基于遺傳算法和優先隊列的電纜智能配貨系統研究

摘要：電纜行業中，需要根據客戶指定的規格型號、長度和分段需求等選擇合適的庫存，這一過程稱為電纜配貨。配貨方案的選擇需要綜合考慮揀貨、分割和發貨等各方面的效益，面對包含分段需求的訂單以及大規模庫存，人工配貨效率低下，且易產生零頭線、異地發貨和庫存積壓等問題。為解決上述問題，本文在總結配貨業務員經驗的基礎上，開發了一個基于遺傳算法的電纜智能配貨系統，該系統使用 Python 語言實現，允許業務員按需調整遺傳算法的價值函數，并使用優先隊列維護搜索結果，最終提供多種配貨方案供業務員比較和選擇。

關鍵詞： 遺傳算法; 堆排序; 多目標優化; 電纜; 智能配貨

中圖分類號：TP319" "文獻標識碼：A

文章編號：1009-3044（2025）07-0113-03

開放科學（資源服務） 標識碼（OSID）

0 引言

電纜是國民經濟的關鍵基礎產業，其產品廣泛應用于交通、通信、電力、建筑、軍工等領域，據統計，線纜行業的國內年銷售總收入可達萬億元人民幣[1]。電纜配貨是指根據客戶需求選擇庫存的過程，對優化庫存、降低成本和提高訂單響應能力等至關重要。隨著電纜市場規模不斷擴大，產品種類日益豐富，電纜配貨任務也迎來了新挑戰。面對龐大的庫存規模和復雜的客戶分段需求，傳統的人工配貨方式效率低下，且易產生零頭線、異地發貨和庫存積壓等問題，難以滿足企業日益增長的生產經營管理需求。針對上述問題，本文提出一種基于遺傳算法的電纜智能配貨系統，該系統使用 Python 語言實現，綜合考慮庫存電纜的長度、規格型號、庫齡和所在倉庫等因素，并根據自定義的權重系數計算每種配貨方案的價值函數。同時，系統利用優先隊列維護備選方案集合，簡化特殊情況下的算法邏輯，為業務員快速選擇合適的配貨方案提供參考。基于某大型線纜企業真實數據的用戶調研結果表明，該系統具有良好的易用性和有效性。

1 研究現狀

信息技術的飛速發展給傳統制造業帶來了新的發展機遇。近年來，線纜行業的數字化和智能化轉型備受關注。例如，王發麟[2]等設計了基于距離場和掃略剪除算法的線纜碰撞檢測方法；吳保勝[3]等基于改進蟻群算法研究了線纜的路徑規劃；肖飚[4]討論了粒子群算法在曲線擬合、方程求解和最優化等線纜行業常見問題中的實際應用；吉咸陽[5]等針對線纜表面缺陷人工檢測效率低、漏檢率高的問題提出基于機器視覺實現在線高速檢測；林劍[6]等針對線纜生產調度優化問題提出一種離散Jaya算法，基于單列編碼方式和左移編碼策略實現最大完工時間最小化；肖雪[7]等給出了基于機器視覺實現智能排線檢測的綜合性解決方案等。然而，現有研究主要集中在線纜設計、生產和檢測等環節，針對電纜配貨自動化的研究尚處于起步階段。目前，業內仍然普遍采用傳統的人工配貨方式，受業務員數據檢索和處理能力的限制，配貨已經成為電纜銷售和庫存優化管理的關鍵瓶頸環節之一，電纜企業對提高配貨效率和優化配貨方案有著較為強烈的實際需求，開發智能配貨系統具有重要的現實意義。

2 相關工作

2.1 遺傳算法

遺傳算法是一種基于種群進行搜索的元啟發式算法[8]，早在21世紀初，遺傳算法在設施布局，生產調度和庫存管理等生產經營管理活動中就已經有著十分廣泛的應用[9]。遺傳算法具有良好的全局搜索能力[8]，因而適用于多目標優化問題的求解[10]。算法通過模擬自然選擇和遺傳機制，從初始種群中迭代進化出適應度更好的解。在每一代中，算法根據適應度函數評估個體優劣，并通過選擇、交叉和變異等操作產生新的種群。算法重復上述過程，直至滿足終止條件[11]。本文采用 Python 的 geneticAlgorithm2 模塊實現遺傳算法，以搜索兼顧多方面效益的最優電纜配貨方案集合。

2.2 優先隊列

優先隊列是一種常用的數據結構，允許按優先級訪問元素，優先級最高或最低的元素總是最先出隊。優先隊列通常使用二叉堆實現，插入和刪除操作的時間復雜度均為 O（logK），其中 K 為隊列中元素的數量。在查找長度為 N 的列表中最大或最小的 K 個元素時，使用優先隊列的時間復雜度為 O（NlogK），而直接排序的時間復雜度為 O（NlogN）。當 K 遠小于 N 時，優先隊列的效率更高。本文采用Python的heapq庫實現優先隊列，用于維護遺傳算法搜索到的最優配貨方案集合。

3 本文方法

3.1 數據來源及問題定義

本文使用某大型線纜企業的真實電纜庫存和銷售訂單數據進行系統實現和評估。數據集包含約 3.7 萬條庫存數據和一定數量的銷售訂單數據。庫存數據包含電纜的長度、規格型號、制造日期和所在倉庫等屬性，銷售訂單數據包含客戶所需電纜的規格型號、長度和分段需求等信息。同一訂單中所有分段的規格型號均相同，每個分段可以使用不同的庫存電纜進行切割配貨，但每個分段只能使用一根電纜，不允許拼接。

3.2 需求分析

本文對某大型線纜企業的 4 位資深配貨業務員進行了為期兩個月的調研，通過總結業務員配貨經驗和分析典型案例，確定了對電纜配貨方案的基本需求。

1） 減少零頭線產生以提高庫存管理效率，即售賣后配貨方案中所有電纜的剩余米數盡量不應在業務員定義的零頭線區間范圍內（如5～30m） 。

2） 存在分段需求時，盡量保證方案內所有電纜所在倉庫一致，避免異地發貨。

3） 如果存在售賣后剩余米數恰好小于零頭線長度區間下限（如5m） 的庫存電纜，則優先選擇以減少切割次數。

4） 存在分段需求時，各分段盡量使用同一根庫存電纜，降低倉庫揀貨難度。

5） 盡量使用短米數庫存進行切割，保留長米數庫存，避免長米數訂單缺貨。

6） 盡量使用制造日期較早的庫存，避免長庫齡庫存積壓。

配貨系統應根據上述需求，在合理的時間內計算并推薦多種備選方案供業務員選擇。

3.3 系統實現

根據需求分析，電纜切割配貨可以建模為一個帶約束的多目標優化問題。基于上述討論，本文采用遺傳算法搜索最優配貨方案，并使用優先隊列維護搜索結果。系統總體流程如圖 1 所示。

系統首先根據用戶輸入的銷售訂單信息，從數據庫中篩選規格型號匹配且符合長度要求的庫存電纜作為算法輸入。

對于不含分段需求的訂單，系統根據長度和制造日期對庫存電纜進行優先級排序，并使用優先隊列選取最優方案。若切割后會產生零頭線則優先級最低（需求1） ，若恰好匹配則優先級最高（需求3） ，其余電纜的優先級按長度從小到大依次降低（需求5） 。對于長度相同的電纜，制造日期越早則優先級越高（需求6） 。

對于包含分段需求的訂單，由于需求復雜，很難直接為方案定義排序規則。為此，系統定義了一個價值函數來評估方案的優劣，該價值函數綜合考慮了倉庫數量、電纜數量、制造日期和長度等因素。對于配貨方案X，其價值函數為Fitness（X） = F倉庫數量 + F電纜數量 + F制造日期 + F長度，價值函數越小，對應配貨方案的優先級越高。具體地，F倉庫數量 = α倉庫數量 * （倉庫數量 – 1），α倉庫數量為大于0的權重系數。當方案內所有電纜均位于同一倉庫時，該項為0，倉庫數量越多，該項越大（需求2） 。類似地，F電纜數量 = α電纜數量 * （電纜數量 – 1），當所有分段需求均使用同一根電纜時，該項為0，使用電纜數量越多，該項越大（需求4） ；F制造日期 = -α制造日期 * （平均庫齡），算法根據制造日期計算方案內電纜的平均庫齡天數，平均庫齡越小，該項越大（需求6） 。由于涉及多項需求（需求1，3，5） ，F長度的定義較為復雜，算法首先計算方案內所有電纜在切割配貨后的剩余米數L。對于每一根庫存i，有F長度i" = αi * g（Li），若Li lt;0，說明該庫存長度不足，方案無法滿足配貨需求，因此αi被設置為極大的正值，g（Li） = abs （Li），對應遺傳算法的搜索懲罰。類似地，可定義零頭線，恰好匹配和一般情況下的價值函數。F長度為方案內所有庫存i對應的F長度i之和。業務員可根據實際情況在一定范圍內調整各項的權重系數，使算法生成的配貨方案更符合自身偏好。

為了提高算法效率，當存在分段需求時，系統根據可行方案的數量選擇不同的策略。算法首先統計每個分段的可用的庫存數量，再將其相乘以確定搜索空間大小，當可行方案數較少時，系統直接使用優先隊列基于價值函數對所有方案排序；當可行方案數較多時，系統難以在合理的時間內完成所有方案的計算和比較，因此選擇遺傳算法進行啟發式搜索。具體地，對于包含m個分段需求的訂單，算法將所有庫存按數量從小到大排序后生成初始種群，種群中的個體均為長度為m的列表，列表中的每個元素代表該分段在方案中對應庫存的索引。算法每次計算價值函數時也會同時維護優先隊列和對應集合，確保所得方案在搜索范圍內最優且互不重復。最后，系統將搜索到的方案以表格形式展示以供用戶選擇。

4 用戶反饋

本文邀請 10 位電纜配貨業務員對系統進行測試并提供了反饋。測試結果表明，與人工配貨方式相比，該系統能夠有效提高配貨效率。用戶普遍認為，系統的價值函數設計合理，可以靈活調整權重系數以滿足不同的需求。此外，系統生成的配貨方案基本符合預期，具有較高的參考價值。

然而，部分用戶反饋，當訂單分段數量較多時，系統的響應時間較長，且生成的方案與人工經驗存在一定差距。未來將針對這一問題，進一步優化算法效率，并改進搜索策略以避免搜索空間較大時算法陷入局部最優解。

5 結束語

針對傳統人工電纜配貨方式存在的效率低下、方案不合理等問題，本文提出了一種基于遺傳算法的電纜智能配貨系統，并使用 Python 語言進行實現。該系統采用自定義的價值函數評估方案優劣，并利用遺傳算法搜索兼顧多方面效益的最優解。同時，系統使用優先隊列維護備選方案，簡化了特殊情況下的算法邏輯，并允許用戶根據自身需求調整價值函數的權重系數，以生成更加個性化的配貨方案。基于某大型電纜企業真實數據的測試結果表明，該系統具有良好的易用性和有效性，可以有效提高電纜配貨效率，算法推薦的方案對業務員優化庫存管理和提高客戶滿意度具有較高的參考價值。

參考文獻：

[1] 電線電纜市場發展分析[J].電器工業，2020（12）：39-47.

[2] 王發麟，郭宇，廖文和，等.基于距離場和掃掠剪除算法的線纜碰撞檢測技術[J].計算機工程與應用，2017，53（10）：27-34，42.

[3] 吳保勝，郭宇，王發麟，等.基于改進蟻群算法的線纜路徑規劃技術研究[J].計算機工程與應用，2018，54（10）：236-241.

[4] 肖飚.粒子群算法及其在線纜行業中的應用[J].電線電纜，2019（6）：1-6.

[5] 吉咸陽，徐寧，楊庚，等.光纜表面缺陷視覺在線高速檢測算法研究[J].高技術通訊，2019，29（8）：808-815.

[6] 林劍，李揚遠，陳蒙蒙，等.基于離散Jaya算法的線纜生產調度方法[J].計算機集成制造系統，2023，29（12）：4206-4214.

[7] 肖雪，高莎，黃麟，等.基于機器視覺實現智能排線檢測的創新應用研究[J].中國儀器儀表，2024（3）：52-58.

[8] KATOCH S，CHAUHAN S S，KUMAR V.A review on genetic algorithm：past，present，and future[J].Multimedia Tools and Applications，2021，80（5）：8091-8126.

[9] CHAUDHRY S S，LUO W.Application of genetic algorithms in production and operations management：a review[J].International Journal of Production Research，2005，43（19）：4083-4101.

[10] DEB K.Multi-objective genetic algorithms：problem difficulties and construction of test problems[J].Evolutionary Computation，1999，7（3）：205-230.

[11] ALHIJAWI B，AWAJAN A.Genetic algorithms：theory，genetic operators，solutions，and applications[J].Evolutionary Intelligence，2024，17（3）：1245-1256.

【通聯編輯：梁書】