Go 语言实现的服务器端铝型材线性优化算法服务，面向 Docker 容器部署。

支持以下业务场景：

• 同一种材料，多种成品长度
• 多种材料，多种成品长度
• 原材料长度可手动指定
• 原材料长度可按范围给出，由算法自动推荐
• 支持多种原材料长度和数量的库存约束
• 支持下刀缝宽度（kerf）输入，默认 5mm
• 相同输入必须得到相同输出（确定性结果）

当前版本分为两层：

第一阶段严格参考你给的 Excel/VBA 文件实现，核心行为与宏 线性优化() 保持一致：

1. 先按成品长度从大到小排序；
2. 将“长度 + 数量”展开成逐件列表；
3. 逐件按顺序尝试塞进当前已开原料；
4. 如果已有原料都放不下，就新开一根原料；
5. 刀缝按 VBA 规则计入：首段不加刀缝，后续每增加一段增加 kerf_width；
6. 最终按相同切割组合做汇总，生成和 Excel “输出”页一致的模式统计结果。

这意味着：

• 算法是确定性的贪心首适配（First-Fit Decreasing）；
• 输出不仅有逐根 batches，还会给出汇总后的 pattern_summaries；
• 已用 Excel 样例 2线条06 做测试对齐，结果与原表一致：
  • 用料根数 88
  • 总尾料 26096
  • 组合汇总：
    • 1782mm×3 1582mm×1 × 50
    • 1782mm×2 1582mm×2 × 1
    • 1582mm×4 × 37

在不破坏 V1 确定性和可复核性的前提下，已经补上服务端更实用的扩展能力：

• 同一种材料，多种成品长度
• 多种材料，多种成品长度
• 原材料长度手动指定 allowed_stock_lengths
• 原材料长度按范围推荐 allowed_stock_range
• 明确库存约束 stock_items（长度 + 数量）
• 相同语义输入返回相同结果

当前扩展层的批次选择策略是：

1. 枚举所有材料及可用原料长度；
2. 对每个候选长度，按 V1 同样的贪心装载方式模拟一批；
3. 在候选批次中稳定选择：
   • 优先容纳件数更多；
   • 件数相同则尾料更少；
   • 尾料相同则原料更短；
   • 仍相同则按材料名排序。

这保证了接口扩展后，依然保持可解释、可重现、可审计。

说明：这是第一版可落地实现，先复刻 Excel/VBA，再向动态规划、整数规划、列生成等更强优化算法演进。

curl http://localhost:8080/healthz

curl -X POST http://localhost:8080/optimize \
  -H 'Content-Type: application/json' \
  -d '{
    "kerf_width": 5,
    "materials": [
      {
        "name": "6063-T5",
        "allowed_stock_range": {"min": 5000, "max": 7000, "step": 500}
      },
      {
        "name": "6061-T6",
        "allowed_stock_lengths": [6000, 6500]
      },
      {
        "name": "6063-inventory",
        "stock_items": [
          {"length": 6000, "quantity": 2},
          {"length": 4500, "quantity": 3}
        ]
      }
    ],
    "cuts": [
      {"length": 1800, "quantity": 3},
      {"length": 900, "quantity": 2}
    ]
  }'

字段说明：

• kerf_width：下刀缝宽度，单位 mm；可省略，默认 5
• materials[].allowed_stock_lengths：允许算法自由选用的原材料长度列表（默认视为数量不限）
• materials[].allowed_stock_range：允许算法在范围内按步长枚举原材料长度（默认视为数量不限）
• materials[].stock_items：明确库存约束，支持“多种长度 + 每种长度对应数量”
• cuts[]：成品切割需求，length 为长度，quantity 为数量

allowed_stock_lengths / allowed_stock_range 可以和 stock_items 同时存在：前两者表示可自由选型，后者表示有限库存；算法会统一排序后做确定性选择。

返回示例：

{
  "batches": [
    {
      "material_name": "6063-T5",
      "stock_length": 5500,
      "cuts": [1800, 1800, 1800],
      "waste": 90
    },
    {
      "material_name": "6063-inventory",
      "stock_length": 4500,
      "cuts": [900, 900],
      "waste": 2695
    }
  ],
  "pattern_summaries": [
    {
      "pattern_key": "1800+1800+1800",
      "display_text": "1800mm×3",
      "count": 1,
      "waste": 90,
      "cuts": [1800, 1800, 1800]
    },
    {
      "pattern_key": "900+900",
      "display_text": "900mm×2",
      "count": 1,
      "waste": 2695,
      "cuts": [900, 900]
    }
  ],
  "total_waste": 2785
}

其中：

• batches：逐根原料的下料结果
• pattern_summaries：按 Excel “输出”页风格汇总后的切割模式统计
• total_waste：总尾料

项目不依赖本机 Go 环境，直接用 Docker 运行：

docker build -t xxyh:local .
docker run --rm -p 8080:8080 xxyh:local

构建阶段会自动执行：

go test ./...

.
├── cmd/server/main.go        # HTTP 服务入口
├── internal/optimizer/       # 确定性优化算法
├── Dockerfile                # Alpine 运行镜像
└── README.md

• 基于 Excel/VBA 逻辑实现确定性首适配降序下料
• 支持刀缝参数
• 支持 Excel 风格的组合汇总输出 pattern_summaries
• 支持多材料、多原料长度、长度范围推荐、库存数量约束
• 提供 HTTP API 与 Alpine Docker 镜像
• 通过 Docker 构建时自动执行 go test ./...

后续如果要进一步提升“最优率”或业务表达能力，建议继续增加：

• 最小尾料复用阈值
• 按材料成本/重量/库存优先级打分
• 动态规划 / 分支定界 / 整数规划求全局最优
• 同一输入的 canonical JSON hash，便于结果缓存与审计
• Excel 导入接口 / 报表导出接口