CN103473464A - 基于量子遗传算法的货物装载三维布局优化方法及*** - Google Patents
基于量子遗传算法的货物装载三维布局优化方法及*** Download PDFInfo
- Publication number
- CN103473464A CN103473464A CN2013104250425A CN201310425042A CN103473464A CN 103473464 A CN103473464 A CN 103473464A CN 2013104250425 A CN2013104250425 A CN 2013104250425A CN 201310425042 A CN201310425042 A CN 201310425042A CN 103473464 A CN103473464 A CN 103473464A
- Authority
- CN
- China
- Prior art keywords
- container
- storage unit
- unit lattice
- chromosome
- list
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于量子遗传算法的货物装载三维布局优化方法及***,属一种智能装载优化方法,该方法主要包括输入货柜和货箱信息、初始化、适应度计算、变异、交叉、量子测量、最优保留、轮盘选择、终止条件判断和输出优化结果等九个步骤;将量子计算与遗传算法相结合,有效增加了遗传种群基因的多样性,借此提高***的维持能力和全局优化能力,从而得到的更精确的货物三维布局优化结果;同时本发明所提供的一种基于量子遗传算法的货物装载三维布局优化方法的运算步骤较传统算法来说更加清晰,且可用于各类仓储物流行业的电子精细化管理,应用范围广阔。
Description
技术领域
本发明涉及一种装载优化方法,更具体的说,本发明主要涉及一种基于量子遗传算法的货物装载三维布局优化方法及***。
背景技术
在计算机科学和工业领域中,货物三维布局优化有着广泛的应用背景,包括物流配送装货、集装箱装货、空运飞机装货、大型轮船装货等,对三维布局优化问题的研究都是焦点。货柜的三维布局优化是指在一定的装载约束条件下,在货柜中排布货物(或货箱等最小装载单元),排布完成后使货柜能够达到指定的指标要求(如总装载货物质量最大、货柜质心位于中心点等)。从计算复杂性理论来讲,一般三维布局优化问题都是NP完全问题,是优化问题中最难的一类组合优化问题,其求解难度随问题规模的增大和约束的增多而成几何级增长,绝大多数算法很难求得其精确解。目前,关于三维布局优化的研究不是很多,鲜见的一些研究所考虑的约束条件也较少。因此有必要针对三维布局优化的方法做进一步的改进和研究。
发明内容
本发明的目的之一在于针对上述不足,提供一种基于量子遗传算法的货物装载三维布局优化方法及***,以期望解决现有技术中通过计算机进行三维布局优化的难度较大,且优化结果精确度低等技术问题。
为解决上述的技术问题,本发明采用以下技术方案:
本发明提供了一种基于量子遗传算法的货物装载三维布局优化方法,所述的方法包括:
S1、输入三维布局优化所需的检索基础数据,数据管理模块至少将其中的货柜信息与装载货物信息保存至***数据库中;
S2、数据管理模块创建布局优化任务;
S3、货物装载布局优化模块读取***数据库中的货柜信息与货物信息,获取货柜中的存储单元格列表及货箱列表,初始化基础数据后生成初始种群,利用量子遗传算法对货柜中货箱的布局方案进行优化计算,并将优化结果保存至***数据库中,等待呈现。
作为优选,进一步的技术方案是:所述方法中还包括步骤S4、视景显示模块读取***数据库中的优化结果,并将优化后的货柜中货箱的布局方案在用户界面上进行呈现。
更进一步的技术方案是:所述步骤S3中货物装载布局优化模块进行的初始化基础数据包括:
S311、获取货柜中的存储单元格列表和货箱列表;
S312、计算每个存储单元格的剩余空间;
S313、将存储单元格按剩余空间从小到大排序;
S314、从货箱列表中选取一个尺寸最大的货箱,判断各个存储单元格的剩余空间是否能够装载该货箱,将能够装载该货箱的存储单元格划入可装载存储单元格列表中;
S315、将该尺寸最大的货箱装载到可装载存储单元格列表中剩余空间最小的存储单元格中,同时将该货箱从货箱列表中删除;
S316、判断货箱列表是否为空,如为空,则将装载结果保存为初始染色体,反之则再次执行步骤S314,选择尺寸小于当前货箱的货箱;
作为优选,进一步的技术方案是:所述步骤S3中货物装载布局优化模块进行的初始种群生成包括:
S317、读取存储单元格列表中的存储单元格数目n,并取0至n之间的两个随机数x与y;
S318、判断第x与y存储单元格是否空间大小相同,如果是,则交换x与y存储单元格中的货箱信息,并保存交换存储单元格后的染色体,反之则重复步骤S317;
S319、重复n-1次步骤S317至S318,得到n-1个新的染色体,与初始染色体一并构成初始种群。
更进一步的技术方案是:所述步骤S3中货物装载布局优化模块进行的量子遗传算法包括:
S3201、读取初始种群中染色体的存储单元格列表中的存储单元格数目n,并取0至n之间的两个随机数x与y;
S3202、判断存储单元格x与y是否空间大小相同,如是则交换存储单元格x与y中的货箱信息,并将交换货箱信息后的染色体保存为第二代染色体,反之则重复步骤S3201;
S3203、重新读取初始种群中染色体的存储单元格列表中的存储单元格数目n,并取0至n之间的两个随机数x与y;
S3204、从存储单元格x中任意选择一货箱m,并判断存储单元格y中是否有与货箱m类型相同的货箱,如有,则进行下一步骤,反之则重复步骤S3203;
S3205、从存储单元格y中与货箱m类型相同的货箱中随机选择一个货箱n,并交换货箱m与n的信息,且将交换货箱信息后的染色体保存为第二代染色体。
更进一步的技术方案是:所述步骤S3中货物装载布局优化模块进行的量子遗传算法还包括:
S3206、分别读取由步骤S3202与步骤S3205得到的第二代染色体中的存储单元格列表数目n;
S3207、选择0至n之间的随机数x;
S3208、将由步骤S3202得到的第二代染色体的存储单元格列表中第0至x个存储单元格中的货箱信息,与由步骤S3205得到的第二代染色体的存储单元格列表中第0至x个存储单元格中的货箱信息,进行交换;
S3209、将交换存储单元格中货箱信息后的染色体保存为第三代染色体。
更进一步的技术方案是:所述步骤S3中货物装载布局优化模块进行的量子遗传算法还包括:
S3210、生成高斯随机数x,初始化i=0
S3211、取一个第三代染色体的量子基本单元列表,判断其第i个量子基本单元是否与步骤S3207中选择的第x个量子基本单元的类型相同,如是,交换该第三代染色体的这两个量子基本单元,并进行下一步骤,反之设置i=i+1,重复本步骤;
S3211、输出交换量子基本单元后的染色体作为***染色体;
所述量子基本单元为存储单元格或货箱。
更进一步的技术方案是:所述步骤S3中货物装载布局优化模块进行的量子遗传算法还包括:
S3212、读取第三代染色体构成的种群和其第二代染色体构成的种群中的每个染色体,计算输出当前适应度最高的一个染色体,作为***染色体,然后对剩余的第三代染色体进行轮盘选择;
所述轮盘选择包括:
S32121、计算第三代染色体构成的种群和第二代染色体构成的种群中除适应度最高的染色体外,其他染色体的适应度;
S32123、计算这些染色体的适应度之和;
S32124、计算这些染色体中每个染色体的适应度所占的比例,将其作为相应的选择概率;
S32125、计算各个染色体的选择区间;
S32126、循环产生0至1之间的随机数r;如果r落在选择区间内,则输出当前染色体加入由***染色体构成的种群中;
S32127、判断由四代染色体构成的种群中的染色体数量是否达到预定数量,如是则选择结束,反之则将当前已选择的染色体移除,重新执行按步骤S32123执行所述轮盘选择。
更进一步的技术方案是:所述步骤S3中货物装载布局优化模块进行的量子遗传算法还包括:
S3213、通过预设阈值判断当前种群是否满足终止条件,如是则输出优化结果,反之则按步骤S3201执行所述方法。
本发明另一方面还提供了一种用于执行上述基于量子遗传算法的货物装载三维布局优化方法的***,所述***中包括:
数据管理模块,用于输入三维布局优化所需的检索基础数据,并至少将基础数据中的货柜信息与装载货物信息保存至***数据库中,且创建布局优化任务;
货物装载布局优化模块,用于读取***数据库中的货柜信息与货物信息,获取货柜中的存储单元格列表及货箱列表,初始化基础数据后生成初始种群,利用量子遗传算法对货柜中货箱的布局方案进行优化计算,并将优化结果保存至***数据库中,等待呈现;
视景显示模块,用于读取***数据库中的优化结果,并将优化后的货柜中货箱的布局方案在视景显示模块的用户界面上进行呈现。
与现有技术相比,本发明的有益效果之一是:将量子计算与遗传算法相结合,有效增加了遗传种群基因的多样性,借此提高***的维持能力和全局优化能力,从而得到的更精确的货物三维布局优化结果;同时本发明所提供的一种基于量子遗传算法的货物装载三维布局优化方法的运算步骤较传统算法来说更加清晰,且可用于各类仓储物流行业的电子精细化管理,应用范围广阔。
附图说明
图1为用于说明本发明一个实施例的优化方法流程图;
图2为用于本发明另一个实施例的优化算法流程图。
具体实施方式
在详细介绍本发明之前,首先对上述提到的量子遗传算法做个说明:
遗传算法是一种模拟自然界生物进化的随机化优化算法,具有并行阶跃式探险搜索优化能力。常采用二进制、数字或符号来编码基因信息,这些基因的组合构成一条代表问题解的染色体。
量子***是一个概率意义下的随机***,具有混沌与并行的特点,因其处于基态的叠加态中,对其进行测量,就会塌缩到其中的一个基态,每次观测的结果都不一定相同。采用将量子计算思想与经典遗传算法相结合的方式,采用随机染色体***结构,模拟量子计算的叠态和量子测量特性,可以增加遗传种群的基因多样性,借此提高***的维持能力和全局优化能力,完成初始化、交叉、变异、量子测量和选择等功能。因此,采用将量子计算与遗传算法结合的方式适合求解各类NP完全问题。
下面结合附图对本发明作进一步阐述。
本发明的一个实施例是一种用于基于量子遗传算法的货物装载三维布局优化***,***的工作流程参考图1所示,该***中应当包括:
数据管理模块,其作用为输入三维布局优化所需的检索基础数据,并至少将基础数据中的货柜信息与装载货物信息保存至***数据库中,且创建布局优化任务;
货物装载布局优化模块,其作用为读取***数据库中的货柜信息与货物信息,获取货柜中的存储单元格列表及货箱列表,初始化基础数据后生成初始种群,利用量子遗传算法对货柜中货箱的布局方案进行优化计算,并将优化结果保存至***数据库中,等待呈现;
视景显示模块,其作用为读取***数据库中的优化结果,并将优化后的货柜中货箱的布局方案在视景显示模块的用户界面上进行呈现。
正如上述所提到的,参考图2所示,本发明的另一实施例是一种基于量子遗传算法的货物装载三维布局优化方法,该方法需要借助上述优化***,正如图中所示出的,方法中主要包括输入货柜和货箱信息、初始化、适应度计算、变异、交叉、量子测量、最优保留、轮盘选择、终止条件判断和输出优化结果等九个步骤,具体如下:
在此之前,需要说明的是,下述仅为本发明的一个优选实施例,为帮助本领域的技术人员理解本发明;根据如下对各个步骤的解释,本领域的技术人员应当知晓,上述初始化、适应度计算、变异、交叉、量子测量、最优保留、轮盘选择、终止条件判断等任意一个步骤结束后,所述方法均可以终止,即在本实施例的基础上,本领域技术人员可由该思想得到更多的实施例。
(1)输入货柜和货箱信息
本实施例用于装载的空间为一个货柜,货柜分为若干个空间大小相同或不同的存储单元格,每个存储单元格可以放若干个标准货箱,标准货箱为最小单元,具有多种尺寸,不可再细分。本方法的输入为存储单元格信息列表和货箱信息列表。
(2)初始化
此步骤主要用于初始化遗传算法的初始种群。
首先随机生成货柜的第一种装载方案,将该方案作为第一代种群中的一个染色体。具体步骤为:
2a-1)获取货柜中的存储单元格列表和货箱列表;
2a-2)计算每个存储单元格的剩余空间;
2a-3)将存储单元格按剩余空间从小到大排序;
2a-4)从货箱列表中选取一个尺寸最大的货箱,判断各个存储单元格的剩余空间是否能够装载该货箱,将能够装载该货箱的存储单元格划入可装载存储单元格列表中;
2a-5)将该尺寸最大的货箱装载到可装载存储单元格列表中剩余空间最小的存储单元格中,同时将该货箱从货箱列表中删除;
2a-6)判断货箱列表是否为空,如果否,转2a-2);
2a-7)保存装载结果为初始染色体。
上述步骤中2a-6)产生的染色体包括一个存储单元格列表和一个货箱列表,在这两个列表中都同时保存了货箱和存储单元格之间的关联关系。
产生一个染色体后,再通过对该染色体随机交换存储单元格的方式生成初始化种群,设种群中需包括N个染色体。具体步骤为:
2b-1)取存储单元格列表,设列表中存储单元格数目为n;
2b-2)取0至n之间的两个随机数x,y;
2b-3)判断存储单元格x,y是否空间大小相同,如果是,交换存储单元格x,y中的货箱信息,如果否,转2b-2);
2b-4)保存交换存储单元格后的染色体到初始种群。
重复上述步骤N-1次,得到N-1个新的染色体,加上初始染色体,一共N个染色体。
(3)适应度计算
此步骤主要用于计算货柜装载货箱之后的适应度指标具体计算方法根据适应度指标的具体情况而定。如可以采用货柜总负重作为适应度指标,货柜总负重为所有货箱的质量之和;可以采用货柜质心偏移量作为适应度指标,货柜质心偏移量为所有货箱相对于货柜中心的质心偏移的矢量和。
(4)变异
此步骤主要用于将种群中的染色体串的某些基因座上的基因值作变动,从而输出一个新的子代染色体。需要变异染色体的选择采用随机方式,首先为种群中每个染色体产生一个0至1之间的随机数,如果该随机数小于变异概率,则该染色体参与变异操作。具体染色体的变异可采用随机交换货柜中两个存储单元格和随机交换两个相同类型货箱实现。
随机交换货柜中两个存储单元格的具体步骤为:
4a-1)取初始种群中染色体的存储单元格列表,设列表中存储单元格数目为n;
4a-2)取0至n之间的两个随机数x,y;
4a-3)判断第存储单元格x,y是否空间大小相同,如果是,交换存储单元格x,y中的货箱信息,如果否,转4a-2);
4a-4)保存交换存储单元格后的染色体为第二代染色体a。
随机交换两个相同类型货箱的具体步骤为:
4b-1)取初始种群中染色体的存储单元格列表,设列表中存储单元格数目为n;
4b-2)取0至n之间的两个随机数x,y;
4b-3)从存储单元格x中任意选择一货箱m;
4b-4)判断存储单元格y中是否有与货箱m类型相同的货箱,如果有,转4a-5),如果无,转4a-2);
4b-5)从存储单元格y中与货箱m类型相同的货箱中随机选择一个货箱,设为货箱n,交换货箱m,n的信息;
4b-6)保存交换存储单元格后的染色体为第二代染色体b。
(5)交叉
此步骤主要用于把两个父代染色体的部分结构加以替换重组而生成新染色体。其输入为父代的两个染色体,输出为子代的两个染色体。需要交叉染色体的选择采用随机方式,首先为种群中每个染色体产生一个0至1之间的随机数,如果该随机数小于交叉概率,则该染色体参与交叉操作。具体染色体的交叉采用普通遗传算法中常用的一点交叉,即交换两个染色体的相同区域的一系列存储单元格。具体步骤为:
5-1)分别读取上述第二代染色体a和第二代染色体b的存储单元格列表,设列表中存储单元格数目为n;
5-2)选择0至n之间的一个随机数x;
5-3)将第二代染色体a的存储单元格列表中第0至x个存储单元格中的货箱信息,与第二代染色体b的存储单元格列表中第0至x个存储单元格中的货箱信息交换;
5-4)保存交换存储单元格中货箱信息后的第二代染色体a与b为第三代染色体。
(6)量子测量
此步骤用于进一步改善子种群的随机性。种群中的每个染色体均需进行量子测量。量子测量的具体方法包括以存储单元格作为基本量子单元和以货箱作为基本量子单元两种方式。
以存储单元格作为基本量子单元,通过模拟量子计算思想,对每个染色体的每个存储单元格叠加高斯分布。对染色体进行测量时,随机选择一个存储单元格,与第一个类型相同的存储单元格交换信息。具体步骤为:
6a-1)生成高斯随机数x,初始化i=0;
6a-2)取一个第三代染色体的存储单元格列表,判断其第i个存储单元格是否与第x个存储单元格的空间大小相同,如果是,交换本染色体的这两个存储单元格,转6a-3),如果否,令i=i+1,重复本步骤;
6a-3)输出交换存储单元格后的染色体作为***染色体。
以货箱作为量子基本单元,通过模拟量子计算思想,对每个染色体的每个货箱叠加高斯分布。对染色体进行测量时,随机选择一个货箱,与第一个类型相同的货箱交换信息。具体步骤为:
6a-1)生成高斯随机数x,初始化i=0;
6a-2)取一个第三代染色体的存储货箱列表,判断其第i个货箱是否与第x个货箱的类型相同,如果是,交换本染色体的这两个货箱,转6a-3),如果否,令i=i+1,重复本步骤;
6a-3)输出交换货箱后的染色体作为***染色体。
(7)最优保留
此步骤主要用于从当前种群及其父种群中选出最优良的染色体,使其有机会作为父代为下一代繁殖子孙。该步骤输入为当前种群及其父种群中的每个染色体,共2N个染色体,输出为适应度最高的一个染色体。
(8)轮盘选择
此步骤主要用于选择下一代种群中的染色体。该模块输入为当前种群及其父种群中除适应度最高的染色体外的其他染色体,共2N-1个染色体,输出为N-1个染色体。其实现具体步骤为:
8-1)计算第三代染色体构成的种群和第二代染色体构成的种群中除适应度最高的染色体外,其他染色体的适应度;
8-2)计算这些染色体的适应度之和;
8-3)计算这些染色体中每个染色体的适应度所占的比例,以此作为相应的选择概率;
8-4)计算各个染色体的选择区间,第i号染色体的选择区间下限为0至i-1号染色体的选择概率之和,上限为0至i号染色体的选择概率之和;
8-5)产生0至1之间的随机数r;
8-6)如果r落在染色体i的选择区间,输出当前染色体i加入由***染色体构成的种群中;
8-7)判断下一代种群中的染色体个数是否已达到N-1个,如果是,选择结束,如果否,将当前已选择的染色体移除,转8-3);
(9)终止条件判断
本步骤用于进行终止条件判断,如果满足终止条件,转到步骤10,如果不满足终止条件,转到步骤3),继续进行循环。终止条件可以有多种,如可以是判断是否已生成适应度满足要求的染色体、循环次数达到给定阈值、连续两次最优解的适应度之差小于给定阈值或者最优解连续未变化次数大于给定阈值等。
(10)输出优化结果
本步骤输出优化的最终结果,即适应度最高的染色体,包含的信息包括存储单元格信息、货箱信息以及货箱和存储单元格之间的关联关系。
除上述以外,还需要说明的是在本说明书中所谈到的“一个实施例”、“另一个实施例”、“实施例”等,指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说,结合任一实施例描述一个具体特征、结构或者特点时,所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述,但是,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说,在本申请公开、附图和权利要求的范围内,可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变型和改进外,对于本领域技术人员来说,其他的用途也将是明显的。
Claims (10)
1.一种基于量子遗传算法的货物装载三维布局优化方法,其特征在于所述的方法包括:
S1、输入三维布局优化所需的检索基础数据,数据管理模块至少将其中的货柜信息与装载货物信息保存至***数据库中;
S2、数据管理模块创建布局优化任务;
S3、货物装载布局优化模块读取***数据库中的货柜信息与货物信息,获取货柜中的存储单元格列表及货箱列表,初始化基础数据后生成初始种群,利用量子遗传算法对货柜中货箱的布局方案进行优化计算,并将优化结果保存至***数据库中,等待呈现。
2.根据权利要求1所述的基于量子遗传算法的货物装载三维布局优化方法,其特征在于:所述方法中还包括步骤S4、视景显示模块读取***数据库中的优化结果,并将优化后的货柜中货箱的布局方案在用户界面上进行呈现。
3.根据权利要求1或2所述的基于量子遗传算法的货物装载三维布局优化方法,其特征在于所述步骤S3中货物装载布局优化模块进行的初始化基础数据包括:
S311、获取货柜中的存储单元格列表和货箱列表;
S312、计算每个存储单元格的剩余空间;
S313、将存储单元格按剩余空间从小到大排序;
S314、从货箱列表中选取一个尺寸最大的货箱,判断各个存储单元格的剩余空间是否能够装载该货箱,将能够装载该货箱的存储单元格划入可装载存储单元格列表中;
S315、将该尺寸最大的货箱装载到可装载存储单元格列表中剩余空间最小的存储单元格中,同时将该货箱从货箱列表中删除;
S316、判断货箱列表是否为空,如为空,则将装载结果保存为初始染色体,反之则再次执行步骤S314,选择尺寸小于当前货箱的货箱。
4.根据权利要求3所述的基于量子遗传算法的货物装载三维布局优化方法,其特征在于所述步骤S3中货物装载布局优化模块进行的初始种群生成包括:
S317、读取存储单元格列表中的存储单元格数目n,并取0至n之间的两个随机数x与y;
S318、判断第x与y存储单元格是否空间大小相同,如果是,则交换x与y存储单元格中的货箱信息,并保存交换存储单元格后的染色体,反之则重复步骤S317;
S319、重复n-1次步骤S317至S318,得到n-1个新的染色体,与初始染色体一并构成初始种群。
5.根据权利要求1或2所述的基于量子遗传算法的货物装载三维布局优化方法,其特征在于所述步骤S3中货物装载布局优化模块进行的量子遗传算法包括:
S3201、读取初始种群中染色体的存储单元格列表中的存储单元格数目n,并取0至n之间的两个随机数x与y;
S3202、判断存储单元格x与y是否空间大小相同,如是则交换存储单元格x与y中的货箱信息,并将交换货箱信息后的染色体保存为第二代染色体,反之则重复步骤S3201;
S3203、重新读取初始种群中染色体的存储单元格列表中的存储单元格数目n,并取0至n之间的两个随机数x与y;
S3204、从存储单元格x中任意选择一货箱m,并判断存储单元格y中是否 有与货箱m类型相同的货箱,如有,则进行下一步骤,反之则重复步骤S3203;
S3205、从存储单元格y中与货箱m类型相同的货箱中随机选择一个货箱n,并交换货箱m与n的信息,且将交换货箱信息后的染色体保存为第二代染色体。
6.根据权利要求5所述的基于量子遗传算法的货物装载三维布局优化方法,其特征在于:所述步骤S3中货物装载布局优化模块进行的量子遗传算法还包括:
S3206、分别读取由步骤S3202与步骤S3205得到的第二代染色体中的存储单元格列表数目n;
S3207、选择0至n之间的随机数x;
S3208、将由步骤S3202得到的第二代染色体的存储单元格列表中第0至x个存储单元格中的货箱信息,与由步骤S3205得到的第二代染色体的存储单元格列表中第0至x个存储单元格中的货箱信息,进行交换;
S3209、将交换存储单元格中货箱信息后的染色体保存为第三代染色体。
7.根据权利要求6所述的基于量子遗传算法的货物装载三维布局优化方法,其特征在于所述步骤S3中货物装载布局优化模块进行的量子遗传算法还包括:
S3210、生成高斯随机数x,初始化i=0
S3211、取一个第三代染色体的量子基本单元列表,判断其第i个量子基本单元是否与步骤S3207中选择的第x个量子基本单元的类型相同,如是,交换该第三代染色体的这两个量子基本单元,并进行下一步骤,反之设置i=i+1,重复本步骤;
S3211、输出交换量子基本单元后的染色体作为***染色体;
所述量子基本单元为存储单元格或货箱。
8.根据权利要求7述的基于量子遗传算法的货物装载三维布局优化方法,其特征在于所述步骤S3中货物装载布局优化模块进行的量子遗传算法还包括:
S3212、读取第三代染色体构成的种群和其第二代染色体构成的种群中的每个染色体,计算输出当前适应度最高的一个染色体,作为***染色体,然后对剩余的第三代染色体进行轮盘选择;
所述轮盘选择包括:
S32121、计算第三代染色体构成的种群和第二代染色体构成的种群中除适应度最高的染色体外,其他染色体的适应度;
S32123、计算这些染色体的适应度之和;
S32124、计算这些染色体中每个染色体的适应度所占的比例,将其作为相应的选择概率;
S32125、计算各个染色体的选择区间;
S32126、循环产生0至1之间的随机数r;如果r落在选择区间内,则输出当前染色体加入由***染色体构成的种群中;
S32127、判断由四代染色体构成的种群中的染色体数量是否达到预定数量,如是则选择结束,反之则将当前已选择的染色体移除,重新执行按步骤S32123执行所述轮盘选择。
9.根据权利要求8述的基于量子遗传算法的货物装载三维布局优化方法,其特征在于所述步骤S3中货物装载布局优化模块进行的量子遗传算法还包括:
S3213、通过预设阈值判断当前种群是否满足终止条件,如是则输出优化结果,反之则按步骤S3201执行所述方法。
10.一种用于执行权利要求1至9任意一项所述基于量子遗传算法的货物装载三维布局优化方法的***,其特征在于所述***中包括:
数据管理模块,用于输入三维布局优化所需的检索基础数据,并至少将基础数据中的货柜信息与装载货物信息保存至***数据库中,且创建布局优化任务;
货物装载布局优化模块,用于读取***数据库中的货柜信息与货物信息,获取货柜中的存储单元格列表及货箱列表,初始化基础数据后生成初始种群,利用量子遗传算法对货柜中货箱的布局方案进行优化计算,并将优化结果保存至***数据库中,等待呈现;
视景显示模块,用于读取***数据库中的优化结果,并将优化后的货柜中货箱的布局方案在视景显示模块的用户界面上进行呈现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310425042.5A CN103473464B (zh) | 2013-09-17 | 2013-09-17 | 基于量子遗传算法的货物装载三维布局优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310425042.5A CN103473464B (zh) | 2013-09-17 | 2013-09-17 | 基于量子遗传算法的货物装载三维布局优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103473464A true CN103473464A (zh) | 2013-12-25 |
CN103473464B CN103473464B (zh) | 2016-07-06 |
Family
ID=49798311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310425042.5A Active CN103473464B (zh) | 2013-09-17 | 2013-09-17 | 基于量子遗传算法的货物装载三维布局优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103473464B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787277A (zh) * | 2016-03-02 | 2016-07-20 | 江西理工大学 | 一种边坡三维临界滑裂面搜索方法 |
CN109033510A (zh) * | 2018-06-14 | 2018-12-18 | 佛山市顺德区中山大学研究院 | 基于遗传算法的三维集成电路互连线长度优化方法及装置 |
CN109447311A (zh) * | 2018-09-13 | 2019-03-08 | 深圳市递四方信息科技有限公司 | 基于遗传算法的适配装箱方法、装置、设备和存储介质 |
CN109633301A (zh) * | 2018-12-03 | 2019-04-16 | 四川长虹电器股份有限公司 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
CN110182530A (zh) * | 2018-02-23 | 2019-08-30 | 北京京东尚科信息技术有限公司 | 一种仓库管理方法和装置 |
DE102022126829A1 (de) | 2022-10-14 | 2024-04-25 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Vorrichtung und Verfahren zum Ermitteln eines Lagerplatzes einer Komponente in einem Lager |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214321A (zh) * | 2011-07-14 | 2011-10-12 | 大连海事大学 | 一种三维集装箱装载布局优化方法及*** |
-
2013
- 2013-09-17 CN CN201310425042.5A patent/CN103473464B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214321A (zh) * | 2011-07-14 | 2011-10-12 | 大连海事大学 | 一种三维集装箱装载布局优化方法及*** |
Non-Patent Citations (5)
Title |
---|
ANDREAS BORTFELDT,ET AL.: "A hybrid genetic algorithm for the container loading problem", 《EUROPEAN JOURNAL OF OPERATIONAL RESEARCH》 * |
于金,等.: "基于改进遗传算法的集装箱装载优化问题研究", 《船海工程》 * |
杜伟.: "模拟退火遗传算法在仓储货物码放优化中的研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
郭晶,等.: "面向装箱问题的量子遗传优化算法", 《计算机科学》 * |
陈德良,等.: "三维装箱问题的模型与改进遗传算法", 《数学的实践与认识》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787277A (zh) * | 2016-03-02 | 2016-07-20 | 江西理工大学 | 一种边坡三维临界滑裂面搜索方法 |
CN105787277B (zh) * | 2016-03-02 | 2018-05-22 | 江西理工大学 | 一种边坡三维临界滑裂面搜索方法 |
CN110182530A (zh) * | 2018-02-23 | 2019-08-30 | 北京京东尚科信息技术有限公司 | 一种仓库管理方法和装置 |
CN110182530B (zh) * | 2018-02-23 | 2022-08-12 | 北京京东尚科信息技术有限公司 | 一种仓库管理方法和装置 |
CN109033510A (zh) * | 2018-06-14 | 2018-12-18 | 佛山市顺德区中山大学研究院 | 基于遗传算法的三维集成电路互连线长度优化方法及装置 |
CN109033510B (zh) * | 2018-06-14 | 2023-10-13 | 佛山市顺德区中山大学研究院 | 基于遗传算法的三维集成电路互连线长度优化方法及装置 |
CN109447311A (zh) * | 2018-09-13 | 2019-03-08 | 深圳市递四方信息科技有限公司 | 基于遗传算法的适配装箱方法、装置、设备和存储介质 |
CN109633301A (zh) * | 2018-12-03 | 2019-04-16 | 四川长虹电器股份有限公司 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
CN109633301B (zh) * | 2018-12-03 | 2021-04-06 | 四川长虹电器股份有限公司 | 基于量子遗传优化的非侵入式电器负荷识别方法 |
DE102022126829A1 (de) | 2022-10-14 | 2024-04-25 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Vorrichtung und Verfahren zum Ermitteln eines Lagerplatzes einer Komponente in einem Lager |
Also Published As
Publication number | Publication date |
---|---|
CN103473464B (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103473464A (zh) | 基于量子遗传算法的货物装载三维布局优化方法及*** | |
Safarzadeh et al. | Solving an extended multi-row facility layout problem with fuzzy clearances using GA | |
Kicinger et al. | Evolutionary computation and structural design: A survey of the state-of-the-art | |
Petrosov et al. | Large discrete systems evolutionary synthesis procedure | |
Shim et al. | A hybrid estimation of distribution algorithm for solving the multi-objective multiple traveling salesman problem | |
CN103473617A (zh) | 多种物资放入多规格货包的三维装载全局优化方法及*** | |
Tsai | Improved differential evolution algorithm for nonlinear programming and engineering design problems | |
Qin et al. | Harmony search algorithm and related variants: A systematic review | |
Aghajani-Delavar et al. | A multi-objective vibration damping optimization algorithm for solving a cellular manufacturing system with manpower and tool allocation | |
Zhang et al. | A novel approach for parallel disassembly design based on a hybrid fuzzy-time model | |
Ponsich et al. | Constraint handling strategies in genetic algorithms application to optimal batch plant design | |
Wang et al. | Two-dimensional bin-packing problem with rectangular and circular regions solved by genetic algorithm | |
Barkat Ullah et al. | AMA: a new approach for solving constrained real-valued optimization problems | |
CN102354117B (zh) | 一种适应设备动态配置的生产线***的工艺排序方法 | |
Giannopoulos et al. | Multi-objective optimization with fuzzy measures and its application to flow-shop scheduling | |
Hussain et al. | Optimization through genetic algorithm with a new and efficient crossover operator | |
Pourtakdoust et al. | A hybrid simplex non-dominated sorting genetic algorithm for multi-objective optimization | |
Ajagekar | Quantum computing for process systems optimization and data analytics | |
Huo et al. | Human-computer co-operative co-evolutionary method and its application to a satellite module layout design problem | |
Ramírez-Chavez et al. | A GPU-based implementation of differential evolution for solving the gene regulatory network model inference problem | |
Zhao et al. | Path planning based on multi-objective topological map | |
Rao et al. | Intelligent algorithms for irregular packing problem | |
CN114742173A (zh) | 一种基于神经网络的变压器故障诊断方法及*** | |
Chong et al. | An opposition-based self-adaptive differential evolution with decomposition for solving the multiobjective multiple salesman problem | |
Roeva et al. | Generalized net model of selection operator of genetic algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |