arXiv cs.AI· Tong Li, Qingyang Xu·· 11 小时前AI 评分20
基于空间启发式策略的扩散强化学习用于在线 3D 装箱
Spatial Heuristic Strategy based Diffusion Reinforcement Learning for Online 3D Bin Packing
AI 导读
研究者提出一种融合空间启发式策略的扩散强化学习方法来求解在线 3D 装箱问题，通过启发式动作预筛选压缩动作空间、引入图神经网络建模空间结构，并设计含平整度的复合奖励函数抑制空间碎片化。该方法将经典装箱启发式规则与扩散强化学习框架结合，以弥补传统启发式方法在泛化能力和动态场景适应性上的不足。
正文 · AI 翻译
摘要：传统启发式方法在 3D 装箱的空间利用率和布局紧凑性等核心目标上已积累了成熟经验，其依赖人工设计的规则逻辑。然而，这类方法在泛化能力以及对动态场景的适应性方面存在明显局限。扩散强化学习融合了强化学习的空间搜索能力与扩散学习的数据分布建模能力，在动作分布建模和决策合规约束方面已取得一定进展。尽管如此，仍存在对 3D 装箱中空间拓扑结构感知不足以及布局优化能力有限等问题。为解决这些问题，我们提出了一种融合空间启发式策略的扩散强化学习方法，将经典装箱启发式规则与扩散强化学习框架相结合。具体而言，该方法通过启发式动作预筛选压缩动作空间，引入图神经网络对空间结构进行建模，并设计了一种融入平整度的复合奖励函数以抑制空间碎片化，从而实现先验知识与自适应优化的有机融合。实验结果表明，所提
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.32241 [cs.AI] |
| （或 arXiv:2610.32241v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.32241 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Qingyang Xu [查看邮箱]
[v1]
2026 年 10 月 23 日星期五 06:49:30 UTC（1,773 KB）
来源：arXiv cs.AI · arxiv.org