货位优化是用来确定每一品规的恰当储存方式，在恰当的储存方式下的空间储位分配。货位优化追求不同设备和货架类型特征、货品分组、货位规划、人工成本内置等因素以实现最佳的货位布局，能有效掌握商品变化，将成本节约最大化。当前行业使用的货位优化方法众多，遗传算法就是其中较为常用的一种。本文小编就为大家介绍一下货位优化遗传算法，希望对大家有所帮助。

一、货位优化遗传算法的原理

遗传算法是模拟生物的遗传、变异、选择、进化来对问题的解进行优化，可以理解为将一组初始解看成是“基因”，在求解的开始设置一个过滤器，对“基因”进行筛选，通过如果目前生成的“基因”暂不满足上述条件，那么“基因”就要开始“变异”，在迭代过程中通过产生的随机数，对“基因”进行更改，达到“变异”的目的，也就是”遗传“给了下一代。而因为变异的随机性，计算机能够相当大的范围内对问题的解进行搜索，直至随着迭代的代数继续增加而解几乎不再变化为止。这时，我们可以说，我们的得到了进化后的最优解。

遗传算法是智能优化方法中应用最广泛且最成功的算法，它是基于达尔文的物竞天择、优胜劣汰、适者生存的进化论原理而发展起来的一种高效的搜索方法，近年来在组合优化问题上得到了广泛应用。

二、货位优化遗传算法的求解流程

1)随机生成一定个体数量的初始种群,对个体进行染色体的基因编码;

2)定义恰当的适应度函数,并计算个体的适应度;

3)判断是否符合优化准则,若符合,输出最佳个体及代表的最优解，结束计算;否则转向步骤3;

4)依据适应度大小选择个体,适应度高的个体.被选择的概率高，适应度低的个体被淘汰;

5)按照预先设定的交叉概率进行交叉运算,生成新个体;

6)按照预先设定的变异概率进行变异运算,生成新个体;

7)返回步骤2,重新计算。

遗传算法的优化准则,可以采用以下的准则之作为判断条件:群体中个体的最大适应度超过预先给定值；群体中个体的平均适应度超过预先给定值；遗传代数超过预先给定值。

以上是小编目前搜集到的关于“货位优化遗传算法”的相关只是，希望对您有所帮助。

声明：本文内容部分来源于网络，图片来源于摄图网，版权归原作者所有，经本平台整理和编辑，仅供交流、学习和参考，不做商用，转载请联系授权。若有来源标注存在错误或侵犯到您的权益，烦请告知，本平台将于第一时间整改处理。