简介

我们致力于持续推动3D装箱技术的发展。

以下是我们开发的功能：

• 在线装箱求解器 [1, 2, 3]。
• 具有前瞻性的在线装箱 [1]。
• 装箱稳定性解决方案 [2]。
• 连续域装箱 [2]。
• 自定义约束装箱 [2]。
• 带缓冲区的在线装箱 [3]。
• 不规则形状装箱 [3]。
• 考虑物理约束的装箱 [3]。
• 用于渲染、装箱形状处理和模拟场景的基本工具 [4]。

如果你对3D装箱感兴趣，我强烈建议你看看。欢迎提出各种问题和潜在的合作！

基于装箱配置树学习高效在线3D装箱

我们提出通过在分层装箱配置树上学习来增强在线3D装箱问题（BPP）的实际应用性，这使得深度强化学习（DRL）模型易于处理实际约束，即使在连续解空间中也能表现良好。 与我们之前的工作相比，本仓库的优势包括：

• 容器（箱子）尺寸和物品尺寸可以任意设置。
• 允许连续在线3D-BPP，并提供了连续环境。
• 提供了近似稳定性的算法（参见我们的其他工作）。
• 性能更好，能够考虑更复杂的约束。
• 为领域开发提供更充分的启发式基准。
• 训练更加稳定。

观看视频演示请访问以下链接：YouTube，哔哩哔哩

如果您感兴趣，请为这个仓库点星！

论文

更多详细信息，请参阅我们的论文《基于装箱配置树学习高效在线3D装箱》，该论文已被ICLR 2022接收。如果这段代码对您的工作有用，请引用我们的论文：

@inproceedings{
zhao2022learning,
title={Learning Efficient Online 3D Bin Packing on Packing Configuration Trees},
author={Hang Zhao and Yang Yu and Kai Xu},
booktitle={国际学习表示会议},
year={2022},
url={https://openreview.net/forum?id=bfuGjlCwAq}
}

依赖项

• NumPy
• gym
• Python>=3.7
• PyTorch >=1.7
• 建议配置：Python == 3.7, gym==0.13.0, torch == 1.10, 操作系统：Ubuntu 16.04

快速开始

使用我们的PCT方法和默认参数在设置2（在我们的论文中提到）上训练在线3D-BPP：

python main.py 

训练日志（tensorboard）保存在'./logs/runs'中。相关文件备份保存在'./logs/experiment'中。

使用说明

数据描述

在'givenData.py'中描述你的3D容器尺寸和3D物品尺寸

container_size: 一个长度为3的向量，描述容器在x、y、z维度的尺寸。
item_size_set: 一个列表，记录每个物品的尺寸。每个物品的尺寸也用一个长度为3的向量描述。

数据集

你可以从这里下载准备好的数据集。 数据集包含3000个随机生成的轨迹，每个轨迹有150个物品。物品是一个长度为3或4的向量，物品的前三个数字代表物品的尺寸，第四个数字（如果有）代表物品的密度。

模型

我们提供了预训练模型，这些模型是在离散环境中使用EMS方案训练的，其中箱子尺寸为(10,10,10)，物品尺寸范围为1到5。

训练

在设置1（80个内部节点和50个叶节点）上训练在线3D BPP实例：

python main.py --setting 1 --internal-node-holder 80 --leaf-node-holder 50

如果你想训练一个在连续域上工作的模型，添加'--continuous'，并且不要忘记在'givenData.py'中更改你的问题设置：

python main.py --continuous --sample-from-distribution --setting 1 --internal-node-holder 80 --leaf-node-holder 50

热启动

你可以使用预训练模型初始化运行：

python main.py --load-model --model-path 你的模型路径

评估

要评估一个模型，你可以在evaluation.py中添加--evaluate标志：

python evaluation.py --evaluate --load-model --model-path 你的模型路径 --load-dataset --dataset-path 你的数据集路径

启发式方法

运行heuristic.py来测试启发式基准，启发式算法的来源已在代码中标明：

在设置1（离散）上使用LASH方法运行启发式算法：

python heuristic.py --setting 1 --heuristic LSAH --load-dataset  --dataset-path setting123_discrete.pt

在设置2（连续）上使用OnlineBPH方法运行启发式算法：

python heuristic.py --continuous --setting 2 --heuristic OnlineBPH --load-dataset  --dataset-path setting2_continuous.pt

帮助

python main.py -h
python evaluation.py -h
python heuristic.py -h

许可证

本源代码仅供学术使用。未经作者授权，请勿用于商业目的。