多品订单组车任务优化计算

多品订单组车任务优化计算问题分析假如我们有数据:Java代码1.Order1:[Sku1:2件Sku2:1件]2.Order2:[Sku2:2件Sku3:1件,Sku4:1件]3.Order3:[Sku2:1件Sku4:2件,Sku5:1件]我们假设现场有两个分拣线，那么要分成两组，那么我们该把Order1和Order2合并为一个Group呢还是Order2和Order3合并？那么合并的依据是什么？我们怎么评价这个合并的方式比其他方式较优？我们假设从采购车上来货的时候，单品相商品在分捡过程中的数目对分拣复杂度不产生影响，那么其实我们把每个Order看成一个SetJava代码1.Order1==>Set:[Sku1,Sku2]2.Order2==>Set:[Sku2,Sku3,Sku4]3.Order3==>Set:[Sku2,Sku4,Sku5]那么问题就转变成，如何为对已知的有一个个的Set进行分组聚合。对这个分组聚合我们又分为两个子问题：1.如何衡量两个Set之间的相似度。我们假设以函数Similarity(x,y)表示两个集合的相似度。比如有以下4组集合Java代码1.X={1,2,3};Y={1,2,3,4};A={1,2};B={1,2,3};我们从感性上会认为Similarity(X,Y)>Similarity(A,B);那么比如以下4组集合Java代码1.X={1,2,3};Y={1,2,3,4},A={1,2,3,5},B={1,2,3,4}我们感性上认为Similarity(X,Y)>Similarity(A,B)2.知道相似度算法后，我们如何根据相似度进行聚合。前一个问题涉及的是相似度算法，后一个问题涉及到的是聚合算法。站7、、上十h-k比数学建模1.相似度算法建模这里经典的有两种算法Jaccardsimilarity我们假设两个集合X和Y,这两个集合的相似度在不考虑加权的情况下只和如下两个因素相关A,B的交集：AQBA,B的并集：AUBJaccardsimilarity=AnB|/|AUB|,意思就是A,B交集中的元素个数与A,B并集中个数的比值。vectorspacesimilarity我们假设两个集合A和B,这两个集合的相似度在不考虑加权的情况下只和如下三个因素相关A,B的交集：AnBA与B的差集：A-BB与A的差集：B-AJava代码1.({x|xWA，且xB}叫做A与B的差集)我们假设x=AnB元素数，y=A-B元素数，z=B-A元素数

vectorsimilarity=x/sqrt(x*x+y*y+z*z).从空间向量上看就是，有点的坐标是(x,y,z),去度量该向量与x轴的余弦值。所以这个算法又得名空间向量相似度算法。PS:通过这个我们可以类推下如果一个计算结果和n个因素相关，而这n个因素互相独立又互相关联，我们可以认为第x个因素在整个度量体系中算占的权重就是在N维空间里面的向量与第X维夹角的余弦值。2.聚合算法建模假设我们现在A-->R18个元素落在了一个二维平面上。我们要求把他们分成三个组；1.随机选择N个元素作为特征种子元素这里我们假设选择到了J,L,O这三个元素作为特征种子2.根据特征种子分划子集遍历集合中除种子以为的元素，计算当前元素与选择的三个种子的距离。找到与当前节点距离最短的种子，然后我们把当前元素划归到这个种子元素所在的子集合，

经过一轮的遍历和计算，我们划出第一轮分组可以如下表示：

3.为每个子集寻找特征种子他的做法是在每个子集内部，计算每个元素到子集内其他元素的距离总和，然后我们可以找到这样一个元素，以它为原点，到其所在子集其他节点的距离最短；e0H0丿0丿从这里我们可以看到E，C，O目测应该是新的特征种子。然后我们重复第二步到第三步的循环。收敛判定：这里我们可以看到我们从第二次划分子集开始，就开始进行了循环，那这里有个问题：我们如何判断我们应该结束循环返回结果了？这里有两个方案:1.暴力指定循环次数2.总种子距离比值比较我们在子集中寻找种子的时候，记录下每个子集中种子到其他元素的距离和，上图中，我们这个数值就是（E分别到A，