一种行包装配方法与流程

本发明涉及行包装配领域，尤其涉及一种行包装配方法。

背景技术：

目前，在行包装配计划中，大部分都是依靠人工根据自身经验来完成的。但是随着电商产业和快递行业的蓬勃发展，包裹的数量呈现出爆发式的增长，人们对运输的时效性的要求也逐步提高。因此，仅靠人工依据自身经验装配的局限性也日益突出，急需一种高效率的装配模式来满足人们的需求。

对于行包的装配计划问题，目前对该类问题的研究在理论上已经比较成熟，大都是通过建立0-1的背包问题模型来进行求解。但是这些传统的方法大都只考虑了物体的体积和重量，而没有考虑物体的易碎度等其他重要特征。不仅如此，传统的方法只对物体的体积做了模糊的处理，没有对物体处于空间中的某一层级进行具体划分，即只考虑物体是否存在于车厢中，而未考虑物体存在于车厢中的某一具体层级。传统的这些方法能够处理一般的装配问题，但是遇到一些特殊的易碎物品，则不能进行处理，无法实现效益的最大化。

技术实现要素：

本发明所要解决的技术问题在于，提供一种行包装配方法，该方法通过将所有的行包进行分层分类，然后针对每一层建立背包问题模型并获取装配利润最大化的装配方案。

为了解决上述问题，本发明提供一种行包装配方法，包括如下步骤：

s1、根据行包的特征以及装配的总层数，对所述行包进行分层分类，获得每一行包的分类层级；

s2、针对每一分类层级，对行包进行编号，根据行包的特征建立背包问题模型，所述背包问题模型以所有行包的配送利润最大值为目标函数；

s3、采用动态规划算法和贪心法求解所述目标函数，获得行包的装配方案。

其中，所述行包的特征具体包括：

每个行包的长度、宽度、高度、体积、重量和易碎度。

其中，所述步骤s1具体包括：

采用svm一对一算法对所述行包进行分层分类，获得每一行包的分类层级。

其中，所述采用svm一对一算法对所述行包进行分层分类具体包括：

求解分类决策函数；

根据所述分类决策函数采用一对一分类法进行分类。

其中，所述求解分类决策函数具体包括：

构建行包特征和行包分类层级的数据集合；

根据数据集合和超平面方程获得分类最优化问题；

利用拉格朗日乘子法求解所述最优化问题的等价对偶问题，并获得所述等价对偶问题的最优化问题；

采用序列最小最优化算法求解所述等价对偶问题的最优化问题的最优解；

根据所述最优解获得所述分类决策函数。

其中，所述步骤s2中建立背包问题模型具体包括：

对每一层级的行包进行编号，则背包问题模型表示为：

其中，xij表示第i层第j件行包，wij表示第i层第j件行包的重量，vij表示第i层第j件行包的体积，pij表示第i层第j件行包的利润，s表示装配运输工具的底面积，v表示装配运输工具的体积，w表示装配运输工具的重量限制，m为装配的总层数，ni为每i层的行包总数。

其中，所述步骤s3具体包括：

利用动态规划算法获得每一层级的动态规划问题；

采用贪心算法求得整体最大配送利润，所述整体配送利润最大对应的装配方案为行包的装配方案。

其中，所述利用动态规划算法获得每一层及的动态规划问题具体为：

f(ni,s,wi)＝max{f(ni-1,s,wi),f(ni-1,s-sin,wi-win)+pin}

其中，f(ni,s,wi)表示第i层的最大效益，ni表示分类为第i层的行包数量，wi＝w-wi-1-…-w1为第i层所剩余的可装配的最大重量；f(n,s,w)为第i层的第n个行包的利益，sin是第i层第n个行包的底面积，win是第i层第n个行包的重量。

本发明实施例的有益效果在于：通过对货物进行分层分类，并在分类的过程中，考虑了行包的易碎等其他特征，针对每一层，根据行包特征和利益最大化建立背包问题模型，采用贪心法进行求解，从而获得行包的装配方案，本发明能使得行包装配效益最大化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种行包装配方法的流程示意图。

图2是本发明的一种行包装配方法的一对一分类法的示意图。

具体实施方式

以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

请参照图1所示，本发明提供一种行包的装配方法，该方法适用于行包装车、装船或者其他交通运输工具，其中该方法包括如下步骤：

s1、根据行包的特征以及装配的总层数，对所述行包进行分层分类，得到每一行包的分类层级。

具体地，行包可以是行包或者其他需要运输的物品，行包的特征具体指行包的长度、宽度、高度、体积、重量、易碎度。

具体地，采用svm(支持向量机)来建立货物的分层模型，该svm分层模型通过经验数据训练获得。由于在实际过程中，装配一般分为多层，因而上述分类问题为多分类问题，采用svm一对一算法对其进行分类，每次只对货物进行最大可能的二分类。

以下介绍svm二分类算法的具体实现。

对于任意一个行包xi,根据行包特征其可以表示为xi＝(li,di,hi,vi,mi,γi)，其中li为行包的长度，di为行包的宽度，hi为行包的高度，vi为行包的体积，γi为行包的易碎度。该行包xi的分类结果用yi表示，由于采用二分类，因而yi的取值只能为1或者-1。

对于线性可分的数据集(xi,yi),存在超平面w^tx+b＝0对样本集中的任一点(xi,yi)都满足:

空间中的样本点到分类超平面的距离为d＝|w^txi+b|/||w||，因此，当w^txi+b＝±1时，超平面的分类间隔为2/||w||，于是最优化问题可以表示为：

s.t.yi(w·xi+b)-1≥0,

利用拉格朗日乘子法，求解该优化问题的对偶问题，其等价的对偶问题的最优化问题为：

αi≥0

其中，i＝1,2,…,n。

采用序列最小最优化算法(sequentialminimaloptimization，smo)求解出αi的最优解由此可以获得w的最优解b的最优解因此分类决策函数为

在构建了分类决策函数后，采用一对一分类法对待分类的样本进行分类。参照图2举例说明，假设总的分层数量为5，分别编号为1、2、3、4、5，对于待分类样本，根据确定的分类决策函数，首先分类器确定是否分为1或5，如果分为5，则再确认是否是2或5，如果还是5，则继续确定是否是3或5，如果还是5，则继续往下，如果确认为1，则继续确认2或1，如果还是1，则继续确认3或1。按照上述方式一直确认下去，最后一个结果即为该待分类行包的分类结果。

s2、针对每一分类层级，对分入所述分类层级的行包进行编号，根据行包特征建立背包问题模型，所述背包问题模型以所有行包的配送利润最大值为目标函数。

具体地，根据步骤s1中的分类结果，将行包进行分类，然后在每一层中分别建立0-1背包问题模型。

其中，针对每一层建立背包问题模型具体包括：对每一层级的行包进行编号，则行包分类问题模型可以表示为：

其中，xij表示第i层第j件行包，wij表示第i层第j件行包的重量，vij表示第i层第j件行包的体积，pij表示第i层第j件行包的利润，s表示装配运输工具的底面积，v表示装配运输工具的体积，w表示装配运输工具的重量限制，m为装配的总层数，ni为每i层的行包总数。

具体地，装配运输工具可以是车、船或者其他的交通运输工具。

s3、采用动态规划算法和贪心法求解所述目标函数，获得行包的装配方案。

其中所述步骤s3具体包括：

利用动态规划算法获得每一层级的动态规划问题；

采用贪心算法求得整体最大配送利润，所述整体配送利润最大对应的装配方案为行包的装配方案。

为了快速解决上述问题，在每一层利用最大动态规划求得最大效益，然后采用贪心算法，求得整体最大效益，其中，每一层的动态规划问题可以表示为：

f(ni,s,wi)＝max{f(ni-1,s,wi),f(ni-1,s-sin,wi-win)+pin}

其中，f(ni,s,wi)表示第i层的最大效益，ni表示分类为第i层的行包数量，wi＝w-wi-1-…-w1为第i层所剩余的可装配的最大重量；f(n,s,w)为第i层的第n个行包的利益，sin是第i层第n个行包的底面积，win是第i层第n个行包的重量。

在获得了每一层的最大效益后，在装配的过程中，对每一层，始终以装配的效益最大为原则进行装配，从而获得该原则下的行包装配方案。

本发明的行包装配方法，通过对货物进行分层分类，并在分类的过程中，考虑了行包的易碎等其他特征，针对每一层，根据行包特征和利益最大化建立背包问题模型，采用贪心法进行求解，从而获得行包的装配方案，本发明能使得行包装配效益最大化。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。