箱型推荐方法、装置和计算机存储介质与流程

本发明涉及物品装箱领域，尤其涉及一种箱型推荐方法、装置和计算机存储介质。

背景技术：

随着物流业和仓储工业的快速发展，涉及到物品装箱的方法也越来越多。

在电商仓储运营过程中，仓库接到客户下达的订单，完成订单物品的拣选，需要对物品进行装箱处理，由于各个订单下的物品组成和长宽高体积等因素差异较大，会使用到多种箱型。传统的物品装箱方法还没能很好的解决多箱型装箱的问题，因此，现有技术中还存在多箱型装箱的问题。

技术实现要素：

本发明主要目的在于提供一种箱型推荐方法、装置和计算机存储介质，旨在解决现有技术中还存在多箱型装箱的问题。

为实现上述目的，本发明提供一种箱型推荐方法，包括：

获取订单中任一物品均满足候选箱型中的最大箱型单箱装载条件的订单列表；

对所述订单列表中的每一订单，执行以下步骤：

获取所述订单中的所有物品的尺寸；

根据所述所有物品的尺寸预估能够装载所述所有物品的最小箱型；

采用三维装箱算法按照所述最小箱型对所述所有物品进行装载尝试；

当所述最小箱型能够装载所述所有物品时，推荐所述最小箱型；否则增加箱号进行装载尝试，直至获得推荐箱型或所有箱号的装载尝试失败。

在一实施例中，所述获取订单中任一物品均满足候选箱型中的最大箱型单箱装载条件的订单列表，包括：

获取待处理订单列表，对所述待处理订单列表中的每一订单，执行以下步骤：

遍历订单中的物品，判断所述物品是否满足候选箱型中的最大箱型单箱装载条件；

若存在不满足最大箱型单箱装载条件的异形物品，将所述异形物品从订单中剔除，以获得所有物品均满足最大箱型单箱装载条件的订单列表。

在一实施例中，当所有箱号的装载尝试失败时，重复执行以下步骤直至所述所有物品装载完成：

采用最大箱型最大程度装载所述所有物品中的一部分；

针对所述所有物品中的剩余物品，生成新的虚拟订单；

将所述虚拟订单加入所述订单列表等待处理。

在一实施例中，还包括：

计算是否存在更小箱型能够装载所述所有物品中的一部分；

当存在更小箱型能够装载所述所有物品中的一部分，则采用所述更小箱型装载所述所有物品中的一部分。

在一实施例中，所述采用三维装箱算法按照所述最小箱型对所述所有物品进行装载尝试的步骤包括：

基于预设的空间分割方式对所述所有物品按不同的方式进行装载，产生初始装箱方案种群；

计算每个装箱方案的填充率作为适应函数；

遍历所述初始装箱方案种群，根据所述适应函数判定存在能够装载所述所有物品的装箱方案时，输出任一满足装载要求的装箱方案。

在一实施例中，所述基于预设的空间分割方式对所述所有物品按不同的方式进行装载的步骤之前，还包括：

将所述所有物品分别按照6个摆放方向进行堆叠，计算每个摆放方向所述所有物品堆叠的长宽高；

将所述所有物品按照每个方向堆叠形成的简单块生成简单块列表，并将所述简单块按体积依序排列。

在一实施例中，还包括：

当不存在能够装载所述所有物品的装箱方案时，则通过交叉、变异操作产生新解，将所述新解加入所述初始装箱方案种群形成新种群；

计算新种群中的每个装箱方案的填充率作为适应函数，根据所述适应函数进行迭代优化，并设置最大迭代次数；

当所述新种群中出现能够装载所述所有物品的新装箱方案时，则终止迭代，输出所述新装箱方案。

在一实施例中，还包括：

当达到所述最大迭代次数时则终止迭代，计算最后一代中每个装箱方案的填充率作为适应函数；

选择输出所述适应函数值最大对应的装箱方案。

在一实施例中，所述装箱方案包括包括已装载物品列表、已装载箱型、已装载物品位置信息和未装载物品列表。

为实现上述目的，本发明还提供一种装置，所述装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的箱型推荐程序，所述箱型推荐程序被所述处理器执行时实现如上所述的箱型推荐方法的各个步骤。

为实现上述目的，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有箱型程序，所述箱型推荐程序被处理器执行时实现如上所述的箱型推荐方法的各个步骤。

本发明提供的箱型推荐方法和计算机存储介质，由于根据每个订单的所有物品的尺寸，预估最小箱型，基于遗传算法采用三维装箱算法按照预估的最小箱型进行装载尝试，当预估的最小箱型能够装载所有物品时，则推荐使用预估的最小箱型装载所有物品；当预估的最小箱型通过三维装箱算法不能装载所有物品时，则通过增加箱号即增大箱型的大小采用三维装箱算法进行装载尝试，直至获得推荐箱型或者装载尝试失败。利用了多种箱型来装载物品，从而解决了现有技术中还存在多箱型装箱的问题。

附图说明

图1为本发明实施例涉及的装置结构示意图；

图2为本发明箱型推荐方法的第一实施例的流程示意图；

图3表示物品对应的6个不同摆放方向；

图4表示6种空间分割方式中的一种空间分割方式；

图5表示6种空间分割方式中的一种空间分割方式；

图6为本发明箱型推荐方法的第二实施例的流程示意图；

图7为本发明箱型推荐方法的第三实施例的流程示意图；

图8为本发明箱型推荐方法的第四实施例的流程示意图；

图9为本发明箱型推荐方法的第五实施例的流程示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决方案是：获取订单中任一物品均满足候选箱型中的最大箱型单箱装载条件的订单列表；对订单列表中的每一订单，执行以下步骤：获取订单中的所有物品的尺寸；根据所有物品的尺寸预估能够装载所有物品的最小箱型；采用三维装箱算法按照最小箱型对所有物品进行装载尝试；当最小箱型能够装载所有物品时，推荐最小箱型；否则增加箱号进行装载尝试，直至获得推荐箱型或所有箱号的装载尝试失败。由于根据每个订单的所有物品的尺寸，预估最小箱型，基于遗传算法采用三维装箱算法按照预估的最小箱型进行装载尝试，当预估的最小箱型能够装载所有物品时，则推荐使用预估的最小箱型装载所有物品；当预估的最小箱型通过三维装箱算法不能装载所有物品时，则通过增加箱号即增大箱型的大小采用三维装箱算法进行装载尝试，直至获得推荐箱型或者装载尝试失败。利用了多种箱型来装载物品，从而解决了现有技术中还存在多箱型装箱的问题。

作为一种实现方式，可以如图1所示，图1是本发明实施例方案涉及的装置结构示意图。

处理器1100可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1100中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1100可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1200，处理器1100读取存储器1200中的信息，结合其硬件完成上述方法的步骤。

可以理解，本发明实施例中的存储器1200可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(readonlymemory，rom)、可编程只读存储器(programmablerom，prom)、可擦除可编程只读存储器(erasableprom，eprom)、电可擦除可编程只读存储器(electricallyeprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(randomaccessmemory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(staticram，sram)、动态随机存取存储器(dynamicram，dram)、同步动态随机存取存储器(synchronousdram，sdram)、双倍数据速率同步动态随机存取存储器(doubledataratesdram，ddrsdram)、增强型同步动态随机存取存储器(enhancedsdram，esdram)、同步连接动态随机存取存储器(synchlinkdram，sldram)和直接内存总线随机存取存储器(directrambusram，drram)。本发明实施例描述的系统和方法的存储器1200旨在包括但不限于这些和任意其它适合类型的存储器。

对于软件实现，可通过执行本发明实施例所述功能的模块(例如过程、函数等)来实现本发明实施例所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。

基于上述结构，提出本发明箱型推荐方法的实施例。

参照图2，图2为本发明箱型推荐方法的第一实施例，包括：

步骤s110，获取订单中任一物品均满足候选箱型中的最大箱型单箱装载条件的订单列表。

在本实施例中，箱型推荐方法主要是应用于多箱型装载物品的环境下，例如，在电商仓储运营过程中，仓库接到客户下达的订单，完成订单物品的拣选，需要对物品进行装箱处理，由于各个订单下的物品组成和长宽高体积等因素差异较大，会使用到多种箱型，每种箱型的尺寸各不相同。将物品都近似看作为规则的立方体。候选箱型指的是多种尺寸不同的箱型，例如，现在有a、b、c、d四种箱型，且尺寸a<b<c<d。最大箱型单箱装载条件指的是订单中的任一物品的长宽高均不大于最大箱型对应的长宽高，例如，任一物品的长宽高均不大于d箱型对应的长宽高。订单列表指的是满足最大箱型单箱装载条件的订单组成的订单列表。

对所述订单列表中的每一订单，执行以下步骤：

步骤s120，获取所述订单中的所有物品的尺寸。

在本实施例中，获取订单中的所有物品的尺寸，即获取所有物品的长宽高，例如，订单中含有10个物品，则获取这10个物品的长宽高。

步骤s130，根据所述所有物品的尺寸预估能够装载所述所有物品的最小箱型。

在本实施例中，根据获取所有物品的尺寸即所有物品对应的长宽高，在候选箱型中预估一个能够装载所有物品的最小箱型，例如，对于获取的10个物品的长宽高，预估一个能够装载这10个物品的最小箱型为b箱型。

步骤s140，采用三维装箱算法按照所述最小箱型对所述所有物品进行装载尝试。

在本实施例中，三维装箱算法是基于遗传算法的优化的一种装箱算法，在现实生活中，按照装箱需要考虑的维度可分为一维装箱、二维装箱、三维装箱问题。一维装箱通常只考虑一个维度的约束，如体积、重量等；二维装箱需要考虑二维平面内的约束，如二维平面下料问题；三维装箱需要考虑箱子和物品的长宽高约束。

遗传算法(geneticalgorithm，ga)最早是由美国的johnholland于20世纪70年代提出，该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合遗传算法有一个突出的特点，它能够解决一些非常抽象的问题。即能够直接操作结构对象，不需要有准确的数学模型表示，所以不用考虑问题能否求导、是否连续；能够隐去具体的内部操作，即有很好的隐并行性；能够从全局范围搜索最优解；它是概率化的，但是又能够自我适应，自我指导，不需要额外定制规则。细致来说，与其他传统的寻优算法相比，遗传算法有自己独特的优势。

一个完整的遗传算法，有以下几个关键部分：1、代(generation)，在自然界各个种族都是要繁衍的，新一代的产生可能会给这个种族带来新的优秀个体，或者带来新的物种竞争优势，羸弱的个体会被自然淘汰，强壮的个体有更大的机会繁衍后代，在算法中，迭代就是对可行解进行筛选，按照适者生存和优胜劣汰的原则，让整个种群向好的方向进化；2、种群(population)，生物进化是以种群的形式进行的，这样的一个群体称为种群，在算法中多个可行解构成的集合即为一个种群；3、个体(individual)，组成一个种群的单个因子即为个体，在算法中一个个体就是一个可行的解。

上述步骤s140可以包括以下步骤：

s141：将所述所有物品分别按照6个摆放方向进行堆叠，计算每个摆放方向所述所有物品堆叠的长宽高。

在本实施例中，因为将物品近似看作为规则的立方体，则对于每个物品来说，它都有6个不同的摆放方向，对订单中的所有物品首先分别按照6个摆放方向进行堆叠，计算每个摆放方向所有物品堆叠的长宽高。参照图3，图3表示物品对应的6个不同摆放方向，其中，(l，w，h)表示物品对应的长宽高，则对应的6个不同摆放方向为：(l，w，h)、(w，l，h)、(h，w，l)、(w，h，l)、(h，l，w)、(l，h，w)。

s142：将所述所有物品按照每个方向堆叠形成的简单块生成简单块列表，并将所述简单块按体积依序排列。

在本实施例中，将所有物品按照6个不同摆放方向堆叠形成的简单块，将这些简单块生成简单块列表，对于将所有物品按照不同摆放方向进行堆叠的情况，形成的简单块体积可能会不同，然后将这些简单块按照体积的大小升序或者降序排列。

s143：基于预设的空间分割方式对所述所有物品按不同的方式进行装载，产生初始装箱方案种群。

将一个物品装载进箱子中，这个物品将箱子的空间分割为上空间、前空间和右空间，参照图4和图5，图4和图5表示其中两种空间分割方式，其余分割方式就不一一例举。其中(l，w，h)表示物品对应的长宽高，(l，w，h)表示某种箱型对应的长宽高。

则在进行下一个物品装载时可以有6种不同的空间分割方式，基于这6种不同的空间分割方式将所有物品进行装载。因为对于每个物品装载来说都有很多选择，在初始阶段考虑所有的装箱方案无疑需要大量的时间，且带来大量的计算成本，则先根据6个摆放方向和6种不同的空间分割方式随机产生一个初始装箱方案种群，种群的规模是固定的，例如，对于订单中含有10个物品来说，可以将种群的规模优选为20，即初始装箱方案种群含有20个装箱方案。

然后采用二维编码的方式对初始装箱方案种群的装箱方案进行编码，例如，采用二维编码[<k，m>，...]，其中，k表示第k个简单块，m表示对应的空间分割方式。

s144：计算每个装箱方案的填充率作为适应函数。

在本实施例中，执行解码操作，计算当前简单块列表availlist，n＝availlist.size，n表示其中一种简单块，计算每个装箱方案的填充率作为适应函数，填充率可以根据公式：

其中，s表示所有物品的体积和，v表示箱子的体积。

适应函数指的是遗传算法中个体的适应度，适应函数值越大则有较大概率被选入下一代，适应函数值越小则较大概率被淘汰，这就是遗传算法中优胜劣汰的表现。

在此，将简单块优选为降序的方式进行排列，若k>n，k＝mod(k，n)，因为k>n则表示k简单块的体积大于n简单块的体积，则对它进行取余运算，例如，k＝3，n＝2，取余运算后为1，则表示取第一个简单块的概率较大，因为它的填充率较大。

s145：遍历所述初始装箱方案种群，根据所述适应函数判定存在能够装载所述所有物品的装箱方案时，输出任一满足装载要求的装箱方案。

在本实施例中，遍历初始装箱方案种群，根据适应函数判定存在能够装载所有物品的装箱方案时，即预估的最小箱型能够装载所有物品，推荐最小箱型对应的装箱方案。

步骤s140还可以包括以下步骤：

步骤s146：当不存在能够装载所述所有物品的装箱方案时，则通过交叉、变异操作产生新解，将所述新解加入所述初始装箱方案种群形成新种群；

在本实施中，例如，将交叉的概率优选为0.7，将变异的概率优选为0.05，交叉可以是将两个物品的装载顺序进行交叉调换，将两个物品的空间分割方式进行交叉调换；而变异就是将物品按照6个摆放方向进行旋转，将物品按照6种空间分割方式进行变换。将新解加入初始装箱方案种群形成新种群。

步骤s147：计算新种群中的每个装箱方案的填充率作为适应函数，根据所述适应函数进行迭代优化，并设置最大迭代次数。

在本实施例中，对新种群进行二维编码和解码，计算新种群中的每个装箱方案的填充率作为适应函数，根据适应函数进行迭代优化，迭代优化指的是适应函数值较大的则较大概率被选择进入下一代，而适应函数值较小的则较大概率被淘汰。然后根据装载物品的实际情况设置最大迭代次数。

步骤s148：当所述新种群中出现能够装载所述所有物品的新装箱方案时，则终止迭代，输出所述新装箱方案。

在本实施例中，当进行迭代优化的过程中出现能够装载所有物品的新装箱方案时，则终止迭代操作，输出对应的装箱方案。

步骤s150，当所述最小箱型能够装载所述所有物品时，推荐所述最小箱型；否则增加箱号进行装载尝试，直至获得推荐箱型或所有箱号的装载尝试失败。

在本实施例中，当预估的最小箱型能够装载所有物品，则推荐最小箱型对应的装箱方案，装箱方案包括装载箱型、装载物品列表、填充率和物品装载位置信息等。

当预估的箱型不能装载所有物品时，则增加箱号采用三维装箱算法进行装载尝试，直至存在某一型号箱型能够装载所有物品或者最大箱型也不能装载所有物品，最大箱型也不能装载所有物品则表示单一型号箱型装载尝试失败。例如，预估的最小箱型b不能装载所有物品，则选择c、d箱型采用三维装箱算法进行装载尝试，能够装载所有物品，则推荐对应的装载箱型；若最大箱型d都不能装载成功，则装载尝试失败。

在本实施例提供的技术方案中，由于根据每个订单的所有物品的尺寸，预估最小箱型，基于遗传算法采用三维装箱算法按照预估的最小箱型进行装载尝试，当预估的最小箱型能够装载所有物品时，则推荐使用预估的最小箱型装载所有物品；当预估的最小箱型通过三维装箱算法不能装载所有物品时，则通过增加箱号即增大箱型的大小采用三维装箱算法进行装载尝试，直至获得推荐箱型或者装载尝试失败。利用了多种箱型来装载物品，从而解决了现有技术中还存在多箱型装箱的问题。

参照图6，图6为本发明箱型推荐方法的第二实施例，包括：

获取待处理订单列表，对所述待处理订单列表中的每一订单，执行以下步骤：

与第一实施例相比，第二实施例包含步骤s210，步骤s220，其他步骤与第一实施例相同，不再赘述。

步骤s210，遍历订单中的物品，判断所述物品是否满足候选箱型中的最大箱型单箱装载条件。

在本实施例中，遍历订单中的物品，根据物品的尺寸即物品对应的长宽高与候选箱型中的最大箱型的长宽高做比较，最大箱型单箱装载条件指的是任一物品的长宽高均不大于最大箱型的长宽高，判断物品是否满足最大箱型单箱装载条件。

步骤s220，若存在不满足最大箱型单箱装载条件的异形物品，将所述异形物品从订单中剔除，以获得所有物品均满足最大箱型单箱装载条件的订单列表。

在本实施例中，若存在不满足最大箱型单箱装载条件的异形物品，即表示存在物品的长宽高大于最大箱型的长宽高的情况，将这种物品判定为异形物品，将这种物品从订单中剔除，直接打包输出。则订单中剩余物品均满足最大箱型装载条件，则所有订单均满足最大箱型单箱装载条件，获得订单列表。

步骤s230，获取订单中任一物品均满足候选箱型中的最大箱型单箱装载条件的订单列表。

对所述订单列表中的每一订单，执行以下步骤：

步骤s240，获取所述订单中的所有物品的尺寸。

步骤s250，根据所述所有物品的尺寸预估能够装载所述所有物品的最小箱型。

步骤s260，采用三维装箱算法按照所述最小箱型对所述所有物品进行装载尝试；

步骤s270，当所述最小箱型能够装载所述所有物品时，推荐所述最小箱型；否则增加箱号进行装载尝试，直至获得推荐箱型或所有箱号的装载尝试失败。

在本实施例提供的技术方案中，对待处理订单列表中的每一订单，执行遍历订单中的物品，判断物品是否满足候选箱型中的最大箱型单箱装载条件，将不满足的物品作为异形物品剔除，并直接打包输出，以获得所有订单中的物品都满足最大箱型单箱装载条件。

参照图7，图7为本发明箱型推荐方法的第三实施例，包括：

步骤s310，获取订单中任一物品均满足候选箱型中的最大箱型单箱装载条件的订单列表。

对所述订单列表中的每一订单，执行以下步骤：

步骤s320，获取所述订单中的所有物品的尺寸。

步骤s330，根据所述所有物品的尺寸预估能够装载所述所有物品的最小箱型。

步骤s340，采用三维装箱算法按照所述最小箱型对所述所有物品进行装载尝试；

步骤s350，当所述最小箱型能够装载所述所有物品时，推荐所述最小箱型；否则增加箱号进行装载尝试，直至获得推荐箱型或所有箱号的装载尝试失败。

与第一实施例相比，第三实施例包含步骤s360，步骤s370，步骤s380，其他步骤与第一实施例相同，不再赘述。

当所有箱号的装载尝试失败时，重复执行以下步骤直至所述所有物品装载完成：

步骤s360，采用最大箱型最大程度装载所述所有物品中的一部分。

在本实施例中，采用最大箱型最大程度装载所有物品的一部分，即通过三维装箱算法进行装载尝试适应函数最大值对应的装箱方案。例如，订单中的物品为10个，采用最大箱型d箱型最大程度装载其中6个物品。

步骤s370，针对所述所有物品中的剩余物品，生成新的虚拟订单。

在本实施例中，针对所有物品中的剩余物品，生成新的虚拟订单。例如，订单中的物品为10个，采用最大箱型d箱型最大程度装载其中6个物品，则将剩余的4个物品生成新的虚拟订单。

步骤s380，将所述虚拟订单加入所述订单列表等待处理，即等待三维装箱算法进行装载尝试。

在本实施例中，将虚拟订单加入订单列表中等待处理，例如，将剩余的4个物品的虚拟订单加入订单列表中等待处理。

在本实施例提供的技术方案中，当最大箱型也不能装载所有物品时，先采用最大箱型最大程度上装载物品，然后将剩余物品生成新的虚拟订单加入订单列表中等待进行三维装箱算法装载尝试，循环此操作，直至所有物品被装载完成。保证所装载的箱型为最合适的箱型，节约了装载成本。

参照图8，图8为本发明箱型推荐方法的第四实施例，基于第三实施例，步骤s360，采用最大箱型最大程度装载所述所有物品中的一部分。之后还包括：

步骤s410，计算是否存在更小箱型能够装载所述所有物品中的一部分；

在本实施例中，通过计算确定是否存在更小箱型装载所有物品的一部分，例如，订单中的物品为10个，采用最大箱型d箱型最大程度装载其中6个物品，通过计算a、b、c箱型是否能够装载这6个物品。

步骤s420，当存在更小箱型能够装载所述所有物品中的一部分，则采用所述更小箱型装载所述所有物品中的一部分。

在本实施例中，当存在更小箱型能够装载所有物品中的一部分时，则采取更小箱型装载，例如，c箱型能够装载d箱型装载的6个物品，就采用c箱型装载这6个物品。

在本实施例提供的技术方案中，计算是否存在更小箱型能够装载最大箱型装载所有物品中的一部分，当存在更小箱型能够装载所有物品中的一部分时，就采用更小箱型装载，节约了装载成本。

参照图9，图9为本发明箱型推荐方法的第五实施例，包括：

步骤s510，当不存在能够装载所述所有物品的装箱方案时，则通过交叉、变异操作产生新解，将所述新解加入所述初始装箱方案种群形成新种群。

步骤s520，计算新种群中的每个装箱方案的填充率作为适应函数，根据所述适应函数进行迭代优化，并设置最大迭代次数。

步骤s530，当达到所述最大迭代次数时则终止迭代，计算最后一代中每个装箱方案的填充率作为适应函数。

在本实施例中，当达到最大迭代次数时则终止迭代，例如，对于订单中含有10个物品的情况，最大迭代次数可以优选为100。因为在迭代过程中，将填充率作为适应函数，则适应函数值较大的有较大概率被选择进入下一代，适应函数值较小的有较大概率被淘汰，种群规模优选为20，每一代中的装箱方案为20。计算最后一代中每个装箱方案的填充率作为适应函数。

步骤s540，选择输出所述适应函数值最大对应的装箱方案。

在本实施例中，根据计算的适应函数指的大小，值越大对应的填充率就越大，则选择输出适应函数值最大对应的装箱方案，装箱方案包括已装载物品列表、已装载箱型、已装载物品位置信息和未装载物品列表等。

在本实施例提供的技术方案中，根据物品的摆放方向、物品的放入顺序和物品的空间分割方式可以进行大量的迭代，但是在达到一定迭代次数后是不能装载更多的物品，而且过多的迭代会增加大量的计算成本和时间，所以根据物品的数量可以具体设置一个最大的迭代次数，当达到最大迭代次数时则终止迭代，计算最后一代每个装箱方案的填充率作为适应函数，值越大表明填充率越大，装载效果越好，将适应函数值最大对应的装箱方案输出，得到一个最优的装载方案，降低了计算和时间成本，节约了装载成本。

本发明还提供一种装置，所述装置包括存储器、处理器以及存储在所述存储器并可在所述处理器上运行的箱型推荐方法程序，所述箱型推荐方法程序被所述处理器执行时实现如上所述的箱型推荐方法的各个步骤。

本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有箱型推荐程序，所述箱型推荐程序被处理器执行时实现如上所述的箱型推荐方法的各个步骤。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。