融合启发式搜索的改进极快决策树算法在多规格货物智能混合装载中的应用

针对多规格货物装载效率较低问题,提出了一种融合启发式搜索的改进极快决策树智能装箱算法,该算法首先计算并择优选取样本信息熵,然后构建生成货物装箱决策树模型,最后基于启发式搜索方法对货物装载后的剩余空间进行合并再利用。通过保证决策树每个节点装入货物体积最大,对待装货物进行快速决策。最后,基于七组异构性逐渐增强的货物数据对算法进行仿真实验,结果表明：本算法在保证较高集装箱利用率的情况下实现了快速装箱。     

求解货物在线装箱问题的融合算法

实现集装箱的自动码放规划对于提高装箱容积率、提高经济效益具有重要意义.针对货物在线码放过程中存在的多种实际约束,提出一种由在线极值点(online improved extreme point,IE)算法与模拟退火(simulated annealing,SA)算法结合的在线融合码放(IES)算法,考虑货物尺寸约束,质量约束与装载顺序约束设定多种码放规则以及优化函数,对IE算法中角点坐标序列进行实时迭代更新,并将该角点序列作为初始解序列,基于模拟退火优越的局部搜索能力以及算法的灵活性,两者融合来寻求全局最优角点解坐标.实验结果表明IES算法平均容积率达到89.17％,相比IE算法提高10.34％,证明IES算法在强异构货物实时码放和提高集装箱容积率方面有较好效果.该算法提高了三维装箱算法的工程性,为实现集装箱货物的自动码放创造了必要条件.     

一种简化粒子群算法及在三维装箱问题中的应用

在简化粒子群算法中引入混合蛙跳算法的分组思想,使得粒子群算法在进化后期能够利用更丰富的信息,有效避免算法早熟收敛和收敛到局部最优点问题,且收敛速度更快。将改进后的简化粒子群算法用于解决集装箱装箱问题,数值试验表明这种集装箱装载方法能够达到较好的容积利用率。为了指导实际的装箱操作,设计出了集装箱装载软件。     

双层集装箱运输车辆的配载算法

定义基本"适配度",用来表征某集装箱与其他集装箱搭配成双层结构的难易程度,适配度越小,表示与其他箱搭配成功的可能性越小;依据集装箱的优先级以及承运日期,对基本"适配度"进行修正,形成了综合适配度的概念.借鉴手工配载"先难后易"的思路,开发了基于综合适配度的多项式配载算法;算法中不断计算各种配载方案的综合适配度,并选择适配度最低的方案作为优先采用方案;算法速度快、效果良好.     

求解非标准货物货机群装载问题的启发式搜索算法

货机装载问题属于三维装箱问题,是一类NP-hard组合优化问题。而与传统车辆装箱问题不同,货机装载后的重心位置是要考虑的重要约束条件,以重心偏移率和货舱空间利用率为目标函数,针对非标准货物的货机群三维装载问题进行启发式算法研究。该算法基于空间管理思想,将"砌墙"式建构算法与一种四规则深度优先搜索法相结合,排除大量不可行解,缩短了可行解的搜索时间。最后实验结果表明,本算法可以在满足各项约束条件下正确地为货机群三维装载问题找出可行装载结果,对解决实际货机群装载问题具有现实意义。     

具有承载能力约束的装箱问题的蚁群算法

对空间划分和承载能力约束进行描述,并定义了货物承载能力的表现形式,同时在装箱问题的蚁群算法中加入了承载能力约束的计算方法和相关策略,在优化空间利用率的同时还保证了货物的稳定性。实验结果表明,该算法在处理具有承载能力约束的装箱问题方面具有实用性和有效性。     

集装箱船全航线预配优化模型与算法研究

集装箱船全航线配载问题属于NP-hard问题.为降低问题求解难度,提出了解决全航线配载问题的分解算法,即将配载问题分解为Bay位选择和Bay位中集装箱排序两个子问题.将Bay位选择看成是"装箱问题",以不同属性集装箱作为待装"物品",以船舶上的Bay位为箱子,以最优装箱(即使用箱子的数量最少)及集装箱在每个港口的倒箱数量最少为目标进行总布置配载;Bay位中集装箱排序是将Bay位选择阶段分配到不同Bay位的集装箱按某些规则进行排序,确定其在Bay位中的具体箱位.主要研究了Bay位选择阶段的模型及算法.实例模拟结果表明该方法可行,为集装箱船全航线配载优化提供了一个实用的模型.     

求解复杂集装箱装载问题的新方法

提出了一种求解复杂集装箱装载问题的新方法，该方法将求解复杂装箱问题分成两步：首先，根据一定的启发式规则将集装箱进行体积最大化装载，并在深度方向根据货物将空间分层；然后，用遗传算法将各层进行重心位置最优化调整，使装载方案更加符合实际运输需要。实际应用结果表明，该方法在空间利用率、重心位置以及计算效率等方面都优于其他同类方法。     

装箱问题在物流领域的研究回顾与分析 ——基于美国科学情报研究所科研数据库(Web of Science,1989～2018)的科学计量分析

集装箱作为物流运输过程中的关键环节,研究如何通过装箱过程有效利用集装箱空间,降低物流成本,提高经济与社会效益具有重要的现实意义。为全面分析装箱问题在物流领域的研究发展状况,本文以Web of Science数据库中1989～2018年间的相关研究论文为数据来源,运用科学计量分析与复杂网络的方法从作者、关键词、地区及期刊4个维度进行研究。研究表明,启发式算法、模型等一直是物流领域装箱问题的研究热点,且研究规模和成熟度逐步上升;同时,物流领域装箱问题的研究有从逐步从侧重理论过渡到侧重实际应用的趋势。基于本文分析,针对特定运输形式的物流装箱研究及人工智能相关算法在求解装箱问题上的研究是未来可能的研究热点。     

带二维装箱约束的需求可拆分车辆路径问题模型及算法研究

车辆配送计划时通常会考虑货物易损、易碎的可能性,以及如何充分利用有限的运输资源对货物进行配送以满足顾客的需求。在车辆有限、货物易损坏、顾客需求可进行拆分等环境下,实现车辆配送总路径最短,即考虑二维装箱约束的客户需求可拆分的车辆路径问题。对问题进行详细定义,建立了2L-SDVRP模型。将遗传算法与BLF算法的结合求解模型;并用数值案例验证算法有效性。