[发明专利]一种多约束条件下三维装箱新型遗传算法模型

摘要

当前，物流运输业迅猛发展，但装箱方案决策模型却并不完善，尤其是基于多约束条件下的三维装箱模型存在如下典型问题：1.时间复杂度较高；2.空间利用率较低；3.装箱方案不够完善。本设计考虑了装箱问题中空间利用率、重心位置、承重大小等约束条件，通过改进遗传算法，结合蒙特卡罗方法、基因注入和非支配排序算法，旨在多约束条件下提高装箱方案的空间利用率及降低算法时间复杂度，属于智能算法优化领域。主要创新点包括：1.通过基于正态分布的蒙特卡罗方法初始化种群；2.在装箱决策模型中使用基因注入算法；3.交叉、变异、基因注入算子的概率为适应度函数；4.使用在线空间合并方法。

主权项

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。