自动成图，在人工智能领域简单来说就是通过各种AI算法生成图片。常用的应用领域在图片恢复、自动拼凑图片等各种领域。我们这里要谈论的是在传统零售行业，如何通过自动成图这种技术方式，显著降低门店成列管理成本，实现强总部管理的目标。
为什么要自动成图给门店制图呢，这又是整个门店管理领域领域的一个痛点。首先就陈列来说，优秀的门店陈列可以激发个人的购买欲望。
上面的超市成列就是反例，就我个人而言不会有任何意愿去这种货架翻找商品。但是货架成列的好快，对于超市来说缺不是那么好实现的。 在传统意义上，管理货架陈列的管理有两种模式。一种就是强门店管理，由门店店长安排店内的理货员布置和管理货架。一种是强总部管理，也就是由总部完成门店的成列制图，再由门店理货员按照成列图来布置门店。 强门店管理的好处是总部不需要组件成列部门，降低运营成本。坏处主要有两个方面，第一个方面是门店的成列好坏基本就看店长的个人能力。第二个方面是，陈列位对于超市来说是一个核心资源，店长可以利用自己对陈列的控制变相获得灰色收入，损害企业的利益。 强总部管理则能够避免强门店管理的问题，同时由于对超市资源位的统一管理，商超集团能够通过售卖资源位获取更多的利润。。但是强总部管理需要企业建立陈列部门，如果需要管理的门店数众多，这部分对于企业来说是沉重的成本。比如如果一个商超集团下辖200家大超市，每个超市有1000个货架，每个货架平均1年要跟换4次陈列。那么商超集团一年需要制作80万张成列图。以每张成列图成本100计算，那么最坏情况集团需要8000万的制图成本。如果超市货架样式趋同，通过复用的方式将制图成本降低到1/8也就是1000万。这样的管理开销对于商超来说也是一个巨大的成本。 自动成图的目标就是通过计算机完成快速的成列制图工作，压缩制图成本，降低门店成列的强总部模式下的企业运营成本。
人工制作成列图已经有很多年的历史，但是通过计算机实现AI制图是最近这些年才开始逐步成熟的技术，在实现过程中主要的难点在于用计算机制作符合人类美感的图片。该自动成图的核心逻辑就是通过遗传算法叠加成列基础原则，制作符合陈列原则和人类美感的陈列图。
整个成列制图的技术路线中，有几个难点需要解决。第一个难点就是如何合理的进行商品评估和货架商品的预分配。
DEA的最优解一般是出现在可行解决的边缘，通过计算DEA的"包络"就可找到DEA有效参数。
在求的DEA最优解以后，就开始了货架分配。
确定货架上的商品分配以后，就是算法最重要的自动成图流程。
自动成图主要采用遗传算法来求次优解。其实求解的方式有很多，比如贪心算法、线性规划、整数规划、遗传算法等。我们采用遗传算法的主要原因是因为遗传算法运行结果要好于贪心算法，但是运行开销要比线性规划低。作为成列图，次优解就能够解决制图问题，最优解和次优解的差别不大。
MP-BRKGA迭代是一个很有意思的算法，能够较传统算法更快速的找到次优解。
在算法迭代中装箱和分箱算法保障商品能够正确的放在货架上，不至于制图完成后实际无法陈列。
完成分箱操作后，接下来是装箱操作。
在完成整个循环后，通过评分体系对最终陈列效果打分。再通过遗传算法多次迭代，最终找到符合要求的次优解。
自后这部分是我们做的自动成图的效果展示，基本能够实现用计算机代替人工的目标
