ترجمه فارسی مقاله کاهش ابعاد در مسئله بسته بندی مستطیل دوبعدی تحت طرحواره یادگیری تقویتی

چکیده

This paper explores the application of Reinforcement Learning (RL) to the two-dimensional rectangular packing problem. We propose a reduced representation of the state and action spaces that allow us for high granularity. Leveraging UNet architecture and Proximal Policy Optimization (PPO), we achieved a model that is comparable to the MaxRect heuristic. However, our approach has great potential to be generalized to nonrectangular packing problems and complex constraints.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی استفاده از یادگیری تقویت (RL) در مشکل بسته بندی مستطیل دو بعدی می پردازیم.ما نمایندگی کاهش یافته از وضعیت و فضاهای عمل را پیشنهاد می کنیم که به ما امکان دانه بندی بالایی را می دهد.با استفاده از معماری UNET و بهینه سازی سیاست پروگزیمال (PPO) ، ما به مدلی دست یافتیم که با اکتشافی MaxRect قابل مقایسه است.با این حال ، رویکرد ما از پتانسیل بسیار خوبی برخوردار است تا در مورد مشکلات بسته بندی غیر منتخب و محدودیت های پیچیده تعمیم یابد.