简介

我们致力于持续推动三维装箱技术的发展。

以下是我们开发的功能：

• 在线装箱求解器 [1, 2, 3]。
• 带前瞻性的在线装箱 [1]。
• 装箱稳定性解决方案 [2]。
• 连续域中的装箱 [2]。
• 自定义约束下的装箱 [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、装箱形状处理和仿真场景的基础工具 [4]。

如果您对三维装箱感兴趣，强烈建议您查看一下。各种问题和潜在的合作都欢迎！

在装箱配置树上学习高效的在线三维装箱

我们提出通过在分层装箱配置树上进行学习来增强在线三维装箱问题（BPP）的实用性，这使得深度强化学习（DRL）模型能够轻松应对实际约束，并且即使在连续解空间中也能表现出色。 与我们之前的工作相比，此仓库的优势在于：

• 容器（箱子）尺寸和物品尺寸可以任意设置。
• 允许连续的在线三维装箱，并提供连续环境。
• 提供了近似稳定性的算法（参见我们的其他工作）。
• 性能更好，并且能够考虑更复杂的约束。
• 为领域发展提供了更合适的启发式基准。
• 训练更加稳定。

请通过以下链接观看视频演示：YouTube, bilibili

如果您感兴趣，请给这个仓库点个赞！

论文

有关更多详细信息，请参阅我们的论文《在装箱配置树上学习高效的在线三维装箱》（已接受于 ICLR 2022）。如果此代码对您的工作有所帮助，请引用我们的论文：

@inproceedings{
zhao2022learning,
title={在装箱配置树上学习高效的在线三维装箱},
author={赵航、于洋、徐凯},
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：Python == 3.7，gym==0.13.0，torch == 1.10，操作系统：Ubuntu 16.04

快速入门

要在我们的PCT方法和默认参数下训练我们论文中提到的设置2的在线三维装箱：

python main.py 

训练数据是实时生成的。训练日志（tensorboard）保存在‘./logs/runs’中。相关文件备份保存在‘./logs/experiment’中。

使用方法

数据描述

在‘givenData.py’中描述您的三维容器尺寸和三维物品尺寸

container_size: 一个长度为3的向量，分别描述容器在x、y、z三个维度上的尺寸。
item_size_set: 一个列表，记录每个物品的尺寸。每个物品的尺寸也由一个长度为3的向量表示。

数据集

您可以从这里下载准备好的数据集。 该数据集包含3000条随机生成的轨迹，每条轨迹包含150个物品。物品是一个长度为3或4的向量，前三个数字表示物品的尺寸，第四个数字（如果有）表示物品的密度。

模型

我们提供了使用EMS方案在离散环境中训练的预训练模型，其中箱子尺寸为（10,10,10），物品尺寸范围为1到5。

训练

要训练设置1（80个内部节点和50个叶子节点）的在线三维装箱实例：

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

如果您想训练一个在连续域上工作的模型，请添加‘--continuous’，并且别忘了在‘givenData.py’中更改您的问题：

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

热启动

您可以使用预训练模型初始化一次运行：

python main.py --load-model --model-path path/to/your/model

评估

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

python evaluation.py --evaluate --load-model --model-path path/to/your/model --load-dataset --dataset-path path/to/your/dataset

启发式算法

运行heuristic.py以测试启发式基准，启发式算法的来源已在代码中注明：

使用LSAH方法在设置1（离散）上运行启发式算法：

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

使用OnlineBPH方法在设置2（连续）上运行启发式算法：

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

Online-3D-BPP-PCT 快速上手指南

本指南帮助中国开发者快速部署并运行基于包装配置树（PCT）的在线 3D 装箱强化学习模型。

环境准备

系统要求

• 操作系统: 推荐 Ubuntu 16.04 或更高版本（Linux 环境稳定性最佳）。
• Python 版本: Python >= 3.7 (作者建议 Python == 3.7)。

前置依赖

请确保已安装以下核心库：

• NumPy
• gym (作者建议 gym==0.13.0)
• PyTorch >= 1.7 (作者建议 torch == 1.10)

国内加速建议：安装依赖时推荐使用清华或阿里镜像源以提升下载速度。

pip install numpy gym torch -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆仓库

   git clone https://github.com/alexfrom0815/Online-3D-BPP-PCT.git
   cd Online-3D-BPP-PCT
   

2. 安装 Python 依赖 如果项目根目录有 requirements.txt，请直接安装；若无，手动安装核心依赖：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   # 或者手动安装
   pip install numpy gym==0.13.0 torch==1.10 -i https://pypi.tuna.tsinghua.edu.cn/simple
   

3. 获取数据与模型（可选）

   • 数据集: 包含 3000 条随机生成的轨迹。可从 Google Drive 下载（国内访问可能需要代理）。
   • 预训练模型: 基于离散环境训练的模型。可从 Google Drive 下载。
   • 将下载的文件放置在项目适当目录（如 ./logs/experiment 或自定义路径）。

基本使用

1. 配置问题参数

在运行前，需编辑 givenData.py 文件，定义集装箱尺寸和物品尺寸集合：

# givenData.py 示例
container_size = [10, 10, 10]  # x, y, z 维度
item_size_set = [[1, 1, 1], [2, 2, 2], ...] # 物品尺寸列表

2. 开始训练

使用默认参数启动训练（对应论文中的 Setting 2），数据将在运行时动态生成：

python main.py

• 训练日志 (TensorBoard) 保存于：./logs/runs
• 实验备份保存于：./logs/experiment

进阶训练示例：

• 指定节点数训练 (Setting 1)：

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

• 连续域训练 (Continuous Domain)： 需确保 givenData.py 已调整为连续分布问题，并添加 --continuous 标志：

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

• 热启动 (加载预训练模型)：

  python main.py --load-model --model-path path/to/your/model
  

3. 模型评估

使用测试数据集评估已训练好的模型：

python evaluation.py --evaluate --load-model --model-path path/to/your/model --load-dataset --dataset-path path/to/your/dataset

4. 运行启发式算法基线

测试现有的启发式算法（如 LSAH, OnlineBPH）作为对比基线：

# 离散环境测试 (Setting 1)
python heuristic.py --setting 1 --heuristic LSAH --load-dataset --dataset-path setting123_discrete.pt

# 连续环境测试 (Setting 2)
python heuristic.py --continuous --setting 2 --heuristic OnlineBPH --load-dataset --dataset-path setting2_continuous.pt

提示：任何脚本均可添加 -h 参数查看完整帮助信息，例如 python main.py -h。