文献综述
本课题的现状及发展趋势：
装箱问题是典型的NP-hard(Non-deterministic Polynomial.NP)完全问题，即在多约束条件下，很难用常规的数学方法得到最优解。在学术研究方面，各学术团体对装箱问题的研究是一维、二维，三维，且多为不带性能约束的装箱问题，要实现任意约束条件下三维物体的装箱问题，至今尚没有通用的方法。提高装箱利用率的实质为货物在三维状态下算法的优化。
由于三维装箱问题规模较大，算法求解规模有限且耗时较长，很难在有限的时间内得到最优解。一般而言只能采用近似算法来求解。因此，国内外研究人员重视装箱问题，并且已经陆续取得一定的研究成果。如今，可以借助一些经典算法来生成优化装箱方案，如线性规划、分支限界、递归、动态规划等传统算法，以及现在应用非常广泛的遗传算法、粒子群算法、免疫算法、深度学习等人工智能技术。
深度学习是从机器学习中的人工神经网络发展出来的新领域。早期所谓的“深度”是指超过一层的神经网络。但随着深度学习的快速发展，模型越来越庞大，结构也越来越复杂，逐渐朝着人工智能的领域快速发展，于是人们将其命名为“深度学习”。然而，深度学习不像人工智能容易在从字面上理解，人工智能是从其应用的角度来阐述，深度学习是从内部机理来阐释的，可以理解为深度学习是实现人工智能的一种方法。
深度学习是指多层的人工神经网络和训练的方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取权重，再产生另一个数据集合作为输出。这就像生物神经大脑的工作机理一样，通过合适的矩阵数量，多层组织链接一起，形成神经网络“大脑”进行精准复杂的处理。
近些年来，人工智能技术，尤其是深度强化学习 (Deep reinforcement learning，DRL) 技术有着非常快速的发展，并且在某些问题上取得了令人瞩目的成果。而且深度强化学习技术已经被发现在求解组合优化问题方面具有较大的潜力。
本课题研究的意义和价值：
近年来，在快递物流行业支撑下，网络零售额超过4万亿元，占社会消费品零售总额比重达12.5%，快递物流业的迅速发展对培育新经济、加快发展新动能有着不可替代的作用。随着快递企业提供个性化快递物流服务能力的增强，不断深化与电子商务、制造业等其他行业的合作与融合，快递物流业正积极联系社会生产与消费的产业链、供应链和服务链，极大促进了制造业、服务业等行业的转型升级，使快递业成为经济发展的重要支撑和经济的新增长点。因此，快递物流业已成为我国经济社会发展的重要支撑。
但是，快递物流企业主要以集装箱车辆进行货物运输，如何提高货物装箱利用率，降低运输成本，是快递物流企业和生产企业一直关注的问题。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
