尺寸的合并方式进行合并；货物会被优先放入选定空间的最内侧底层位置，放入后，空间将被分为前左、前右、右、上四个部分。

4.在要求1所述步骤7）中，引入基因片段库存储、更新机制，为基因注入算子做准备：设基因片段库存储容量为Ф个基因片段（如：Ф=10），选取适应度值最高的前Ф个个体，若存在一段相同的连续基因片段，则将该基因片段更新至基因片段库，更新顺序按包含该基因片段的个体数排序；若包含个体个数相同，则随机选取；原基因片段库中基因按被更新的时间顺序被淘汰，越早被更新的基因片段越早被淘汰。

5.在要求1所述步骤8）中，交叉、变异、基因注入三个算子的执行概率为适应度函数，函数通式定义如下：

其中为种群适应度平均值，和分别为个体可取的最大、最小适应度值，P(n)为当前使用的概率值，P(n-1)为上一代更新时使用的概率值；本设计中，参数，，为共用参数，概率值P(n)和P(n-1)可代表交叉、变异或基因注入算子中任一算子的概率，不同算子的区别体现在和参数以及初始化概率值；其中，和参数分别代表概率可取的最小、最大值，初始化概率值指当n=0时，P(0)的取值。