基于遗传算法的Bin包装的实际应用

Question

我正在研究用于解决装箱问题的遗传算法。我现在可以理解这个过程，但由于最终输出是针对一个项目列表的一组解决方案，我无法弄清楚为什么当一个解决方案足够时我们需要一组项目列表的解决方案？ GA解决方案比传统方法更好的应用是什么？

如果有人能够引用我的任何学术/非学术链接来解释使用遗传算法进行装箱包装的一些实际应用，那将会很棒。我已经访问了维基百科上GA应用程序列表的链接，但它并不专门用于bin打包。

Answer 1

<强>背景

bin打包的经典版本是一个很好理解的问题，使用诸如使用列生成的整数编程之类的方法可以将相对较大的实例有效地解决到最优性或接近最优性。

然而，这些模型对于解决具有复杂约束或目标的箱式包装的特殊情况（例如，具有冲突或利润的箱式包装，多维箱式包装，具有易碎物体的箱式包装，具有负载平衡的箱式包装）可能不那么有效等等。）。

在你的情况下

你不需要一套解决方案，只是遗传算法（GA）的设计方式，一旦你停止，你最终得到一套解决方案（你当前的人口）它的执行。您只需选择最好的解决方案。

GAs优于传统的装箱方法的一个优点是它能够有效地解决复杂约束的问题。例如，这是一篇使用GA来解决three dimensional single container arbitrary sized rectangular prismatic bin packing optimization problem的论文（并不是说得满口！）。虽然经典方法通常对凸问题（如传统的bin填充）非常有效，但一旦添加非凸约束，它们就变得难以解决。对于这些问题，其他方法，如GA（以及其他方法）往往做得很好。