【三维装箱】自适应遗传算法求解三维集装箱装载优化问题【含Matlab源码 2697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 引言
三维装箱问题广泛存在于商品的包装、装载、运输之中,特别是在集装箱装载货物方面起着重要的作用。三维装箱问题是一个具有复杂约束条件的组合优化问题,在理论上属于NP hard问题,在实际中更有许多约束条件需要考虑,因此复杂性和难度大。目前国内较好的装箱软件几乎寥寥无几[1]。

集装箱装载问题是:将一批待布箱体(长方体)装入长方体容器中,目标是使容器空间利用率和重量利用率达到最高;同时要考虑到的约束有:箱体本身的承重性、易碎性、箱体搬运的难易、一些货物必须隔离、不允许超过最大承重量、重心与几何形心偏差不应太大、货物码放的稳定性等等。由于存在多目标、多约束的空间规划问题的计算复杂性,利用数学规划法和图论法不太有效,A启发式方法虽然较为有效,但大多只能解一类问题,局限性较大[2]。因此,开发实用的综合考虑多种约束、多种目标的集装箱空间规划算法有待于进一步加以研究。

遗传算法作为一种随机化搜索算法,具有很强的全局搜索能力,比较适合求解集装箱装载问题,目前以遗传算法为基础并加以改进,可以成为解决集装箱问题的可行思路[3]。本文针对具有多目标约束的装箱问题,在单一集装箱装箱算法的基础上,提出了一种适用于多集装箱的启发式混合遗传算法,并对算法的交叉算子和变异算子进行了自适应的改进,经过测试本程序得到的装载计划已经远远超过了人工制定的装载计划,能够给具有装箱业务的企业带来优势。

2 算法的详细设计
本文在遗传算法的基础上结合传统启发式装箱算法,设计成一个混合遗传算法。该算法既继承遗传算法的全局搜索好的优点,也克服了遗传算法局部搜索能力差的缺点,能够较好地解决集装箱这类多目标多约束的空间三维分布的问题。其主要思想是:在整个装箱过程中,将产生的子空间按照容积从小到大进行排序;对某一物品,它总是装到第一个能装下它的箱子中;装完一个物品后,将根据这个物品产生上、左、前3个子空间,如果子空间容积不小于剩余物品的最小体积,则将子空间按容积从小到大重新排序,否则作为空隙排除。这样的装箱方案既符合最佳适应近似算法的思想,同时,物品对空间的分割方式采用三叉树分割法,可以保证货物的边没有悬空现象。

在上述算法的基础上,货物的序号被排列成一个序列作为遗传个体的基因,由遗传群体对基因群体进行变异、交叉等演绎,并按一定规则产生下一代。当遗传的代数足够大的时候,遗传群体中的几个最优遗传个体就可以被近似地当作指定装箱问题的最优解。

基本遗传算法可定义为一个八元组[4]
式中:C为个体的编码方法;E为个体适应度评价函数;P0为初始群体;M为群体大小;!为选择算子;"为交叉算子;#为变异算子;T为遗传运算终止条件。

遗传算法的基本步骤:确定编码方案、确定适应函数、确定选择策略、控制参数的选取、遗传算子的设计、算法终止准则的确定等。

2.1 编码设计
遗传算法的操作对象(计算矩阵)是基因。这个基因代表的就是一个遗传群体中的个体,具体到装载问题中就是装载计划,装载计划是三维空间中货物的分布。因此,如何把三维空间的货物分布解释为数字串和如何把数字串解释为三维空间的货物分布是本算法必须首先解决的问题。

平面布局一般采用待布物体在平面上的坐标组成解串。但是,坐标值的调整变化仅描述了待布物本身位置的改变,可能会使待布物之间出现干涉,为此需要进行判断,以避免出现干涉,亦即坐标值的变化是受限制的。这不适合于用遗传算法求解,而且在三维空间布局中,干涉的计算量要大得多,因此需要构造一种新的、更适合的表示方式。

把待布物的编号按排放顺序排列成染色体,即

p={p1,p2,p3,…,pn}

其中n表示待布物的个数,pi为整数,其值代表盒子的编号。交叉和变异算子对其进行的操作实际上就是改变待布物的排放顺序,从而产生不同的空间规划图(不同的解)。染色体P是解的基因型表示,能否简单、快速地将其转化为表现型(空间规划图)从而求出其有关评价参数,就成为遗传算法能否有效应用的关键。采用如下译码算法。

布局空间分解过程采用三叉树数据结构表示。先对原始布局空间求解,此时原始布局空间为当前布局空间,对应于三叉树的根结点。染色体P的先后顺序,从可选布局物体中选择一个相对于当前布局空间为最优的布局物体,其摆放方式通过可行域的形状确定。将其定位于当前布局空间后部的左下角,如图1位置所示,并将布入的物体编号从P中删除。这样,原布局空间的剩余空间可分为L,M,R这3个子空间,分别对应于三叉树根结点的左、中、右3个子结点,剩余的布局空间就变成3个独立的布局空间。依次将L、M、R当作当前空间,对3个布局空间重复上述分解过程,直至没有待布局物体满足要求或集装箱没有可利用空间时停止。

这样,染色体P就转化为布局图,并且克服了空间干涉约束。由此可见,三叉树结构对于求解复杂集装箱布局的空间分解问题有着明显的优势,但对于具有特殊形状的容器的布局问题,目前还无法很好地应用。

2.2 适应度函数
遗传算法对一个解的好坏用适宜度函数值的大小来评价,适宜度的值越大,解的质量越好。在讨论遗传算法的实现之前,应先定义适宜度函数。评价一个解的好坏需要考虑以下几个方面:

(1)空间利用率函数

BVi表示第i个布入的盒子的体积,CV表示集装箱体积,m为布入的盒子数。

(2)重量考察函数

BWi表示第i个布入盒子的质量,CW表示集装箱最大承载重量。超过最大重量,惩罚Weight()为0。

(3)重心考察函数

CH表示集装箱高度,表示第i个盒子的重心高度,通常取盒子高度的一半,表示第i个盒子的重心。该函数主要考察码放的稳定性和搬运的难易性。若重物体都在下面,则码放稳定,且易搬运。

因此,根据惩罚函数法和处理多目标优化的加权系数法。定义适宜度函数为

k1、k2、k3为权重,根据经验来选择。

2.3 遗传算子设计
(1)选择算子

本文采用比例选择法和最优保存策略,既能保证适应度较高的个体遗传到下一代,又能保证有较高的全局收敛性。最优保存策略可视为选择操作的一部分,该策略的实施可保证迄今为止所得的最优个体不被交叉、变异等遗传运算所破坏,它是遗传算法以概率1收敛到全局最优解的一个重要保证条件。

(2)变异算子

在传统遗传算法中变异就是以一定的概率随机改变基因。

由于装箱问题的特殊性,变异算子与传统的遗传算法变异有些区别。因为在装箱问题中,遗传基因的一个节点被表示为一个货物的序号,显然如果随机的改变基因,而没有一定的约束,将会导致每种货物的数量发生改变,从而改变了整个问题的问题空间,而导致谬误。

因此本文采用如下变异操作,以较小的概率pm对数字串P中任意两个基因座p和q之间的基因进行逆排列。这样基因的变异实际上是改变货物在装箱队列中的位置,整个变异过程更加接近于一个个体与其本身的一种交叉。

(3)交叉算子

对于本文这种类似于旅行商的以符号编码的基因串P,交叉方式有部分映射交叉、顺序交叉、循环交叉等。本文采用部分映射交叉方式。

部分映射交叉也称为部分匹配交叉,这种交叉操作的主要思想是:整个交叉操作过程由两步来完成,首先对个体编码串进行常规的双点交叉操作,然后根据交叉区域内各个基因值之间的映射关系来修改交叉区域之外的各个基因座的基因值。

在计算出各个个体的适应度以后,算法把装箱方案数据(个体)和适应度数据交付给“个体优胜劣汰”过程。该过程模拟了自然界个体之间的互相竞争过程,通过该过程,适应度好的个体被尽量保存下来,而适应度差的个体则很大程度上被淘汰出局。

由于参照这个适应度趋势对群体交叉、变异的参数进行了调整,实际上算法模拟了某种近似于退火的过程,从解空间上来说,这种做法使得遗传群体的搜索范围和步径能够随着解空间的变化而变化,所得到的实际上是一个“自适应”的遗传算法,克服了传统遗传算法的早熟和欺骗的缺陷。

⛄二、部分源代码

clc
clear
close all
%% 产生数据
Box=[12032 2352 2393];% 长 宽 高
cargolim=[2000 1500 1000 10 % 长 宽 高 数量
2000 1000 1000 15
1000 1000 500 20
1000 800 600 30
800 500 400 10
500 300 300 45
500 800 900 50
200 150 100 60
100 100 50 30
100 80 60 40];
cargotype=size(cargolim,1);
Cargo=[];
for i=1:cargotype
L=cargolim(i,1);
W=cargolim(i,2);
H=cargolim(i,3);
Cargo=[Cargo;repmat([L W H],cargolim(i,4),1)];
end
Cargoid=1:size(Cargo,1);
Cargo=[Cargoid’ Cargo];
%% 进入遗传算法寻优过程
EveryBox=cell(1,4);
[mm,nn]=size(Cargo);
setboxid=1;
while mm>0
disp([‘------------------- 正在对第： ’ num2str(setboxid) ’ 个箱子寻优 -------------------’]);
%% ga参数
popsize=10;
Pm=[0.2 0.05];% 变异概率
Pc=[0.9 0.60];% 交叉概率
maxgen=20;
AverageFit=zeros(maxgen,1);
BestFit=zeros(maxgen,1);
BestPop=cell(maxgen,1);
BestPopID=cell(maxgen,1);
%% 初始化种群并计算适应度
Pop=zeros(popsize,2mm);
Fitness=zeros(popsize,1);
SetCargo=cell(popsize,1);
SetCargoID=cell(popsize,1);
for i=1:popsize
Pop(i,:)=[randperm(mm) round(1+5rand(1,mm))] ;
[Fitness(i,1),SetCargo{i,1},Pop(i,:),SetCargoID{i,1}]=CargoLoading3(Box,Cargo,Pop(i,:),mm);
if rem(i,5)==0
disp(['当前箱子： ’ num2str(setboxid) '，计算初始种群适应度，种群： ’ num2str(i)]);
end
end

⛄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