●  사용방법 · 스케줄링

정비 일정

정비 작업마다 작업조와 시작일을 정합니다. 너무 이르지도 늦지도 않게, 작업조 일정이 겹치지 않게 배치합니다.

무엇을 정하나요

정비 작업마다 작업조와 시작일을 정합니다.

최소 실행 예제

from datetime import date

from optimaru import maintenance_scheduling as mnt
from optimaru.maintenance_scheduling.models import CrewModel, JobModel, MaintenanceScheduleModel

problem = MaintenanceScheduleModel(
    from_date=date(2026, 1, 5),  # 월요일
    to_date=date(2026, 1, 31),
    crews=[CrewModel(id="C1", name="Crew 1"), CrewModel(id="C2", name="Crew 2")],
    jobs=[
        JobModel(id="J1", name="Pump overhaul", duration_in_days=3, tags=["north"],
                 min_start_date=date(2026, 1, 5), max_end_date=date(2026, 1, 24),
                 ideal_end_date=date(2026, 1, 14)),
        JobModel(id="J2", name="Valve check", duration_in_days=2, tags=["north"],
                 min_start_date=date(2026, 1, 5), max_end_date=date(2026, 1, 24),
                 ideal_end_date=date(2026, 1, 14)),
        JobModel(id="J3", name="Line inspection", duration_in_days=4,
                 min_start_date=date(2026, 1, 12), max_end_date=date(2026, 1, 31),
                 ideal_end_date=date(2026, 1, 21)),
    ],
)

core = problem.to_core()
mnt.solve(core, time_limit_seconds=2.0, random_seed=42)
solved = MaintenanceScheduleModel.from_core(core)
print(solved.score_hard, solved.score_soft)
print([(j.id, j.crew_id, j.start_date, j.end_date) for j in solved.jobs])

같은 유스케이스를 그림과 실행 결과가 담긴 Jupyter 노트북으로도 볼 수 있습니다. examples/maintenance-scheduling.ipynb ↗

입력 파라미터

CrewModel

필드 의미
id 필수 입력 작업조 id입니다. name 필수 입력 작업조 이름입니다.

JobModel

필드 의미
id 필수 입력 작업 id입니다. name 필수 입력 작업 이름입니다. duration_in_days 필수 입력 작업에 걸리는 근무일 수입니다. 주말은 세지 않습니다. min_start_date 가장 이른 시작일입니다. 이 날짜를 포함합니다. max_end_date 종료 기한입니다. 이 날짜는 포함하지 않습니다. ideal_end_date 작업이 끝나면 좋은 날짜입니다. 이 날짜는 포함하지 않습니다. tags 같은 태그가 붙은 작업은 겹치지 않는 것이 좋습니다. pinned 이 작업의 작업조와 시작일을 고정합니다.

MaintenanceScheduleModel

필드 의미
from_date 필수 입력 달력의 첫날입니다. 이 날짜를 포함합니다. to_date 필수 입력 달력의 끝입니다. 이 날짜는 포함하지 않습니다. crews 필수 입력 작업조 목록입니다. jobs 필수 입력 작업 목록입니다.

풀이 파라미터

풀이를 호출할 때 넘기는 값입니다. 시간 제한, 시드, 병렬 수가 여기에 있습니다.

파라미터 기본값 의미
time_limit_seconds None 탐색 시간(초)이며, 0부터 1e9까지 줄 수 있습니다. 지정하지 않으면 설정의 spent_limit_seconds를 쓰며, 기본값은 30입니다.
random_seed None 탐색에 쓰는 난수 시드입니다. 지정하지 않으면 설정값을 쓰며, 기본값은 0입니다.
parallel_solver_count None 독립적으로 동시에 돌리는 탐색 수입니다. 탐색마다 시드가 다르고 시간은 똑같이 쓰며, 가장 좋은 결과를 고릅니다. 지정하지 않으면 설정값을 쓰며, 기본값은 1입니다.
stop_at_first_feasible False 필수 점수가 0이 되는 즉시 멈춥니다.
on_new_best None 새 최고 해를 찾을 때마다 부르는 콜백입니다. 콜백이 예외를 내면 풀이를 멈추고 그 예외를 그대로 냅니다.
config None 기본으로 쓸 SolverConfig입니다. 여기서 준 키워드 인자는 이번 풀이에만 이 값을 덮어쓰며, 넘긴 객체 자체는 바뀌지 않습니다.
constraints None 점수에 넣을 제약과 그 설정입니다. 지정하지 않으면 기본 제약을 씁니다.
탐색 옵션 전체 (23)

SolverConfig에 값을 넣어 config=로 넘기세요.

파라미터 기본값 의미
best_score_limit — 최고 점수가 이 값에 닿으면 일찍 멈춥니다. 기본값으로는 작동하지 않습니다.
change_move_weight 0.75 변경 이동의 상대적 비중입니다. 0이면 쓰지 않습니다.
free_crew_candidates 4 유도된 변경 이동이 작업 기간에 비어 있는 작업조를 찾으려고 시도하는 작업조 수입니다. 0이면 쓰지 않습니다.
full_assert False 증분 점수를 전체 재계산과 매번 비교합니다. 느리므로 디버깅할 때만 씁니다.
hot_job_probability 0.5 이동이 태그 충돌에 걸린 작업에서 시작할 확률입니다. 0이면 쓰지 않습니다.
late_acceptance_size 0 늦은 수락(late acceptance) 기록의 길이입니다. 0이면 문제 크기에 맞춰 정합니다.
on_new_best None 새 최고 해를 찾을 때마다 부르는 콜백입니다. 콜백이 예외를 내면 풀이를 멈추고 그 예외를 그대로 냅니다.
parallel_solver_count 1 독립적으로 동시에 돌리는 탐색 수입니다. 탐색마다 시드가 다르고 시간은 똑같이 쓰며, 가장 좋은 결과를 고릅니다.
random_seed 0 탐색에 쓰는 난수 시드입니다.
ruin_recreate True 탐색이 정체되면 적응형 파괴·재구성을 실행합니다.
ruin_recreate_max_ruin_count 24 한 번에 제거하는 항목 수의 절대 상한입니다.
ruin_recreate_max_ruin_fraction 0.6 한 번에 제거하는 해의 최대 비율입니다.
ruin_recreate_min_ruin_fraction 0.2 한 번에 제거하는 해의 최소 비율입니다.
ruin_recreate_operator_decay 0.8 연산자 가중치가 적응하는 속도입니다.
ruin_recreate_polish_steps 5000 실행 후 다듬는 언덕 오르기 이동 수입니다. step_count_limit에는 세지 않습니다.
ruin_recreate_rewards [33.0, 9.0, 3.0, 0.0] 새 최고, 개선, 수락, 거절 결과에 주는 연산자 보상입니다.
ruin_recreate_unimproved_step_trigger 5000 파괴·재구성을 실행하기까지 새 최고 해 없이 지나는 걸음 수입니다.
spent_limit_seconds 30.0 탐색 시간(초)이며, 0부터 1e9까지 줄 수 있습니다.
step_count_limit 0 이 걸음 수에 도달하면 멈춥니다. 0이면 제한이 없습니다.
swap_move_weight 0.25 교환 이동의 상대적 비중입니다. 0이면 쓰지 않습니다.
unimproved_spent_limit_seconds 0.0 새 최고 해 없이 이 시간(초)이 지나면 멈춥니다. 0이면 제한이 없습니다.
unimproved_step_count_limit 0 새 최고 해 없이 이 걸음 수가 지나면 멈춥니다. 0이면 제한이 없습니다.
window_value_probability 1.0 변경 이동이 작업 자체의 기간에서 날짜를 고를 확률입니다. 0이면 쓰지 않습니다.

돌아오는 결과

solve는 엔진 객체를 받아 그 자리에서 풉니다. 결과는 from_core로 다시 변환해 읽습니다.

JobModel

필드 의미
crew_id 배정된 작업조입니다. start_date 배정된 시작일입니다. end_date 주말을 건너뛰어 계산한 종료일입니다. 이 날짜는 포함하지 않습니다.

MaintenanceScheduleModel

필드 의미
score_hard 필수 점수입니다. 0이면 가능한 해입니다. score_soft 선호 점수입니다.

제약

optimaru.maintenance_scheduling.constraints에서 클래스를 가져와 MinStartDateCost()처럼 호출해서 넘깁니다. 넘긴 제약만 점수에 들어가고, 아무것도 넘기지 않으면 기본 제약을 씁니다. 목록에 같은 제약을 여러 번 넣을 수 있으며, 넣은 것마다 따로 점수에 들어갑니다. 제약마다 다음 파라미터를 받습니다.

파라미터 기본값 의미
weight None 제약 비용에 곱하는 값이며, 적용되는 수준의 단위로 셉니다. 지정하지 않으면 아래 기본 가중치를 씁니다. 기본 가중치가 0인 제약은 가중치를 줘야 작동합니다.
level None "hard"면 필수, "soft"면 선호로 바꿉니다. Level.HARD, Level.SOFT도 됩니다. 지정하지 않으면 아래 수준을 그대로 씁니다. 이 유스케이스에는 중간 수준이 없어서 "medium"을 주면 ValueError가 납니다. 보상에 "hard"를 주거나 수준이 고정된 제약의 수준을 바꾸려 해도 ValueError가 납니다.
exponent 1.0 부호를 유지한 채 비용에 거듭제곱을 적용하며, 0보다 커야 합니다. offset을 반영한 뒤에 적용합니다. 2.0이면 제곱이라 한곳에 몰린 위반의 비용이 크게 늘어납니다. 차량이나 날짜 같은 단위마다 적용하고, 합계 하나로 계산하는 제약에는 그 합계에 적용합니다.
offset 0.0 거듭제곱 전에 비용 x에서 빼는 값입니다. exponent처럼 단위마다, 합계로 계산하는 제약은 그 합계에 적용하며, 비용과 같은 척도(초, 분, 개수 등)로 셉니다. 부호와 상관없이 유한한 수면 되고, 키워드로만 줄 수 있습니다. 이 값 아래에서 어떻게 계산할지는 clip이 정합니다.
clip True True면 offset을 문턱값으로 씁니다. 넘은 부분만 계산하므로(max(0, x - offset) ** exponent) 그 이하의 비용은 아무것도 더하지 않습니다. False면 부호를 유지한 채 (x - offset) ** exponent를 그대로 계산하므로, 오프셋보다 작은 단위는 비용이 0이어도 음수, 곧 보상으로 들어갑니다. 하드 점수에 들어가는 수준에서는 clip=False에 0이 아닌 오프셋을 주면 ValueError가 납니다. 하드 0이 위반 없음이라는 뜻을 지키기 위해서입니다. 키워드로만 줄 수 있습니다.

위의 최소 실행 예제에 이어서 실행합니다.

from optimaru.maintenance_scheduling.constraints import (
    CrewConflictCost, MaxEndDateCost, MinStartDateCost, TagConflictCost, get_constraints,
)

picked = get_constraints([
    CrewConflictCost(), MinStartDateCost(), MaxEndDateCost(), TagConflictCost(weight=5000),
])
custom = problem.to_core()
mnt.solve(custom, time_limit_seconds=2.0, random_seed=42, constraints=picked)
print(custom.score)
이름 수준 기본 가중치 하는 일
min_start_date_cost 필수 1 작업이 min_start_date보다 일찍 시작한 일수에 벌점을 줍니다.
max_end_date_cost 필수 1 작업이 max_end_date보다 늦게 끝난 일수에 벌점을 줍니다.
before_ideal_end_date_cost 선호 1 작업이 ideal_end_date보다 일찍 끝난 일수에 벌점을 줍니다. 선호 제약 가운데 가장 가볍습니다.
after_ideal_end_date_cost 선호 1e6 작업이 ideal_end_date보다 늦게 끝난 일수에 벌점을 줍니다. 선호 제약 가운데 가장 무겁습니다.
crew_conflict_cost 필수 1 같은 작업조의 두 작업이 겹치는 일수에 벌점을 줍니다.
tag_conflict_cost 선호 1000 태그가 같은 두 작업이 겹치는 일수에 벌점을 줍니다. 겹치는 태그마다 따로 셉니다.

제약 사용법 →

기존 해에서 시작하기

최신 버전이 필요합니다. pip install -U optimaru로 올려 주세요.

with_initial_solution(problem, solution)은 solution에서 탐색을 시작하는 problem의 복사본을 돌려줍니다. solution은 풀린 MaintenanceScheduleModel이나 그 JSON 딕셔너리입니다. solve는 엔진 객체를 받으므로 to_core()로 변환해 넘깁니다.

위의 최소 실행 예제에 이어서 실행합니다.

restart = mnt.with_initial_solution(problem, solved).to_core()
mnt.solve(restart, time_limit_seconds=2.0, random_seed=43)
print(restart.score)
  • 작업은 id로 맞춥니다.
  • 완전한 해를 넣으면 구성 단계를 건너뛰고 그 해에서 바로 탐색을 시작합니다. 일부만 넣으면 넣은 부분은 그대로 두고, 빠진 작업만 새로 구성합니다.
  • time_limit_seconds=0을 주면 바로 멈추므로 완전한 해는 넣은 그대로 돌아옵니다. step_count_limit = 0은 제한이 없다는 뜻이므로, 바로 멈추려면 시간 제한을 쓰세요.
  • 고정된 작업은 해의 내용과 상관없이 problem에 있는 작업조와 시작일을 유지합니다.
  • 모르는 id, crew_id와 start_date 중 하나만 있는 작업, 근무 달력 안의 평일이 아닌 시작일은 ValueError를 냅니다.

예외와 제한

  • 작업은 from_date부터 to_date 사이의 평일에만 시작하고, 기간을 셀 때 주말은 건너뜁니다.
  • 작업 하나에 작업조 하나를 씁니다. 작업조는 하루에 작업 하나만 맡습니다.