一种基于遗传算法的快递分拣方法与流程
本发明涉及快递分拣技术领域，特别涉及一种基于遗传算法的快递分拣方法。
背景技术
随着互联网技术的普及与发展，电子商务和网络购物蓬勃发展。作为重要的支撑业务，快递行业发展迅速，各快递服务企业的业务量快速增长。如今快递服务企业已无法很好满足当前日益增长的快递业务需求。快递公司为减少中间操作环节，要对不同目的地的快递进行分类、装袋后统一运输，而传统人工分拣容易造成错分、错装，影响快递包裹的签收时效。
目前，在快递物品配送过程中，主要是采用一维码来记录快递物品的属性，然后通过各配送站的一维码识别设备对一维码进行识别进而完成对物品进行跟踪定位。但由于一维码本身容量的局限，导致快递物品属性数据完整度较低、物品定位能力较差。例如，包裹会在连续的中转过程中丢失，也有可能会弄错货物的基本信息，从而造成了货物的错送、漏送，延长了货物的配送时间。
目前，我国快递行业的自动化程度不高，分拣作业管理仍然十分落后。快递的分拣方式主要包括三种：自动分拣、半自动分拣和手工分拣方式。自动分拣方式主要是依靠分拣机对分拣信号的判断，从而自动完成快递分拣作业，几乎不需要人为干预。半自动分拣是一种人机结合的分拣方式，其特点是基本可以做到连续不断分拣，减轻作业人员工作强度，提高分拣效率。手工分拣方式不需要大型分拣设备及场地，适用于快递数量较少的情况，是目前国内小型快递企业普遍采用的一种分拣方式。
当前，关于快递分拣领域的研究对分拣场地和分拣设备都有较高的要求，需要对分拣场地布局的优化或者需要部署大型自动分拣设备，但这些研究都不能很好的适用于我国快递服务的基本行情。
针对以上情况，本发明提出了一种基于遗传算法的快递分拣方法。
技术实现要素：
本发明为了弥补现有技术的缺陷，提供了一种简单高效的基于遗传算法的快递分拣方法。
本发明是通过如下技术方案实现的：
一种基于遗传算法的快递分拣方法，其特征在于：以实际供应链为背景，在供应链系统中将快递包裹放入可回收容器中，在快递运输过程中以可回收容器为单位，可回收容器与其封装的快递之间构成包含关系；以可回收容器为单位进行快递分拣时，生成分拣单是一个组合优化问题，因此在快递分拣时采用对组合优化问题行之有效的遗传算法来生成分拣单，根据分拣单进行分拣即可。
所述可回收容器及快递上都贴有存储功能的rfid电子标签，快递的标签芯片中存有客户配送信息，可回收容器的标签芯片中存有运输及包内快递信息；利用rfid设备读取标签芯片中的信息，并根据读取到的信息将分拣中心的可回收容器集合p分为三个子集，包括必须在该分拣中心拆包可回收容器集合p1，可以拆包也可以不拆包的可回收容器集合p2和及不必拆包可回收容器集合p3；其中，p＝p1∪p2∪p3，且
将集合p1内可回收容器拆包并根据每个快递的地址进行分类；根据当前分拣中心处理能力，利用遗传算法在集合p2中选出还能够处理的可回收容器，并把集合p2分为拆包子集p2/和不拆包子集p2//，同样将集合p2/内可回收容器拆包并进行分类；把集合p1和集合p2/拆包后按地址分类的快递根据目的地址和可回收容器容量重新封装，即对集合p1和集合p2/进行重新封装；将重新封装的可回收容器，集合p2/和集合p3进行转发。
在分拣中心将快递配送地址按城市l1、县/区l2、乡镇/街道l3划分为三级，并把拆包的快递按地址等级重新打包封装；重组规则为把尽量l3相同的快递重新打包在一起，若存在可回收容器未装满，则用同一l2的快递补充，依此类推直至全部重组完成。
所述遗传算法包括个体编码与解码，个体适应度的检测评估和遗传过程三部分，从集合p2中选取最优的可回收容器进行优先处理。
所述遗传算法使用固定长度的二进制符号串来表示群体中的个体，将集合p2中所有可回收容器进行二进制编码，所有可回收容器编码作为一个个体；编码后的二进制串经过运算后根据编码过程进行解码，解码的过程即是根据个体得到需要选择可回收容器的过程。
所述遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体的机会是多少，为了正确估计这个概率，要求所有个体的适应度必须为非负数；因此，将可回收容器集中度e作为衡量个体的适应度，集中度e较高的个体基因有较大概率遗传下去；当适应度在阈值ξ之内时，选取重组后完全可回收容器更多的个体进行遗传。
所述遗传算法的具体过程如下：
(1)首先获取集合p2中的m个子集，再从子集中选取一个最优的个体；
(2)对集合p2进行编码生成一个数量为m的初始种群，并对初始种群交叉杂交获得初始种群两倍数量的新种群；
(3)种群遗传t代，选择较优秀个体进行遗传，进化包含交叉、变异，从最后一代种群中选取最优的个体。
所述步骤(3)中，只选取一半数量的种群进行遗传，而进化过程后需要将得到的子代连同父辈一起进行评估、选择，以保证种群进化过程中数量不变，既不会种群灭绝，又不会种群爆炸；
所述交叉运算采用两点交叉，且交叉点一个为0，一个非0；交叉后仍然可以保证每个个体内包含可回收容器数量相同，即不会因为交叉改变个体内非0可回收容器个数；
所述变异运算是指可回收容器对应基因位置允许变异为另一个可回收容器，变异前后可回收容器总数不发生变化，可以避免问题过早收敛；变异运算使用基本位变异算子或均匀变异算子。
所述遗传算法表示为：sga＝(c，e，p0，m，φ，г，ψ，t)；其中，c为个体的编码方法；e为个体适应度评价函数；p0为初始种群；m为种群大小，即群体中所含个体数量，一般取为20～100；φ为选择概率；г为交叉概率，一般取为0.4～0.99；ψ为变异概率，一般取为0.0001～0.1；t为遗传算法终止进化代数，一般取为100～500。
所述选择概率φ计算公式为：
其中，φi为个体i的被选中的概率，fi为个体i的适应度，m为种群数；当个体的选择概率给定后，产生[0,1]之间的均匀随机数来决定哪个个体参加交配，若个体的选择概率大，则能被选中的概率大，它的遗传基因就会在种群中扩大；若个体的选择概率小，则被淘汰。
以集中度e作为个体适应度评价函数，集合p2内的各个可回收容器的集中度e，计算公式如下：
其中，z为标准化因子，计算公式如下：
le为地址的级别，n为可回收容器内快递个数；
集中度e是对可回收容器内快递地址分散程度的度量，值越大可回收容器内快递地址越相近，值越小可回收容器内快递地址乱散乱；当可回收容器内快递最终目的地全部相同时，集中度e值为1，该可回收容器被称为完全可回收容器；反之，当可回收容器内快递最终目的地全部不相同时，集中度e值为0。
本发明的有益效果是：该基于遗传算法的快递分拣方法，通过利用遗传算法生成的分拣单，制定合理的分拣依据，避免了重复分拣，减少了分拣次数，不仅提高了分拣效率，节省了分拣成本，还减少了快递损坏几率，提高了快递服务质量。
附图说明
附图1为本发明基于遗传算法的快递分拣方法示意图。
附图2为本发明遗传算法示意图。
附图3为本发明单点交叉示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图和实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
该基于遗传算法的快递分拣方法，以实际供应链为背景，在供应链系统中将快递包裹放入可回收容器中，在快递运输过程中以可回收容器为单位，可回收容器与其封装的快递之间构成包含关系；以可回收容器为单位进行快递分拣时，生成分拣单是一个组合优化问题，因此在快递分拣时采用对组合优化问题行之有效的遗传算法来生成分拣单，根据分拣单进行分拣即可。
遗传算法(geneticalgorithm)是以自然选择和遗传理论为基础，将生物进化过程中适者生存规则与群体内部染色体的随机信息交换机制相结合的高效全局寻优搜索算法。遗传算法提供了一种求解非线性、多模型、多目标等复杂系统优化问题的通用框架，它不依赖于问题具体的领域，已经广泛应用于函数优化、组合优化、自动控制、机器学习、图像处理、人工生命、遗传编码等科技领域，并且在求解旅行家问题、背包问题、装箱问题等方面的应用已经取得了成功。
所述可回收容器及快递上都贴有存储功能的rfid电子标签，快递的标签芯片中存有客户配送信息，可回收容器的标签芯片中存有运输及包内快递信息；利用rfid设备读取标签芯片中的信息，并根据读取到的信息将分拣中心的可回收容器集合p分为三个子集，包括必须在该分拣中心拆包可回收容器集合p1，可以拆包也可以不拆包的可回收容器集合p2和及不必拆包可回收容器集合p3；其中，p＝p1∪p2∪p3，且
将集合p1内可回收容器拆包并根据每个快递的地址进行分类；根据当前分拣中心处理能力，利用遗传算法在集合p2中选出还能够处理的可回收容器，并把集合p2分为拆包子集p2/和不拆包子集p2//，同样将集合p2/内可回收容器拆包并进行分类；把集合p1和集合p2/拆包后按地址分类的快递根据目的地址和可回收容器容量重新封装，即对集合p1和集合p2/进行重新封装；将重新封装的可回收容器，集合p2/和集合p3进行转发。
在分拣中心将快递配送地址按城市l1、县/区l2、乡镇/街道l3划分为三级，并把拆包的快递按地址等级重新打包封装；重组规则为把尽量l3相同的快递重新打包在一起，若存在可回收容器未装满，则用同一l2的快递补充，依此类推直至全部重组完成。
所述遗传算法包括个体编码与解码，个体适应度的检测评估和遗传过程三部分，从集合p2中选取最优的可回收容器进行优先处理。
所述遗传算法使用固定长度的二进制符号串来表示群体中的个体，将集合p2中所有可回收容器进行二进制编码，所有可回收容器编码作为一个个体；编码后的二进制串经过运算后根据编码过程进行解码，解码的过程即是根据个体得到需要选择可回收容器的过程。
例如，集合p2中包含三个可回收容器，p2＝{case1,case2,case3}，那么整个集合p2可以编码为：011011。当集合p2仅能处理三分之二的作业时，若初始种群设为2，则可以得到011000、010011或001011、010011的初始种群结果。
所述遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体的机会是多少，为了正确估计这个概率，要求所有个体的适应度必须为非负数；因此，将可回收容器集中度e作为衡量个体的适应度，集中度e较高的个体基因有较大概率遗传下去；当适应度在阈值ξ(阈值ξ根据不同分拣中心处理能力动态调整取值)之内时，选取重组后完全可回收容器更多的个体进行遗传。
所述遗传算法的具体过程如下：
(1)首先获取集合p2中的m个子集，再从子集中选取一个最优的个体；
(2)对集合p2进行编码生成一个数量为m的初始种群，并对初始种群交叉杂交获得初始种群两倍数量的新种群；
(3)种群遗传t代，选择较优秀个体进行遗传，进化包含交叉、变异，从最后一代种群中选取最优的个体。
遗传算法中，选择又称复制，其主要职责是在种群中选择高适应度的个体进行随机交配产生新群体。遗传算法根据选择算子来对种群中不同适应度的个体进行优胜劣汰操作。遗传算法中，根据个体的适应度不同进行选择，适应度较高的个体基因有较大的概率可以遗传到下一代中；而适应度较低的个体基因被传承下去的概率相对小一些。
变异是指个体基因串上编码以较小的概率发生改变的现象，例如二进制编码中“1”变为“0”或者“0”变为“1”。变异的主要目的是不仅可以改善遗传算法的搜索能力，而且还可以提高种群在遗传过程中的多样性，防止早熟现象的出现。
交叉又称重组，在选择的个体中随机配对，让配对的个体之间交换部分基因编码，从而达到交换信息的目的。交叉运算后得到的子代继承了父代的大部分特性，同时又能表现出自己独有特性。交叉运算可以使用单点交叉算子也可以使用多点交叉算子。单点交叉只有一个交叉点位置，任意挑选经过选择操作后种群中两个个体作为交叉对象，随机产生一个交叉点位置，两个个体在交叉点位置互换部分基因码，形成两个子个体
所述步骤(3)中，只选取一半数量的种群进行遗传，而进化过程后需要将得到的子代连同父辈一起进行评估、选择，以保证种群进化过程中数量不变，既不会种群灭绝，又不会种群爆炸；
所述交叉运算采用两点交叉，且交叉点一个为0，一个非0；交叉后仍然可以保证每个个体内包含可回收容器数量相同，即不会因为交叉改变个体内非0可回收容器个数；
所述变异运算是指可回收容器对应基因位置允许变异为另一个可回收容器，变异前后可回收容器总数不发生变化，可以避免问题过早收敛；变异运算使用基本位变异算子或均匀变异算子。
所述遗传算法表示为：sga＝(c，e，p0，m，φ，г，ψ，t)；其中，c为个体的编码方法；e为个体适应度评价函数；p0为初始种群；m为种群大小，即群体中所含个体数量，一般取为20～100；φ为选择概率；г为交叉概率，一般取为0.4～0.99；ψ为变异概率，一般取为0.0001～0.1；t为遗传算法终止进化代数，一般取为100～500。
所述选择概率φ计算公式为：
其中，φi为个体i的被选中的概率，fi为个体i的适应度，m为种群数；当个体的选择概率给定后，产生[0,1]之间的均匀随机数来决定哪个个体参加交配，若个体的选择概率大，则能被选中的概率大，它的遗传基因就会在种群中扩大；若个体的选择概率小，则被淘汰。
以集中度e作为个体适应度评价函数，集合p2内的各个可回收容器的集中度e，计算公式如下：
其中，z为标准化因子，计算公式如下：
le为地址的级别，n为可回收容器内快递个数；
集中度e是对可回收容器内快递地址分散程度的度量，值越大可回收容器内快递地址越相近，值越小可回收容器内快递地址乱散乱；当可回收容器内快递最终目的地全部相同时，集中度e值为1，该可回收容器被称为完全可回收容器；反之，当可回收容器内快递最终目的地全部不相同时，集中度e值为0。
实施例1
算法1为选择最优子集算法，该方法利用遗传算法获取集合中的m个子集，然后再从子集中选取一个最优的个体。算法的1～3行进行初始化，其中第1行表示对集合p2进行编码，第2行生成一个数量为m的初始种群，第3行对初始种群交叉杂交获得初始种群两倍数量的新种群；4～8行表示种群遗传t代，其中第8行选择较优秀个体进行遗传，第9行进化包含交叉、变异；最后第10行从最后一代种群中选取最优的个体。
￡为拆包率，即当前分拣中心可以进行拆包重组的包装数量与总包装数量之比。
- 还没有人留言评论。精彩留言会获得点赞！