Academic Cutting & Packing Datasets

该存储库包含用于切割和包装问题学术研究的数据集集合，旨在促进不同算法和方法的基准测试和比较。数据集按维度和问题类型组织成子目录，包括一维、二维矩形、二维不规则、三维矩形、三维不规则等类别。

This repository contains a collection of datasets for academic research on cutting and packing problems, aimed at facilitating benchmarking and comparison of different algorithms and methods. The datasets are organized into subdirectories by dimension and problem type, including categories such as one-dimensional, two-dimensional rectangular, two-dimensional irregular, three-dimensional rectangular, three-dimensional irregular, and others.

原始信息汇总

ESICUP 学术切割与包装数据集

数据集概述

该数据集集合专为切割与包装问题的学术研究而设计，旨在促进不同算法和方法的基准测试与比较。

数据集结构

数据集根据切割与包装问题的维度和类型组织到不同的子目录中。每个子目录包含一个README文件，提供数据集的来源、特征及相关参考文献信息。

主要子目录分类

• 1d: 一维切割与包装问题数据集。
• 2d_rectangular: 二维矩形切割与包装问题数据集。
• 2d_irregular: 二维不规则切割与包装问题数据集。
• 3d_rectangular: 三维矩形切割与包装问题数据集。
• 3d_irregular: 三维不规则切割与包装问题数据集。
• misc: 不属于上述类别的其他杂项数据集。

贡献指南

该资源由社区驱动，欢迎贡献。贡献方式包括添加新数据集或对现有数据集进行修正与改进。

添加新数据集

• 在相应类别下创建新的子目录。
• 包含数据集文件及描述文件结构的README文件。
• 确保引用相关出版物（包括DOI）。
• 在对应子目录的README文件中按字母顺序添加数据集摘要和文件夹链接。

修正与改进

• 提交包含必要更改的拉取请求，以修正描述或文件中的问题。

资源迁移说明

该资源先前托管于 https://github.com/ESICUP/datasets，现已迁移至GitHub以提高可维护性和长期可用性。

搜集汇总

数据集介绍

构建方式

在切割与包装问题研究领域，该数据集由ESICUP社区系统整合而成，采用维度分类法构建多维问题库。数据集按照一维、二维矩形、二维不规则、三维矩形、三维不规则等类别分层组织，每个子目录均配备详细的元数据说明文件。这种模块化架构既保证了数据来源的可追溯性，又通过社区协作机制持续扩充内容，形成动态发展的学术资源体系。

特点

该数据集最显著的特征在于其多尺度的问题覆盖能力，从简单的一维切割到复杂的三维异形包装场景均有对应案例。所有数据均经过学术文献的严格验证，包含完整的几何参数、约束条件及基准测试结果。其树状目录结构实现了快速检索功能，而标准化文件格式则确保与主流优化算法的无缝对接，为比较研究提供统一度量标准。

使用方法

研究者可通过GitHub仓库直接访问分层存储的数据文件，根据问题维度选择对应子目录加载实例。每个数据集附带的README文件详细说明数据结构和引用规范，支持离线批量处理或在线算法测试。该平台特别设计了社区贡献机制，允许用户通过分支提交新数据集或修正现有数据，形成持续迭代的研究生态系统。

背景与挑战

背景概述

切割与包装问题作为运筹学与工业工程领域的经典组合优化难题，自20世纪中叶以来便受到学术界与工业界的广泛关注。Academic Cutting & Packing Datasets由ESICUP（European Working Group on Cutting and Packing）社区主导构建，旨在为不同维度的材料布局优化研究提供标准化基准数据。该数据集系统收录了一维至三维的规则与不规则形状实例，覆盖了从板材切割到集装箱装载等多种实际应用场景，成为算法验证与性能比较的重要基础设施。

当前挑战

切割与包装问题的核心挑战在于高维空间中的几何约束满足与资源利用率最大化之间的平衡，尤其不规则形状的旋转、重叠检测等计算复杂度极高。数据集构建过程中需协调多源异构数据的标准化处理，例如历史文献中的非数字化案例转化、几何参数的一致性标注，以及不同行业规范下的目标函数差异化表达。此外，社区驱动的协作模式要求数据版本管理与学术引用的精准对应，以维持数据集的权威性与可复现性。

常用场景

经典使用场景

在运筹学与工业工程领域，切割与 packing 问题作为组合优化的核心分支，该数据集为学术界提供了标准化的基准测试平台。研究者通常利用这些多维数据集验证启发式算法、元启发式方法以及精确求解器的性能，尤其在二维矩形布局、三维不规则物体填充等经典场景中，数据集支撑了算法效率与解质量的系统性评估。

实际应用

基于数据集的标准化实例，工业界能够直接模拟板材切割、集装箱装载、仓储空间规划等实际场景。例如在制造业中，利用二维矩形数据集优化材料利用率；在物流领域，三维不规则数据集辅助设计高效装载方案，有效降低资源浪费与运营成本，体现了理论研究向产业实践的转化价值。

衍生相关工作

该数据集催生了一系列经典研究，如基于二维矩形实例的贪心算法改进、结合机器学习的三维不规则物体布局预测模型等。众多学术论文引用这些数据作为实验基准，促进了混合整数规划、遗传算法等方法的创新，并衍生出如多目标可持续 packing 问题等新兴研究方向。