一、引言：一个经典的组合优化问题
如果你上过《组合数学》或《运筹学》课程，一定听过装箱问题（Bin Packing Problem）：给定若干个物品，如何把它们放进最少数量的箱子里？
今天我们要聊的平面排版问题（2D Packing Problem），就是装箱问题的二维版本：给定一块矩形板材和若干个零件（矩形或异形），如何在板材上排列这些零件，使得材料利用率最高？
这个问题听起来简单，但它是一个典型的 NP-hard 问题------这意味着，当零件数量很多时，我们无法在多项式时间内找到全局最优解。
💡 为什么这个问题对数学专业有吸引力？
- 它连接了计算几何 （碰撞检测、轮廓计算）和组合优化（排序、搜索）两大领域
- 它是NP-hard 问题，有丰富的近似算法和启发式算法可供研究
- 它有明确的工业应用背景，理论成果可以直接落地
二、问题的数学建模
让我们先把问题用数学语言精确地描述出来。
2.1 形式化定义
给定：
- 一块矩形板材，尺寸为 W × H（宽度 × 高度）
- n 个零件，每个零件 i 有面积 Si ，形状为多边形 Pi
要求在板材上放置这 n 个零件，满足：
- 不重叠约束：任意两个零件 i 和 j，它们的内部不相交
- 边界约束：所有零件都在板材内部
- 旋转约束：零件可以旋转 90° 或 180°（具体取决于工艺要求）
目标函数：最大化材料利用率
2.2 与经典问题的关系
平面排版问题可以看作是多个经典问题的组合：
- 装箱问题（Bin Packing）：一维版本，物品放进箱子
- 子集和问题（Subset Sum）：选择哪些零件放上去
- 旅行商问题（TSP）：切割路径的优化
三、算法的数学原理
由于平面排版问题是 NP-hard 的，我们无法找到全局最优解。那么，我们通常用哪些方法来近似求解呢？
3.1 贪心算法（Greedy Algorithm）
最直观的思路是贪心策略：每次选择当前最优的零件，放在当前最优的位置。
常见的贪心规则：
- 从大到小：先放最大的零件，再放小的零件
- 从左到右：零件从左到右依次排列
- 从下到上：零件从下到上依次排列
数学性质：贪心算法的时间复杂度是 O(n log n)，非常快，但通常只能得到局部最优解。
贪心算法流程图
3.2 左下策略（Bottom-Left Algorithm）
左下策略（BL 算法）是最经典的启发式算法之一：
- 把零件从下往上、从左往右排列
- 每个零件都尽量放在最左下的位置
- 如果放不下，就往上一层放
几何意义：左下策略本质上是在板材上维护一条"轮廓线"，零件沿着轮廓线依次排列。
左下策略流程图
3.3 遗传算法（Genetic Algorithm）
遗传算法是一种全局优化方法，它模拟生物进化的过程：
- 选择：从当前种群中选择适应度高的个体（利用率高的排版方案）
- 交叉：两个个体的基因组合，产生新的个体
- 变异：随机改变个体的某些基因，增加多样性
数学模型：每个个体对应一个排版方案，适应度函数就是材料利用率 η。通过不断进化，最终收敛到接近最优的解。
遗传算法流程图
3.4 模拟退火（Simulated Annealing）
模拟退火是另一种全局优化方法，它模拟金属退火的过程：
- 从一个初始解开始，随机扰动得到新解
- 如果新解更好，就接受；如果新解更差，以一定概率接受
- 这个概率由 Metropolis 准则决定：P = exp(-ΔE / T)
- 温度 T 逐渐降低，最终收敛到局部最优
模拟退火流程图
🎯 算法对比 
四、现代流行的算法设计
在工业实践中，我们通常不会只用一种算法，而是把多种算法组合起来，形成一个混合算法。
4.1 矩形排样：shelf 算法 + 轮廓优化
对于矩形零件，最常用的方法是 shelf 算法（货架算法）：
- 把零件按高度排序，分成若干个"货架"（每一层就是一个货架）
- 在每个货架上，零件从左到右依次排列
- 如果当前货架放不下了，就往上开一个新的货架
轮廓优化 ：shelf 算法的缺点是货架之间会有空隙。为了解决这个问题，我们可以用轮廓线来优化：每个零件都放在当前轮廓线的最低点。
4.2 异形排样：包围盒 + 碰撞检测
对于异形零件（非矩形），问题就复杂多了。我们通常用包围盒来简化：
- 给每个异形零件找一个最小的矩形包围盒
- 先用矩形排样的方法排列包围盒
- 然后用碰撞检测来判断两个异形零件是否真的重叠
计算几何基础：碰撞检测的核心是判断两个多边形是否相交，这涉及到点在多边形内、线段相交等计算几何问题。
4.3 优先级排序：排序问题与权重设计
在实际生产中，我们可能需要优先处理某些零件（比如大批量的、特殊形状的）。这就涉及到优先级排序的问题：
- 大批量优先：数量多的零件先排
- 大面积优先：面积大的零件先排
- 特殊形状优先：异形零件先排
数学模型：我们可以给每个零件一个权重 wi，然后按权重排序。权重的设计通常是一个多目标优化问题。
五、关键技术的数学细节
5.1 旋转与镜像：刚体变换的数学表示
在排样时，零件通常可以旋转 90° 或 180°。从数学上讲，旋转就是一个刚体变换：
其中 θ 是旋转角度。90° 旋转就是 θ = 90°，180° 旋转就是 θ = 180°。
5.2 利用率计算：积分与面积的数值方法
材料利用率 η = Sparts / Splate。其中，零件的面积 Sparts 怎么计算呢？
对于矩形零件，面积就是长 × 宽。对于异形零件（多边形），我们可以用shoelace 公式（鞋带公式）来计算面积：
5.3 路径优化：最短路径问题的近似求解
排样完成后，我们还需要优化切割路径：从哪里开始切、先切哪个零件、后切哪个零件。这本质上是一个旅行商问题（TSP）。
由于 TSP 也是 NP-hard 的，我们通常用最近邻算法 或2-opt 算法来近似求解。
六、学术价值与研究前沿
6.1 NP-hard 问题的近似算法理论
平面排版问题是 NP-hard 的，这意味着我们无法在多项式时间内找到全局最优解。那么，我们能找到什么样的近似解呢？
近似算法理论研究的就是：对于 NP-hard 问题，我们能在多项式时间内找到多好的近似解？比如，能不能找到一个解，它的利用率至少是最优解的 80%？
6.2 多目标优化：Pareto 最优解
在实际生产中，我们往往不是只追求一个目标。比如，我们既要利用率高，又要切割路径短，还要保证加工时间短。这就是多目标优化问题。
多目标优化没有唯一的最优解，而是一组Pareto 最优解：在这组解中，不可能在不牺牲一个目标的情况下改进另一个目标。
6.3 计算几何与组合优化的交叉领域
平面排版问题是计算几何 和组合优化的交叉领域。它既需要计算几何的知识（碰撞检测、轮廓计算），又需要组合优化的知识（排序、搜索）。
6.4 当前研究热点：深度学习、强化学习
近年来，深度学习 和强化学习在组合优化问题上取得了很大的进展。比如，用图神经网络（GNN）来学习零件的排列模式，用强化学习来搜索最优的排版方案。
七、应用价值与工业实践
7.1 数学理论如何指导工业应用？
很多同学可能会问：这些数学理论在工业上真的有用吗？答案是肯定的。
比如，我们知道贪心算法只能得到局部最优解，遗传算法能得到接近全局最优的解。那么，在工业上，我们就可以用贪心算法快速得到一个初始解，然后用遗传算法来优化这个初始解。
7.2 典型行业：钣金、服装、木材、玻璃
平面排版问题在很多行业都有应用：
- 钣金行业：钢板切割，零件排列
- 服装行业：布料裁剪，衣片排版
- 木材行业：木板切割，家具零件排版
- 玻璃行业：玻璃切割，窗户排版
7.3 真实案例：某钣金厂的利用率提升
举个真实的例子：某钣金厂以前用手工排版，材料利用率大约是 70%。后来用上了智能套料系统，材料利用率提升到了 85% 以上。
这意味着什么？假设一块钢板的成本是 1000 元，利用率从 70% 提升到 85%，每块钢板就能节省 150 元。一年下来，节省的成本是非常可观的。
八、前景展望
8.1 数学在智能制造中的角色
随着智能制造的发展，数学在工业中的角色越来越重要。从排样问题到调度问题，从质量控制到预测性维护，数学无处不在。
8.2 AI 与组合优化的结合
近年来，AI 和组合优化的结合是一个非常热的研究方向。比如，用深度学习来学习零件的排列模式，用强化学习来搜索最优的排版方案。
8.3 结语：从数学之美到工业之效
平面排版问题是一个经典的组合优化问题，它既有数学之美，又有工业之效。希望这篇文章能让数学专业的同学们看到：数学不是纸上谈兵，它可以真正地改变生产方式，创造价值。
如果您觉得本文有用，欢迎点赞、收藏和分享！
已落地发布的桌面版软件《 Mynesty平面排版套料系统》下载。