Empaquetado 3D de Carga en 0.3 Segundos: Algoritmo MaxRects con LIFO y Rotación Completa
Un servicio web en Django resuelve el problema de empaquetado 3D de carga para flotas de camiones, contenedores y furgonetas. El algoritmo procesa más de 400 artículos SKU en 0.19–0.3 segundos, considerando LIFO, área de soporte del 90% y rotación en 6 ejes. Una interfaz con Three.js visualiza los resultados en tiempo real, admitiendo carga de Excel y entrada manual.
Evolución de Bot de Telegram a Plataforma Completa
El proyecto comenzó con motores de optimización: 0.4 segundos para el problema del viajante con 10,000 puntos, menos de 1 segundo para empaquetar formas complejas como tréboles. Un bot de Telegram aceptaba JSON con dimensiones y devolvía coordenadas, pero el comercio minorista requería una interfaz web.
Requisitos clave del producto:
- Interfaz de dos paneles para flota y carga.
- Análisis de Excel con validación.
- Visualización 3D interactiva con Three.js.
Stack tecnológico: Python/Django, PostgreSQL en Docker, frontend con Three.js. Prioridad: velocidad y practicidad—LIFO importa más que la densidad perfecta.
Algoritmo 3D MaxRects: Física sobre Matemáticas
El 3D MaxRects modificado trabaja con una lista de paralelepípedos libres en el espacio de carga, evitando la enumeración completa de coordenadas. La vectorización ofrece un rendimiento de 0.19–0.3 segundos para una flota de 8 vehículos.
Parámetros de viabilidad física:
- Rotación completa (6 proyecciones): Los artículos largos (2400 mm) intentan posiciones verticales o de borde si las dimensiones lo permiten.
- Área de Soporte 90%: Las cajas descansan sobre la capa inferior con al menos un 90% de área, eliminando soluciones inestables.
- Orden LIFO: Se considera la secuencia de descarga para almacenes reales.
Comparación de mercado: los competidores tardan minutos u horas, a menudo ignorando LIFO y física.
Arquitectura: Django, Docker y Escalabilidad
Backend en Django + PostgreSQL en contenedores Docker. Nginx + Gunicorn (3 workers) asegura tolerancia a fallos. HTTPS en puerto 443 evita firewalls corporativos. El uso promedio de memoria es del 29% en un servidor de 8 GB con 400 SKUs.
Autorización vía Django Auth: aislamiento de datos por usuario, historial de cálculos en ORM. Cada usuario ve solo su flota y carga.
Interfaz: Entrada Flexible y Ajustes Finos
Diseño de dos paneles separa flota (derecha) y carga (izquierda). Flota: dimensiones, capacidad de carga, cantidad. Carga: tamaño, peso, cantidad, parámetros (LIFO, Límite de Apilamiento).
Opciones de entrada:
- Formularios manuales para ajustes.
- Carga por lotes en Excel con validación.
Casillas de optimización:
- Inclinación: Permitir/restringir rotación para carga frágil.
- Optimización de flota: Priorizar llenar vehículos grandes para minimizar viajes.
Visualización y Exportación de Resultados
Cálculo en 0.19–0.3 segundos produce una escena 3D con Three.js. Codificación por color por SKU, rotación interactiva, verificaciones de LIFO y soporte. Exportación: informes PDF o Excel con coordenadas X, Y, Z.
Despliegue para Producción
Gunicorn con 3 workers + proxy inverso Nginx. Docker asegura autonomía. Pruebas: 98% de cobertura, estabilidad bajo carga de múltiples usuarios.
Conclusiones Clave
- Velocidad de 0.19–0.3 segundos para 400 SKUs y 8 vehículos.
- Restricciones físicas: LIFO, soporte del 90%, rotación de 6 ejes.
- Interfaz para logística: Excel, visualización 3D, aislamiento de datos.
- Stack de producción: Django, Docker, Nginx/Gunicorn.
- Escalabilidad: bajo consumo de recursos.
— Editorial Team
Aún no hay comentarios.