Controllo e scheduling delle

operazioni

Paolo Detti
Dipartimento di Ingegneria dell’Informazione
Università di Siena
 Organizzazione della produzione

chi
PRODOTTO che cosa
ORGANIZZAZIONE

PROCESSO come

COORDINAMENTO

FLUSSO DI PRODUZIONE

PIANIFICAZIONE

SCHEDULING quando
 Pianificazione della produzione:
schedulazione di dettaglio

Sono dati:
• Un insieme di lavori (job): ognuno costituito da
una o più operazioni
• Un insieme di risorse (macchine) che devono
essere utilizzate per eseguire i lavori
 Scheduling delle operazioni

Scelta dei tempi di inizio e fine di ogni

operazione su ogni macchina
 Scheduling delle operazioni

Consideriamo:
3 lavori e 3 macchine
Job Sequenza delle operazioni
operazione=(macchina, tempo)
J1 (M1,10) (M2,5) (M3,6)

J2 (M2,5) (M1,8) -

J3 (M1,2) (M3,10) (M2,4)

 Diagramma di Gantt
Job Sequenza Operazioni
J1 (M1,10) (M2,5) (M3,6)

J2 (M2,5) (M1,8) -
J3 (M1,2) (M3,10) (M2,4)

M1 1 3 2

M2 2 1 3

M3 3 1

5 10 12 15 20 22 26 28
 Diagramma di Gantt
Job Sequenza Operazioni
J1 (M1,10) (M2,5) (M3,6)

J2 (M2,5) (M1,8) -
J3 (M1,2) (M3,10) (M2,4)

M1 3 1 2

M2 2 1 3

M3 3 1

2 5 12 17 20 21 23
 Classificazione dei problemi di
scheduling
Caratterizzazione dei lavori:

• tempo di processamento pj (pkj)

• data di consegna (duedate o deadline) dj
• data di rilascio (release date) rj
• peso del lavoro (priorità) wj
• tempo di set-up tra due lavori sij
 Classificazione dei problemi di
scheduling
Caratterizzazione delle risorse e dell’ambiente
produttivo:
• macchina singola
• macchine parallele
identiche
scorrelate
uniformi
• Flow shop
• Job shop
 Macchina singola

LAVORI M
 Macchine parallele

M1

LAVORI M2

M3
 Macchine in linea
(Flow shop)

LAVORI M1 M2 Mm
 Esempio
M1 M2

IN OUT
 Esempio
M1 M2

IN OUT
 Job shop

LAVORI

M1 M2

M3
 Misure di prestazione
(lavori)
Dato il lavoro i con release date e duedate:
• tempo di completamento Ci
• tempo di attraversamento Fi= Ci – ri
• Lateness Li= Ci – di
• Tardiness Ti= max{ 0, Ci – di }
• Earliness Ei= max{ 0, di – Ci }
• Lavori in ritardo Ui= 1 se Ci > di
Ui= 0 se Ci ≤ di
 Lateness
(Ritardo)
Ritardo del lavoro i : Li = Ci-di
Li(Ci)

Li > 0
Ci- di
Li < 0 di Ci
anticipo ritardo

di: tempo di consegna (duedate) per il lavoro i

 Misure di prestazione
(sistema)
• somma dei tempi di completamento: ΣiCi
• flow time totale: Σi Fi
• massima Lateness: Lmax = maxi Li
• massima Tardiness: Tmax = maxi Ti
•Tardiness totale pesata Σi wi Ti
• makespan Cmax = maxi Ci
• numero di lavori in ritardo Σi Ui
 Misure di prestazione

Equivalenza tra misure

n n n n n
Li = Ci − di = Fi + (ri − di )
i =1 i =1 i =1 i =1 i =1
 Misure di prestazione

Una sol. che minimizza Lmax minimizza anche

Tmax (ma, in generale, non è vero il viceversa):

Tmax = max {T1,...,Tn ,0} =

max {max {L1,0},..., max {Ln ,0}} =
= max {L1,..., Ln ,0} = max {Lmax ,0}
 Scheduling su singola macchina

Descrizione del problema

Un insieme di n operazioni deve
essere eseguito su una macchina

Dati
I tempi di processamento pi, i=1,…,n,
del lavoro i sulla macchina sono noti.

Obiettivo
Sequenziare le operazioni sulla
macchina in modo da minimizzare la
somma dei tempi di completamento.

min ΣiCi
 Gantt del Sequenziamento

Sequenza S
p1 p2 p3 p4 pn
op1 op2 op3 op4 opn
tempo
C1 C2 C3 C4 Cn

Cn=Σi pi: tempo di completamento totale

(makespan)
Obiettivo: min ΣiCi
se p2 < p1 allora scambiando le op. 1 e 2 si ha
C2< C1 e C1= C2

C2 + C1 < C2 + C1
p1 p2 p3 p4 pn
S op1 op2 op3 op4 opn
C1 C2 C3 C4 Cn tempo

p2 p1 p3 p4 pn
op2 op
op11 op3 op4 opn
S’ tempo
C2 C1 C3 C4 Cn
 Regola SPT
(shortest processing time first)

SPT: sequenzia prima le operazioni che hanno

tempo di esecuzione più piccolo

Consente di minimizzare la somma dei tempi di

completamento ΣiCi di n operazioni (lavori) su
una macchina
 Esempio

Lavori 1 2 3 4 5
pi 8 16 10 7 2

Sequenza ottima (5, 4, 1, 3, 2)

 Scheduling su singola macchina
Descrizione del problema
Un insieme di n operazioni devono
essere eseguiti su una macchina

Dati
I tempi di processamento pi, i=1,…,n,
del lavoro i sulla macchina sono noti.
Peso wi, i=1,…,n, associato ad ogni
lavoro.

Obiettivo
Sequenziare le operazioni sulla
macchina in modo da minimizzare:

min ΣiwiCi
 Regola WSPT
(weighted shortest processing time)
WSPT: sequenzia prima i lavori che hanno
il più piccolo rapporto:
pi
wi

Consente di minimizzare la somma pesata

dei tempi di completamento ΣwiCi
 Regola WSPT

Sia pi/ wi > pk/ wk consideriamo i due casi:

1. Il lavoro k è sequenziato subito dopo i
C i = A + pi e C k = A + pi + pk
f .ob . = B + w i ( A + p i ) + w k ( A + p i + p k ) + D =
B + (w i + w k ) A + w i p i + w k p i + w k p k + D

2. Il lavoro i è sequenziato subito dopo k

C 'k = A + p k e C 'i = A + p k + p i
f .ob . = B + w k ( A + p k ) + w i ( A + p k + p i ) =
B + (w i + w k ) A + w k p k + w i p k + w i p i + D
 Regola WSPT

Se pi/ wi > pk/ wk allora wkpi > wi pk

f .ob .( 1) − f .ob .( 2 ) = w k p i − w i p k > 0

f .ob .( 1) > f .ob .( 2 )

 Macchine parallele

M1

J1 J
2

LAVORI M2
J3 J
4

M3
 Scheduling su macchine parallele scorrelate

Descrizione del problema

n lavori devono essere processati da m macchine diverse
(unrelated) disposte parallelo.
Le macchine possono eseguire un solo lavoro alla volta.
Ogni lavoro deve essere eseguito su una ed una sola macchina
senza interruzione.

Dati
I tempi di processamento pij, i=1,…, m, del lavoro j sulla
macchina i sono noti.

Obiettivo
Assegnare i lavori alle macchine in modo tale da minimizzare il
tempo totale di completamento della macchina più carica
(equivalente a minimizzare il makespan).
 Esempio

Lavori
1 2 3 4 5
1 12 17 19 15 14
Macchine 2 30 17 16 31 17
3 28 27 28 23 27

Una soluzione ammissibile

M1 J1 J4

M2 J5 J2

M3 J3

34 t
 Esempio

Lavori
1 2 3 4 5
1 12 17 19 15 14
Macchine 2 30 17 16 31 17
3 28 27 28 23 27

Una soluzione ottima

M1 J1 J4

M2 J5 J3

M3 J2

33 t
 Complessità

Il problema è NP-completo anche con due macchine identiche

• m=2

• pij = p j i = 1,..., m
 Una formulazione di PLI

Definizione delle variabili

Ci , i=1,…, m, tempo di completamento della macchina i

1 se il lavoro j è assegnato alla macchina i

x ij =
0 altrimenti

Cmax = max i =1,...,m {Ci } tempo di completame nto di tutto il sistema

Nota: il tempo di completamento della macchina più carica

corrisponde al tempo di completamento del lavoro che finisce
per ultimo
 Formulazione del Problema

Definizione delle variabili

Il tempo di completamento Ci della generica macchina i è pari a:

n
Ci = pij x ij
j =1

n
Cmax = max i =1,...,m {Ci } = max i =1,...,m pij x ij
j =1
Una formulazione del Problema

n
min{Cmax } = min max i =1,...,m pij x ij
j =1

tale che
m
x ij = 1 j = 1,...,n
i =1

x ij ∈ {0,1}
 Una formulazione di PLI

min W
tale che
n
Ci = pij x ij ≤ W i = 1,...,m
j =1
m
x ij = 1 j = 1,...,n
i =1

xij ∈ {0,1}
ASSEGNAMENTO DELLE
OPERAZIONI DI TAGLIO
NELLA PRODUZIONE DI
CAPI DI ABBIGLIAMENTO
Lo scenario produttivo

• La PAL ZILERI produce capi di

abbigliamento per l’alta moda
• Ogni capo è costituito da vari pezzi
di tessuto (figure)
• Le figure vanno tagliate da un nastro
che scorre a velocità costante v0
Lo scenario produttivo

• La disposizione delle figure sul

nastro è nota a priori (cutting stock
risolto a monte)
• Il taglio delle figure è effettuato da un
insieme di macchine identiche
disposte in linea
• Ciascuna macchina ha un’area di
lavoro di lunghezza Ws
Piazzamento
 Lo scenario produttivo
Stazioni di lavoro

figure
1 2 m

•V0 = 12.5 cm/sec

Ws
• Ws = 2.5 m
Area di lavoro
Il problema decisionale

• Il problema è quello di assegnare le figure

alle macchine, e di sequenziare i tagli su
ciascuna macchina
• Ciascun taglio deve avvenire entro una
determinata finestra temporale (diversa a
seconda della macchina cui è assegnata
la figura) di ampiezza Ws/v0
Il problema decisionale

• Tra il taglio di una figura e la

successiva intercorre un tempo di
switch dipendente dalla sequenza
• Gli obiettivi:
– minimizzare il numero di macchine
– bilanciare i carichi di lavoro
Il problema decisionale

• L’insieme delle figure relative a uno

stesso capo e la loro disposizione sul
tessuto (piazzamento) giungono in
tempo reale
• L’assegnamento va deciso in poco
tempo (30 sec.)
• Problema decisionale on line
Modello combinatorio

6
1 2
4 3
5 6
2 5 4
6
4 1 6 13
3
2
Modello combinatorio
Modello combinatorio
Metodologie di soluzione

• Due approcci risolutivi

• Approccio esatto, basato su metodi
di programmazione a numeri interi
• Approccio euristico, basato su
algoritmi di instradamento push e
pull
Approccio esatto

• Il problema è simile a un problema di

vehicle routing con time windows
• Generalizzazione del problema del
commesso viaggiatore
• Problema difficile
Approccio esatto
• Sia m l’insieme di tutti i sottoinsiemi di figure
che possono essere tagliati da una sola
macchina entro la propria finestra temporale
(itinerari)
• Ad ogni itinerario è associato un dato insieme
di figure da tagliare
• xk è una variabile di decisione che è pari a 1 se
l’itinerario k è assegnato ad una macchina
• La somma Σk xk esprime il numero di itinerari,
ossia il numero di macchine
 Una formulazione di set covering
Sia {1,…, n} l’insieme di figure di un
piazzamento.

Sia A = {A1,…,Am} una matrice n × m, in cui la

generica colonna Ak descrive un itinerario
possibile per una macchina. A ha componenti:

1 se la figura j è assegnata all’itinerario k

ajk=
0 altrimenti
 Una formulazione di set covering
Sia xk pari a 1 se la colonna Ak è selezionata e 0 altrimenti.
Una formulazione del problema è:

m
min x k
k = 1
m
a jk x k ≥ 1 j = 1 ,..., n
k = 1

x k ∈ { 0 ,1 } k = 1 ,..., m
(Barnhart C. et al., 1994; Chen, Z.L. and Powell,W.B., 1999; Van den Akker
J.M. et al., 1999)
Approccio esatto

•m è il numero (elevatissimo) di
possibili itinerari
• Anche enumerandoli tutti, occorre
risolvere un problema intero di
elevatissime dimensioni
>>> generazione di colonne
 Generazione di Colonne
Primale Duale
m
n
min xk max uj
k =1
j =1
m
a x k ≥ 1 j = 1,...,n n

k =1
jk
a jk u j ≤ 1 k = 1,...,m
j =1
x k ≤ 1 k = 1,...,m
u j ≥ 0 j = 1,...,n
x k ≥ 0 k = 1,...,m

Sia u* la soluzione del problema duale (ristretto).

Un vincolo duale è violato dalla corrente soluzione duale se:

n
a jk u *j > 1
j =1
Un metodo di generazione di colonne

Problema di separazione per generare un vincolo duale violato

dalla corrente soluzione duale
n
max a j u *j
j =1

tale che
a j ∈ {0 ,1}
le figure scelte ( a j = 1) possono
essere eseguite tutte su una macchina
 Un metodo di generazione di colonne

Il problema di separazione per generare un vincolo

duale violato e quindi una nuova colonna del primale
è:

1 | r js ij | w j U j

w j = u *
j

Nota che rj e dj sono agreeable (le finestre temporali di

ogni figura sono tutte lunghe Ws/σ), cioè:

r j ≤ ri ⇔ d j ≤ d i
 Problema di separazione senza tempi di
set-up (1|rj|ΣwjUj )

Esiste un algoritmo di programmzione dinamica

(Lawler and Moore, 1969) per il risolvere il problema
1||ΣwjUj

Tale algoritmo può essere esteso al problema

1|rj|ΣwjUj se release date e duedate dei lavori sono
agreeable
 Un algoritmo di programmazione dinamica

Supponiamo di ordinare i job in modo che d1 ≤ d2 ≤ … ≤ dn (r1 ≤

r2 ≤ … ≤ rn)

Sia P(j, t) la soluzione ottima del problema 1|rj|ΣwjUj in cui sono

considerati solo i primi j job, ed in cui il tempo totale di
completamento dei job in tempo è al più t

P ( j − 1, t ) t < r j + p j
{( ) }
P ( j , t ) = max P j − 1, t − p j + u *j ; P ( j − 1, t ) r j + p j ≤ t ≤ d j
( )
P j, d j t > d j
Metodologie di soluzione

Approccio euristico basato su

algoritmi di instradamento push e
pull
Applicazione euristica push

1. Si individua la prossima figura da

assegnare
2. La figura seleziona una macchina
3. La macchina inserisce la figura nel
proprio schedule
push: ordinamento delle figure

• LPT in ordine decrescente di tempo di

taglio
• EDD in ordine di uscita dal sistema
• ERD in ordine di entrata nel sistema
• ti istante in cui Mi diviene disponibile
• Sij = max{rij, ti + cij}
primo istante in cui può iniziare la
figura j se assegnata a Mi
• Qij = Sij - ti (idle)
 Earliest start time
Set-up per la figura j

t
ti ti+cij Sij
Ultima figura
tagliata
Idle: Qij = Sij - ti
push: selezione della macchina

La figura j corrente sceglie la macchina:

• min Ci che si libera prima

• min Wi con il minimo carico di lavoro
• min Qij che è in grado di tagliare la figura
j col minimo idle
Applicazione euristica pull

1. Si individua la prossima macchina a

cui allocare un lavoro
2. La macchina seleziona una figura
3. La macchina inserisce la figura nel
proprio schedule
pull: ordinamento delle macchine

La macchina che opera la scelta è quella:

• min Ci che si libera prima

pull: selezione della figura

La macchina Mi corrente sceglie la figura,

tra quelle non allocate:

• EDD che uscirà prima dal sistema

• ERD che entrerà prima nel sistema
• min Qij la figura j che è in grado di
tagliare col minimo idle
Inserimento della figura

• In ambedue gli approcci, quando si

determina un accoppiamento
figura/macchina, la figura deve
essere inserita nello schedule
corrente della macchina
Inserimento della figura

• INS1 (EDD) le figure sono tagliate in

ordine di entrata nel sistema
• INS2 (FIFO) le figure sono tagliate
nell’ordine in cui sono state allocate
 Euristiche push

Ordinamento Selezione macchina Inserim.

delle figure
Push1 LPT min Wi EDD

Push2 EDD min Qij FIFO

Push3 EDD min Ci FIFO

Push4 EDD min Wi FIFO

Push5 ERD min Wi EDD

 Euristiche pull

Ordinamento delle Selezione figure Inserim.

macchine

Pull 1 min Ci EDD FIFO

Pull 2 min Ci min Qij FIFO

Pull 3 min Ci ERD FIFO

 Indici di performance
E j = D j − (t + p j )
k
j earliness della figura fj
processata sulla
macchina Mk
Emin = min f j ∈B E j minima earliness del
piazzamento
Ej
f j ∈B earliness media del
E= piazzamento
n
C max = max i =1,..,m Ci ( ) tempo di completamento
del piazzamento
m numero di macchine
Istanze reali

• Istanza R1: 624 figure raggruppate in

12 piazzamenti
• Istanza R2: 896 figure raggruppate in
16 piazzamenti
 Algoritmi push per l’istanza R1

Push1 Push2 Push3 Push4 Push5

Emin 1.7 7 5.9 6.2 1.4

E 10.1 11.7 13.5 11.4 9.8

Cmax 31.5 28.2 28.4 29.2 30.8

m 6 6 6 6 6
Algoritmi pull per l’istanza R1

Pull1 Pull2 Pull3

Emin 6.9 7.4 5.9

E 11.2 15 13.5

Cmax 28.5 29.1 28.3

m 6 7 6
 Algoritmi push per l’istanza R2

Push1 Push2 Push3 Push4 Push5

Emin 1.3 6.5 6.2 5.3 0.9

E 10.7 12.4 14.2 12.1 10.4

Cmax 35 29.2 29.3 32.3 34.7

m 7 7 7 7 7
Algoritmi pull per l’istanza R2

Pull1 Pull2 Pull3

Emin 6.3 6.1 6.2

E 11.4 14.3 14.1

Cmax 29 30.1 29.5

m 7 7 7