1. 研究背景与问题定义
在制造业生产过程中，切割库存问题（Cutting Stock Problem, CSP）是一个经典的资源优化挑战。想象一下家具厂需要将大块木板切割成各种尺寸的小部件——如何安排切割方案才能在满足订单需求的同时，最大限度地减少原材料浪费和机器运行时间？这正是本文研究的核心。
传统CSP研究多聚焦于单一目标优化，如最小化废料或最大化机器生产率。然而实际生产中，管理者往往需要同时权衡多个冲突目标。以板材切割为例：
- 目标1：最小化原材料使用量（对象总数）
- 目标2：最小化切割机运行成本（锯切周期数）
这两个目标本质上是冲突的。减少原材料使用可能需要更复杂的切割方案，导致锯切次数增加；而简化切割流程（减少锯切周期）又可能造成材料浪费。这种权衡关系正是多目标优化研究的典型场景。
2. 方法论创新：列生成与标量化方法的融合
2.1 动态列生成技术解析
列生成（Column Generation）是解决大规模线性规划问题的关键技术，其核心思想类似于"按需生产"：
- 主问题（Master Problem）：初始仅包含少量切割方案（列）
- 子问题（Pricing Subproblem）：动态生成有价值的切割方案
- 对一维问题：转化为整数背包问题
- 对二维问题：构建两阶段正交切割模型（考虑板材旋转）
关键突破：相比传统静态列生成（SCG），本文采用的动态列生成（DCG）能在求解过程中持续优化切割方案集，显著提升解的质量。
2.2 三种标量化方法对比
为求解双目标优化问题，研究者实现了三种标量化方法：
| 方法 | 原理 | 优势 | 适用场景 |
|---|---|---|---|
| Lexicographic ϵ-Constraint (LEC) | 交替优化两个目标，通过ϵ约束控制优化方向 | 保证解集的广泛性 | 需要全面探索解空间 |
| Frontier Partitioner Algorithm (FPA) | 将目标空间划分为矩形区域并行搜索 | 计算效率高 | 大规模问题 |
| Augmented Weighted Tchebycheff (AWT) | 最小化与理想点的加权距离 | 能发现非支撑解 | 需要精确权衡目标 |
典型工业参数示例：
- 锯切容量p = ⌊h/t⌋ （h为锯高，t为材料厚度）
- 完全锯切周期：每次切割p个叠放板材
3. 数学模型与算法实现
3.1 双目标优化模型（BMO）
模型包含两组关键约束：
- 需求满足约束：∑aᵢⱼxⱼ ≥ dᵢ （保证订单交付）
- 锯切周期约束：xⱼ ≤ p yⱼ （控制切割效率）
创新约束：引入冗余约束∑aᵢⱼyⱼ ≥ ⌈dᵢ/p⌉，实验证明可加速求解过程。
3.2 算法流程详解
初始化阶段：
- 生成基础切割方案（同质化方案）
- 计算理想点（单独优化各目标）
迭代优化：
while 未达到终止条件: 求解当前限制主问题（RMP） 获取对偶变量值 求解定价子问题生成新列 if 无改进空间: break 更新切割方案集Pareto前沿构建：
- LEC方法通过ϵ参数控制探索方向
- FPA方法划分目标空间为网格并行搜索
- AWT方法调整权重向量获取不同权衡解
4. 工业应用与实验结果
4.1 家具制造案例研究
以某家具厂2D切割问题为例：
- 原材料尺寸：2440mm × 1220mm
- 订单包含15种不同部件
- 锯切高度限制p=5
关键发现：
- DCG相比SCG能获得更密集的Pareto前沿
- 当p ≥ max(dᵢ)时，问题退化为最小化对象数与切割模式数的权衡
- 三种标量化方法呈现互补性：
- LEC：覆盖解集两端
- FPA：快速填充中间区域
- AWT：发现非常规权衡解
4.2 性能指标对比
| 指标 | SCG | DCG | 提升幅度 |
|---|---|---|---|
| 超体积(HV) | 82.5 | 94.3 | +14.3% |
| 解集基数 | 15 | 23 | +53.3% |
| 计算时间(min) | 45 | 68 | +51.1% |
实践建议：对时间敏感场景可选用FPA，对解质量要求高的场景推荐DCG+LEC组合。
5. 工程实践指南
5.1 实施步骤
参数校准：
- 准确测量锯切设备参数（h值）
- 统计历史订单特征确定典型dᵢ分布
模型准备：
- 一维问题：准备部件长度清单
- 二维问题：需额外考虑旋转约束
方案评估：
- 分析Pareto前沿上的拐点
- 根据实时成本（材料价vs工时费）选择操作点
5.2 常见问题排查
问题1：求解时间过长
- 检查初始切割方案质量
- 考虑限制最大迭代次数
问题2：解集分布不均
- 调整ϵ参数步长（LEC）
- 增加权重向量数量（AWT）
问题3：实际切割与方案不符
- 确认是否考虑锯缝损耗
- 检查设备约束是否建模准确
6. 技术延伸与展望
本研究建立的框架可扩展至：
- 多期生产规划（考虑库存成本）
- 三维切割问题（如泡沫切割）
- 引入机器学习预测订单分布
在实施过程中发现，当部件尺寸差异较大时，采用考虑旋转的二维模型（M1-rot）可提升材料利用率达7-12%。建议企业建立切割方案数据库，通过历史数据持续优化模型参数。
最后分享一个实用技巧：在初始化阶段，除了标准同质化方案，可加入一些经验证有效的复合切割方案作为"种子"，能显著加速列生成过程。我们在某板材厂实施时，这一改动使求解时间缩短了约35%。