[0130] 子步骤S25,从所述装箱方案集中选择集装箱利用率最高的装箱方案。
[0131] 参照图6所示的本发明的一种基于Search算法生成装箱方案的流程示意图，本发 明实施例在当前空间下选择可放置货品的前X个货品进行放置，得到前Y个最优解，即生成 了多组装箱方案，即图6中提到的1，2,3……Y，此时划分有Y个分支，然后继续分别在所述 前Y个最优解的基础上继续放置货品获得该最优解下的前Y个最优解，以此类推，在每个分 支都会进行多次装箱，最终，将从各个分支中选取出集装箱利用率最高的装箱方案。
[0132] 在本发明实施例中，Y取值在2-16之间，默认取值可以为4,可以理解，取值越大， 获得装箱方案需要花费的时间越久，计算量越大，因此，在本发明实施例中可以根据实际需 要选择适当的数值，本发明实施例对此不加以限制。
[0133] 本发明实施例的SGPA算法中还包括Genetic算法。Genetic算法是一种非常耗时 的计算，适合离线运行，即用户不要求及时返回装箱方案，而是希望返回一个拥有最好的集 装箱利用率的装箱方案。Genetic算法会首先生成N组装箱方案，然后根据装箱方案来放置 货品进集装箱，这样会得到N组具有不同装箱率的解，从中选取装箱率最高的N/4组作为优 秀的遗传个体，进行交叉变异之后，生成子代，然后重复上述过程，直至繁衍M代之后，从中 选取最优的装箱方案作为最终解。
[0134] 在本发明的一种优选实施例中，所述步骤102可以包括如下子步骤：
[0135] 子步骤S31，采用预置的装箱规则随机生成N个初始化装箱方案；所述N为正整 数；
[0136] 子步骤S32,分别计算所述N个初始化装箱方案对应的集装箱利用率；
[0137] 子步骤S33，从所述N个初始化装箱方案选择前N/4位集装箱利用率最高的装箱方 案；
[0138] 子步骤S34,采用所述前N/4位集装箱利用率最高的装箱方案按照遗传规则进行 杂交繁衍，生成杂交后的装箱方案；
[0139] 子步骤S35,判断杂交繁衍的次数是否达到预设数量M ;所述M为正整数；若是，则 执行子步骤S37,若否，则执行子步骤S36 ;
[0140] 子步骤S36,将所述杂交后的装箱方案作为所述前N/4位集装箱利用率最高的装 箱方案，并返回所述子步骤S34。
[0141] 在本发明的一种优选实施例中，所述步骤103可以包括如下子步骤：
[0142] 子步骤S37,计算所述杂交后的装箱方案的集装箱利用率；
[0143] 则所述步骤104可以包括如下子步骤：
[0144] 子步骤S38,从所述杂交后的装箱方案的集装箱利用率中选择集装箱利用率最高 的装箱方案。
[0145] 参照图7所示的本发明的一种基于Genetic算法生成装箱方案的流程示意图，系 统在运行Genetic算法之初随机生成N组初始化装箱方案。结合前面两种算法可知，Greedy 算法每次选择最优的货品，而Search算法每次选择最优的前X个货品。那么，如果每次随 机选择一个可装入的货品进行装箱运算，会不会有可能得到的一个更优的装箱方案呢。
[0146] 在本发明实施例中，运用Genetic算法先随机生成N组装箱方案作为初代种群，然 后通过杂交繁衍之后，就有一定的概率得到一组较好的装箱方案。
[0148] 上表中的数字表示当第C次将货品放入该集装箱时，选择的是第几个可装箱的货 品。若数字大于可装箱的货品的数量，那么更改将该数字更改为〇,即选择最优的货品进行 该次的装箱。
[0149] 由于除了随机选择货品这一个步骤不同之外，其余步骤可均等同于上述两种算 法，即Greedy算法和Search算法，故对此不再赘述了。
[0150] 针对每组都可以得到一个装箱率，根据生物进化论，只选取装箱率较高的前N/4 组（可向下取整）装箱方案进行种族的繁衍。
[0151] 具体来说，繁衍的方式可以为：如果将每组装箱方案看作是一个DNA的话，繁衍就 是互相交换自己的DNA片段，组成一个新的DNA。变异的方式可以为：即每组新的DNA中的 一些基因以一定的概率发生了突变。
[0152] 参照图8、9、10所示的本发明的一种基于Genetic算法的杂交繁衍的示意图，在装 箱算法中可以以下面的形式复制了上述的过程，首先获取图8中的A，B两组的装箱方案，然 后每组都随机选择一段片段，比如图8中灰色位置，然后进行交叉，生成新的装箱方案。每 个新生成的装箱方案，有一定的几率（0. 01% )发生变异，在图9中带横线的数字将要发生 变异，变异后的装箱方案如图10。到此为止即成功繁衍了一代个体，运用该个体重复上述计 算。那么在整个种群的繁衍过程中，将选择一组最优的装箱方案作为最终的装箱结果。
[0153] 在本发明实施例中N可以设置为200-10000, M可以设置为5-100,可以理解，N和 M的值，取值越大，需要花费的时间越久，计算量越大。因此，在实际应用中可以根据实际需 要选择适当的数值，本发明实施例对此不加以限制。
[0154] 本发明实施例的基于SGPA算法的集装箱装箱方案，通过构建组合货品，使用贪心 算法，以及基于贪心的搜索算法和遗传算法获得较高集装箱装箱率的算法集。
[0155] 需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组 合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依 据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该 知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施 例所必须的。
[0156] 参照图11，示出了本发明的一种集装箱的装箱装置实施例的结构框图，具体可以 包括如下模块：
[0157] 获取模块201，用于获取货品彳目息和集装箱彳目息；
[0158] 生成模块202,用于依据所述货品信息和所述集装箱信息按照预设规则生成装箱 方案；
[0159] 计算模块203,用于计算所述装箱方案的集装箱利用率；
[0160] 选择模块204,用于从所述装箱方案中选择集装箱利用率最高的装箱方案；
[0161] 装箱模块205,用于采用所述集装箱利用率最高的装箱方案在集装箱进行货品的 装箱。
[0162] 在本发明的一种优选实施例中，所述集装箱信息可以包括空间信息，所述生成模 块202可以包括如下子模块：
[0163] 货品信息放入子模块，用于将所述货品信息放入预置的货品集合中；
[0164] 空间信息放入子模块，用于将某个空间信息放入预置的集装箱集合中；
[0165] 最优空间信息提取子模块，用于从所述预置的集装箱集合中提取出最优空间信 息；
[0166] 有效货品信息提取子模块，用于从所述预置的货品集合中提取出有效货品信息， 放置到所述最优空间信息中；
[0167] 空间信息获得子模块，用于采用所述最优空间信息和所述有效货品信息获得剩余 空间信息和公共空间信息；
[0168] 公共空间分配子模块，用于采用所述剩余空间信息和公共空间信息，将所述公共 空间信息分配给相应的剩余空间信息；
[0169] 剩余空间信息放入子模块，用于将所述剩余空间信息放入所述预置的集装箱集合 中；
[0170] 第一判断子模块，用于判断所述预置的货品集合中是否存在未提取的货品信息； 若是，则调用第二判断子模块，若否，则调用装箱方案计算子模块；
[0171] 第二判断子模块，用于判断所述预置的集装箱集合中是否存在可用于放置所述未 提取的货品信息的空间信息；若是，则调用最优空间信息提取子模块，若否，则调用空间信 息放入子模块；
[0172] 第一装箱方案计算子模块，用于按序采用所述货品信息和所述空间信息计算装箱 方案。
[0173] 在本发明的一种优选实施例中，所述货品信息可以包括属性信息，还可以包括如 下子模块：
[0174] 按照预置剪枝策略将所述属性信息相同的货品信息组合成大货品信息。
[0175] 在本发明的一种优选实施例中，所述集装箱信息包括空间信息，所述生成模块202 可以包括如下子模块：
[0176] 货品信息提取子模块，用于从所述货品信息中提取预设个数为X的货品信息分别 放置到所述空间信息中；所述X为正整数；
[0177] 其他货品信息放置子模块，用于分别继续将其他货品信息放置到所述空间信息 中；
[0178] 第二装箱方案计算子模块，用于分别采用所述空间信息和所述货品信息计算装箱 方案。
[0179] 在本发明的一种优选实施例中，所述选择模块204可以包括如下子模块：
[0180] 装箱方案集统计子模块，用于分别从所述装箱方案中选择出集装箱利用率为前Y 位的装箱方案，并统计为装箱方案集；所述Y为正整数；
[0181] 第一装箱方案选择子模块，用于从所述装箱方案集中选择集装箱利用率最高的装 箱方案。
[0182] 在本发明的一种优选实施例中，所述生成模块202可以包括如下子模块：
[0183] 装箱方案生成子模块，用于采用预置的装箱规则随机生成N个初始化装箱方案； 所述N为正整数；
[0184] 第一集装箱利用率计算子模块，用于分别计算所述N个初始化装箱方案对应的集 装箱利用率；
[0185] 第二装箱方案选择子模块，用于从所述N个初始化装箱方案选择前N/4位集装箱 利用率最高的装箱方案；
[0186] 杂交繁衍子模块，用于采用所述前N/4位集装箱利用率最高的装箱方案按照遗传 规则进行杂交繁衍，生成杂交后的装箱方案；
[0187] 第三判断子模块，用于判断杂交繁衍的次数是否达到预