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

探讨了第一方云中的关键资源分配问题：将容器调度到机器中。提出了一个新的目标度量标准 - 置信区间下的已用容量 (UCaC)，并通过概率约束对 SBPP 进行了重新定义，使用生成方法对容器资源使用分布进行建模，提出了三种求解算法。

Jul, 2022

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

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

该论文介绍了基于虚拟力系统的群体算法以解决平衡循环垃圾桶装箱问题，并在多个基准测试中验证了该算法的有效性。

Jun, 2023