●  사용방법 · 스케줄링

업무 배정

사람마다 처리할 업무 목록과 순서를 정합니다. 역량과 업무 숙련도를 맞추고, 중요한 일부터 끝냅니다.

무엇을 정하나요

직원마다 처리할 업무 목록과 순서를 만듭니다. 목록의 업무는 쉬지 않고 이어서 처리합니다.

최소 실행 예제

from optimaru import task_assigning as ta
from optimaru.task_assigning.models import (
    CustomerModel, EmployeeModel, TaskAssigningSolutionModel, TaskModel, TaskTypeModel,
)

problem = TaskAssigningSolutionModel(
    task_types=[
        TaskTypeModel(code="DOC", base_duration=30, required_skills=["writing"]),
        TaskTypeModel(code="FIX", base_duration=60, required_skills=["python"]),
    ],
    customers=[CustomerModel(id="ACME")],
    tasks=[
        TaskModel(id="T1", task_type_code="DOC", customer_id="ACME", priority="CRITICAL"),
        TaskModel(id="T2", task_type_code="FIX", customer_id="ACME", priority="MAJOR"),
        TaskModel(id="T3", task_type_code="FIX", customer_id="ACME"),
    ],
    employees=[
        EmployeeModel(id="E1", skills=["writing"], customer_to_affinity={"ACME": "HIGH"}),
        EmployeeModel(id="E2", skills=["python"], customer_to_affinity={"ACME": "MEDIUM"}),
    ],
)

result = ta.solve(problem, time_limit_seconds=2.0, random_seed=42)
print(result.score_hard, result.score_soft0, result.score_soft1, result.score_soft2)
print({e.id: e.tasks for e in result.employees})
print({t.id: t.start_time for t in result.tasks})

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

입력 파라미터

TaskTypeModel

필드 의미
code 필수 입력 업무 유형 id입니다. base_duration 필수 입력 숙련도 배수를 곱하기 전의 기본 시간(분)입니다. required_skills 이 유형에 필요한 역량입니다.

CustomerModel

필드 의미
id 필수 입력 고객 id입니다.

TaskModel

필드 의미
id 필수 입력 업무 id입니다. task_type_code 필수 입력 이 업무의 TaskTypeModel입니다. customer_id 필수 입력 이 업무의 고객입니다. min_start_time 가장 이른 시작 시각(분)입니다. priority MINOR, MAJOR, CRITICAL 중 하나입니다. 기본값은 MINOR입니다.

EmployeeModel

필드 의미
id 필수 입력 직원 id입니다. skills 직원이 가진 역량입니다. customer_to_affinity 고객 id별 숙련도입니다. HIGH, MEDIUM, LOW, NONE 중 하나이고, 없는 고객은 NONE으로 봅니다.

TaskAssigningSolutionModel

필드 의미
task_types 필수 입력 업무 유형 목록입니다. customers 필수 입력 고객 목록입니다. tasks 필수 입력 업무 목록입니다. employees 필수 입력 직원 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.
full_assert False 증분 점수를 전체 재계산과 매번 비교합니다. 느리므로 디버깅할 때만 씁니다.
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.
full_assert False 증분 점수를 전체 재계산과 매번 비교합니다. 느리므로 디버깅할 때만 씁니다.
late_acceptance_size 0 늦은 수락(late acceptance) 기록의 길이입니다. 0이면 문제 크기에 맞춰 정합니다.
list_swap_move_weight 0.3 목록 교환 이동의 상대적 비중입니다. 0이면 쓰지 않습니다.
on_new_best None 새 최고 해를 찾을 때마다 부르는 콜백입니다. 콜백이 예외를 내면 풀이를 멈추고 그 예외를 그대로 냅니다.
or_opt_move_weight 0.1 짧은 구간을 옮기는 Or-opt 이동의 상대적 비중입니다. 0이면 쓰지 않습니다.
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.
relocate_move_weight 0.4 재배치 이동의 상대적 비중입니다. 0이면 쓰지 않습니다.
ruin_recreate True 탐색이 정체되면 적응형 파괴·재구성을 실행합니다.
ruin_recreate_max_ruin_count 60 한 번에 제거하는 항목 수의 절대 상한입니다.
ruin_recreate_max_ruin_fraction 0.3 한 번에 제거하는 해의 최대 비율입니다.
ruin_recreate_min_ruin_fraction 0.1 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.
tail_swap_move_weight 0.1 두 목록의 뒷부분을 맞바꾸는 이동(2-opt*)의 상대적 비중입니다. 0이면 쓰지 않습니다.
two_opt_move_weight 0.1 2-opt 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.

돌아오는 결과

solve는 모델을 받아 풀린 모델을 돌려줍니다.

EmployeeModel

필드 의미
tasks 이 직원이 처리할 업무 id를 순서대로 나열한 목록입니다.

TaskModel

필드 의미
start_time 계산된 시작 시각(분)입니다. 미배정이면 None입니다.

TaskAssigningSolutionModel

필드 의미
score_hard 모자란 역량 수의 음수입니다. 0이면 모든 업무가 담당자의 역량에 맞습니다. score_soft0 미배정 업무 수의 음수입니다. score_soft1 squared_makespan_cost 값의 음수입니다. score_soft2 우선순위별 종료 시각 값의 음수입니다.

제약

optimaru.task_assigning.constraints에서 클래스를 가져와 RequiredSkillCost()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", "medium", "soft"를 주면 제약을 그 수준으로 옮깁니다. Level.HARD, Level.MEDIUM, Level.SOFT도 됩니다. 지정하지 않으면 아래 수준을 그대로 씁니다. 이 유스케이스에는 중간 수준이 있어서 어느 제약이든 중간으로 옮길 수 있습니다.
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.

역량 부족은 필수, 미배정 업무는 중간, 나머지는 선호 수준입니다. 중간 수준은 필수 점수 바로 아래 단위로 합쳐지므로, 미배정 업무가 1e9개 미만이면 역량 부족 하나가 언제나 더 무겁습니다. squared_makespan_cost는 기본 가중치가 1e7이어서 우선순위별 종료 시각보다 앞섭니다. 직접 준 가중치는 적용되는 수준의 단위로 세며, level로 어느 제약이든 세 수준 가운데 하나로 옮길 수 있습니다. 이렇게 합치기 때문에 필수 수준에는 가중치를 곱한 값으로 약 9.2e9까지만 담을 수 있고, 그보다 커지면 필수 점수가 한계값에 머물러 탐색이 해를 구별하지 못합니다. 그러니 squared_makespan_cost를 필수로 바꿀 때는 weight=1을 주세요. 가중치가 1e7이면 대부분의 문제에서 이 한도를 넘습니다.

위의 최소 실행 예제에 이어서 실행합니다.

from optimaru.task_assigning.constraints import (
    CriticalPriorityTaskEndTimeCost, RequiredSkillCost, UnassignedTasksCost, get_constraints,
)

picked = get_constraints([
    RequiredSkillCost(), UnassignedTasksCost(), CriticalPriorityTaskEndTimeCost(weight=20),
])
custom = ta.solve(problem, time_limit_seconds=2.0, random_seed=42, constraints=picked)
print(custom.score_hard, custom.score_soft2)
이름 수준 기본 가중치 하는 일
required_skill_cost 필수 1 담당자에게 없는 필요 역량 수에 벌점을 줍니다.
squared_makespan_cost 선호 1e7 직원별 종료 시각의 제곱을 줄입니다. 그래서 가장 바쁜 사람의 일부터 덜어 냅니다.
critical_priority_task_end_time_cost 선호 4 CRITICAL 업무의 종료 시각을 줄입니다. 가중치는 MINOR의 4배입니다.
major_priority_task_end_time_cost 선호 2 MAJOR 업무의 종료 시각을 줄입니다. 가중치는 MINOR의 2배입니다.
minor_priority_task_end_time_cost 선호 1 MINOR 업무의 종료 시각을 줄입니다.
unassigned_tasks_cost 중간 1 어느 직원의 목록에도 없는 업무에 벌점을 줍니다. 역량 부족보다 낮은 순위이며, score_soft0으로 표시됩니다.

제약 사용법 →

기존 해에서 시작하기

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

with_initial_solution(problem, solution)은 직원의 tasks를 해의 값으로 바꾼 새 문제를 돌려줍니다.

위의 최소 실행 예제에 이어서 실행합니다.

seeded = ta.with_initial_solution(problem, result)  # result.model_dump(mode="json")도 됩니다
better = ta.solve(seeded, time_limit_seconds=2.0, random_seed=42)
print(better.score_hard, better.score_soft1, better.score_soft2)
  • 완전한 해를 넣으면 구성 단계를 건너뛰고 그 해에서 바로 탐색을 시작합니다. 일부만 넣으면 넣은 부분은 그대로 두고, 빠진 업무만 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.
  • 모르는 id가 있거나 같은 업무가 두 번 나오면 ValueError가 납니다.

예외와 제한

  • 업무 시간은 base_duration에 숙련도 배수를 곱한 값입니다. HIGH 1, MEDIUM 2, LOW 3, NONE 4입니다.
  • 모든 업무는 결국 배정됩니다. 맡을 수 있는 직원이 없는 업무도 미배정으로 남지 않고, 필수 벌점을 받은 채 배정됩니다.
  • 시각은 분 단위 정수입니다.