标题：A comprehensive introduction to using neural network solving packing problem
- 概述：神经网络成功的应用到了诸多的组合优化问题上，能够节约计算量在部分问题中甚至优化了启发式算法可获得最优解，但是现阶段成果应用到二维不规则排样上却面临着较大的困难......
- 说明清楚如何进行排样：Search over sequence and search over layout两种方案，以及Bottom Left Fill作为初始解的获取方案
- 基于序列的排样：一般采用启发式算法进行排样序列的优化，从而获得更优解。优化会造成很大的计算量，主要取决于初始解；优化可能会陷入局部最优话，导致计算出错；启发的方式比如面积降序等的效果，取决于数据集。所以，采用Pointer Network进行序列的预测能够解决该问题。
- 基于布局的排样：初始解直接决定了后续需要优化的次数，这就可以进行直接预测位置。首先，BLF的排样可以采用LSTM进行预测；其次，Pointer Network已经验证可以预测方向。所以，采用LSTM+Pointer的混合模型，实现对布局的预测。
- 实验：序列预测分别与面积下降、复杂度下降、随机等比较，布局优化与随机等方式进行对比，同时将Pointer和LSTM应用到比训练集更大规模的数据
- 总结：将机器学习应用到排样问题本身面临了比较大的问题，我们采用一种改进式的Shape Signature在保留其特征的情况下将形状嵌入到向量中，而排样的情况就是对形状的映射，比如Bottom Left Fill的结果是对边界到图心的距离的几何映射，这使得将神经网络应用到2D Nesting变得可行；其次，我们采用了最新的网络Pointer Network进行了形状序列的预测；最后，我们解决了优化位置预测的问题，设计了一个新的网络架构，对形状之间的相对关系和位置进行学习，从而让预测Layout成为可能。
- 意义：我们将DL/ML实现排样的基础方案进行说明，也提出了一个混合网络，可以解决更为广泛的组合优化问题
- 备注：该模型需要能够处理不同类型的图形输入、不同的宽度、内凹的形状等，以及理论上预测的可行输入会大于我们的训练集，后续需要逐一处理
- Pointer实现+混合网络测试
- 初步预测
- LSTM应用到BLF
- Pointer Network预测序列
- 预测效果：
- 数据集需要增加：
- 不同宽度输入
- 数据的获取
- 实现排样预测
- 不同规模数据
- 输入与输出不一致
- 形状问题
- 推广到Blaz等数据库
-
内凹形状的处理：暂时不考虑
- 混合模型的建立
- 测试模型成立
- 模型效果测试
- 概述：采用Beam Search
主要问题：Pointer