[논문 리뷰] A Multi-task Selected Learning Approach for Solving 3D Flexible Bin Packing Problem

Lu Duan, Haoyuan Hu외 5명|arXiv (Cornell University)|2018. 04. 17.

Optimization and Packing Problems참고 문헌 26인용 수 44

한 줄 요약

이 논문은 3D 유연한 포장에서 표면적을 최소화하기 위해 아이템 시퀀스와 방향을 함께 학습하는 다중 작업 선택 학습 프레임워크(MTSL)를 제시하며, 여러 베이스라인을 능가하고 온라인 생산 이익을 보여준다.

ABSTRACT

A 3D flexible bin packing problem (3D-FBPP) arises from the process of warehouse packing in e-commerce. An online customer's order usually contains several items and needs to be packed as a whole before shipping. In particular, 5% of tens of millions of packages are using plastic wrapping as outer packaging every day, which brings pressure on the plastic surface minimization to save traditional logistics costs. Because of the huge practical significance, we focus on the issue of packing cuboid-shaped items orthogonally into a least-surface-area bin. The existing heuristic methods for classic 3D bin packing don't work well for this particular NP-hard problem and designing a good problem-specific heuristic is non-trivial. In this paper, rather than designing heuristics, we propose a novel multi-task framework based on Selected Learning to learn a heuristic-like policy that generates the sequence and orientations of items to be packed simultaneously. Through comprehensive experiments on a large scale real-world transaction order dataset and online AB tests, we show: 1) our selected learning method trades off the imbalance and correlation among the tasks and significantly outperforms the single task Pointer Network and the multi-task network without selected learning; 2) our method obtains an average 5.47% cost reduction than the well-designed greedy algorithm which is previously used in our online production system.

연구 동기 및 목표

• 3D Flexible Bin Packing Problem (3D-FBPP)을 전자상거래 물류의 실제 포장 작업으로 형식화한다.
• 공간(빈) 표면적을 최소화하도록 아이템 시퀀스와 방향을 함께 학습하는 신경 정책을 개발한다.
• 다중 작업 선택 학습(MTSL) 프레임워크를 통해 작업 불균형을 완화하고 작업 간 상관관계를 활용한다.
• 대형 실세계 데이터셋과 온라인 A/B 테스트에서 실용적 영향을 입증한다.

제안 방법

• 공통 표현을 공유하는 시퀀스(아이템)와 방향의 두 출력 스트림을 갖는 인코더-디코더 신경망을 사용한다.
• 반복 아이템 제약을 처리하기 위해 시퀀스 작업에 내부 주의(Intra-attention) 메커니즘을 포함한다.
• 최고의 해(solution)로부터의 실제 방향을 이용한 언덕-탐색(hill-climbing)에서 영감을 받은 방향 학습을 적용한다.
• 하이브리드 손실 L_all = alpha*L_seq + (1-alpha)*L_ori 및 L_seq, L_ori, L_all 중에서 샘플링하는 다중 작업 선택 학습 스케줄로 학습한다.
• 포인터-네트워크 스타일의 디코딩과 정책 최적화를 위한 PPO를 사용한다.
• 빔 검색(size 5)과 샘플링(128 해)으로 최적의 포장을 선택하여 평가한다.

실험 결과

연구 질문

• RQ1 다중 작업 학습 프레임워크가 3D-FBPP에서 포장 시퀀스와 방향을 함께 학습하여 박스 표면적을 최소화하는 데 효과적일 수 있는가?
• RQ2 Selected Learning이 불균형하고 상관된 작업(시퀀스 대 방향)을 균형시키고 단일 작업 또는 비선택 다중 작업 베이스라인 대비 솔루션 품질을 향상시키는가?
• RQ3 제안 방법의 대규모 실제 주문 데이터 및 온라인 생산 환경에서의 실용적 성능 이점은 어느 정도인가?

주요 결과

• MTSL은 오프라인 실험에서 LWSC 휴리스틱에 비해 표면적을 최대 9.66%까지 감소시키고 BIN10 및 BIN12에서 6.16%~8.25%의 이득을 BIN8–BIN12 전반에 걸쳐 보였다.
• MTSL은 단일 작업 Pointer Network와 선택 학습이 없는 다중 작업 모델 모두를 상당히 능가했다.
• 온라인 A/B 테스트에서 포장 비용이 평균 5.47% 감소했다.
• 시퀀스 작업에 대한 내부 주의(intra-attention)가 일반 RL 모델 대비 포장 표면적을 개선했다.
• 여러 해를 샘플링(128)하면 결과가 더 개선되며, MTSL-sample이 종종 대안보다 우수하다.