PulseAugur
中
实时 06:15:12
English(EN) One4Many-StablePacker: An Efficient Deep Reinforcement Learning Framework for the 3D Bin Packing Problem

新AI框架以稳定性约束解决三维装箱问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为One4Many-StablePacker (O4M-SP) 的新颖深度强化学习框架，以解决三维装箱问题 (3D-BPP) 的复杂性。该框架旨在在单一训练过程中处理不同的箱子尺寸，并纳入实际的稳定性约束，如支撑和重量考虑。O4M-SP 使用加权奖励函数，该函数平衡了装载率和一个新的高度差指标，以鼓励更有效的装箱，并结合策略漂移方法来防止次优解。实验表明，O4M-SP 在具有稳定性要求的装箱场景中表现出强大的泛化能力，并显著优于现有的基线方法。 AI

影响 该框架可以通过优化装箱策略来提高物流和仓储的效率和稳定性。

排序理由 该条目是一篇学术论文，详细介绍了一个针对特定问题的新型深度强化学习框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新AI框架以稳定性约束解决三维装箱问题

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Lei Gao, Shihong Huang, Shengjie Wang, Hong Ma, Feng Zhang, Hengda Bao, Qichang Chen, Weihua Zhou ·

    One4Many-StablePacker：一种高效的3D装箱问题深度强化学习框架

    arXiv:2510.10057v2 Announce Type: replace Abstract: The three-dimensional bin packing problem (3D-BPP) is widely applied in logistics and warehousing. Existing learning-based approaches often neglect practical stability-related constraints and exhibit limitations in generalizing …

相关实体

相关话题