我正在研究解决装箱问题的遗传算法。我现在可以理解这个过程，但是由于最终输出是一个项目列表的一组解决方案，我无法弄清楚为什么我们需要一个项目列表的一组解决方案，而一个解决方案就足够了？ GA 解决方案比经典方法更好的应用有哪些？
如果有人可以向我推荐任何学术/非学术链接，这些链接解释了使用遗传算法进行装箱的一些实际应用，那就太好了。我已经访问了维基百科上的 GA 应用程序列表链接，但它并不是专门用于装箱的。
【问题讨论】：
标签： genetic-algorithm bin-packing
背景
装箱的经典版本是一个广为人知的问题，对于该问题，相对较大的实例可以使用诸如带有列生成的整数规划等方法有效地求解至最优或接近最优。
但是，这些模型对于解决表现出复杂约束或目标的装箱的特殊情况（例如，具有冲突或利润的装箱、多维装箱、带有易碎物品的装箱、具有负载平衡的装箱）可能不是那么有效等）。
你的情况
您不需要一组解决方案，只是遗传算法 (GA) 的设计方式，一旦停止，您最终会得到一组解决方案（您当前的人口）它的执行。您只需选择这些解决方案中最好的。
GA 相对于装箱的经典方法的一个优势是它能够有效地解决具有复杂约束的问题。例如，这是一篇使用 GA 解决three dimensional single container arbitrary sized rectangular prismatic bin packing optimization problem 的论文（说起来是不是很拗口！）。虽然经典方法通常对凸问题（例如传统的装箱）非常有效，但一旦添加非凸约束，它们就会变得更加难以解决。对于此类问题，其他方法，例如 GAs（以及其他方法）往往做得很好。
【讨论】：