三维装箱决策问题

1.三维装箱决策问题

三维装箱问题即研究如何用最少数量的箱子将物品装起来。其描述如下：

假设有n个物品，其长宽高信息分别为$(l_1,w_1,h_1)$,$(l_2,w_2,h_2)$…$(l_n,w_n,h_n)$。有容器，其容积分别为$V$。用最少的箱子，将全部物体都装起来。

对于每个物品$i$，假设其放入箱子的顺序，角度以及位置是$(S_i,R_i,P_i)$。需要求解出集合{$(S_1,R_{1}i,P_1).....(S_n,R_n,P_n)$}，使得所用容器数量最少。本质上是离散组合最优化问题。

而三维装箱决策问题描述如下：

假设有n个物品，其长宽高信息分别为$(l_1,w_1,h_1)$,$(l_2,w_2,h_2)$…$(l_n,w_n,h_n)$。有容器，其容积分别为$V$。是否能用$m$个容器，将全部物体都装起来。

可以看出，问题从计算最少容器数量变为能否用一定数量的容器能够装下。解决该问题，只需要解答出是，或者否即可。

 
 

2.三维装箱决策问题分析

三维装箱决策问题是NP-Complete问题。此类问题能够在多项式时间内验证答案是否准确，可是目前并没有任何算法能够在多项式时间内解得答案。意味着对于此类问题，一般只能采用诸如暴力解等时间复杂度很高的算法求解。当物品数n和容器数量k增加时，求得最优解所需时间也会急剧增长。

想要减短计算时间，可以使用启发式算法计算。启发式算法大致如下：

一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。

其核心是基于直观或者经验去构造算法。对于装箱，理解为基于平时装箱的经验，优先选择某些组合，或者放弃某些组合。如装箱时，一般会把体积最大的物品放在最下面，这种经验可以帮助排除掉一些不合理的组合，提高计算速度。最后，尽管计算出的结果牺牲一定的准确性，但是可以缩短计算时间。而经验若足够合理，也能使得计算结果准确性不会过于低。

一种经典的Bin packing problem启发式算法是First-Fit (FF)算法其核心思想是按照一定顺序取物品，一旦当前物品能够找到合适的角度和位置能够放入容器中，则放进去。其思想与现实中装箱的方法一定程度上吻合。另外该算法也被验证出有不俗的性能，能够保证计算出来的结果小于最优结果的1.7倍。

本文将介绍一种基于First-Fit算法实现的的包材推荐算法。

 
 

3.算法描述

(1) 原理描述

如图所示，首先建立三维坐标系，其中三个轴分别为Weight轴，Height轴和Length轴。当物体放入坐标轴时，使用其左后下顶点的坐标表示其位置。将包装箱按照各轴对应的方向置于坐标轴原点中。

接着将商品按照一定规则排序（如按体积从大到小），依次放入包装箱内。当一个商品放入箱子时，可以通过旋转物体调整方向。假设物体的尺寸为$(w,h,l)$，则一共有一下六种情况:

Weight轴	Height轴	Length轴
$w$	$h$	$l$
$h$	$w$	$l$
$h$	$l$	$w$
$l$	$h$	$w$
$l$	$w$	$h$
$w$	$l$	$h$

对于第一个商品，将其放在原点处。如果当前方向无法放入，则旋转商品，直到放入为止。商品1放入后，接着放商品2。此时商品2可以选择放在商品1的前方，右方或者上方。如下图所示:

依次尝试将商品2放在这三个位置中，如果放不进，则旋转商品，一旦找到能商品放进包装箱的位置和方向，则将商品2放入。当商品3放入时，我们可以选择将商品3放入商品1的前方，右方或者上方，商品2的前方，右方或者上方。同理寻找可以将商品3放入包装箱的位置和方向，一旦找到，则将其放入。

同理对于商品n，可以选择放在商品($1$…$n-1$)的前方，右方或者上方。尝试不同的位置和方向，一旦校验到商品n超出包装箱或者与包装箱中别的商品位置有重合，就通过旋转或者改变位置的方式寻找下一个存放的方式，直至商品能够放进去位置。若商品无法放入包装箱中，则认为当前包装箱无法容纳所有商品，对下一种包装箱进行计算。

即可得代码逻辑如下:

sorted_box_list <- 按照体积排序的所有包材
sorted_sku_list <- 排好序的sku
total_sku_volume <- sku总体积
rotation_list <- 六种方向

for box in sorted_box_list:
   if box_volume < total_sku_volume then continue
   else 
	   fit <- false
	   for rotation in rotation_list:
	      if can_put(sku1, rotation, (0, 0, 0)) then 
	          fit <- true
	          put_into_box(sku1, rotation, (0, 0, 0))
	          break
	   if fit = false then continue
	       
	   for skui in sorted_sku_list[1:]:
	     fit <- false
	     find_position:
		      for item in box_item_list:
		          for position in [item_front, item_top, item_right]：
		              for rotation in rotation_list:
			              if can_put(skui, rotation, position) then 
			                 fit <- true
			                 put_into_box(skui , rotation, position)
			                 break find_position
	     if fix = false
	        then continue
	     return box
       

(3) 时间复杂度分析

假设一共有$k$种包装箱，订单商品有$n$个。对于第$i$个商品，最多能够旋转6个方向，并且尝试放在箱子的$i-1$个商品的前、右和上3个方向。因此最多需要尝试$3\times 6\times (i-1)=18(i-1)$种情况。因此可以计算得到本算法最坏情况下时间复杂度为：

$$\begin{array}{rl}T(n)& =k\times 18\times (1+2+3+......+n-1)\\ & =18k\times (n-1+\frac{(n-1)(n-2)}{2})\\ & =18k\times \frac{n(n-1)}{2}\\ & =9k{n}^2-9kn\\ & =O(k{n}^2)\end{array}$$