求下料问题的精确解，可以直接调用求解器，解下面的整数规划。

$$ \begin{aligned} \min ~ & e^Tx \\ \text{ s.t. } & A x = d \\ & x \in \mathbb{N}^n_+ \end{aligned} $$

其中 $e=[1, 1, …, 1]^T$，$d=[d_1, d_2, …, d_m]^T$。

接口

定义类 CutStockExact 用来解上述整数规划。方法 solve 用来求解，结果保存在成员变量中。

其中 self.count 表示需要的总的原材料数量，self.cuts 是用到的切割方式，self.x 代表切割方式对应的原材料数量。因此 self.count = sum(self.x) 。

  class CutStockExact:

    """
    Exact solution of the cutting stock problem.
    """
    
    def __init__(self, L, s, d):
        """
        L: raw size
        s: list of stock sizes
        d: list of demand sizes
        """
        self.L = L
        self.s = s
        self.d = d
        # Solution
        self.count = None  # Number of raw stock needed
        self.x = None  # Number of raw stock for each used cut 
        self.cuts = None  # Cuts used
    
    def solve(self):
        """
        Solve the cutting stock problem.
        """
        pass

实现

首先是计系数矩阵 $A$，它代表所有的可行切割。

定义函数 enumerate_vectors(ub)，用它来枚举 [0, ub] 之间的所有整数向量，其中 ub 是一个列表，代表一个正整数向量。

  def enumerate_vectors(ub):
    """
    Enumerate vectors in [0, ub].
    lb: lower bound vector
    ub: upper bound vector
    E.g. ub = [2, 2] 
        => [[0,0], [0, 1], [0, 2], [1, 0], [1, 1], [1, 2], [2, 1], [2, 2]]
    """
    pass

实现了这个函数，就可以用它来枚举所有的可行切割。

  class CutStockExact:

    # ...

    def _feasible_cuts(self):
        """
        Enumerate all feasible cuts (patterns).
        """
        cuts = []
        ub = [int(self.L / s) for s in self.s]
        # enumerate all vectors in [0, ub]
        # if sum of vector is less than or equal to L, add to cuts
        # except for the zero vector
        for cut in enumerate_vectors(ub)[1: ]:
            if  np.array(cut) @ np.array(self.s) <= self.L:
                cuts.append(cut)

        return cuts

从而得到系数矩阵。

  class CutStockExact:

    # ...
    
    def __init__(self, L, s, d):
        """
        L: raw size
        s: list of stock sizes
        d: list of demand sizes
        """
        # ...
        # Enumeragte feasible cuts and get matrix A
        self._A = np.array(self._feasible_cuts()).T

然后就是调用整数规划求解器进行求解。详情可以参考代码。

代码

相关代码在 codes/decomposition/cutting-stock 文件夹。

  • exact.py 用整数规划求解下料问题
Edit this page

Last updated 04 Jul 2025, 08:25 +0800 . history