CN113255980B 三维装箱处理方法、装置、电子设备及存储介质 （赛可智能科技(上海)有限公司）

进而基于强化学习算法给出三维装箱问题的一2获取待处理的第一装箱问题实例，所述第一装箱问题实例中标准化所述第一装箱问题实例中箱体的描述数据和车厢的空间状态，以获装箱问题实例中箱体的标准描述数据和车厢的将所述第一装箱问题实例中箱体的标准描述数据和车厢的标准空间状态输入三维装获取所述三维装箱模型针对所述第一装箱问题实例所输出的实际装载率最高的装箱获取训练用的第二装箱问题实例，所述第二装箱问题实例中标准化所述第二装箱问题实例中箱体的描述数据和车厢的空间状态，以获装箱问题实例中箱体的标准描述数据和车厢的基于贪心策略确定所述第二装箱问题实例的装箱动作，并基获取所述装箱终止状态下车厢的标准空间状态，将其离散为三维矩将所述三维矩阵和所述实际装载率输入至神经网络，以使所述神其中，所述开始线段表征车厢的开始装箱位置，所述结根据所述目标箱体的装载位置确定所述目标箱体所在的目标车厢3基于所述相对位置关系确定所述目标标准空间状态中待更新根据所述目标箱体的标准描述数据中箱体的长、宽、高确定所述对所述目标标准空间状态中未更新的其他线段和更新后的目标线段实例获取模块，用于获取待处理的第一装箱问题实例标准化模块，用于标准化所述第一装箱问题实例中箱体的描述数据和车厢的空间状装箱处理模块，用于将所述第一装箱问题实例中箱体的标准描述数所述装箱处理模块预先基于强化学习算法对神经网络进行训练得到所述三维装箱模获取训练用的第二装箱问题实例，所述第二装箱问题实例中其中，所述开始线段表征车厢的开始装箱位置，所述结4可执行指令用于执行如权利要求1-4任意一项所述5[0002]三维装箱问题是装箱问题(BinPackingProblem，也称下料问题CuttingStock第一装箱问题实例中箱体的标准描述数据和[0008]将所述第一装箱问题实例中箱体的标准描述数据和车厢的标准空间状态输入三[0009]获取所述三维装箱模型针对所述第一装箱问题实例所输出的实际装载率最高的第二装箱问题实例中箱体的标准描述数据和6和车厢的空间状态；标准化所述第二装箱问题实例中箱体的描述数据和车厢的空间状态，7例中的箱体的标准描述数据，以对所述第二装箱问题实例中车厢的标准空间状态进行更优化模型能够通过学习自动匹配相应的具体问题，能够适应不同尺度的箱体-车厢的装箱8[0055]一类容易想到的算法是启发式算法，例如首次适应算法(First-fitAlgorithm)够自动在可行解空间(FeasibleSet)中搜索可行解(Feasib优化模型能够通过学习自动匹配相应的具体问题，由于这一过程是该优化模型自动实现9装箱问题实例中箱体的标准描述数据和车厢的iiiiii)分别代表箱体装载位置按照所在车厢，p123b1)b2)[0083]S30，将第一装箱问题实例中箱体的标准描述数据和车厢的标准空间状态输入三[0091]对所有终止状态s，设定其价值函数V(s)为实际装载率。一般来说，常用Q-learning方法连接这些元素，即构造和使用状态-动作价值函数Q(s，a)(state-action二装箱问题实例中箱体的标准描述数据和车标准化过程，可以参见上述步骤S20中第一装箱问题实例中箱体的描述数据和车厢的空间准空间状态中未更新的其他线段和更新后的目标线段进[0110]对箱体的标准描述信息进行更新，箱体(最靠近原点的)顶点放置位置的三维坐[0111]分别更新4个箭头所指位置的线段集合信息，原理是找到这个线段集合中受影响据结构在精确描述车厢与箱体尺寸位置的基础上，还能够高效地进行更新车厢状态的运[0156]S40，获取三维装箱模型针对第一装箱问题实例所输出的实际装载率最高的装箱[0161]考虑到如何区分相同数量车辆的不同方案，例如所有箱面，既能精确表示任意车厢-箱体尺度问题的任意时刻装箱状态，又能对装箱状态快速更练得到的；获取三维装箱模型针对第一装箱问题实例所输出的实际装载率最高的装箱方箱问题实例的装箱动作，并基于装箱动作处理第二装箱问题实例中的箱体的标准描述数态中未更新的其他线段和更新后的目标线段[0184]本发明实施例提供的三维装箱处理装置，对于待处理的装箱问题实例能够标准机可执行指令用于执行任意一项所述的三维装点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。[0190]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发