Feb, 2022

制造业中基于数据驱动的列生成算法解决装箱问题

PDF
TL;DR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。
bin packing problemset cover problemcolumn generation approachconstraint handling strategyhistorical data
发现论文，激发创造
  • 小箱子大数据：优化可变尺寸装箱的深度学习方法

    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

  • 通过混合的量子 - 经典方法解决物流导向的装箱问题

    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

  • 机器学习增强的蚁群算法在列生成中的应用

    机器学习增强蚁群算法（MLACO）是一种用于列生成（CG）的有效方法，通过训练机器学习模型来预测子问题的最优解，并将该预测融入蚁群算法的概率模型中，以生成多个高质量的列。在解决冲突的装箱问题上，实验证明 MLACO 方法显著改善了 CG 的性能，并且当将该方法与分支定价法相结合时，能大幅缩短求解时间。

    Apr, 2024

  • 使用深度强化学习方法解决新的 3D 装箱问题

    本文提出一种新型三维装箱问题，利用深度强化学习算法中的 Pointer Network 方法来优化装箱物品的序列，以期在不固定大小容器的场景下，通过最小化表面积来减少容器成本。数值结果显示该方法较启发式方法改进了约 5%。

    Aug, 2017

  • 多维装箱问题的机器学习：文献综述与实证评估

    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

  • 利用量子退火器解决现实世界垃圾桶装问题的混合方法

    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

  • QAL-BP: 增广拉格朗日量子方法用于装箱问题

    QAL-BP 是一种用于解决装箱问题的新型二次无约束二值优化（QUBO）方法，利用增广拉格朗日方法将装箱约束融入目标函数中，同时为启发式罚函数提供了分析估计，通过在实际量子退火设备上进行实验，结果表明量子计算在解决装箱问题上的潜力，特别是在可靠的量子技术逐渐成熟时。

    Sep, 2023

  • 基于约束的深度强化学习的在线三维装箱

    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

  • 在线 3D 装箱强化学习解决方案（附缓冲区）

    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

  • 一种基于神经列生成理论的二维装箱车辆路径问题的求解方法

    本研究论文通过整合注意力和循环机制的先进机器学习技术，提出了一种精确算法来解决具有二维装载约束和后进先出规则的车辆路径问题。该算法在各个问题实例中平均加速了 29.79%，并成功解决了标准测试环境中的一个开放问题，表明了机器学习模型的结合带来的显著改进。

    Jun, 2024