式：
[0046] fx= dcAcfci+dqfql+d bfbl；
[0047] 其中匕为第i个个体的适应值；L1为第i个个体的总客户数的方差；fql为第i个 个体的总订货数量的方差；f bl为第i个个体的总烟包数量的方差；在该适应值公式中，d。为 权重系数，d。优化时倾向于客户数的均衡，小于1则倾向于订货数量的均衡，d q和d b同d。， 因客户数与订货数量的数值差距较大，计算适应值时将f"乘以调整系数λ进行了增权处 理，使得两个目标的适应值具有可比性，其中水=G/i)2,[为平均每条分拣线的客户总 数，g为平均每条分拣线的订货总数量；
[0048] 其中：
[0052] 上述公式中P为分拣线条数，Cip为第i个个体中分配到第p条分拣线的客户总数， qip为第i个个体中分配到第P条分拣线的订货总数量，b 1P为第i个个体中分配到第p条 分拣线的烟包数量。
[0053] 根据适应值的计算公式，适应值越小的个体，适应度越高，最完美的分配结果的适 应值为〇,在实际运行环境中，一般情况下适应值小于IO 6的个体就是基本可以接受的结果。
[0054] 所述步骤三中的选择和复制过程为：选择和复制的目的是为了从当前种群中选出 优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择和复制过程体 现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。 选择实现了达尔文的适者生存原则。本文设计的算法首先把种群中的个体按照适应值排 序，将前K个个体选择为优良个体，将其顺序复制到后K个个体，淘汰劣质个体，形成了新一 代种群。K的取值直接影响了运行的结果，如果K取值过小，淘汰不充分，则收敛速率过慢。 如果K的取值过大，淘汰过多，则种群过于单一，不利于找出最优解或较优解。
[0055] 所述步骤四中的交叉繁殖过程为：交叉是遗传算法中的重要机制，它通过两个个 体的基因片段的交换操作，得到新一代个体。本文设计的算法按照一定的比例随机选择两 个父辈个体，随机选择交叉位置和互换的基因个数，完成基因片段的交换后形成两个新的 个体。在传统的遗传算法中，交叉是最主要的遗传操作，能充分保证新个体继承父辈个体的 优秀基因。但是本文所述的应用离散性较强，较优解比较分散，交叉操作的继承作用有限， 因此在设计算法的时候，降低了交叉操作的概率，对交叉操作进行了弱化。
[0056] 所述步骤五中的个体变异具体过程为：考虑到应用的离散性，本文设计的算法把 变异作为主要的遗传手段，首先在群体中随机选择一定数量的个体，针对每个个体随机选 择一定数量的基因进行突变。通过大规模的基因突变，搜索更优的个体。变异为新个体的 产生提供了机会，有效的保证了种群的多样性。
[0057] 在遗传的过程中，最优个体的保护是保证算法收敛的重要机制。在每一代的种群 中，把适应值最低的一个个体作为最优个体被保护起来，不参与交叉和变异，直到产生适应 值更低的个体为止。
[0058] 为保证每一次的运算都能得出一个较上次优化的结果，需要对每一次的遗传结 果，找出最优的分配结果进行保护，以保证在最短的时间算出最优分配方案，个体适应度的 算法可根据实际业务情况进行权重的调整设置。
[0059] 不同的地区，会由于订单结构的不同，可优化到的目标结果会存在较大的差异，该 算法可以根据实际业务情况进行针对性的参数设置，以保证得出的结果是符合实际作业情 况的。参数包括：初始化种群的大小、交叉繁殖的个体数目、变异的个体数目、遗传运算的最 大次数、目标结果等可以进行参数设置，如设置目标结果为每条分拣线的作业量差额在5 % 以内，以保证算法在较短的时间内得最优的结果。
[0060] 上述【具体实施方式】仅是本发明的具体个案，本发明的专利保护范围包括但不限于 上述【具体实施方式】，任何符合本发明的一种基于遗传算法的分拣作业均衡调度方法的权利 要求书的且任何所属技术领域的普通技术人员对其所做的适当变化或替换，皆应落入本发 明的专利保护范围。
【主权项】
1. 一种基于遗传算法的分拣作业均衡调度方法，其特征在于，其具体实现过程为： 一、 首先创建基于物流分拣线的原始种群，该原始种群中包含若干个体，每个个体即为 一种分配方案； 二、 计算种群中个体适应度； 三、 根据适应度的值，选择和复制适应度值较小的若干个体； 四、 然后随机选择数对个体进行交叉繁殖； 五、 随机选择一定数量的个体进行变异； 六、 当遗传未达到指定代数时，则回到步骤二； 七、 遗传达到指定代数后则结束整个分拣过程。2. 根据权利要求1所述的一种基于遗传算法的分拣作业均衡调度方法，其特征在于， 所述步骤一种的原始种群是由若干个体组成的个体集，是一个长度为Μ的一维数组，Μ为种 群规模，即种群中的个体数，种群[i]存储了第i个个体；一个个体代表一种分配方案，是一 个长度为N的一维数组，N为配送单的数量，个体[j]存储了第j张配送单的分拣线编号， 即基因；然后根据遗传算法随机生成个体的方法产生原始种群。3. 根据权利要求2所述的一种基于遗传算法的分拣作业均衡调度方法，其特征在于， 所述个体适应度的计算同时对三个目标进行优化，这里的三个目标分别是客户数量、订货 数量、烟包数。4. 根据权利要求3所述的一种基于遗传算法的分拣作业均衡调度方法，其特征在于， 所述个体适应度的计算过程为：对于每个个体，首先汇总每条分拣线要分线的客户总数和 订货总数量，再分别计算所有分拣线的总客户和总订货数量的方差，最后将这两个方差按 照一定的权重相加得到个体的适应值。5. 根据权利要求4所述的一种基于遗传算法的分拣作业均衡调度方法，其特征在于， 所述个体适应度计算使用以下公式： f,=dcAcfci+dqfql+dbfbl； 其中t为第i个个体的适应值；为第i个个体的总客户数的方差；fql为第i个个体 的总订货数量的方差；fbl为第i个个体的总烟包数量的方差；在该适应值公式中，d。为权重 系数，d。大于1时倾向于客户数的均衡，小于1则倾向于订货数量的均衡，dq和db同d。，因 客户数与订货数量的数值差距较大，计算适应值时将f"乘以调整系数λ进行了增权处理， 使得两个目标的适应值具有可比性，其中4 =G/〗)2，?为平均每条分拣线的客户总数，? 为平均每条分拣线的订货总数量； 其中：上述公式中Ρ为分拣线条数，cip为第i个个体中分配到第Ρ条分拣线的客户总数，q1Ρ 为第i个个体中分配到第ρ条分拣线的订货总数量，bip为第i个个体中分配到第ρ条分拣 线的烟包数量。6. 根据权利要求2所述的一种基于遗传算法的分拣作业均衡调度方法，其特征在于， 所述步骤三中的选择和复制过程为：首先把种群中的个体按照适应值排序，将前K个个体 选择为优良个体，将其顺序复制到后K个个体，淘汰劣质个体，形成了新一代种群。7. 根据权利要求2所述的一种基于遗传算法的分拣作业均衡调度方法，其特征在于， 所述步骤四中的交叉繁殖过程为：按照一定的比例随机选择两个父辈个体，随机选择交叉 位置和互换的基因个数，完成基因片段的交换后形成两个新的个体。8. 根据权利要求2所述的一种基于遗传算法的分拣作业均衡调度方法，其特征在于， 所述步骤五中的个体变异具体过程为：首先在群体中随机选择一定数量的个体，针对每个 个体随机选择一定数量的基因进行突变，通过大规模的基因突变，搜索更优的个体；在每一 代的种群中，把适应值最低的一个个体作为最优个体被保护起来，不参与交叉和变异，直到 产生适应值更低的个体为止。
【专利摘要】本发明公开了一种基于遗传算法的分拣作业均衡调度方法，其具体实现过程为：首先创建基于物流分拣线的原始种群，该原始种群中包含若干个体，每个个体即为一种分配方案；计算种群中个体适应度；根据适应度的值，选择和复制适应度值较小的若干个体；然后随机选择数对个体进行交叉繁殖；随机选择一定数量的个体进行变异；当遗传未达到指定代数时，则回到步骤二；遗传达到指定代数后则结束整个分拣过程。该一种基于遗传算法的分拣作业均衡调度方法与现有技术相比，减少了任务分配时间，提升了生产效率，实现了分拣作业工作量的均衡分配，保证了各条分拣线在指定的时间范围内都能完成对应的分拣任务。实用性强，适用范围广泛，易于推广。
【IPC分类】G06Q10/08, G06Q50/18, G06N3/12, G06Q10/04
【公开号】CN105260787
【申请号】CN201510585462
【发明人】董永, 周明, 莫凯凯
【申请人】浪潮软件股份有限公司
【公开日】2016年1月20日
【申请日】2015年9月15日