使用 LIFO 的 0.3 秒 3D 货物装箱器

3D货物装箱0.3秒完成：MaxRects算法结合LIFO与全旋转

一个Django网络服务解决了卡车、集装箱和货车车队的3D货物装箱问题。该算法在0.19–0.3秒内处理400多个SKU物品，考虑了LIFO、90%支撑面积和6轴旋转。与Three.js的接口实时可视化结果，支持Excel上传和手动输入。

从Telegram机器人到完整平台的演进

项目始于优化引擎：0.4秒解决10,000点的旅行商问题，不到1秒打包复杂形状如三叶形。一个Telegram机器人接受带尺寸的JSON并输出坐标，但零售业需要一个网络界面。

关键产品需求：

• 车队和货物的双面板界面。
• 带验证的Excel解析。
• 使用Three.js的交互式3D可视化。

技术栈：Python/Django、Docker中的PostgreSQL、Three.js前端。优先考虑速度和实用性——LIFO比完美密度更重要。

3D MaxRects算法：物理优先于数学

改进的3D MaxRects处理货物空间中的自由平行六面体列表，避免全坐标枚举。向量化实现了8辆车队0.19–0.3秒的性能。

物理可行性参数：

• 全旋转（6个投影）： 长物品（2400毫米）在尺寸允许时尝试垂直或边缘位置。
• 支撑面积90%： 箱子至少90%面积支撑在下层，消除不稳定方案。
• LIFO顺序： 考虑现实仓库的卸载顺序。

市场对比：竞争对手需要几分钟或几小时，常忽略LIFO和物理约束。

架构：Django、Docker和可扩展性

后端基于Docker容器中的Django + PostgreSQL。Nginx + Gunicorn（3个工作者）确保容错性。443端口的HTTPS绕过企业防火墙。在8 GB服务器上，处理400个SKU时平均内存使用率为29%。

通过Django Auth授权：数据按用户隔离，计算历史记录在ORM中。每个用户仅看到自己的车队和货物。

界面：灵活输入和微调

双面板布局分隔车队（右侧）和货物（左侧）。车队：尺寸、载重能力、数量。货物：大小、重量、数量、参数（LIFO、堆叠限制）。

输入选项：

• 手动表单进行调整。
• 带验证的批量Excel上传。

优化复选框：

• 倾斜： 允许/限制易碎货物的旋转。
• 车队优化： 优先填满大型车辆以减少行程。

可视化和结果导出

0.19–0.3秒的计算输出Three.js的3D场景。按SKU颜色编码，交互式旋转，LIFO和支撑检查。导出：PDF报告或带X、Y、Z坐标的Excel。

生产部署

Gunicorn带3个工作者 + Nginx反向代理。Docker确保自主性。测试：98%覆盖率，多用户负载下的稳定性。

关键要点

• 400个SKU和8辆车队0.19–0.3秒的速度。
• 物理约束：LIFO、90%支撑、6轴旋转。
• 物流界面：Excel、3D可视化、数据隔离。
• 生产栈：Django、Docker、Nginx/Gunicorn。
• 可扩展性：低资源消耗。

— Editorial Team