Dec, 2023

多维装箱问题的机器学习：文献综述与实证评估

PDF
TL;DR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。
bin packing problemcombinatorial optimizationmachine learningmulti-dimensional bppcutting stock dataset
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 现实世界三维装箱问题的基准数据集和实例生成器

    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

  • 制造业中基于数据驱动的列生成算法解决装箱问题

    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

  • 彩色装箱问题的快速邻域搜索启发式算法

    通过改进 BPP 启发式算法以及提出新的 CBPP 启发式算法，并结合基于变量邻域搜索 (VNS) 和数学启发式方法的邻域搜索算法，我们的研究表明，我们的数学启发式方法优于 VNS，两种方法都可以在大量实例中找到近乎最优的解，甚至对于具有许多物品的实例也是如此。

    Oct, 2023

  • 整数规划切割平面的机器学习：一项调查

    本论文调查了机器学习在选择混合整数线性规划中剪切平面的技术上的应用，通过使用数据来确定有希望的剪辑以加速 MILP 实例的解决方案，并分析文献中的实证结果以量化已经取得的进展，并建议未来的研究方向。

    Feb, 2023