用途：解决一维切割下料问题，即把标准长度原料（钢管、棒材、梁、纸卷、布料等）切成多个小尺寸件以满足需求，目标是最小化用料数量、材料成本或废料率，提高利用率。
主要能力与覆盖范围：资料将问题分为经典切割下料（单一原料长度、多需求长度）、多原料长度（各自成本不同，最小化总成本）、余料利用（优先使用已切余料）、带换型/装设成本的切割、两阶段切割等类别。
数学模型：给定原料长度 L、各需求件长度 l_i 与需求量 d_i，定义切割模式 a_j，用决策变量 x_j 表示模式使用次数，最小化 Σx_j，约束为 Σ(a_ij×x_j)≥d_i、x_j 取非负整数。核心难点是模式数量随规模指数增长，无法显式枚举，需列生成。
算法：资料给出三类方法及 Python 实现。一是首次适应递减（FFD）贪心启发式，通常高于最优解 10% 至 30%；二是最佳适应递减（BFD），通常高于最优解 5% 至 20%；三是列生成精确解法，用主问题（LP）选择模式、用定价问题（无界背包）生成有负缩减成本的新模式，迭代至无有利模式后再求整数规划最终解，示例依赖 pulp 等库。
使用方式：调用时需明确原料长度、需求 (长度, 数量) 清单、锯缝宽度（kerf）、是否有最小可用长度或每根最大切割次数、装设成本、优化目标（最少根数、最低成本或最低废料率）、需要精确解还是快速近似、在线实时还是离线批量。代码示例中包含 first_fit_decreasing、best_fit_decreasing 及 ColumnGenerationCuttingStock 类，输出用料根数、利用率和废料。
适用场景：制造、建材、金属加工、造纸、纺织等线性材料下料排产与批量规划。
限制：启发式不保证最优；列生成实现复杂度较高；资料未提供具体价格、平台、性能基准或安装步骤，相关信息暂未提供，使用时需自行补充实际约束。