Bibliografia. Gestione operativa della produzione. Terminologia. Schedulazione. Schedulazione operativa della produzione

Transcript

1 Bibliografia Gestione operativa della produzione Schedulazione operativa della produzione 14/12/ E.L. Lawler, J.K. Lenstra, A.G.H. Rinnoy Kan, D.B. Shmoys, Sequencing and Scheduling: Algorithms and Complexity, in S.C. Graves, A.H.G. Rinnooy Kan, P.H. Zipkin, (Eds.), Handbooks of Operations Research and Management Science vol. 4, Logistics of Production and Inventory, North Holland, Amsterdam, NL, J. Blazewicz, K.H. Ecker, G. Schmidt, J. Weglarz, Scheduling in Computer and Manufacturing System, Springer-Verlag, Berlin, D, Schedulazione Terminologia L MRP ha fissato i tempi di disponibilità dei materiali, delle risorse e delle lavorazioni (tipicamente giorno per giorno). Con la schedulazione si devono fissare (tipicamente all interno della giornata) la sequenza e i tempi delle operazioni che compongono le lavorazioni da eseguire. task: operazione elementare di lavorazione; job: insieme parzialmente ordinato di task che descrivono una lavorazione complessa; machine: (macchina) una risorsa che può eseguire al massimo una attività (task) alla volta. Se una risorsa può essere utilizzata da più attività e/o un attività utilizza più risorse si parla di problemi resource-constrained project. Nel caso di più macchine si possono avere diverse disposizioni tra cui macchine in parallelo, in serie e a bucket-brigade 3 4

2 Il problema della schedulazione Il problema della schedulazione Dati uno o più job, si pone un problema di schedulazione quando i task che devono essere eseguiti competono per un insieme di risorse limitate. Una soluzione di un problema di schedulazione è detta scheduling. Uno scheduling è detto ammissibile (feasible) se rispetta tutti vincoli (e.g., non sovrapposizione, rispetto release time, etc..), è ottimo se minimizza un dato criterio. Tipicamente i problemi di schedulazione sono NP-hard e vengono risolti con euristiche. Dato un problema di schedulazione sia γ * il valore ottimo γ (A) un approssimazione fornita dall algoritmo A. L algoritmo A è detto c-approssimante se per qualunque istanza del problema γ (A) /γ * c. 5 6 Obiettivi della schedulazione Obiettivi della schedulazione Minimizzare i costi si traduce operativamente nell ottimizzare i seguenti, a volte contrastanti, obiettivi: massimizzare il rispetto delle date di consegna (due date); minimizzare le parti in attesa di lavorazione (work-in-process inventory WIP ); minimizzare il tempo di attraversamento del sistema (flow time); massimizzare il numero parti lavorate per unità di tempo (throughput); massimizzare l utilizzazione delle risorse (anche umane); minimizzare i tempi di allestimento, regolazione, ecc. dei macchinari (set-up); massimizzare la correttezza dell informazione disponibile;... Minimizzazione del WIP e massimizzazione del throughput sono obiettivi contrastanti. Il throughput risulta essere massimo quando vi è sempre disponibilità di parti da lavorare, viceversa il WIP è minimo quando non vi sono parti in attesa di essere lavorate. A meno di un coordinamento perfetto tra tutti tempi di lavorazione in modo che una nuova parte si renda immediatamente disponibile appena viene terminata una lavorazione, cosa che in pratica non avviene mai, le due condizioni precedenti sono incompatibili. 7 8

3 Vincoli della schedulazione Stocasticità nella schedulazione disponibilità dei job da eseguire (i vari job sono lanciati in diversi istanti temporali); compatibilità task-risorse (alcuni task possono essere eseguiti solo da determinate risorse); sequenze di lavorazione (alcuni task devono essere eseguiti rispettando un preciso ordine e specifici intervalli temporali tra la fine di uno e l inizio dell altro; disponibilità delle risorse (alcune risorse potrebbero non essere sempre disponibili, e.g., a causa di manutenzione periodica); capacità delle risorse;... disponibilità job disponibilità risorse tempi di lavorazione Leve decisionali nella schedulazione assegnazione dei task alle risorse che devono eseguirli; sequenziazione dei task; tempificazione dell inizio/fine dell esecuzione dei task*. * N.B.: non sempre è conveniente eseguire un task il prima possibile e quindi la sequenziazione non implica la tempificazione. 11 Terminologia job shop: problema di schedulazione di n job su m macchine; flow shop: problema di schedulazione di n job di m task su m macchine, tutti i job devono subire, nella stessa sequenza, una e una sola lavorazione (task) su ogni macchina; parallel/sequential: situazione in cui più macchine identiche/ una sola macchina possono eseguire i task; preemption: situazione in cui l esecuzione di un task può essere interrotta per essere ripresa in seguito; static/dynamic: situazione in cui sono/non sono noti i tempi di lancio di tutti job da eseguire prima della schedulazione ed esecuzione del primo task; 12

4 Terminologia flow time: tempo di permanenza/attraversamento del sistema, intervallo di tempo che intercorre tra l istante iniziale di disponibilità di un job e l istante di completamento dell ultimo task; makespan: intervallo di tempo richiesto dalla schedulazione effettuata per completare tutti i job; tardiness, lateness: differenza, se positiva nel caso della tardiness, tra il tempo di completamento di un job e la sua data di consegna. Un job è tardy (in ritardo) se completato dopo la data di consegna; earliness:differenza, se positiva, tra la data di consegna di un job e il suo tempo di completamento. Un job è early (in anticipo) se completato prima della data di consegna. Schedulazione casi più semplici Si considerano inizialmente job composti di un unico task da schedulare su un unica macchina in problemi di schedulazione statica Modello Modello Ogni job i degli n da eseguire si ritiene caratterizzato da: parametri p i : tempo di esecuzione (processing time) r i : tempo di rilascio/lancio (release time) d i : data di consegna (due date) D i : data di recesso (deadline) variabili decisionali (caso senza preemption) C i : tempo completamento job (completion time) di solito variabile principale t i = C i -p i : tempo inizio esecuzione (starting time) W i = t i -r i : tempo attesa (waiting time) F i = C i -r i : tempo permanenza/attraversamento del sistema (flow time) L i = C i -d i : tempo di ritardo (lateness) T i = (C i -d i ) + : ritardo (tardiness) U i = 1{C i > D i }: violazione della deadline (tardy) E i = (d i -C i ) + : anticipo (earliness) 15 16

5 Modello vincoli (caso senza preemption) per qualunque job i r i t i C i D i... per qualunque coppia di job (i,j) Modello Possibili misure (obiettivi da ottimizzare) per la schedulazione: C = Σ i C i /n: tempo medio completamento dei job C max = max{c i }: tempo max completamento dei job (makespan) W, W max, F, F max, ecc... U = Σ i u i : numero di job tardy C i t j oppure C j t i Misure equivalenti Le misure sono equivalenti se ottimizzare una equivale ad ottimizzare le altre: C, F, W, L :poiché, e.g., F = W + Σ i p i /n = W +cost, L max implica T max (non viceversa): poiché L max = T max, se L max >0 e T max = 0 altrimenti; Misure regolari uno schedule è detto semi-attivo se non è possibile anticipare l esecuzione di un job senza alterare la sequenza degli stessi (la macchina non è lasciata inutilizzata (idle) se è possibile eseguire un job senza modificare la schedulazione degli altri); uno schedule è detto attivo se non è possibile anticipare l esecuzione di un job anche alterando la sequenza degli stessi (la macchina non è mai lasciata inutilizzata (idle) se è possibile eseguire un job); una misura è regolare se è nondecrescente nei completion time dei job, che implica che esiste sempre una soluzione ottima semi-attiva: C, C max, T max, U sono regolari, E, E max non sono regolari (può convenire ritardare l esecuzione di un job); 19 20

6 Due job J 1 e J 2 t.c.: J 1 : r 1 =1, p 1 =1, J 2 : r 2 =0, p 2 =10; due possibili scheduling semiattivi* {J 1,J 2 } e {J 2,J 1 } e uno solo attivo {J 2,J 1 }: C (J 1,J 2 ) = (2+12)/2 = 7 C max (J 1,J 2 ) = max{2,12} = 12 C (J 2,J 1 ) = (10+11)/2 = 10.5 C max (J 2,J 1 ) = max{10,11} = 11 * quando uno scheduling è semi-attivo il sequenziamento definisce anche la tempificazione. : diagrammi di Gantt J 1 J J 2 J Notazione Notazione Per i problemi di scheduling si usa una notazione a tre campi: ad esempio tipo problema / caratteristiche job o task/ obiettivo tipo problema: 1: singola macchina P m: macchine parallele (generico) F n: flow shop di n task su n macchine J n job shop (ordine diverso per ogni job) su n macchine O open shop (non vi è ordine nelle operazioni di un job),... 1 / r i /T max 23 24

7 Notazione caratteristiche job: pmtn: è ammessa la preemption prec: esistono precedenze tra i task dei job o tra i job r i : i job hanno release time diverso da zero, D i : i job hanno deadline diversa da infinito, p i =1: tutti i job hanno tempo di esecuzione / /Σ i C i (1/ /Σ i L i, 1/ /Σ i F i, 1/ /Σ i W i ) Problema: minimizzare il tempo medio di completamento su singola macchina di job con identica release time. obiettivo: T max, : minimizzare tardiness massima Σ i T i : minimizzare tardiness media Σ i w i C i : minimizzare tempi di completamento pesati Teorema: la politica Shortest Processing Time first (SPT) determina la soluzione ottima. Si eseguono per prima i job con tempo di esecuzione minore / /Σ i C i Prova: la misura è regolare e dato che i tempi di rilascio sono tutti uguali la macchina non deve rimanere mai inutilizzata (affermazioni provabili facilmente per assurdo), i job devono essere eseguiti in sequenza senza interruzione; sia c (k) il tempo di completamento del k-mo job nella sequenza: c (k) = p (1) + p (2) p (k) il tempo medio di completamento risulta quindi essere: Σ i c (i) /n = Σ k c (k) /n =(np (1) + (n-1)p (2) p (n) )/n la somma np (1) + (n-1)p (2) p (n) è minima se Schedule iniziale Job p i (posiz.) C i j 1 6 (1) 6 j 2 4 (2) 10 j 3 7 (3) 17 j 4 3 (4) 20 j 5 5 (5) 25 j 6 9 (6) 34 Σ i C i /n = Σ i W i /n = quindi SPT è ottima. p (1) p (2)... p (n) j 1 j 2 j 3 j 4 j 5 j

8 Schedule ottimo (SPT) Job p i (posiz.) C i j 1 6 (4) 18 j 2 4 (2) 7 j 3 7 (5) 25 j 4 3 (1) 3 j 5 5 (3) 12 j 6 9 (6) 34 Σ i C i /n = Σ i W i /n = / /Σ i w i C i l algoritmo SPT è O(nlog n) o comunque legato ai tempi di un ordinamento; si generalizza al caso 1/ /Σ i w i C i (con w i pesi) ordinando per rapporti tempi di esecuzione su pesi crescenti (regola di Smith) p (1) / w (1) p (2) / w (2)... p (n) / w (n) rimane ottimo anche nel caso di tempi di esecuzione stocastici se si ordina in base ai tempi attesi di esecuzione e si vuole ottimizzare il valore atteso della misura. j 4 j 3 j 2 j 5 j 1 j Schedule ottimo (regola di Smith) Job p i w i (posiz.) C i j (1) 6 j (2) 10 j (6) 34 j (3) 13 j (5) 27 j (4) 22 Σ i w i C i /n = j 1 j 2 j 4 j 6 j 5 j 3 Σ i C i /n = (Σ i w i C i /n )/(Σ i w i /n ) = / /Σ i w i C i In generale quando, dato un criterio f(.), è possibile definire una relazione di ordine totale del tipo a b se e solo se f(..ab..) f(..ba..) lo scheduling ottimo è banalmente ottenuto ordinando i job in base a. (dimostrazione per assurdo su scambi tra job adiacenti). Questo criterio può essere generalizzato ad a e b stringhe ed è utile per produrre algoritmi polinomiali quando si abbiano delle precedenze serie parallelo

9 1/... /Σ i w i C i La regola di Smith può essere generalizzata permettendo di sviluppare buoni metodi enumerativi per il problema NP-hard 1/prec/Σ i w i C i. Per 1/tree/Σ i w i C i, 1/serie-parall/Σ i w i C i si possono sviluppare algoritmi polinomiali (regola di Sidney): devono essere schedulati prima i task del set U (U è un set di job iniziali, i.e., che non hanno predecessori al di fuori di U) t.c. sia minimo il rapporto ρ (U) = Σ i U p i / Σ i U w i. 1/... /Σ i w i C i Con variazioni della regola di Smith si risolvono polinomialmente: 1/D i /Σ i C i e 1/ pmtn,r i,d i / Σ i C i ma sono NP-hard 1/r i /Σ i C i e 1/D i /Σ i w i C i e 1/ pmtn,r i,d i / Σ i w i C i. Metodi di Branch and Bound (B&B) sono utilizzati per il problema generale, si usa in genere il rilassamento lagrangiano dualizzando il vincolo C j D j o C j r j +d j / / L max Problema: minimizzare la lateness massima (e quindi anche della tardiness massima ) su singola macchina di job con identica release time ma due date diverse*. Teorema: la politica Earliest Due Date first (EDD - regola di Jackson) determina la soluzione ottima. Si eseguono per prima i job con due date più ravvicinata. Prova: per assurdo supporre una sequenziazione che non soddisfi tale condizione e invertire le posizioni di due dei job adiacenti che la violano. Il risultato è valido anche nel caso stocastico. * d i omesse nella notazione perché implicite in L max. Schedule ottimo (EDD) Job p i d i (posiz.) C i L i j (4) 20-1 j (2) 7-4 j (3) 14 1 j (1) 3-7 j (5) 25-1 j (6) 34 4 j 4 j 2 j 3 j 1 j 5 j 6 L max = 4 Σ i L i /n = con SPT L max = 12 Σ i L i /n =

10 1/... / L max 1/r i /L max è in generale NP-hard. Casi polinomiali particolari sono: 1/ r i =r /L max (r i è uguale per tutti i job) con EDD; 1/r i, d i =d /L max (d i uguali) con Earliest Release Time; 1/r i, p i =1 /L max (p i unitari) e 1/pmtn, r i /L max con extended Jackson s rule (EJR), ad ogni istante si assegna il job disponibile con minima due-date; 1/r i, p i =p/l max (p i costante) vedi lucido seguente; i casi con r i possono essere generalizzati nel caso di prec (si impone r j <r k e d j <d k se j precede k) e nel caso di pmtn. Schedule ottimo per p i =1 (EJR) Job r i d i (posiz.) C i L i j (4) 4 0 j (1) 1 0 j (2) 2-1 j (3) 3 0 j (5) 5 1 j (6) 6 2 j 2 j 3 j 4 j 1 j 5 j 6 L max = 2 Σ i L i /n = Schedule ottimo con pmtn (EJR) Job p i r i d i (posiz.) C i L i j (2,4) 17 4 j (1) 4-3 j (3) 14 5 j (5,8) 34 3 j (6) 23-4 j (7) 32 3 j 2 j 1a j 3 j 1b j 4a j 5 j 6 j 4b L max = 5 1/r i, p i =p/l max Algoritmo risolutivo: si esegue una ricerca per bisezione sul valore di L max, che quando è fissato può considerarsi come una deadline comune a tutti i job, per ogni valore di tentativo: si applica EJR, se la deadline corrente L max non è violata ok se la deadline corrente è violata, a partire dall ultimo job z si cerca il primo job k con due date maggiore di d z. Se tale job non esiste non è possibile rispettare L max. Altrimenti si forza k a dare la precedenza ad altri job spostando la sua r k al valore della release date del job che lo segue e riapplicando la EJR (questa operazione di verifica può essere eseguita in O(nlogn))

11 Tutti i job p i =4, tentativo per L max = 3 Job r i d i (posiz.) D i C i j (1) 17 4 j (2) 10 8 j (3) j (4) j (5) j (6) Spostando fittiziamente r 1 a 3 si ottiene uno schedule ammissibile rispetto alle deadline fissate e con L max = 3 Job r i d i (posiz.) D i C i j (4) j (1) 10 5 j (2) 12 9 j (3) j (5) j (6) j 1 j 2 j 3 j 4 j 5 j 6 j 2 j 3 j 4 j 1 j 5 j Tentativo per L max = 2 Job r i d i (posiz.) D i C i j (1) 16 4 j (2) 9 8 j (3) j (4) j (5) j (6) j 1 j 2 j 3 j 4 j 5 j 6 Spostando fittiziamente r 1 a 3 non si riesce comunque ad ottenere uno schedule ammissibile rispetto alle deadline fissate e con L max = 2. Job r i d i (posiz.) D i C i j (4) j (1) 9 5 j (2) 11 9 j (3) j (5) j (6) Lo schedule per L max = 3 è quindi ottimo

12 1/... / L max Nel caso generale si devono enumerare gli scheduling semiattivi. Si possono avere enumerazioni più efficienti (v. Carlier) utilizzando il concetto di q i (delivery time) che ha caratteristiche simmetriche a r i. Algoritmi approssimanti che sfruttano questa simmetria e iterazioni dell EJR si provano essere 4/3-approssimanti (EJR da solo è 2-approssimato) esistono però anche algoritmi più complessi che formano uno schema di approssimazione polinomiale. 1/ / Σ i U i Problema: minimizzare il numero di job tardy su singola macchina di job con identica release time ma deadline diverse. Teorema: la politica definita dall algoritmo di Moore determina la soluzione ottima. Prova: per assurdo / /Σ i U i Algoritmo di Moore passo 1) ordinare i job per EDD; passo 2) determinare il primo job, sia in k-ma posizione, che è tardy, se nessun job tardy esiste va al passo 4); passo 3) eliminare il job con massimo tempo di esecuzione tra quelli che si trovano tra la prima e la k-ma posizione inclusa, vai al passo 2); passo 4) i job ordinati secondo EDD formano una sequenza ottima, i rimanenti possono o meno essere eseguiti in qualunque sequenza. primo job con deadline violata job da eliminare Primo tentativo (EDD) Job p i D i (posiz.) C i j (3) 17 j (1) 4 j (2) 11 j (5) 25 j (4) 22 j (6) 34 j 2 j 3 j 1 j 5 j 4 j

13 primo job con deadline violata job da eliminare Secondo tentativo Job p i D i (posiz.) C i j (2) 10 j (1) 4 j (-) - j (4) 18 j (3) 15 j (5) 27 Schedule ottimo Job p i D i (posiz.) C i j (2) 10 j (1) 4 j (-) - j (4) 18 j (3) 15 j (-) - j 2 j 1 j 5 j 4 j 6 j 2 j 1 j 5 j /.../Σ i w i U i 1/.../Σ i w i T i 1//Σ i w i U i è NP-hard, ma risolvibile con algoritmi pseudopolinomiali (attraverso programmazione dinamica); 1//Σ i U i è polinomiale, ma... 1/.../Σ i U i diventa NP-hard con i release time o precedenze. Rimane polinomiale con r i se è ammessa la preemption; i lower bound da usare nel B&B vengono calcolati ponendo costanti i processing time o i pesi (si verifica così l ordine inverso). Danno buoni risultati anche rilassamenti di qualche formulazione intera naturale. Esistono schemi completamente polinomiali per questi problemi. Problema: minimizzare la tardiness su singola macchina di job con due date diverse. Il problema 1//Σ i T i si può risolvere pseudopolinomialmente (la programmazione dinamica si risolvono problemi dell ordine di 50 job ), esistono anche schemi completamente polinomiali; 1/p i =1 /Σ i w i T i e 1/r i,p i =1 /Σ i T i, si risolvono con weighted bipartite matching problem poiché il costo di schedulare il kmo job non dipende dall ordinamento dei precedenti e dei successivi 1/prec, p i =1 /Σ i T i è NP-hard

14 1/ prec / max i g i (c i ) Problema: sia la misura di ogni job una funzione (anche diversa da job a job) non decrescente nel tempo di completamento (e.g., g i (C i )= C i -d i = L i oppure g i (C i )= (C i -d i ) + = T i ); minimizzare il valore massimo assunto da tali misure, per job su singola macchina con identica release time ma in presenza di precedenze. Teorema: la politica definita dall algoritmo di Lawler determina la soluzione ottima. Prova: per assurdo. 1/ prec / max i g i (c i ) Algoritmo di Lawler passo 1) dall insieme J dei job determina l insieme V dei job che non precedono altri job non già schedulati; passo 2) determinare il job k in V t.c.: g k (τ) = min k V g k (τ) con τ=σ i J p i passo 3) poni J = J\{k}, J > 0 vai al passo 1) altrimenti stop determinato schedule ottimo. L algoritmo procede ricorsivamente all indietro determinando ad ogni passo il job che ha costo minimo se sequenziato per ultimo j 1 1/ prec / T max j 3 j 4 j 6 j 2 j 5 1/ prec / T max Schedule ottimo T max =8 Job p i d i (posiz.) C i T i j (1) 6 0 j (2) 10 3 j (3) 17 8 j (5) 25 4 j (4) 22 4 j (6) 34 6 Job confrontati nelle ricorsioni dell algoritmo: 1) j 5 j 6 2) j 4 j 5 3) j 3 j 5 4) j 2 j 3 5) j 2 6) j 1 j 1 j 2 j 3 j 5 j 4 j

15 1/ D i =D / Σ i E i Problema: minimizzare l earliness media su singola macchina di job con identica release time e identica deadline*. Teorema: la politica Longest Processing Time first (LPT) determina la soluzione ottima. Si eseguono per prima i job con tempo di esecuzione maggiore. Prova: simmetrica del caso SPT, D deve però essere non inferiore alla somma dei tempi di processamento, altrimenti il problema non ammette schedule ammissibili. *N.B.: si pone deadline e non due date, altrimenti il problema è banale si ritarda tutto Schedule ottimo Job p i D i (posiz.) C i E i j (3) j (5) 31 3 j (2) j (6) 34 0 j (4) 27 7 j (1) 9 25 j 6 j 3 j 1 j 5 j 2 j 4 Σ i E i /n = Σ i C i /n = Σ i W i /n = / d i =d / Σ i (E i +T i ) Problema: minimizzazare l earliness e tardiness media su singola macchina di job con identica release time e identica due date. Teorema: la politica V-shaped determina la soluzione ottima se d sufficientemente grande, altrimenti problema NP-hard. Prova: misto SPT e LPT. 1/ d i =d / Σ i (E i +T i ) Algoritmo di V-shaped passo 1) ordinare i job per LPT; passo 2) porre i job in posizione dispari, ordinati per LPT, prima della due date in modo che il completion time dell ultimo tra questi job coincida con la due date stessa; passo 3) porre i job in posizione pari, ordinati per SPT, dopo la due date in modo che lo starting time del primo tra questi job coincida con la due date stessa

16 Schedule ottimo Job p i d i (posiz.) C i E i / T i j (2d) 22 4 / 0 j (3d) 31 0 / 0 j (3s) 16 0 / 15 j (1s) 34 0 / 3 j (2s) 27 0 / 8 j (1d) 9 10 / 0 Σ i (Ei+T i )/n = 6.67 Set-up Time Problema: minimizzare i costi di set-up su singola macchina di job con identica release time. Problema NP-hard. Si risolve come un TSP, per determinate strutture di set-up è polinomiale. j 6 j 1 j 2 j 4 j 5 j Regole euristiche Quando il problema non è tra quelli facilmente risolvibile tipicamente si applicano regole euristiche*: FCFS SPT EDD Critical Ratio Critical Ratio L euristica Critical Ratio ad ogni istante schedula in base all urgenza dei task, dove per urgenza si intende il rapporto: tempo esecuzione /(due date - tempo corrente) = p i / (d i -t) se vi sono rapporti negativi e positivi, si preferiscono i negativi e si schedulano i job associati a tali valori secondo SPT. *N.B.: se applicate in ambiente dinamico queste devono essere fair, garantire cioè che nessun job sia posposto all infinito. SPT non è fair

17 Schedule basato su critical ratio Job p i r i d i (posiz.) C i L i j (2) 10-3 j (1) 4-3 j (3) 17 8 j (5) 25 4 j (4) 22 4 j (6) 34 6 Job confrontati: t=0) j 1 j 2 t=4) j 1 t=10) j 3 j 4 t=17) j 4 j j 5 6 t=22) j 4 j 6 t=25) j 6 j 2 j 1 j 3 j 5 j 4 j 6 65