3、物流仓储与刀具磨损分类的优化与机器学习应用

物流仓储与刀具磨损分类的优化与机器学习应用

1. 物流仓储LIFO拓扑优化

在物流仓储领域，对于后进先出（LIFO）拓扑结构的优化是一个重要的研究方向。其收敛行为可以从计算性能和达到的最大最优性两个方面进行评估。

为了验证不同数据结构方法的性能，选取了一家饮料制造商的仓库配置快照进行分析。为提高性能，会预先计算存储中所有条带的适应度。在算法执行过程中，仅根据个体配置对指定了物品的条带重新计算适应度，这样可以快速计算整个存储的适应度得分。

当物品聚类且在存储中的分布迭代减少时，适应度函数在总体上的执行时间会减少。这种模式适用于稀疏和密集两种数据结构，但稀疏结构的计算时间比密集结构长10到20倍。

在绝对性能方面，数据结构的选择，特别是用于各种查找操作的字典或映射类型容器，会显著影响性能。不过在该算法中，使用的是标准Python语言的容器数据结构，性能提升是相对的。

在最优性方面，算法有时会陷入局部最大值。使用精英遗传算法时，可能会出现多代无改进，随后出现不稳定跳跃的情况，这对合适的停止准则提出了挑战。当前算法会保留最后n个适应度值，并检查是否有足够的变化δ，当变化低于阈值时停止算法。例如，当适应度得分在[-1,1]范围内时，检查最后20代的适应度得分，变化至少为0.01是比较合适的。

在遗传算法中，变异方法用于引入新的熵来扩展搜索空间，这称为探索；交叉方法则负责组合两个个体的最佳方面以实现改进，这称为利用。如果只有交叉方法而没有变异方法，算法可能会停留在局部极值；如果只有变异方法而没有交叉方法，算法将具有随机性。

数据结构的性质会影响探索效果。如果问题以单个稀疏向量表示，变异方法本身就能产生适当的探索率