【三维装箱】遗传算法求解三维装箱优化问题【含Matlab源码 3408期】

⛄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