1、耗材推荐问题小结

耗材推荐问题，旨在对待装货物推荐合适的包装耗材，由于该问题属于NP问题，故多采用启发式思路为算法的过程加速。

普通的装箱问题一般针对的是多类货物单类箱型，故问题的重点在于装箱的过程；而耗材推荐中，需要对每一种可能的耗材集类型作判断，每一种耗材类型与待装货物就构成了一组装箱问题，故其难度比装箱高一层次，需在耗材的选取中也添加启发式的规则，达到平衡计算时间、计算资源消耗和计算精度的目的。

一期的箱装首先将所有可能的耗材集类型列举出来，然后选取m（20）个可能的耗材集进线程并行处理，在规定时间（200s）内若有返回值，则返回结果，否则认为超时

袋装由于袋子的柔性特质，将其看成多种箱子，导致袋子集本身的大小过大，无法使用列举的形式，故其选定了袋子的数量（6个），逐一尝试进行装载（一种不行，换掉部分继续尝试）

 

由算法的流程可以看到，箱装中实际尝试装载的耗材集过小，导致了很多可行集都没有办法尝试，袋装由于数量的庞大会更多，因此需要在其中添加一些启发式的规则。

 

2018.4.3：

耗材数	频率
1	0.3593
2	0.345
3	0.1311
4	0.0684
5	0.0415
6	0.0198
7	0.007
8	0.0064
9	0.0018
10	0.012
11	0.0011
12	0.0012
13	0.0013

整理统计了10000个订单内的商品数如上图，可知订单数分布主要集中在5个及5个以下，故对此几种状况优先考虑，

对于商品货物为1个的情况下，对耗材按体积从小到大排序，依次试装，能装下则break，否则返回商品尺寸过大。

对于商品货物为2个的情况下，先将其拼成一个更大的矩体，再试装，若装不下则分两个包裹试装。

对于商品货物为3个及3个以上的情况下，先将商品按照最长边从大到小排列，以期尺寸大的货物先装载，利用启发式规则，先以高为约束，将货物都码成条状，再以宽为约束，将条码成层，

码成层之后，用每类耗材试装，看每类耗材需要几个才能全部装下，选取耗材需求量最小的耗材。

3个及3个以上的情况下，一般最后一个箱子填充率可能较低，在此将其中货物再次重装，选取最小的耗材装载。

至此，本次耗材推荐的算法过程叙述完成。

 

 

比较新算法与之前算法的速度如下：

计算平均时间
商品数	旧（100个随机测试用例）	新（10000个随机测试用例）	速度比
1	29.26	0.0446	656.0538
2	35.81	0.0653	548.392
3	37.81	0.1221	309.6642
4	58.34	0.108	540.1852
5	62.09	0.1185	523.9662
6	86.67	0.1197	724.0602
7	99.48	0.1651	602.5439
8	117.46	0.1658	708.4439
9	120.12	0.1507	797.0803
10	151.99	0.1557	976.1721
11	154.22	0.1677	919.6184
12	148.61	0.1635	908.9297
13	152.44	0.1403	1086.529
14	156.28	0.1307	1195.715
15	147.35	0.1577	934.3691
16	171	0.1564	1093.35
17	137.79	0.1578	873.1939
18	155.67	0.1759	884.9915
19	143.2	0.1698	843.3451
20	131.59	0.1904	691.1239

 

 

 

、

该曲线为计算时间关于计算商品数的关联曲线，旧算法采用100个测试用例，新算法由于速度较快，用了10000个测试用例，

从结果看，新算法的速度大致比旧算法快三个数量级

 

 

对两个算法采用相同的测试用例测试，结果如下：

旧算法的平均使用体积为4.45，新算法为1.43，提升效率约为3倍