二维装车优化方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种二维装车优化方法、装置、计算机设备和存储介质。


背景技术：

2.随着互联网技术的发展，网上购物对很多人已经成为一种生活习惯。而物流行业也随之迅速发展，在物流行业的大件派送的物流场景中，由于快件的体积较大，当件量达到一定程度时，可能无法做到一辆车一次运送完毕，此时需要多辆车或者同一辆车多次装车运载，基于此情形，装车效能(即装车的空间使用率)对于节约派送成本就至关重要。
3.对于具体的大件装车场景，由于大件的重量较大，因此不允许其重叠堆放，以免压坏快件，即所有快件只能摆放一层。这样一来，原本车内的三维空间就被压缩为二维，对车内空间的最大使用即转化为对车内底面积的最大占用。
4.然而在快件数量较多的情况下，需要的车辆总数难以确定，用常规的原始规划模型难于求解，从而影响装车效率。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种提高大件派送情况下装车效率的二维装车优化方法、装置、计算机设备和存储介质。
6.一种二维装车优化方法，所述方法包括：
7.获取待装车物品的尺寸信息；
8.根据所述尺寸信息以及预设货运车辆信息，获取初始装车方案；
9.通过预设列生成模型对所述初始装车方案进行优化，获取二维装车方案，所述预设列生成模型用于根据所述初始装车方案生成装车备选方案，并从所述装车备选方案中查找使用车辆数最少的二维装车方案。
10.在其中一个实施例中，所述根据所述尺寸信息以及预设货运车辆信息，获取初始装车方案包括：
11.根据所述待装车物品的尺寸信息确定待装车物品的尺寸类型；
12.根据所述预设货运车辆信息，构建各尺寸类型的待装车物品对应的装车方案；
13.根据各尺寸类型的待装车物品对应的装车方案，确定初始装车方案。
14.在其中一个实施例中，所述根据所述待装车物品的尺寸信息确定待装车物品的尺寸类型包括：
15.获取待装车物品的尺寸信息；
16.获取所述待装车物品之间尺寸信息的相似度；
17.根据所述尺寸信息的相似度，对所述待装车物品进行分类；
18.获取所述待装车物品对应的尺寸类型。
19.在其中一个实施例中，所述通过预设列生成模型对所述初始装车方案进行优化，
获取二维装车方案之前，还包括：
20.以最小化车辆使用数量为目标，构建预设列生成模型的限制主问题；
21.根据所述限制主问题构建预设列生成模型的主问题对偶问题；
22.基于预设二维装车基本约束以及所述主问题对偶问题的约束，构建预设列生成模型的价格子问题；
23.根据所述限制主问题、所述主问题对偶问题以及所述价格子问题构建预设列生成模型。
24.在其中一个实施例中，所述基于预设二维装车基本约束以及所述主问题对偶问题的约束，构建预设列生成模型的价格子问题包括：
25.根据预设二维装车基本约束构建价格子问题的约束条件，所述预设二维装车基本约束包括放置方式约束、方向位置关系约束、车辆尺寸约束、坐标位置关系约束、装载数量约束以及最大装载面积约束；
26.以最大程度违背所述主问题对偶问题的约束构建价格子问题的目标函数；
27.根据预设模型参数、预设决策变量、所述约束条件以及所述目标函数构建价格子问题。
28.在其中一个实施例中，所述通过预设列生成模型对所述初始装车方案进行优化，获取二维装车方案包括：
29.获取所述初始装车方案对应的限制主问题优化结果
30.根据所述限制主问题优化结果获取所述预设列生成模型中主问题对偶问题的最优解；
31.根据所述最优解，通过预设列生成模型中价格子问题生成装车备选方案；
32.根据所述装车备选方案获取二维装车方案。
33.在其中一个实施例中，所述通过预设列生成模型对所述初始装车方案进行优化，获取二维装车方案之后，还包括：
34.通过预设主启发式模型对所述二维装车方案进行优化，获取装车优化方案；
35.反馈所述装车优化方案。
36.一种二维装车优化装置，所述装置包括：
37.数据获取模块，用于获取待装车物品的尺寸信息；
38.初始方案获取模块，用于根据所述尺寸信息以及预设货运车辆信息，获取初始装车方案；
39.方案优化模块，用于通过预设列生成模型对所述初始装车方案进行优化，获取二维装车方案，所述预设列生成模型用于根据所述初始装车方案生成装车备选方案，并从所述装车备选方案中查找使用车辆数最少的二维装车方案。
40.在其中一个实施例中，所述初始方案获取模块具体用于：根据所述待装车物品的尺寸信息确定待装车物品的尺寸类型；根据所述预设货运车辆信息，构建各尺寸类型的待装车物品对应的装车方案；根据各尺寸类型的待装车物品对应的装车方案，确定初始装车方案。
41.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
42.获取待装车物品的尺寸信息；
43.根据所述尺寸信息以及预设货运车辆信息，获取初始装车方案；
44.通过预设列生成模型对所述初始装车方案进行优化，获取二维装车方案，所述预设列生成模型用于根据所述初始装车方案生成装车备选方案，并从所述装车备选方案中查找使用车辆数最少的二维装车方案。
45.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
46.获取待装车物品的尺寸信息；
47.根据所述尺寸信息以及预设货运车辆信息，获取初始装车方案；
48.通过预设列生成模型对所述初始装车方案进行优化，获取二维装车方案，所述预设列生成模型用于根据所述初始装车方案生成装车备选方案，并从所述装车备选方案中查找使用车辆数最少的二维装车方案。
49.上述二维装车优化方法、装置、计算机设备和存储介质，通过获取待装车物品的尺寸信息；根据所述尺寸信息以及预设货运车辆信息，获取初始装车方案；通过预设列生成模型对所述初始装车方案进行优化，获取二维装车方案。本技术先获取需要装车物品的尺寸信息，而后通过使用列生成模型，基于初始装车方案，在列生成的循环框架下生成二维装车方案，基于列生成算法的模型分解效果，可以显著减小装车优化过程的处理模型规模，提高模型求解效率，进而提高装车优化过程的处理效率。
附图说明
50.图1为一个实施例中二维装车优化方法的应用环境图；
51.图2为一个实施例中二维装车优化方法的流程示意图；
52.图3为一个实施例中图2中步骤201的子流程示意图；
53.图4为一个实施例中图2中步骤205的子流程示意图；
54.图5为另一个实施例中图2中步骤205的子流程示意图；
55.图6为一个实施例中图2中步骤207的子流程示意图；
56.图7为一个实施例中二维装车优化装置的结构框图；
57.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
58.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
59.本技术提供的二维装车优化方法，可以应用于如图1所示的应用环境中。其中，装车工作人员所在的工作终端102通过网络与二维装车优化服务器104进行通信。当需要进行大件装车的规划时，工作终端102可以向二维装车优化服务器104发送待装车物品的尺寸信息，而后二维装车优化服务器104获取待装车物品的尺寸信息；根据尺寸信息以及预设货运车辆信息，获取初始装车方案；通过预设列生成模型对初始装车方案进行优化，获取二维装车方案，预设列生成模型用于根据初始装车方案生成装车备选方案，并从装车备选方案中查找使用车辆数最少的二维装车方案。其中，工作终端102可以但不限于是各种个人计算
机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，二维装车优化服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
60.在一个实施例中，如图2所示，提供了一种二维装车优化方法，以该方法应用于图1中的二维装车优化服务器104为例进行说明，包括以下步骤：
61.步骤201，获取待装车物品的尺寸信息。
62.其中，本技术的二维装车优化方法具体用于对物流中大件装车的过程进行优化。在物流行业的大件派送的物流场景中，由于快件的体积较大，当件量达到一定程度时，可能无法做到一辆车一次运送完毕，此时需要多辆车或者同一辆车多次装车运载，基于此情形，装车效能对于节约派送成本就至关重要。由于大件的重量较大，因此不允许其重叠堆放，以免压坏快件，即所有快件只能摆放一层。此时装车问题具体可以视为二维装车优化的问题，而车内空间的最大使用即转化为对车内底面积的最大占用，因此，此时待装车物品的尺寸信息具体是指物品长宽高三种尺寸信息。即物品包装成快件后对应的长宽高的大小。大件装车不允许重叠摆放，故三维模型转化为二维，这在一定程度上降低了问题的复杂度，但需额外考虑一个问题，即快件的摆放方式。在三维模型中，需要考虑6中摆放方式；而在本文的二维模型中，可以先确定快件的底面，然后考虑底面的横、纵两种放置方式。对于有特殊要求的快件，即某一面必须为底面，则底面即已确定；对于无特殊要求的快件，则选择尽可能小的面为底面，只要其竖直高度不超过车厢内高度即可，这样可以保证占用最小的面积，也就能装入更多的快件。
63.具体地，在大件装车的场景下，装车现场的工作人员需要根据实际的需要来确定是否要进行二维装车优化，当待装车物品的数量较多，需要多辆派送车辆来进行派送，或者需要多批次运输时，可以通过本技术的二维装车优化方法来对汽车内快件的摆放进行优化，从而为快件的装车匹配最小车辆数，也可视为派件车辆的最小往返次数。从而节省快件运输过程的运输成本和人力工时成本，提高快件派送的效率。当装车现场的工作人员在一次装车时，如果碰到大件商品，且需要多次运输时，可以直接将该待装车物品的尺寸信息提交至二维装车优化服务器104，由二维装车优化服务器104来进行装车过程的优化处理。
64.步骤203，根据尺寸信息以及预设货运车辆信息，获取初始装车方案。
65.其中，预设货运车辆信息是指用于运送待装车物品的车辆内部信息。具体包括了货运车辆内货运车厢的长宽高等信息。在其中一个实施例中，这部分信息具体可以预存于二维装车优化服务器104内。工作终端102在提交物品的尺寸信息时，可以同步推送用于运输待装车物品的车辆类型信息，而后二维装车优化服务器104根据这部分车辆类型信息，可以有效在预设的数据库内查找车辆类型信息对应的预设货运车辆信息。而初始装车方案是用于进行二维装车方案优化的初始方案，是预设列生成模型的优化目标。在本技术中，通过列生成算法来进行二维装车优化的求解。由于列生成算法需要一组初始可行解作为初始的备选方案，因此需要设计一个启发式方法用于获取初始方案。
66.具体地，本技术的方案通过列生成模型来对二维装车过程进行优化，在进行列生成优化之前，需要确定优化的初始方案，来将其作为优化的基础。此时可以根据尺寸信息以及预设货运车辆信息，；来获取初始装车方案。具体地，在其中一个具体地实施例中，可以对于每一种尺寸类型的快件，均存在一种只装载该类型快件的装车方式(最大化装载数量)，因此有多少种尺寸类型，就可以对应生成多少个初始备选方案，又由于每种尺寸类型均有
对应方案，故每种尺寸类型的需求均可被覆盖，该初始解一定可行。
67.步骤205，通过预设列生成模型对初始装车方案进行优化，获取二维装车方案，预设列生成模型用于根据初始装车方案生成装车备选方案，并从装车备选方案中查找使用车辆数最少的二维装车方案。
68.其中，列生成模型是一种基于列生成算法构建的数学模型，列生成算法是一种用于求解大规模线性优化问题的非常高效的算法。具体地，本技术将获取的初始装车方案作为优化的对象。由于快件数量较多，需要的车辆总数难以确定，用常规的原始规划模型难于求解，因此考虑使用列生成模型，在主问题中求解备选方案的使用数量，在子问题中生成新的备选方案，通过列生成的循环框架不断生成可能提供优化的备选方案，从而获得更优化的二维装车方案。
69.上述二维装车优化方法，通过获取待装车物品的尺寸信息；根据尺寸信息以及预设货运车辆信息，获取初始装车方案；通过预设列生成模型对初始装车方案进行优化，获取二维装车方案。本技术先获取需要装车物品的尺寸信息，而后通过使用列生成模型，基于初始装车方案，在列生成的循环框架下生成二维装车方案，基于列生成算法的模型分解效果，可以显著减小装车优化过程的处理模型规模，提高模型求解效率，进而提高装车优化过程的处理效率。
70.在一个实施例中，如图3所示，步骤201包括：
71.步骤302，根据待装车物品的尺寸信息确定待装车物品的尺寸类型。
72.步骤304，根据预设货运车辆信息，构建各尺寸类型的待装车物品对应的装车方案。
73.步骤306，根据各尺寸类型的待装车物品对应的装车方案，确定初始装车方案。
74.其中，尺寸类型用于归纳不同的待装车物品，可以将长宽高都类似的待装车物品视为同一尺寸类型，而后进行初始装车方案的构建，以及后续装车优化的处理，从而降低求解过程的复杂度。
75.具体地，在初始装车方案的设计过程中，对于每一种尺寸类型的快件，均存在一种只装载该类型快件的装车方式(最大化装载数量)，因此有多少种尺寸类型，就可以对应生成多少个初始备选方案，又由于每种尺寸类型均有对应方案，故每种尺寸类型的需求均可被覆盖，该初始解一定可行。本实施例中，通过尺寸类型的确定，可以有效构建所有尺寸类型的待装车物品对应的装车方案，进而高效地确定初始装车方案，提高初始装车方案的构建效率。
76.如图4所示，在其中一个实施例中，步骤302包括：
77.步骤401，获取待装车物品的尺寸信息。
78.步骤403，获取待装车物品之间尺寸信息的相似度。
79.步骤405，根据尺寸信息的相似度，对待装车物品进行分类。
80.步骤407，获取待装车物品对应的尺寸类型。
81.其中，相似度用于体现不同待装车物品间的长宽高等信息的相似程度。对于尺寸类似的不同待装车物品，可以视为同一尺寸类型。
82.具体地，在装车类型的确定过程中，可以先获取待装车物品的尺寸信息，包括长宽高三种信息。在此过程中，具体可以将物品三维信息中最长、中等长度以及最短的信息分别命名为尺寸信息中的长宽高，如此就得到了待装车物品对应的一个用于表示尺寸信息的三
维数组(长，宽，高)。从而获取待装车物品之间尺寸信息的相似度的过程，就变为对比尺寸信息对应的三维数组之间相似度的问题。在其中一个实施例中，可以计算三维数组对应向量间的夹角，将夹角小于预设角度阈值的尺寸信息视为相似的尺寸信息。而后根据相似的尺寸信息，来对待装车物品进行分类。在其中一个实施例中，可以对相似度计算过程的计算结果进行聚类分析，而后根据聚类结果来对待装车物品进行分类。本实施例中，通过获取待装车物品之间尺寸信息的相似度来对待装车物品进行初始的分类，可以有效保证初始装车方案规划过程的规划有效性，从而提升装车优化的效率以及准确性。
83.如图5所示，在其中一个实施例中，步骤205之前，还包括：
84.步骤502，以最小化车辆使用数量为目标，构建预设列生成模型的限制主问题。
85.步骤504，根据限制主问题构建预设列生成模型的主问题对偶问题。
86.步骤506，基于预设二维装车基本约束以及主问题对偶问题的约束，构建预设列生成模型的价格子问题。
87.步骤508，根据限制主问题、主问题对偶问题以及价格子问题构建预设列生成模型。
88.在其中一个实施例中，步骤506包括：根据预设二维装车基本约束构建价格子问题的约束条件，预设二维装车基本约束包括放置方式约束、方向位置关系约束、车辆尺寸约束、坐标位置关系约束、装载数量约束以及最大装载面积约束；以最大程度违背主问题对偶问题的约束构建价格子问题的目标函数；根据预设模型参数、预设决策变量、约束条件以及目标函数构建价格子问题。
89.其中，限制主问题、主问题对偶问题以及价格子问题都是列生成算法框架的一部分，通过构建限制主问题、主问题对偶问题以及价格子问题可以有效生成用于二维装车优化的预设列生成模型。限制主问题即列生成算法的主问题，是因为所有备选方案被限制在已生成的方案集中。在进入列生成循环框架之前，方案集中只有启发式方法生成的初始方案；进入列生成框架后，每求解一次子问题，生成一个新方案，若子问题的最优解满足优化条件，则将新方案加入方案集，否则结束循环，方案集不再扩充。主问题的优化目标与整体目标相同，即最小化备选方案的使用数量(最小化车辆数)，但该问题为松弛问题(变量为连续变量而非整数变量)，目的在于获取对偶问题的最优解，以确定子问题的优化目标。在其中一个实施例中，限制主问题的具体包括模型参数，决策变量约束条件以及目标函数四个部分。在其中一个实施例中，模型参数包括：
90.i 所有快件尺寸类型的集合
91.k 所有方案的集合
92.d
i 尺寸类型i的快件数量
93.a
k,i 方案k中尺寸类型i的快件装载数量
94.决策变量包括：
95.x
k 方案k的使用数量
96.约束条件包括：
97.每种尺寸类型的快件的装载需求均被满足
[0098][0099]
目标函数包括：
[0100]
最小化备选方案的使用数量，即最小化车辆数。
[0101][0102]
对应地，主问题的对偶问题的模型结构为：
[0103]
决策变量：
[0104]yi (对偶问题的决策变量，对应原问题的约束条件)
[0105]
约束条件：
[0106][0107]
目标函数：
[0108][0109]
子问题即价格子问题，所谓“价格”是指对主问题的对偶问题的约束条件的违背程度。由于主问题的备选方案是有限的(所有理论上存在的方案的一个子集)，这些备选方案未必能得到很好的优化结果，因此需要子问题生成新的备选方案，生成原则即为能否违背主问题的对偶问题的约束条件，选择违背程度最强的方案，故此为子问题的优化目标；而子问题的约束条件，则为二维装车问题的基本约束。在其中一个实施例中，子问题模型具体模型结构如下：
[0110]
模型参数：(前面出现过的参数不再赘述)
[0111]ni 一辆车所能装载的，类型i的快件的最大数量
[0112]
x 车内的左右方向的宽度
[0113]
y 车内的内外方向的长度
[0114]wi 类型i的快件的长边长度
[0115]hi 类型i的快件的短边长度
[0116]
主问题的对偶问题的最优解
[0117]
决策变量：
[0118][0119]
[0120]
约束条件：
[0121]
1)放置方式有且仅有一种：
[0122][0123]
2)如果两个快件均被装载，则其左右、内外两个方向的位置关系至少有一种：
[0124][0125][0126]
3)车辆尺寸：
[0127][0128][0129]
4)如果两个快件均被装载，其坐标大小关系须满足左右、内外两个方向的位置关系：
[0130][0131][0132][0133]
5)获取各尺寸类型的快件装载数量：
[0134][0135]
6)有效不等式，最大装载面积(用加快子问题的求解速度)：
[0136][0137]
目标函数：
[0138]
最大程度违背主问题的对偶问题的约束条件。
[0139][0140]
在本实施例中，通过构建限制主问题、主问题对偶问题以及价格子问题，从而有效构建用于装车优化的预设列生成模型，保证列生成模型优化的准确性。
[0141]
如图6所示，在其中一个实施例中，步骤205包括：
[0142]
步骤601，获取初始装车方案对应的限制主问题优化结果。
[0143]
步骤603，根据限制主问题优化结果获取预设列生成模型中主问题对偶问题的最优解。
[0144]
步骤605，根据最优解，通过预设列生成模型中价格子问题生成装车备选方案。
[0145]
步骤607，根据装车备选方案获取二维装车方案，预设列生成模型用于根据初始装车方案生成装车备选方案，并从装车备选方案中查找使用车辆数最少的二维装车方案。
[0146]
具体地，在二维装车方案的求解过程中，首先依据初始装车方案，以及模型中的限制主问题，来进行初始优化，获取相应的优化结果，限制主问题优化结果主要用于优化备选方案的使用数量，即最小化装车过程所需要的车辆数(装车次数)。而后获取主问题对偶问
题的最优解，从而确定价格子问题的优化目标，从而通过价格子问题来不断生成新的装车备选方案。在得到新的装车备选方案后，子问题最优解小于等于0时，则将子问题所得到的装车备选方案作为初始装车方案，返回至获取初始装车方案对应的限制主问题优化结果的步骤进行循环处理。而如果价格子问题所得解不再能够违背主问题的对偶问题的约束条件时(即子问题最优解不小于0)，即认为能够优化主问题目标的潜在方案均已找到，故结束循环。在本实施例中，通过预设列生成模型对初始装车方案进行优化，可以在快件数量较多，需要的车辆总数难以确定时进行有效地装车优化，形成可用的装车方案，保证装车的有效性。
[0147]
在其中一个实施例中，步骤205之后，还包括：通过预设主启发式模型对二维装车方案进行优化，获取装车优化方案；反馈装车优化方案。
[0148]
具体地，当预设列生成模型中子问题所得解不再能够违背主问题的对偶问题的约束条件时(即子问题最优解不小于0)，即认为能够优化主问题目标的潜在方案均已找到，即可结束预设列生成模型的处理循环。由于列生成循环中的主问题为松弛问题，而未进行整数规划中的分支定界操作，因此生成新方案的循环可能为不完全生成。此时可以通过预设主启发式模型来进行处理，已进行最后的处理优化。预设主启发式模型的模型结构与限制主问题基本相同，其中区别为：决策变量由连续变量改为整数变量；同时所有方案的集合，由于列生成算法的运行而有所扩展。通过最终的主启发式模型优化，可以有效保证中所得到的装车优化方案的有用性，保证装车优化方案被有效实施。
[0149]
应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0150]
在一个实施例中，如图7所示，提供了一种二维装车优化装置，包括：
[0151]
数据获取模块702，用于获取待装车物品的尺寸信息。
[0152]
初始方案获取模块704，用于根据尺寸信息以及预设货运车辆信息，获取初始装车方案。
[0153]
方案优化模块706，用于通过预设列生成模型对初始装车方案进行优化，获取二维装车方案，预设列生成模型用于根据初始装车方案生成装车备选方案，并从装车备选方案中查找使用车辆数最少的二维装车方案。
[0154]
在其中一个实施例中，初始方案获取模块具体用于：根据待装车物品的尺寸信息确定待装车物品的尺寸类型；根据预设货运车辆信息，构建各尺寸类型的待装车物品对应的装车方案；根据各尺寸类型的待装车物品对应的装车方案，确定初始装车方案。
[0155]
在其中一个实施例中，初始方案获取模块还用于：获取待装车物品的尺寸信息；获取待装车物品之间尺寸信息的相似度；根据尺寸信息的相似度，对待装车物品进行分类；获取待装车物品对应的尺寸类型。
[0156]
在其中一个实施例中，还包括模型构建模块，用于：以最小化车辆使用数量为目标，构建预设列生成模型的限制主问题；根据限制主问题构建预设列生成模型的主问题对
偶问题；基于预设二维装车基本约束以及主问题对偶问题的约束，构建预设列生成模型的价格子问题；根据限制主问题、主问题对偶问题以及价格子问题构建预设列生成模型。
[0157]
在其中一个实施例中，模型构建模块还用于：根据预设二维装车基本约束构建价格子问题的约束条件，预设二维装车基本约束包括放置方式约束、方向位置关系约束、车辆尺寸约束、坐标位置关系约束、装载数量约束以及最大装载面积约束；以最大程度违背主问题对偶问题的约束构建价格子问题的目标函数；根据预设模型参数、预设决策变量、约束条件以及目标函数构建价格子问题。
[0158]
在其中一个实施例中，方案优化模块706具体用于：获取初始装车方案对应的限制主问题优化结果根据限制主问题优化结果获取预设列生成模型中主问题对偶问题的最优解；根据最优解，通过预设列生成模型中价格子问题生成装车备选方案；根据装车备选方案获取二维装车方案。
[0159]
在其中一个实施例中，还包括后处理模块，用于：通过预设主启发式模型对二维装车方案进行优化，获取装车优化方案；反馈装车优化方案。
[0160]
关于二维装车优化装置的具体限定可以参见上文中对于二维装车优化方法的限定，在此不再赘述。上述二维装车优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0161]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储信息推荐数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种二维装车优化方法。
[0162]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0163]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0164]
获取待装车物品的尺寸信息；
[0165]
根据尺寸信息以及预设货运车辆信息，获取初始装车方案；
[0166]
通过预设列生成模型对初始装车方案进行优化，获取二维装车方案，预设列生成模型用于根据初始装车方案生成装车备选方案，并从装车备选方案中查找使用车辆数最少的二维装车方案。
[0167]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据待装车物品的尺寸信息确定待装车物品的尺寸类型；根据预设货运车辆信息，构建各尺寸类型的待装车物品对应的装车方案；根据各尺寸类型的待装车物品对应的装车方案，确定初始装车方案。
[0168]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取待装车物品的
尺寸信息；获取待装车物品之间尺寸信息的相似度；根据尺寸信息的相似度，对待装车物品进行分类；获取待装车物品对应的尺寸类型。
[0169]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：以最小化车辆使用数量为目标，构建预设列生成模型的限制主问题；根据限制主问题构建预设列生成模型的主问题对偶问题；基于预设二维装车基本约束以及主问题对偶问题的约束，构建预设列生成模型的价格子问题；根据限制主问题、主问题对偶问题以及价格子问题构建预设列生成模型。
[0170]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预设二维装车基本约束构建价格子问题的约束条件，预设二维装车基本约束包括放置方式约束、方向位置关系约束、车辆尺寸约束、坐标位置关系约束、装载数量约束以及最大装载面积约束；以最大程度违背主问题对偶问题的约束构建价格子问题的目标函数；根据预设模型参数、预设决策变量、约束条件以及目标函数构建价格子问题。
[0171]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取初始装车方案对应的限制主问题优化结果；根据限制主问题优化结果获取预设列生成模型中主问题对偶问题的最优解；根据最优解，通过预设列生成模型中价格子问题生成装车备选方案；根据装车备选方案获取二维装车方案。
[0172]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过预设主启发式模型对二维装车方案进行优化，获取装车优化方案；反馈装车优化方案。
[0173]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0174]
获取待装车物品的尺寸信息；
[0175]
根据尺寸信息以及预设货运车辆信息，获取初始装车方案；
[0176]
通过预设列生成模型对初始装车方案进行优化，获取二维装车方案，预设列生成模型用于根据初始装车方案生成装车备选方案，并从装车备选方案中查找使用车辆数最少的二维装车方案。
[0177]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据待装车物品的尺寸信息确定待装车物品的尺寸类型；根据预设货运车辆信息，构建各尺寸类型的待装车物品对应的装车方案；根据各尺寸类型的待装车物品对应的装车方案，确定初始装车方案。
[0178]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取待装车物品的尺寸信息；获取待装车物品之间尺寸信息的相似度；根据尺寸信息的相似度，对待装车物品进行分类；获取待装车物品对应的尺寸类型。
[0179]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：以最小化车辆使用数量为目标，构建预设列生成模型的限制主问题；根据限制主问题构建预设列生成模型的主问题对偶问题；基于预设二维装车基本约束以及主问题对偶问题的约束，构建预设列生成模型的价格子问题；根据限制主问题、主问题对偶问题以及价格子问题构建预设列生成模型。
[0180]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预设二维装车基本约束构建价格子问题的约束条件，预设二维装车基本约束包括放置方式约束、方向
位置关系约束、车辆尺寸约束、坐标位置关系约束、装载数量约束以及最大装载面积约束；以最大程度违背主问题对偶问题的约束构建价格子问题的目标函数；根据预设模型参数、预设决策变量、约束条件以及目标函数构建价格子问题。
[0181]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取初始装车方案对应的限制主问题优化结果；根据限制主问题优化结果获取预设列生成模型中主问题对偶问题的最优解；根据最优解，通过预设列生成模型中价格子问题生成装车备选方案；根据装车备选方案获取二维装车方案。
[0182]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过预设主启发式模型对二维装车方案进行优化，获取装车优化方案；反馈装车优化方案。
[0183]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-onlymemory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(randomaccessmemory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(staticrandomaccessmemory，sram)或动态随机存取存储器(dynamicrandomaccessmemory，dram)等。
[0184]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0185]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。