1.本发明涉及商品订单自动组包
技术领域：
：，具体为基于混合遗传斑点鬣狗优化算法(gasho)的零售订单自动组包方法。
背景技术：
：：2.随着物联网技术、移动互联技术、机器人技术、以及群体智能优化算法的不断发展，物流业开始进入智慧物流时代，物流作业过程逐渐向着智能化、自动化、信息化和网络化的方向发展。在仓储物流行业中无人仓应运而生，在无人仓的自动化生产过程中，自动打包技术得到了广泛的应用。在电子商务不断发展的今天，订单的时效性对提高客户的用户体验显得越来越重要，因此为了提高订单的出库效率，在出库环节实现了自动打包技术，特别在烟草物流领域，由于烟草商品品牌、品类繁多，自动化订单系统已是现有的技术和系统，但是目前在组包订单时，往往只能进行预先设置组包模式，系统按照固定的方式进行组包操作。卷烟订单自动组包过程属于物流作业中的装箱优化环节。目前的组包作业基本都是依靠工业机器人来进行的，然而，单纯的依靠机器人进行机械化作业，除了节省人力资源、提高工作效率以外，在节约包装、提高满箱率方面并没有显着的优势，因此导致组包后的箱体存在不少缺陷，如组包数量大但是组包空间空余量大、空间浪费大而造成的组包浪费；比如最终组包后的组包件重心不一致、不居中、甚至偏高、歪偏，导致在物流环节存在不少隐患和运输难题；比如组包后的物料包型规整度差，不方便运输时的堆码摆放，存在固定难度大，运输过程损坏率高的问题，如拆包均衡性差，封装方式不统一，导致规整性差、不便于拆包出货以及拆包效率低的问题。而目前的系统和方法缺少对这些细节问题的考虑和解决。3.国内外学者提出将机器人技术与智能优化算法相融合的技术，以期最大化发挥机械化作业的优势。4.卷烟三维组包问题的实质是装箱问题，在理论上属于np-hard问题。目前np完全问题不存在有效时间内求得精确解的算法，所以装箱问题的求解是极为困难的。虽然卷烟组包问题的实质是装箱优化问题，但相比于装箱问题，卷烟组包由于没有箱体实物外壳对烟垛立体形态进行约束，求解优化过程中需要考虑的自变量及约束条件更加繁杂，求解难度更大。5.在现有的技术中，通常采用传统启发式算法及改进的群优化算法来实现卷烟订单自动组包作业。但在现有技术的算法中，没有考虑烟包层高差和层长度与烟包最大可堆叠层数之间的相互耦合关系，没有考虑独立烟包尺寸与合包中上下部烟垛尺寸的相互耦合关系，没有考虑层高差对层宽度的决定关系。由此可见，实际工业流程中的卷烟组包作业是一个复杂且耦合的多约束问题，而现有的技术中的算法很难在满足约束条件的情况下设计出科学高效的卷烟组包方案。6.目前的文章大多都是以空间利用率和物品稳定性为优化目标，在满足以上两个目标的基础上同时将包型规整度和拆包均衡性列为优化目标的文章几乎没有，并且鲜少有文章将组包作业过程中的真实条件约束考虑得如此完善。7.目前还没有专利将混合自适应遗传斑点鬣狗优化算法(gasho)应用于卷烟零售订单自动组包问题中。技术实现要素：8.为解决上述现有技术存在的不足和缺陷，发明人经过研发设计，解决了传统启发式算法求解组包优化问题时收敛速度慢、收敛精度低等问题，从而设计出更加科学高效的卷烟组包方案。具体的，本发明是这样实现的：基于混合遗传斑点鬣狗优化算法的零售订单自动组包方法，包括以下步骤：9.步骤s1、基于商品自动组包的总体设计流程，确定优化目标、变量、约束条件以及各尺寸数据间的相互关联性，并基于相互关联性的数据确定各个优化目标的函数表达和权重系数，确定本次组包的优化目标函数；根据包括有零售订单历史数据、商品规格和进出料规格的商品订单数据、组包过程中的约束条件数据，建立商品三维组包模型，10.步骤s2、基于所建立的商品三维组包模型，针对实际卷烟组包问题建立具有优先级的多目标优化模型，并对实际作业流程中的多条约束条件进行量化表达；采用斑点鬣狗优化算法求解模型，将商品组包方案的寻优过程映射到斑点鬣狗的觅食行为中，模仿斑点鬣狗对猎物的搜索、包围、狩猎和攻击过程，对商品组包的最优化方式进行逐步寻优，由n个商品个体所组成的种群q在第k次迭代中每个个体所处的位置代表问题的一个解，在迭代过程中，其他斑点鬣狗不断向着距离猎物最近的那只斑点鬣狗移动，以此来更新位置状态，实现算法的寻优过程；11.步骤s3：通过tent映射产生的混沌序列对斑点鬣狗种群进行混沌初始化，在斑点鬣狗优化算法中引入轮盘赌选择策略，把斑点鬣狗优化算法得到的解作为初始状态，然后利用遗传算法对其进行优化，增强算法的寻优能力，利用混合遗传斑点鬣狗优化算法对卷烟零售订单自动组包问题进行优化求解，从而得到最优的卷烟组包方案。12.优选地，所述优化目标包括：组包数最小化、包型稳定性最优、包型规整度最优、拆包均衡性最好中的多个或所有，且具有优先级的同时满足的关联关系，其中，组包数最小化，为组包容积废弃率最小；包型稳定性最优，为组包的整体重心偏心量最小；以烟包最底层左上角卷烟为坐标原点，建立空间直角坐标系，计算每一层的重心坐标，并以第一层的重心坐标为基准，计算偏心量；包型规整度最优，为同一个包装单元内层与层之间的尺寸差距进行函数表达；拆包均衡性最好，为用包装单元与包装单元之间的的尺寸差距进行函数表达；对每个优化目标设置一个权重系数，以表示其优先级。13.本发明的工作原理和技术效果介绍：充分考虑烟草企业成品卷烟订单出库为背景下的卷烟零售订单自动组包问题的约束条件以及目标函数与现有的研究不同，本发明以包数最小化、包型稳定性最优、包型规整度最优、拆包均衡性最好为优化目标，并充分考虑实际作业流程中的真实约束条件及其各约束条件之间的相互耦合关系，在此基础上进一步提出了混合自适应遗传斑点鬣狗优化算法(gasho)，利用改进的自适应遗传算法、混沌初始化与轮盘赌选择策略对标准斑点鬣狗优化算法进行改进，解决了传统启发式算法求解组包优化问题时收敛速度慢、收敛精度低等问题，从而设计出更加科学高效的卷烟组包方案。本发明提供一种科学高效的卷烟零售订单自动组包方法，以烟草企业成品卷烟订单出库为背景，提出了一种以包数最小化、包型稳定性最优、包型规整度最优、拆包均衡性最好为优化目标，考虑了组包作业流程中的真实约束条件及其各约束条件之间的耦合关系，在此基础上建立相应的组包优化模型。同时为了提高算法寻优能力、求解精度和稳定性，提出一种基于混合自适应遗传斑点鬣狗优化算法(gasho)对卷烟组包优化问题进行求解。该方法的应用能够帮助企业节约包装、提高满装率，在助力企业降本增效方面具有重要意义。另外，本技术虽然是针对卷烟订单提出的一种自动组包方法，但该方法对于其他行业的箱型货物组包问题同样具有一定的适用性，该方法的推广应用，可以从节省包装材料方面为国家早日实现“双碳”目标贡献绵薄之力。附图说明14.图1是卷烟组包方式示意图；15.图2是三维坐标系及重心坐标示意图；16.图3是混合自适应遗传斑点鬣狗优化算法流程图；17.图4是实施例2中的迭代收敛速度曲线图；具体实施方式18.为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。19.实施例1：20.本发明基于卷烟零售订单历史数据、条烟规格、进料口规格等数据，建立了卷烟三维组包模型，并提出一种基于混合自适应遗传斑点鬣狗优化算法的卷烟零售订单自动组包方法，该方法是机器人技术与智能优化算法相融合的产物。21.本实例中基于混合自适应遗传斑点鬣狗优化算法(gasho)的卷烟零售订单自动组包方法，采用以下步骤：22.步骤一、根据卷烟订单组包过程中的层宽约束、层高差约束、层长度约束、合包约束等实际约束条件以及组包需求建立卷烟三维组包模型。23.所述的卷烟零售订单自动组包模型包括卷烟组包优化的目标函数和约束条件。24.卷烟零售订单在自动组包过程中以包数最小化、包型稳定性最优、包型规整度最优、拆包均衡性最好为优化目标，如下所示：25.目标1——包数最小化。相同订单中，将每一个烟包的容积利用率发挥到最大便能够有效减少烟包的数量。因此，卷烟组包的第一个目标是烟包容积利用率最大，即烟包容积废弃率最小，目标函数如式(1)所示。[0026][0027]其中[0028]式中，p表示烟包废弃容积，pj表示第j个烟包的废弃容积，ajl、ajw、ajh，分别表示第j个烟包的长、宽、高，xij为0-1变量，用于判断第i个条烟是否在第j个烟包内，li、wi、hi分别表示第i个卷烟的长、宽、高。[0029]目标2——包型稳定性。由物理学知识可知，烟包整体重心越低，包型稳定性越好。因此，在满足第一个目标的情况下，条烟组包的第二个目标是烟包整体重心偏心量最小。以烟包最底层左上角卷烟为坐标原点，建立空间直角坐标系(如图2所示)，计算每一层的重心坐标，并以第一层的重心坐标为基准，计算偏心量，目标函数如式(2)所示。[0030][0031]式中，s表示烟包整体重心偏心量，分别表示第j个烟包第k层的长、宽、高，rj表示烟包j的最大堆叠层数。[0032]目标3——包型规整度。为了便于物料运输，减少条烟物料损坏，企业要求烟包包型方正规则、表面平整。因此，在满足前两个目标的情况下，将烟包的包型规整度设为第三个目标。将包型规整度转化为同一个烟包内层与层之间的尺寸差距进行函数表达，如式(3)所示。[0033][0034]式中，b表示烟包内层与层之间的尺寸差距，式中，b表示烟包内层与层之间的尺寸差距，和分别表示第j个烟包第k+1层和第k层的长、宽、高，rj表示烟包j的最大堆叠层数。[0035]目标4——拆包均衡性。实际情况中存在同一个订单的物料被分装在不同的烟包内，为了便于后期配送，企业会根据需求将独立的烟包进行合包封装，为了保证合包整体的稳定性和规整性，要求独立的烟包之间尺寸尽量均衡。因此，在满足前三个目标的情况下，将烟包的拆包均衡性设为第四个目标。将拆包均衡性用烟包与烟包之间的尺寸差距进行函数表达，如式(4)所示。[0036][0037]式中，e表示烟包与烟包之间的尺寸差距，a(j+1)l、a(j+1)w、a(j+1)h和ajl、ajw、ajh分别表示第j+1个烟包的长、宽、高和第j个烟包的长、宽、高。[0038]综上，条烟三维组包问题有四个优化目标，为了求解便利性，本文引入权重系数α，将具有优先级的多目标优化模型转化为单目标模型进行优化求解。[0039]因此，本文的目标函数为：[0040]minc＝α1p+α2s+α3b+α4eꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0041]式中，p、s、b、e分别表示四个优化目标，即包数最小化、包型稳定性、包型规整度、拆包均衡性，α1、α2、α3、α4均为权重系数，取值范围为[0,1]。[0042]建立完成卷烟三维组包模型后，需要建立烟包组包约束条件。烟包约束共7条，分别是：卷烟物料尺寸约束、烟包规格约束、层宽约束、层高差约束、层长度约束、合包约束、排布约束。具体如下：[0043]条烟物料尺寸约束：根据历史订单中的卷烟规格确定尺寸范围。[0044]268≤li≤480；75≤wi≤347；22≤hi≤320ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0045]烟包规格约束：受包装机通道尺寸的制约以及传送带的制约。[0046]0≤ajl≤480；0≤ajw≤450；0≤ajh≤240ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(7)[0047]层宽约束：为了保证烟包整体的稳定性，对同一个烟包内层与层之间的尺寸关系作出约束。[0048][0049][0050]层高差约束：同一个烟包内相邻层高之间允许的差值范围，层宽的衡量以及烟包的可堆叠层数都与层高差紧密相关。[0051][0052]层长度约束：烟包内层长度尺寸与烟包的可堆叠层数紧密相关。[0053][0054]合包约束：根据客户需求，将独立的烟包进行合包，合包后总高度受包装机规格的约束，同时为了保证合包整体的稳定性，对合并的上下部烟垛尺寸作出限制。[0055][0056][0057]排布约束：为了保证烟包整体的稳定性、规整度和均衡性，针对卷烟组包过程制定一套排布规则，需严格按照此规则进行组包作业。[0058][0059][0060][0061]其中，li、wi、hi分别表示第i个卷烟的长、宽、高，ajl、ajw、ajh分别表示第j个烟包的长、宽、高，和和分别表示第j个烟包第k+1层和第k层的长、宽、高，xij、yijk、zi、ujq均为0-1变量，分别用于判断第i个条烟是否在第j个烟包内、第i个条烟是否在第j个烟包内的第k层、条烟i的高度是否在高度最大值及其高度允许范围值内、第j个单独的组包是否在第q个合包内，dqh表示合包q的高，ajh表示第j个烟包的高，和分别表示第q个合包第tq层的最上层宽度和第q个合包第tq层的最下层宽度，cq表示合包q的层数，和分别表示第j个组包第k层排在第β个和第β+α个的条烟的高，和分别表示第j个组包内编号为γ和的条烟的宽，和分别表示第j个组包内编号为γ和的条烟的长。[0062]步骤二、基于所建立的卷烟三维组包模型，采用斑点鬣狗优化算法，将卷烟组包方案的寻优过程映射到斑点鬣狗的觅食行为中，模仿斑点鬣狗对猎物的搜索、包围、狩猎和攻击过程，对卷烟组包问题进行逐步寻优。在利用算法求解模型过程中，由n个个体所组成的种群q在第k次迭代中每个个体所处的位置代表问题的一个解，在迭代过程中，其他斑点鬣狗不断向着距离猎物最近的那只斑点鬣狗移动，以此来更新位置状态，实现算法的寻优过程。步骤如下：[0063]步骤2.1、对斑点鬣狗种群位置进行初始化；[0064]步骤2.2、初始化相关参数；[0065]步骤2.3、根据目标函数计算每个个体的适应度值，适应度值越小的个体越优；[0066]步骤2.4、将卷烟物料组包的过程映射到斑点鬣狗种群交换信息、跟随搜索的迭代进化中，计算更新搜索个体的适应度值，更新斑点鬣狗种群位置，直到搜索到个体最优适应度值时对应的位置。[0067]步骤3、通过tent映射产生的混沌序列对斑点鬣狗种群进行混沌初始化，在斑点鬣狗优化算法中引入轮盘赌选择策略，把斑点鬣狗优化算法得到的解作为初始状态，然后利用遗传算法对其进行优化，增强算法的寻优能力，利用混合遗传斑点鬣狗优化算法对卷烟零售订单自动组包问题进行优化求解，从而得到最优的卷烟组包方案。步骤如下：[0068]步骤3.1、初始化种群位置xi。选择tent映射产生的混沌序列对斑点鬣狗种群进行混沌初始化。tent映射的表达式如下：[0069][0070]经伯努利位移变换后可得：[0071]yt+1＝(2yt)mod1[0072]步骤3.2、初始化参数h、b、e、n，定义最大迭代次数max_interation[0073]步骤3.3、计算每个个体的适应度值fitness[0074]步骤3.4、利用轮盘赌策略对斑点鬣狗种群个体适应度值进行选择。首先将适应度函数变为倒数以将目标最小化转变为最大化，然后根据转化后的适应度值计算个体选择概率p(i)和累计概率q(xi)，在区间[01]内随机生成一个数，该数所落区间对应的斑点鬣狗个体进入子代种群，得到的个体构成新一代斑点鬣狗种群。[0075][0076]步骤3.5、根据收敛因子e的值判断算法进行全局搜索还是局部搜索。若|e|《1，则使用改进的自适应遗传算法进行局部搜索；若|e|》1，则算法进行全局搜索，搜索斑点鬣狗新的组解，计算更新每个个体的适应度值，判断算法是否达到终止条件，输出算法的最优解。[0077]步骤3.6、在|e|《1情况下，利用改进的自适应遗传算法进行局部搜索。更新自适应交叉概率pc和自适应变异概率pm，然后进行交叉、变异操作。对自适应遗传算法的适应度函数f进行改进，采用改进的适应度函数f计算新一代斑点鬣狗种群个体的适应度。此时，如果没有达到算法终止条件，则继续进行轮盘赌选择策略来产生下一代个体，通过|e|判断下一步进行全局搜索还是局部搜索。若达到算法终止条件，则输出最优解，算法结束。[0078][0079][0080]f＝f(x)*e(1+λ*|f(x)|)[0081]步骤3.7、算法终止条件。判断是否达到最大迭代次数，若达到，则输出最优个体的位置，即为问题的最优解，若未达到，则返回步骤3.4。[0082]实施例2：[0083]实验案例仿真[0084]在实施例1的基础上，本试验数据来源于一线烟草企业历史零售订单数据，其中共包含4种条烟类型，3473批订单数据，8118条样本数据，使用实施例1的方法进行组包最优方案进行处理。每一批订单都极具个性，例如尾号为294的订单共需要a种条烟40条，b种条烟15条，c种条烟5条，尾号为233的订单编号共需要a种条烟33条，b种条烟3条，c种条烟1条，d种条烟4条。不同类型条烟的规格不同，条烟规格如表2所示。[0085]表1条烟规格参数[0086]tab.1stripcigarettespecifications[0087][0088]注：l‑‑条烟的长度；w‑‑条烟的宽度；h‑‑条烟的高度[0089]试验过程[0090]step1：确定目标式(1)中的权重系数取值。采用层次分析法(ahp)对四个优化目标进行权重赋值，确定出目标函数重要性排序依次为：包数最小化、包型稳定性、包型规整度、拆包均衡性，参考重要性标度表得出如表3所示的重要性程度分析结果，最终确定出最优权重方案为α1＝0.5α2＝0.3α3＝0.1α4＝0.1(保留一位有效数字)。[0091]表2重要性程度分析表[0092]tab.2importanceanalysistable[0093][0094]step2：对3473个订单数据进行仿真训练。设置种群数为30，最大迭代次数为200，分别使用粒子群优化算法(pso)，鲸鱼优化算法(woa)，改进鲸鱼优化算法(iwoa)，遗传算法(ga)，斑点鬣狗优化算法(sho)以及混合自适应遗传斑点鬣狗优化算法(gasho)进行求解。具体实现过程如下：首先将所有数据从excle中导入，然后定义一个元胞数组来存储数据，数组中的每一个元素对应存储每一个订单的需求数据，接着将该数组作为程序的输入条件，运行程序即可输出最优值和最优组包方案，设置程序自动运行100次，并定义一个新的变量存储每次运行的结果。[0095]step3：导出运行结果数据至origin，进行数据分析及图像绘制。在sho及gasho中，设置参数c取值为2，参数β取值为6，变异率f取值为0.4、交叉率cr取值为0.1。[0096]试验结果[0097]本文以其中一个零售订单为例(该订单包括4种条烟类型，68条条烟数量)，计算每个算法模型求解100次后的平均值，得到如图4所示的迭代收敛速度曲线。[0098]通过仿真试验可以得到：订单按照最优方案进行组包，需要付出的综合代价值为3354473.792，最优组包方案如表3和表4所示，最优合包方案如表5所示。[0099]表3最优组包方案[0100]tab.4-1optimalpackagingscheme[0101][0102]注：-表示该层不摆放条烟[0103]表4最优组包方案[0104]tab.4-2optimalpackagingscheme[0105][0106]注：烟包5、6、7、8第三层和第四层均未摆放条烟，故表中未进行显示表5最优合包方案[0107]tab.5optimalcontractingscheme[0108][0109]注：烟包号顺序按从下往上的合包顺序排列[0110]应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。当前第1页12当前第1页12