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

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

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

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

通过开发一种量子 - 经典混合求解器 Q4RPD 解决实际案例，并结合 D-Wave 的 Leap Constrained Quadratic Model Hybrid Solver，本研究关注量子计算与路由问题的结合。通过六个不同案例的实验来展示 Q4RPD 的应用，以提供说明性示例。

Mar, 2024

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

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

本研究基于现代投资组合理论原则，利用实际的金融数据统计生成参数化的投资组合优化问题样本，将问题转换成可由模拟模拟模拟模拟模拟的二次二进制优化问题，研究了多种运行量子计算的方式，最终发现采用 “贪心局部搜索 + 反向退火” 方案的时间效率最优，比正向量子退火平均快 100 倍以上。

Oct, 2018