Job-shop problem solving framework

docs/2021-08-08-作业车间调度问题求解框架.md

@@ -0,0 +1,30 @@
+---
+categories: [optimization, mathematics]
+tags: [job shop schedule]
+---
+
+# 作业车间调度问题求解框架
+
+---
+
+组合优化问题广泛出现于各行各业，例如生产制造排程，机场航班调度、项目管理计划等，求解这类问题有助于解决实际应用中的调度难题、提高生产效率；考虑到实际的业务逻辑因行业而异且可能相当复杂，本系列文章针对调度类问题的基本模型——作业车间调度（Job Shop Schedule），基于Python开发了一个通用的求解框架：
+
+- 参考文献实现了一些基本解法例如基于规则指派、局部搜索、群体方法等
+
+- 便于快速实施和测试新算法（参考 [Python建模](2021-08-14-作业车间调度问题求解框架：Python建模.md)）
+
+
+## 项目仓库
+
+https://github.com/dothinking/job_shop_schedule
+
+## 建模
+
+- [问题描述](2021-08-08-作业车间调度问题求解框架：问题描述.md)
+
+- [Python建模](2021-08-14-作业车间调度问题求解框架：Python建模.md)
+
+- [基于matplotlib的动态甘特图](2021-08-15-基于matplotlib的动态甘特图.md)
+
+
+## 求解

docs/2021-08-08-作业车间调度问题：问题描述.md → docs/2021-08-08-作业车间调度问题求解框架：问题描述.md

@@ -3,7 +3,7 @@ categories: [optimization, mathematics]
 tags: [job shop schedule]
 ---
 
-# 作业车间调度问题：问题描述
+# 作业车间调度问题求解框架：问题描述
 
 ---
 

docs/2021-08-14-作业车间调度问题求解框架：Python建模.md

@@ -0,0 +1,134 @@
+---
+categories: [optimization, python/vba/cpp]
+tags: [job shop schedule]
+---
+
+# 作业车间调度问题求解框架：Python建模
+
+---
+
+基于前文对作业车间调度问题的定义和描述，本文进行Python建模，开发了一个通用的作业车间调度问题求解框架，把问题分解、抽象为可重用的部分，从而专注求解算法的开发、实施和验证。
+
+> [dothinking/job_shop_schedule](https://github.com/dothinking/job_shop_schedule)
+
+
+## 框架结构
+
+整个求解框架基于Python面向对象编程实现，主要结构参考下图。
+
+![class-diagram](images/2021-08-14-01.png)
+
+
+其中，所有对象按用途可以归为三类：
+
+
+### (a) 物理对象
+
+- `Job` 作业实体
+- `Machine` 机器实体
+- `Operation` 工序实体，包含所属作业、分配的机器、加工时长等属性
+
+
+### (b) 求解变量
+
+`OperationStep`是工序实体`Operation` 的封装，同时加上待求解的参数 `start_time`。根据前文关于作业车间问题的两种不同的描述方式，相应有两种不同的求解思路：
+
+- 对于以`start_time`为变量描述的数学模型，直接求解`start_time`即可
+- 对于以 **析取图** 描述的模型，需要先求解工序的顺序，然后递推出`start_time`
+
+因此，对于析取图描述的模型，还提供了以下中间属性：
+
+- 继承自 `JobStep` 的 `pre_job_op` 和 `next_job_op`，分别表示当前工序在所属作业实体上的顺序：前一道工序和下一道工序；并且，它们是已知的。
+
+- 继承自 `MachineStep` 的 `pre_machine_op` 和 `next_machine_op`，分别表示当前工序在分配机器上的加工顺序：前一道工序和下一道工序；注意这个顺序即为需要求解的变量。
+
+
+### (c) 求解流程
+
+`JSProblem` 是所有工序实体 `Operation` 的封装：
+
+- 它的解为一个`JSSolution`实例
+- 每当获得一个更好的解，**需要使用`update_solution()`方法显式更新**
+
+`JSSolution` 是所有变量 `OperationStep` 的封装：
+
+- 对于析取图求解模型，需要显式地调用 `evaluate()` 来基于求解的顺序计算最终变量 `start_time`；基于数学模型则无需这一步。
+
+- `is_feasible()` 判断一个解是否满足所有约束
+
+- 如果是一个可行解，`makespan`属性得到最大加工周期长度
+
+
+`JSSolver` 是作业车间调度问题求解器的基类，便于继承此基类后实施新算法。
+
+
+## 实施新算法
+
+以上的设计可以避免重复工作，从而专注于算法本身的实现和测试。基于此框架，实施新算法的只需创建自定义求解器类，然后继承 `JSSolver` 并实现 `do_solver()` 方法。`do_solver()` 方法内部主要分为三大步骤：
+
+- 基于问题创建初始状态的解（注意并非可行的 **初始解**）
+
+    ```python
+    solution = JSSolution(problem)
+    ```
+
+- 实施算法，计算或者优化这个解
+
+    - 对于以`start_time`为变量描述的数学模型，直接求解每个工序的`start_time`即可
+    - **对于以析取图描述的模型，需要先求解工序的顺序，然后显式地调用 `solution.evaluate()` 递推出`start_time`**
+
+
+- 每次迭代得到更好的解后，显式更新问题的解
+
+    ```python
+    problem.update_solution(solution)
+    ```
+
+关键代码参考：
+
+```python
+from model.solver import JSSolver
+from model.problem import JSProblem
+from model.solution import JSSolution
+
+class UserSolver(JSSolver):
+
+    def do_solve(self, problem:JSProblem):
+        '''User defined solving process.'''
+
+        # (1) Initialize an empty solution from problem
+        solution = JSSolution(problem)
+
+        # (2) Solve or optimize the solution, 
+        # i.e. determine the start_time of OperationStep instances.
+        # Note to evaluate solution explicitly if disjunctive graph model.
+        ...
+        # solution.evaluate() 
+
+        # (3) Update the solution for problem iteratively        
+        problem.update_solution(solution)
+```
+
+
+## 测试算法
+
+框架已经内置了作业车间调度问题的标准考题数据，便于根据名称直接初始化问题。以下示例调用自定义求解器 `SampleSolver` 求解 `ft10` 问题。
+
+- 更多基本问题数据 [参考](https://github.com/dothinking/job_shop_schedule/blob/master/benchmark/instances.json)
+
+- 求解过程以甘特图形式动态展示解的变化
+
+
+```python
+from model.problem import JSProblem
+from solver.SampleSolver import SampleSolver
+
+# load benchmark problem
+problem = JSProblem(benchmark='ft10')
+
+# solve problem with user defined solver
+s = SampleSolver(name='sample')
+s.solve(problem=problem)
+```
+
+基本介绍到此结束，接下来将陆续实施一些求解算法。