【三维装箱】遗传算法求解三维装箱优化问题【含Matlab源码 3408期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab优化求解仿真内容点击👇
Matlab优化求解（仿真科研站版）

⛄一、三维装箱简介

1 问题产生
当初这个问题是由于有人问我的，大概是去年的五一建模比赛，赛后我朋友一直没有解决，因此我就好奇的尝试了下。问题如下：
假设有一块原材料木板，长宽确定（分别为3000，1500），有两种切割形状（可是更多切割形状），切割形状p1为长宽（373，201），切割形状p2为长宽（406，229），那么请问两者切割数量以及最后的切割位置（保证原材料木板利用率最高的情况下）？

2 解决思路
由于这一块问题中主要我想阐述如何实现装箱，重点不在于遗传算法（当然想了解可以关注我，我其它文章有遗传算法描述），为了确定利用率最高，也就是最后的剩余面积最小，由于问题的无序，我们只能借助遗传算法来实现局部（接近全部）搜索。具体方法如下：

【step1】
我们在已知木板大小和所需矩形形状下，假设矩阵切割方式只切割出一类矩形，以此来求一类矩形最大切割数量。对于矩形p1最多能切割60块，对于矩形p2最多能切割48块木板。借助2进制求得染色体为6位数。

【Step2】
我们用遗传算法对切割方式进行搜索，在已知最大切割数量的情况下，我们用bit[6]表示物品p1的染色体编码，用bit1[6] 表示物品p2的染色体编码。 在此我们取种群数量为F=100，在上述个体模拟情况下，染色体为二进制，转化成十进制，则个体矩阵取值范围为【0~63】。则个体适应度函数为木板利用率作为适应度考量标准：
Fit=已切割面积（p1切割数量乘以p1面积+p2切割数量乘以p2面积）/原材料面积
当个体Fit>1时我们取该个体适应度为0，以保证不影响迭代。取交叉概率为0.7，变异概率为0.1，我们取最大迭代数为1000。
下面是重点：
个体染色体矩形切割算法过程如下：
（1）我们将木板在问题一模型基础划分成1500*3000（取原材料和所用切割材料的长宽公约数作为最小单位，这里是1）的单元网格图，并记录每个网格初始状态为0、并记最右侧点为（xw，0），最上侧点为（0,yh）。然后对于个体是否能进行分割判断，即Fit不等于0，以作为个体矩形存放顺序以1、对于任一个切割矩形，有两种切割方式（水平和垂直切割），因此对每一个矩形产生一个随机数决定是水平还是垂直切割（用0、1表示）。
（2）一开始从位置（0，0）切割，每切割完一个矩形，产生两个可用点，也就是切割这个矩形后的矩形右下角以及左上角在原材料的坐标点，一开始原材料只有一个可用点，切割一个后就变成了两个可用点，也就是每切割一个矩形，占用一个可用点，生成两个可用点。
（3）可用点用一个队列表示，先产生的先用，效果会很好（先右下角，再左上角，很重要）。
（4）对于每一个可用点，如何已被作为切割点，则将这个可用点删除（表示已用），否则假设该可用点为（a，b），下一个切割矩形以及切割方式已知为（e，r）摆放切割，那么判断该可用点是否可用的方式为：
1、满足yh-b>r。
2、满足可用点队列中横坐标比a大的最小可用点坐标，假设为（a1，b2），那么a1-a>e，如果没用这样的可用点，则应满足xw-a>e。
如果两者都满足，则进行切割，否则，该可用点不可用（删除，和已用的可用点一样处理掉），该矩形尝试下一个可用点。
（5）判断原材料矩形是否切割完，结束条件为：**
1 可用点队列为空，也就是所用可用点都用完了。
2 该个体的两类矩形染色体需要切割的数量完成，也就是这类个体切完了。

随机数生成的方式来随机生成第一代种群， 每一代种群在进化时有：
选择：在模拟进化中，通过编码来更新个体适应度，表现较好的个体的染色体遗传到下一代的概率会更大，因此我们以增加算子的方式来选择个体和保留个体。
操作：在确定个体选择后，通过操作来实现遗传到下一代的具体操作。在此，我们以直接替换下一代更新种群的一些个体。
交叉：我们通过随机数生成的方式来表达概率，当满足发生条件时，通过改变最近的两个个体的部分染色体来实现，例如：在第 次判断时，当满足条件，我们再生成一个随机数，对染色体进行前个染色体节点交换。
变异：通过随机数的方式来检验变异概率，满足条件时，对该个体的染色体所

3 完成效果
由于遗传算法的帮助，一般收敛结果较为满意，但无法保证为最优解，是近似最优解，但解决思路是没问题的。可能算法复杂度较高。
结果如下：

P1、P2最优切割方案

序号| P1的数量 |P2的数量 | 利用率
1 | 0| 48 | 99.1723%
2 | 12 | 38 |98.5042%

这里是该问题利用该算法求得的最优的两种结果。

4 问题扩展到三维
该算法可以扩展到三维，只是在可用点的产生和删除方面有更多的考虑，占用一个可用点切割一个三维长方体后产生三个可用点，后面还是差不多的原理。

⛄二、部分源代码

% 使用遗传算法得到最大装载方式
%　定义初始种群为100个
% 交叉方式为两两交叉组合，分裂概率为0.7
% 变异方式为随机变异，变异概率为0.3
% 然后进行选择 选择前面最优的100个

rateCom=0.9;%结合概率
rateAbe=0.1;%变异概率
populations=20;%种群大小
Maxtime=20;%最大迭代时间
BigSet=[1,1,1,100;
2,2,2,100];% 表示可用箱子，前三个属性表示箱子三维尺寸，第四个属性为箱子数量
xscale=10;
yscale=10;
zscale=10;%箱子尺寸限制

%----使用遗传算法-----%
%xscale 表示容器x长度
%yscale 表示容器y长度
%zscale 表示容器z长度
%SolutionPosition 物体摆放点（左前下角）
%SolutionQ 物体摆放种类
%SolutionD 物体摆放方向
%SolutionV 物体体积
[SolutionQ,SolutionD,SolutionPosition,SolutionV]…
=Genetic(rateCom,rateAbe,populations,BigSet,xscale,yscale,zscale,Maxtime);

%根据得到的位置序列，对应的物体种类、物体方向进行绘图
plotPermute(SolutionPosition,SolutionQ,SolutionD,BigSet);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]江宝钏,熊伟清.一种求解三维集装箱装箱问题的混合遗传算法[J].计算机工程与应用. 2007(26)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置