Manufactoring Planning and Control

Manufacturing Planning and Control
La pianificazione della produzione

La pianificazione della produzione è un processo complesso che coinvolge
larga parte dellazienda (funzioni e risorse) e deve ragionare su previsioni
a lungo periodo.
Gli elementi du un piano di produzione sono:
MPS (Master Production Schedule)
MRP (Material Requirement Planning)
Inventory Management
Capacity Planning
Scheduling
Production Control
Data la complessità del problema, i diversi decisori e il lungo orizzonte
temporale il processo di pianificazione si realizza normalmente per successive approssimazioni:
a . piano a lungo termine molto aggregato
b . piani successivi con orizzonti minori e maggior dettaglio
Modelli di Sistemi di Produzione
Production Planning : tentativo di pianificazione delle quantità su

un orizzonte temporale lungo (6 mesi, un anno).
Include dimensionamenti della forza lavoro, delle giacenze di magazzino, della materia prima e altre risorse.
Opera per quantità aggregate (per tipologia o periodo)
Production Scheduling (dispatching): piano di produzione dettagliato che considera individualmente ogni prodotto/ risorsa e definisce
esattamente cosa fanno nel tempo.
Lorizzonte di pianificazione è limitato (1, 2 settimane, un mese)
Nonostante il dettaglio il piano viene modificato nella pratica a causa
di: necessità o urgenze impreviste, rottura di macchine, utensili,
pezzi, aleatorietà dei dati.
La pianificazione si basa su risorse fisse e variabili definite dal management (es: impianti, equipaggiamenti, magazzini, forza lavoro, etc.)
Si basa inoltre su stime della domanda futura che si assume nota e valida.
Questa stima entra quindi nella fase di pianificazione e nei modelli come
un dato di input. La sua determinazione, problema fondamentale nellazienda (forcasting), può essere effettuata con il supporto di vari metodi
e tecniche della Ricerca Operativa (descritti negli opportuni corsi).
La pianificazione deve determinare la scelta ottima considerando i :
1. costi di immagazzinamento e obsolescenza (oversupply)
2. costi dovuti al non soddisfare la domanda (interamente o con ritardo)
3. costi dovuti ad alternative di produzione (lavoro straordinario, nuovo
personale, produzione esterna)
4. costi di modifica del livello di produzione
I parametri del MPS

1. Unità temporale (mese, settimana, giorno, ora..)
2. Orizzonte temporale
3. Livello di aggregazione dei prodotti (per prodotto, per categoria,..)
4. Livello di aggregazione delle risorse
5. Frequenza di ripianificazione
6. Numerosità e struttura dei piani
1. Unit`
a temporale
Di norma si usano le settimane o i mesi.
Piccola unità maggior dettaglio, pianificazione più difficile
2. Orizzonte temporale
Di norma discende naturalmente dalla natura della produzione (prodotti stagionali, prodotti di largo consumo, etc.)
Il piano parte un breve periodo dal momento attuale; da ora allinizio
del piano si considerano decisioni non modificabili (congelate)
3. Livello di aggregazione dei prodotti
Scopo dellaggregazione è: (a) concentrare lattenzione sulle risorse/costi
più rilevanti; (b) sviluppare un piano che sia relativamente semplice da
sviluppare/analizzare
Il livello ottimale di aggregazione dipende dalla natura dei costi, dalla
struttura produttiva, dalla stabilità della situazione
Esiste poi il problema di disaggregare il piano per la fase di scheduling
(spesso si usano piani intermedi)
4. Livello di aggregazione delle risorse

Valgono le considerazioni del punto 3.
5. Frequenza di ripianificazione
Per loro natura i MPS non vengono implementati esattamente
LMPS è su un lungo orizzonte, ma viene ricalcolato più volte in
questo periodo
Spesso i piani sono usati in rolling mode: si sviluppa un piano per T
periodi e si inizia a realizzarlo, ma dopo T periodi si calcola un
nuovo piano (ovvero solo i primi periodi di ogni piano sono utilizzati)
In pratica i piani sono rivisti di frequenza data linstabilità dei sistemi
e laleatorietà dei dati
6. Numerosit`
a e struttura dei piani
Spesso le aziende non hanno un solo piano, ma molti piani a diversi
livelli di aggregazione
I diversi piani vengono utilizzati a diversi livelli decisionali e hanno
diversi orizzonti temporali e unità di misura
Le fasi della Pianificazione
Manufacturing Planning and Control System. Vollmann, Berry and Whybark

(1992), 3rd edition, Irwin, Homewood
Hierarchical Production Planning, Bitran and Tirupati (1993) , in Logistics Of Production and Inventory, Graves, Rinnoy Kan and Zipkin (eds),
Handbooks of Operations Research and Management Science, North-Holland
Hierarchical Production Planning, Bitran and Tirupati (1993) , in Logistics Of

Production and Inventory, Graves, Rinnoy Kan and Zipkin (eds), Handbooks of
Operations Research and Management Science, North-Holland
MILP: aggregate models
Modelli aggregati
Si tenta di rappresentare nei modelli i principali elementi di costo e le
principali risorse
Vi sono vari modelli a seconda delle diverse filosofie di rappresentazione dei costi e delle diverse aggregazioni
La stima dei costi non è facile. In particolare è complicato dare costi
che omogenizzano quantità non monetarie (es. costo di non soddisfacimento di un ordine)
Si devono prevedere modalità per passare dai piani aggregati a quelli
disaggregati
I modelli sono normalmente molto grandi e li si risolve tramite
rilassamenti lagrangiani o decomposizione
Nel seguito supponiamo di avere definito:
n tipi di prodotti
T unità temporali
dit domanda per ogni prodotto i nel periodo t
Modello 1
min z =
n X
T
X
(cvit xit + ciit Iit) +
i=1 t=1
xit + Ii,t1 = dit + Iit

n
X
ki xit Wt + Ot
T
X
(cwt Wt + cot Ot )
t=1
i, T (1)
t (2)
i=1
Wt W Capt
Ot OCapt
xit , Iit 0
Wt , O t 0
t (3)
t (4)
i, t
t
Variabili
xit = numero prodotti famiglia i realizzati nel periodo t
Iit = prodotti famiglia i in magazzino alla fine del periodo t
Wt = ore di lavoro regolare nel periodo t
Ot = ore di lavoro straordinario nel periodo t
Costanti
ki = ore necessarie per realizzare un prodotto famiglia i
W Capt = ore di lavoro regolari disponibili nel periodo t
OCapt = ore di lavoro regolari disponibili nel periodo t
c?it , c?t = costi
10
xit + Ii,t1 = dit + Iit i, T
(1)
Si deve soddisfare la domanda del prodotto i, periodo t, con:

- produzione del periodo t
- scorte di magazzino alla fine del periodo t 1
Le quantità di cui sopra devono essere sufficienti a coprire anche la giacenza di magazzino alla fine del periodo t
xit
t1
Ii,t1
Iit
t+1
dt
Si tratta di vincoli di bilanciamento del flusso. Le variabili I partono
da I0, ovvero la Giacenza a magazzino allinizio della programmazione.
n
X
ki xit Wt + Ot t
(2)
i=1
Le ore necessarie per realizzare tutti i prodotti devono essere coperte con
lavoro regolare o straordinario.
Sono vincoli di tipo knapsack
N.B. Si suppone avere manodopera omogenea: chiunque può lavorare
qualunque prodotto. Nella disaggregazione si potranno avere problemi !
Wt W Capt, t
(3)
Ot OCapt, t
(4)
Le ore regolari e di straordinario non devono eccedere le massime disponibilità dichiarate.

11
Rilassamenti
Pn
Eliminazione dei vincoli (2)
i=1 ki xit Wt + Ot
La coppia (x, I) e la coppia (W, O) non sono più legate: il problema si

separa in due problemi indipendenti
(P 1) min z =
T
n X
X
(cvit xit + ciit Iit)
i=1 t=1
xit + Ii,t1 = dit + Iit

xit, Iit 0
T
X
(P 2) min z =
(cwt Wt + cot Ot)
i, T
i, t
t=1
Wt W Capt
Ot OCapt
Wt , O t 0
t
t
t
P1 è un problema di flusso di costo minimo, mentre P2 ha soluzione

banale Wt = Ot = 0 t.
Rilassando in maniera lagrangiana i vincoli (2) la f.o di P1 diventa
min z =
n X
T
X
((cvit + tki )xit + ciit Iit )
(t 0)
((cwt t )Wt + (cot t)Ot )
(t 0)
i=1 t=1
e quella di P2
min z =
T
X
t=1
P1 rimane un problema di flusso; P2 si risolve per ispezione

12
Modello 2
min z =
n X
T
X
(cvit xit + ciit Iit + cbit Bit)+
i=1 t=1
T
X
(cwt Wt + cotOt + cat At + clt Lt)
t=1
xit + Ii,t1 + Bit = dit + Bi,t1 + Iit

n
X
kixit Wt + Ot
i, T
(5)
(6)
t
t
i, t
t
(7)
(8)
i=1
Wt = Wt1 + At1 Lt
Ot Wt
xit, Iit , Bit 0
Wt , O t , H t , F t 0
Variabili
Iit = prodotti famiglia i in magazzino alla fine del periodo t
Bit = domanda prodotti famiglia i non soddisfatta nel periodo t
Wt = ore di lavoro regolare nel periodo t
Ot = ore di lavoro straordinario nel periodo t
At = personale assunto nel periodo t
Lt = personale licenziato nel periodo t
Costanti
ki = ore necessarie per realizzare un prodotto famiglia i
(0 < < 1) = coefficiente di massimo utilizzo di ore straordinarie
(vs ore regolari)
c?it , c?t = costi
13
i, T
(5)
Nel periodo t si deve soddisfare la domanda del prodotto i e il non

prodotto del periodo t 1 (Bi,t1 )
La richiesta di produzione può essere decurtata del non prodotto del
periodo t (Bit )
x B
it
Ii,t1
t1
` un vincolo di flusso
E
n
X
it
Iit
t+1
dt Bi,t1
ki xit Wt + Ot t
(6)
i=1
Le ore necessarie per realizzare tutti i prodotti devono essere coperte con
lavoro regolare o straordinario
` un vincolo di tipo knapsack con risorse omogenee
E
Wt = Wt1 + At1 Lt t
(7)
Il personale del periodo t è uguale a quello del periodo t 1

più le persone assunte in t 1, meno quelle licenziate in t
t1
Wt1
At1
t
Wt
t+1
Lt
` un vincolo di flusso
E
Ot Wt t
(8)
Le ore di straordinario devono essere una percentuale delle ore regolari

14
Rilassamenti
Pn
Eliminazione dei vincoli (6)
i=1 ki xit Wt + Ot t
Le variabili (x, I, B) e le variabili (W, O, A, L) non sono più legate: il

problema si separa in due problemi indipendenti
(P 2 1) min z =
T
n X
X
(cvit xit + ciit Iit + cbit Bit )
i=1 t=1

xit, Iit , Bit 0
(P 2 2) min z =
T
X
i, t
i, t
(cwt Wt + cot Ot + cat At + cltLt)
t=1
Wt = Wt1 + At1 Lt
Ot Wt
Wt , O t , A t , L t 0
t
t
t
P2-1 e P2-2 sono problemi di flusso di costo minimo (in P2-2 Ot = 0 t)

Miglior LB si ottiene con un rilassamento lagrangiano
15
Modello 3: Lot sizing (gestione dei costi fissi di setup)

Un solo prodotto
m risorse produttive, ciascuna con capacità CAPi;
csi = costo di preparazione setup della risorsa i
cvit = costo unitario di produzione su risorsa i nel periodo t
yi =
1 se la risorsa i è utilizzata
0 altrimenti
xit = prodotti realizzati sulla risorsa i nel periodo t
min
s.t.
m X
T
X
i=1 t=1
m
X
i=1
T
X
cvit xit +
m
X
csi yi
(1)
i=1
xit dt
t = 1, . . . , T
(2)
xit CAPiyi
i = 1, . . . , m
(3)
t=1
xit 0, intere , yi {0, 1}
(4)
min
s.t.
m X
T
X
16
cvit xit +
i=1 t=1
m
X
i=1
T
X
m
X
csi yi
(1)
i=1
xit dt
t = 1, . . . , T
(2)
xit CAPiyi 0
i = 1, . . . , m
(3)
t=1
xit 0, intere , yi {0, 1}
(4)
- La funzione obiettivo (1) minimizza la somma dei costi di produzione

e trasporto (prime due sommatorie) e dei costi di setup;
- i vincoli (2) impongono di soddisfare tutte le domande
- i vincoli (3) impongono i limiti di capacità delle risorse e il legame
tra xit e yi
- i vincoli (4) impongono la non negatività di x e booleanità di y
Rilassamenti lagrangiani
Si possono ottenere rilassamenti lagrangiani:
rilassando i vincoli (2)
rilassando i vincoli (3)
17
rilassando i vincoli (2) in si ottiene:
L1() = min
m X
T
X
cvit xit +
i=1 t=1
s.t.
T
X
m
X
csi yi +
T
X
t (dt
t=1
i=1
m
X
xit )
(5)
i=1
xit CAPiyi 0 i = 1, . . . , m
(6)
t=1
xit 0, intere , yi {0, 1}, t 0
L1() =
n
X
t dt + min
m X
T
X
(7)
(cvit t)xit +
i=1 t=1
t=1
s.t.(6) and (7)
m
X
i=1
csi yi
!
(8)
rilassando i vincoli (3) si ottiene un problema con sole x nei vincoli
L2() = min
m X
T
X
cvit xit +
i=1 t=1
s.t.
m
X
m
X
csi yi +
i=1
m
X
i=1
i (
T
X
xit CAPiyi )
t=1
xit dt t = 1, . . . , T
(9)
(10)
i=1
xit 0, intere , yi {0, 1}, i 0
L2() = min
m X
T
X
i=1 t=1
s.t.(10) and (11)
(cvit + i )xit +
m
X
i=1
(11)
(csi iCAPi)yi
!
(12)
18
Soluzione di L1
L1() =
s.t.
T
X
t=1
n
X
t dt + min
m X
T
X
(cvit t)xit +
i=1 t=1
m
X
i=1
csi yi
xit CAPiyi 0 i = 1, . . . , m
t=1
xit 0, intere , yi {0, 1}, t 0

Non ci sono domande da soddisfare
la soluzione banale x = 0; y = 0 è ammissibile (non lo è per il
problema originale)
P
la soluzione ottima di L1 ha valore Tt=1 t dt + con 0
Se decido di usare una risorsa i pago un costo csi , allora mi conviene

usarla solo se i termini in x portano ad un calo del valore della f.o.
Se (cvit t) 0 non mi conviene usare la risorsa i per il periodo t

Se (cvit t) < 0 può convenire attivare la risorsa i
i = min ( cvit t )
t=1,...,T
sia t(i) : cvi,t(i) t(i) = i (il periodo più profittevole per la risorsa i)
se csi < iCAPi conviene attivare la risorsa i dedicando tutta la sua
capacità al periodo t(i)
yi = 1, xi,t(i) = CAPi, xit = 0 t : t 6= t(i)
se csi iCAPi yi = 0, xit = 0 t
19
Soluzione di L2
L2() =
s.t.
m
X
i=1
m
X
i + min
m X
T
X
(cvit + i)xit +
i=1 t=1
m
X
(csi iCAPi)yi
i=1
xit dt t = 1, . . . , T
i=1
xit 0, intere , yi {0, 1}, i 0

Le variabili y non sono vincolate in alcun modo
yi = 0 se (csi iCAPi) 0; yi = 1 se (csi iCAPi) < 0
se ` : (cv` + `) < 0 il problema è illimitato
è ottima la soluzione con x` = +
se (cvit + i) 0 i
t = min
m
X
(cvit + i)xit
i=1
sia i(t) : cvi(t),t + i(t) = t (la risorsa più favorevole per t)

La soluzione ottima, per ogni periodo t, è:
xi(t),t = dt, xit = 0 i 6= i(t)
20
Esempio
n = 2, m = 8
i
1
2
3
4
5
6
7
8
dt
cvit
1
2
21 73
45 41
86 50
105 35
110 54
42 22
38 26
63 65
31 28
CAPi
csi
14
17
8
6
12
9
13
15
40
45
27
20
39
30
42
46
21
Lo stesso modello vale per:

periodo temporale fisso
n clienti dove ogni cliente j ha domanda dj
m stabilimenti di produzione
cptij = costo unitario produzione e trasporto da stabilimento i a
cliente j
min
s.t.
m X
n
X
i=1 j=1
m
X
i=1
n
X
cptij xij +
m
X
csi yi
i=1
xij dj
j = 1, . . . , n
xij CAPi yi 0
i = 1, . . . , m
j=1
xij 0, intere , yi {0, 1}
22
Modello 4: costi di setup, sotto-utilizzo/carenza risorse

min z =
n X
T
X
(ciit Iit + csit yit ) +
i=1 t=1
K X
T
X
(cvktOTkt + cukt U Tkt )
k=1 t=1
n
X
compij xjt
i, t
(1)
(kki xit + ski yit ) + U Tkt OTkt = CAPk
k, t
(2)
i xi,tL(i) + Ii,t1 = dit + Iit +
j=1
n
X
i=1
xit M yit i, t
xit , Iit, U Tkt , OTkt 0
yit {0, 1}
(3)
Variabili
yit = 1 se si effettua un setup per prodotti famiglia i nel periodo t
OTkt = eccesso di capacità sulla risorsa k nel periodo t
U Tkt = carenza di capacità sulla risorsa k nel periodo t
Costanti
i = rendimento della produzione del prodotto i
L(i) = Lead Time per la produzione del prodotto i
kki = ore necessarie per realizzare un prodotto di famiglia i sulla risorsa
k
compij = numero di prodotti famiglia i usati per realizzare un prodotto
famiglia j
ski = tempo di setup per la risorsa k prodotto famiglia i
CAPk = capacità risorsa k
M = numero 0
23
i xi,tL(i) + Ii,t1 = dit + Iit +
n
X
compij xjt (1)
j=1
Per ogni famiglia i di prodotti si deve soddisfare la domanda, la scorta

di magazzino alla fine del periodo t e la richiesta di questo prodotto per
realizzare gli altri prodotti di famigliaP j tramite i prodotti disponibili
nel periodo t e la giacenza di magazzino al periodo t 1.
N.B. Il modello rende disponibili allistante i prodotti che entrano in
produzione allistante L(i). Il carico delle risorse viene considerato
solo nella bocca dingresso del manufacturing.
ingresso in prod.
disponibile
t=1
t=5
lead time (4)
z
}|
{
0
n
X
(kkixit + sk1 yit ) + U Tkt OTkt = CAPk (2)
i=1
Le ore richieste per la produzione ed il setup devono essere commisurate

alla capacità di ogni risorsa (si generano eccessi o carenze di capacità
che vengono pesati nella funzione obiettivo)
xit M yit (3)
Si può produrre il bene i nel periodo t solo se si effettua il corrispondente
setup
24
Modello disaggregato
Le quantità aggregate per famiglia (xit ) devono essere separate nei
singoli prodotti per definire la produzione effettiva del periodo
Si deve generare un piano di dettaglio coerente con il piano globale
Non sempre è possibile avere piani coerenti in quanto il piano aggregato trascura vincoli che devono essere inclusi nel piano particolare
J(i) = insieme dei prodotti di dettaglio che appartengono al tipo i
yjt = quantità del j-esimo prodotto da realizzare nel periodo t
csj = costo di setup per il prodotto j
min
jJ(i)
csj
dj
yjt
yjt = xit
(4)
jJ(i)
lbjt yjt ubjt
j J(i)
(5)
NOTE
lbjt = max(0, djt + ssjt aijt)
ubjt = max(0, osjt + djt aijt)
per il prodotto j, periodo t:

djt = domanda; ssjt = scorta di sicurezza;
aijt= disponibilità a magazzino; osjt= massima scorta
N.B.
prefissato il periodo che si considera (t)
-E
- i valori delle x sono dati del problema
25
min
csj
jJ(i)
dj
yjt
Definita la domanda annuale dj che sarà soddisfatta dai vincoli (4) si

vuole minimizzare il costo di setup
` la stessa formula che si usa per il lotto economico (EOQ):
E
(dj /yjt è il numero di riprese della produzione di j)
X
yjt = xit
(4)
jJ(i)
Il totale della produzione dei prodotti in J(i) deve essere uguale a quanto
previsto per la famiglia i
max(0, djt + ssjt aijt) = lbjt yjt
La produzione del periodo, insieme alla scorta di magazzino deve soddisfare la domanda, lasciando disponibile una scorta di sicurezza a magazzino
yjt ubjt = max(0, osjt + djt aijt)
La scorta di magazzino a fine periodo non deve superare un limite
massimo di stock (osjt).
26
Il problema delle incongruenze

La disaggregazione di un MPS non sempre e possibile
Dati di input per una famiglia di
domanda
Prodotto
1
2
1
5
17
2
3
12
domanda per MPS
8
29
2 prodotti
magazzino
3
iniziale
30
9
30
20
60
29
Soluzione ammissibile per MPS

periodi
Variabile
1
2
x (produzione)
0
8
I (mag. fine periodo)
21
0
domanda
8 29
3
60
0
60
La domanda del primo periodo viene soddisfatta con la giacenza iniziale

di magazzino
Con questa scelta a fine primo periodo rimangono 4 unita del prodotto
1 e 18 del prodotto 2
non e possibile soddisfare la domanda del prodotto 1 periodo 2 !
MILP: production line
27
Linea di produzione
Sistema produttivo caratterizzato dalla sequenzialita delle operazioni
IN
Stage 1
Stage 2
Stage m
OUT
- Ogni prodotto richiede n lavorazioni

- Ogni stazione (stage) puo eseguire qualunque operazione
- Processing time indipendente dalla stazione che la esegue (pj )
- Carico lavorativo di ogni stazione C
Il carico di lavoro C di una stazione e il tempo che la stazione lavora in
un ciclo di produzione, ovvero nel tempo che occorre per realizzare un
prodotto
C e determinato dalla stazione piu carica
In pratica a regime nella linea vi sono prodotti in ogni stazione. Ad ogni
ciclo esce un prodotto finito dallultima stazione.
28
Problema 1 (dimensionamento):
assegnare le lavorazioni alle stazioni minimizzando il numero di stazioni
xij =
1 se loperazione j e eseguita dalla stazione i

0 altrimenti
(
1 se la stazione i e usata
yi =
0 altrimenti
min
U
X
i=1
U
X
i=1
n
X
yi
xij = 1
j = 1...,n
(6)
pj xij Cyi
i = 1...,U
(7)
j=1
xij {0, 1}
U = upper bound sul numero di stazioni necessario (si puo porre U = n)
(6) ogni operazione deve essere assegnata a una stazione
(7) il tempo di lavoro di una stazione non puo eccedere il carico di lavoro
29
Precedenze tra operazioni

A = {(k, k 0) : k k 0, k, k 0 = 1, . . . , n}
Se (k, k 0) A loperazione k deve essere eseguita prima di k 0
xik0
i1
X
x`k
i = 1, . . . , U
`=1
k 0 e assegnata alla stazione i
k deve essere assegnata ad una stazione in 1 . . . i 1
IN
|
{z
}
k deve essere assegnato qui
OUT
k0
30
Problema 2 (bilanciamento):
dato il numero m di stazioni assegnare le lavorazioni alle stazioni
bilanciando i carichi
P
pj
: si vuole minimizzare lo scostamento da .
m
Il carico ideale è =
Sia Ci =
Pn
j=1 pj xij
il carico del processore i

min
m
X
|Ci |
i=1
La funzione valore assoluto non è lineare : occorre linearizzare con

m
X
min
zi
i=1
zi C i
zi C i
...
i = 1, . . . , m
i = 1, . . . , m
In alternativa si minimizza il makespan Cmax

min z
m
X
i=1
n
X
xij = 1
j = 1...,n
pj xij z
i = 1...,m
j=1
xij {0, 1}
31
Ulteriori vincoli
Coppie di operazioni da eseguire su stessa stazione (S)
xik = xik0
(k, k 0) S
Coppie di operazioni da eseguire su stessa stazioni diverse (D)

xik + xik0 1
(k, k 0) D
Operational level: Notation and Methods
32
Notazione
I sistemi di schedulazione sono caratterizzati da numerosi elementi:
macchine (processori) o risorse
configurazioni e caratteristiche delle macchine
livello di automatizzazione
sistemi di movimentazione
...
Chiameremo genericamente macchina ogni risorsa (che può essere un
tornio, un computer, un operatore, un reparto, una stanza, etc.)
Le macchine devono eseguire dei lavori (job) che possono consistere in
una sola operazione o in una serie di operazioni che compongono un
processo produttivo (ciclo)
Le specifiche caratteristiche delle macchine, dei lavori e della funzione
obiettivo determinano problemi di schedulazione di natura molto differente
33
Dati di input
Processing time (pij ) tempo di esecuzione del job j sull macchina i.
Se lesecuzione è indipendente dalla macchina pj
Release date (rj ) data minima di inizio della lavorazione del job j
Due date (dj ) data di consegna attesa. A volte si hanno deadline
ovvero date di consegna che non possono essere superate
Setup time (sjk ) tempo di allestimento della macchina per passare dal
job j al job k
Precedenze (i j) indica che il job j può iniziare solo se è finito il job i
Output della schedulazione
Completion time (Cij ) istante di completamento delloperazione i del
job j
Starting time (Sij ) istante di inizio delloperazione i del job j (Sij =
Cij dij )
Se il problema lo richiede si fornisce in output anche la scelta della
macchina che processa ciascun operazione
34
Problemi a macchina singola

Molti sistemi di produzioni vengono assimilati a singoli processori
- quando una macchina è il collo di bottiglia che determina la velocità
di un intero sistema
- quando un reparto può essere aggregato e studiato come un unica unità
Problemi a macchina singola si usano come sottoproblemi da ottimizzare
nella risoluzione di problemi più complessi.
Vi sono numerosi problemi ben studiati in letteratura.
Alcuni problemi si risolvono con algoritmi semplici di ordinamento dei
job
(es. SPT Shortest Processing Time, EDD Earliest Due Date)
Altri problemi richiedono tecniche di enumerazione implicita.
I job sono di norma singole operazioni.
35
Problemi a macchine parallele

Vi sono m macchine che possono eseguire i job.
I job sono si norma operazioni singole.
Occorre: (a) assegnare i job alle macchine; (b) determinare gli istanti di
inizio e fine dei job per ogni macchina
M3
M2
M1
J4
J7 J8
J2
J3
J1
J6
J5
-
0
50
100
Se le macchine sono identiche il tempo di processamento di un job è
indipendente dalla macchina (pj )
Se le macchine sono uniformi il tempo di processamento di un job è il
rapporto tra il tempo di processamento standard del job e la velocità
della macchina (rappresenta problemi con macchine dello stesso tipo,
ma di diversa classe, es. processore Pentium III, 500Mhz, Pentium 4,
2Ghz)
Se le macchine sono comletamente diverse (non correlate) il tempo di
processamento dipende dalla coppia macchina-job (pij ) (ad esempio se le
macchine sono dei programmatori uno sarà molto veloce a programmare
in C++ e lento in Java ed un altro viceversa)
36
Shop problem
I job sono costituiti da più operazioni da eseguire su più macchine.
Di norma ogni job operazione di un job è assegnata a una macchina data
Open shop
Non vi è alcuna precedenza tra le operazioni
M3
J1
M2
J3
J2
M1
J4
J3
M3
J2
J2
J1
M2
J4
M1
Soluzione 1
J2
J1
J1
J2
J2
J3
J3
J4
J4
Soluzione 2
Flow shop
Ogni job ha m operazioni da eseguire in sequenza sulle macchine
1, 2, . . . , m, rispettivamente
M3
J1
M2
M1
J1
J1
J3
J3
J2
J3 J2
J2
J4
J4
J4
37
Job shop
Ogni job j ha nj operazioni da eseguire in sequenza sulle macchine
1, 2, . . . , nj , rispettivamente
M4
M3
J3
J3
M2 J 2
M1
J4
J2
J2
J3
J1
J1
J1
J2
J4
Job nj 1 2 3 4
J1 3 1 2 4
J2 4 2 1 3 4
J3 3 3 2 4
J4 2 3 1
Flexible shop problem

Shop problem con più macchine parallele in ogni stadio di produzione.
Le precedenze non sono più tra macchine, ma tra stadi di produzione
Stage 3
Stage 2
Stage 1

38
Funzioni obiettivo
Makespan Cmax = maxj (Cj ) istante di completamento
dellultima operazione
Determina il tempo necessario per terminare tutta la produzione.
E una delle misure più studiate.
Tempo medio di attraversamento
n
X
j=1
Cj ,
n
X
w j Cj
j=1
Viene usato come indicatore dei costi di Work-in-Process (quanità di

materiale acquistato, ma non venduto in quanto in attesa di lavorazioni)
Valutazione dei ritardi di consegna
Lj = C j d j
Lateness (può essere positiva o negativa)
Tj = max(0, Cj dj Tardiness (ritardo di consegna)
Ej = max(0, dj dj ) Earliness (anticipo di consegna)
Si usa minimizzare sia iln massimonche la somma delle misure
X
X
Lmax = maxj (Lj ),
Lj ,
wj L j
Tmax = maxj (Tj ),
j=1
n
X
j=1
Tj ,
j=1
n
X
wj T j
j=1
La earliness misura lanticipo rispetto alla data di consegna. Diventa un

costo in un ottica di Just-In-Time
39
Classificazione
Si utilizza una notazione a tre campi http:
(//www.mathematik.uni-osnabrueck.de/research/OR/class/)
||
= (12) caratteristiche delle macchine
1 {, P, Q, R, P M P M, QM P M, G, X, O, F, J}
2 {,numero}
= caratteristiche dei job
(1 , 2, 3, 4, 5, 6)
1 : preemption
2 : precedenze
3 : release time
4 : caratteristiche dei processing time
5 : deadline
6 : batch
= funzione obiettivo
P
data una funzione fi è del tipo fmax oppure
fi
Esempi
P ||Cmax = macchine parallele identiche, minimizzare il makespan
P |prec|Cmax = macchine parallele identiche, precedenze generiche tra
job, minimizzare il makespan
1|rj |Lmax = macchina singola, release time, minimizzare la massima
lateness
J||Cmax = Job shop, minimizzare il makespan
40
Tecniche di soluzione generali

Dispatching rules (euristica)
Metaeuristiche (euristica)
Branch-and-Bound (esatta/euristica)
Programmazione Dinamica (esatta/euristica)
Constraint programming (esatta/euristica)
Programmazione matematica (esatta/euristica)
I package commerciali sviluppati sino a metà degli anni 90 usavano essenzialmente dispatching rules.
Verso la fine degli anni 90 sono stati sviluppati package basati su
metaeuristiche ed euristiche basate su applicazioni limitate nel tempo
e nelle scelte di programmazione lineare, branch-and-bound o constraint
programming.
I problemi reali sono di norma molto complessi e complicati da numerosissimi strani vincoli, quindi il ricorso alle euristiche è dobbligo.
Anche gli algoritmi euristici possono però utilizzare tecniche molto sofisticate !
41
Dispatching rules
Lidea è quella di ordinare secondo priorità le operazioni da assegnare
alle macchine.
Sono state studiate e applicate per vari decenni.
Regole statiche la priorità di un job viene definita una volta per tutte
Regole dinamiche la priorità di un job cambia durante la creazione
della soluzione
Algoritmo sequenziale
Input: n, m, caratteristiche dei job e delle macchine

Ordina i job secondo una priorità definita
for j := 1 to n do
assegna il j-esimo job della lista al prima possibile, rispettando i
vincoli (non sovrapposizione, precedenze, etc)
end for
Algoritmo parallelo
Input: n, m, caratteristiche dei job e delle macchine

Ordina i job secondo una priorità definita
t := 0; J = {1, . . . , n}
while (J 6= ) do
Determina linsieme S J dei job che possono iniziare in t
eventualmente riordina i job di S secondo priorità
while (S 6= ) do
estrai il primo job j e schedulalo dallistante t, se possibile
end while
J := J\S; t :=minimo istante > t cui può essere assegnato un job
end while
42
Esempio: P |prec|Cmax
Regola LPT (Longest Processing Time)
6 job, 2 macchine parallele identiche
processing time pj = (40, 40, 30, 30, 70, 20)
Precedenze
2
3
1
M2
J1
M1
J2
J3
J5
M2
J6
J1
M1
J4
J2
J5
J4
J6
J3
-
50
100
Algoritmo sequenziale
Ordine
J5 J1 J2 J3 J4 J6
50
100
Algoritmo parallelo
t
S
0 {J5, J1, J2}
40
{J2}
70
{J6}
80 {J4, J3}
90
{J3}
43
Principali regole di ordinamento

ERD (Earliest Release Date): equivale a F.I.F.O.
LPT (Longest Processing Time): in ordine decrescente di durata
SPT (Shortest Processing Time): in ordine crescente di durata
WSPT (Weighted Shortest Processing Time): in ordine crescente del
rapporto durata/peso
EDD (Earliest Due Date): in ordine crescente di due-date (o deadline)
MS (Minimum Slack): in ordine crescente di differenza tra listante
attuale e la due date (se usato con algoritmo statico è come EDD)
SST (Shortest Setup Time) : in ordine crescente di setup
CP (Critical Path) : seleziona il job che inizia il cammino più lungo
Regola
dipende da
ERD
release date EDD
o due date
MS
Dati
rj
dj
dj
dipende da
LPT
pj
SST
processing
time
varie
Obiettivo
somma delle varianze
Lmax
Lmax
bilanciamento di macchine identiche,

makespan
SPT pj
tempo medio di completamento
WSPT pj , wj tempo medio di completamento
CP
pj , prec makespan
tempo medio di completamento,
makespan
44
Di norma le dispatching rules forniscono soluzioni euristiche.

Per casi speciali forniscono la soluzione ottima.
P
1|| Cj SPT (Smiths rule (1956))
P
1|| wj Cj WSPT (Smiths ratio rule (1956))
1||Lmax
EDD (Jacksons rule (1955))
45
Efficacia delle tecniche di soluzione
sol
value
dispatching rules
4
packages
B&B troncato
metaeuristiche
B&B
0
0
time

Manufactoring Planning and Control

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Manufactoring Planning and Control

Transféré par

Droits d'auteur :

Formats disponibles

Manufacturing Planning and Control

La pianificazione della produzione

Modelli di Sistemi di Produzione

Manufacturing Planning and Control

Production Planning : tentativo di pianificazione delle quantit`a su

Manufacturing Planning and Control

I parametri del MPS

Manufacturing Planning and Control

4. Livello di aggregazione delle risorse

Modelli di Sistemi di Produzione

Manufacturing Planning and Control

Le fasi della Pianificazione

Manufacturing Planning and Control System. Vollmann, Berry and Whybark

Modelli di Sistemi di Produzione

Manufacturing Planning and Control

Manufacturing Planning and Control

Hierarchical Production Planning, Bitran and Tirupati (1993) , in Logistics Of

Modelli di Sistemi di Produzione

MILP: aggregate models

Modelli di Sistemi di Produzione

MILP: aggregate models

(cvit xit + ciit Iit) +

xit + Ii,t1 = dit + Iit

Modelli di Sistemi di Produzione

MILP: aggregate models

xit + Ii,t1 = dit + Iit i, T

Si deve soddisfare la domanda del prodotto i, periodo t, con:

Le ore regolari e di straordinario non devono eccedere le massime disponibilit`a dichiarate.

MILP: aggregate models

La coppia (x, I) e la coppia (W, O) non sono pi`u legate: il problema si

(cvit xit + ciit Iit)

xit + Ii,t1 = dit + Iit

P1 `e un problema di flusso di costo minimo, mentre P2 ha soluzione

((cvit + tki )xit + ciit Iit )

((cwt t )Wt + (cot t)Ot )

P1 rimane un problema di flusso; P2 si risolve per ispezione

MILP: aggregate models

(cvit xit + ciit Iit + cbit Bit)+

(cwt Wt + cotOt + cat At + clt Lt)

xit + Ii,t1 + Bit = dit + Bi,t1 + Iit

MILP: aggregate models

xit + Ii,t1 + Bit = dit + Bi,t1 + Iit

Nel periodo t si deve soddisfare la domanda del prodotto i e il non

Il personale del periodo t `e uguale a quello del periodo t 1

Le ore di straordinario devono essere una percentuale delle ore regolari

MILP: aggregate models

Le variabili (x, I, B) e le variabili (W, O, A, L) non sono pi`u legate: il

(cvit xit + ciit Iit + cbit Bit )

xit + Ii,t1 + Bit = dit + Bi,t1 + Iit

(cwt Wt + cot Ot + cat At + cltLt)

P2-1 e P2-2 sono problemi di flusso di costo minimo (in P2-2 Ot = 0 t)

Modelli di Sistemi di Produzione

MILP: aggregate models

Modello 3: Lot sizing (gestione dei costi fissi di setup)

xit = prodotti realizzati sulla risorsa i nel periodo t

xit 0, intere , yi {0, 1}

Modelli di Sistemi di Produzione

MILP: aggregate models

xit 0, intere , yi {0, 1}

- La funzione obiettivo (1) minimizza la somma dei costi di produzione

Modelli di Sistemi di Produzione

MILP: aggregate models

rilassando i vincoli (2) in si ottiene:

xit 0, intere , yi {0, 1}, t 0