立项原因
该集团外销业务中，核心零部件以散件形式装入集装箱，运往海外工厂总装。传统人工排柜存在以下问题：
依赖老师傅经验，装载率仅65%-72%，每年浪费数万个集装箱
年物流费用数十亿元，装载率每提升1%，年节省超千万元
排柜人员与业务部门反复沟通尺寸、重量、优先级，效率低下，单次排柜耗时2小时
解决什么问题：开发一套AI驱动的算柜装箱系统，具备以下能力：
1）通过多目标优化算法自动生成装柜方案，装载率提升至85%以上
2）支持“对话式”交互（用户用自然语言描述约束，系统自动求解）
3）3D可视化预览，支持360°旋转、碰撞检测
4）单次排柜时间从2小时压缩至30秒以内
行业背景
全球供应链成本持续攀升，集装箱运输占外贸企业物流成本的30%-50%。2024年红海危机后，集装箱价格暴涨（从$2,000涨至$8,000+），装载率优化成为企业“纯利润增长点”。AI装箱算法是工业运筹学与LLM Agent结合的前沿场景，市场空间巨大。
模块 ｜ 功能说明
3D可视化装柜模拟器｜ 基于Three.js，支持360°旋转、透视、碰撞检测、剖面视图，实时预览装柜结果
多目标优化算法引擎｜ 实现NSGA-II、BSG等算法，同时优化装载率、重心平衡、易碎品保护、装卸便利性、订单优先级
LLM Agent交互层 ｜ 用户输入自然语言（如“优先装完A类订单，B类箱子的重心尽量低”），自动解析为优化目标权重，调用Function Calling
方案管理与对比 ｜ 保存历史排柜方案，支持A/B对比、装载率趋势分析、多方案并行对比
配置管理 ｜ 支持算法参数配置（种群大小、迭代代数、交叉/变异概率）、约束条件配置（重心阈值、易碎品保护、订单优先级、堆叠限制）
批量操作 ｜ 支持批量导出、批量同步ERP、批量重新优化
对接WMS/ERP ｜ 自动拉取订单数据、箱型数据、SKU尺寸，排柜结果回写ERP触发订舱
我负责的任务
整体架构设计：定义前端3D渲染、算法层、数据层、AI Agent层的职责边界
算法选型与魔改：基于BSG论文开源代码，增加多目标优化能力和硬约束（订单优先级、堆叠限制、易碎品保护）
LLM Agent设计：实现从自然语言到优化参数的映射（Function Calling + Prompt Engineering），意图分类器 + 实体识别
运维平台建设：配置管理、批量操作、方案对比、审计日志
技术栈
1）前端：React 18 + TypeScript + Three.js + WebGL + TailwindCSS
2）后端：Python（FastAPI）+ Java（Spring Boot）
3）算法：NumPy + Sci
难点与技术亮点
难点｜解决方案｜技术亮点
3D装箱问题NP-Hard｜采用遗传算法 + 启发式规则（先大后小、按层填充、转角优化）｜30秒内生成近似最优解，误差 60fps
算法执行效率｜计算密集型任务下放到C++扩展（pybind11）+ OpenMP并行进化 + 提前终止｜比纯Python实现快20倍，50万次评估/秒
实际业务成果｜2025年上半年，事业部集装箱平均装载率达85%，节约柜量1306个，节约工时2828人天｜综合降本800万元以上，ROI超300%
评论