使用深度强化学习方法解决新的 3D 装箱问题
利用被约束的深度强化学习,将 3D 装箱问题建模成约束的马尔科夫决策过程,使用可行性预测器来有效地预测可行的放置动作的概率,并且在训练过程中使用它来调节演员输出的行动概率,以便于在在线 3D 装箱问题中优化物品的放置并避免碰撞和翻转,本研究的方法在人类实验中获得了和人类相似的性能表现。
Jun, 2020
本文提出了一种基于强化学习框架的三维装箱问题(3D-BPP)解决方案,其中引入了一个缓冲区以允许多物品动作选择,并提出了一种采用容器物品对称性的数据增强策略,采用类似于 AlphaGo 的模型 RL 方法进行实现,用单线程和 GPU 训练该框架,得出了在空间利用率方面优于现有成果的解决方案。
Aug, 2022
在线 3D 装箱问题(3D-BPP)的有效政策设计一直是一个长期的挑战,本文提出了可调整鲁棒性强化学习(AR2L)框架,通过调整鲁棒性权重实现策略在平均情况和最坏情况下的平衡,以提升策略的鲁棒性同时保持较高的性能水平。
Oct, 2023
本文首次对机器学习相关的装箱问题(BPP)方法进行了系统回顾,介绍了 BPP 的变体和实际限制,并对多维 BPP 进行了全面调研。同时,我们收集了一些 3D BPP 的公共基准,并在 Cutting Stock 数据集上评估了一些在线方法。最后,我们分享了在装箱问题中存在的挑战和未来方向。
Dec, 2023
提出一种考虑了真实世界中各种限制条件(如包裹箱尺寸,超重限制,不同类别物品的亲和性以及物品排列偏好)的混合量子经典框架(Q4RealBPP)用于解决三维装箱问题,可广泛应用于工业与物流领域。
Mar, 2023
本文利用 Q4RealBPP 解决了实际问题中的装箱问题,包括异构容器、一维和二维问题实例的扩展以及物品 - 容器关联要求和配送优先级的特性测试。
Aug, 2023
利用深度学习方法构建自适应系统,通过大量训练数据、自动特征选择和快速准确的标记,选择最佳的启发式算法以生成高质量的装箱方案,从而克服了传统人工智能机器学习方法的限制。
Feb, 2017
本文提出了一种利用历史数据解决运输中的装箱问题的方法,通过将问题转化为集合覆盖问题,并应用约束处理和流程加速策略来解决该问题,最终得出可以提高装箱成功率并同时减少计算时间的最优解决方案。
Feb, 2022
本论文提出了一个适用于自动化仓储的物品打包问题的解决方案,并通过构造约束条件的打包流程及新的 3D 定位启发式算法 Heightmap-Minimization heuristic 实现了稳定的高质量三维装箱。
Dec, 2018
本文提出了用于现实世界装箱问题的基准测试集,包含了 12 个具有不同大小和用户定义要求的问题实例,还提供了一个名为 Q4RealBPP-DataGen 的 Python 脚本,用于数据集生成。该测试集旨在评估量子计算机的性能,并为构建通用基准测试集提供了数据,可作为量子计算研究的基准,鼓励研究人员在现实世界的装箱问题上开展工作。
Apr, 2023