Modelli di ottimizzazione per la pianificazione: sviluppo e applicazione nella produzione industriale = Optimization Models for Planning: Development and Application in Industrial Production

Questa tesi si pone l’obiettivo di sviluppare e applicare modelli di ottimizzazione per la pianificazione della produzione, in un contesto industriale reale, soffermandosi in particolare su una fase del processo produttivo. Il lavoro si inserisce in unprogetto di miglioramento della organizzazione produttiva di PPG Industries, con lo scopo di fornire degli strumenti decisionali adatti per l’allocazione delle risorse e la minimizzazione dei ritardi in un contesto sfidante come quello di un’industria di prodotti chimici. Inizialmente, vengono analizzati il contesto operativo e le principali inefficienzeriscontrate nei processi, individuando le criticità legate alla variabilità delle tempistiche, alle urgenze operative e alla difficoltà di rispettare le programmazioni giornaliere. Successivamente, una volta selezionato il reparto più congestionato, vengono proposti due modelli matematici di ottimizzazione: il primo finalizzato alla minimizzazione del ritardo rispetto alle date di impegno, il secondo orientato alla riduzione dell’attesa dei lotti pronti per essere confezionati. L’implementazione dei modelli è realizzata utilizzando la libreria PuLP in Python, sfruttando il solver CBC per risolvere problemi di Programmazione Lineare Intera Mista (MILP). Vengono introdotti vincoli specifici per permettere l’applicazione di essi nell’ambito aziendale. Nella fase sperimentale, il modello di minizzazione del ritardo, è testato su dati reali, confrontando i risultati ottenuti con la pianificazione tradizionale adottata dall’azienda. Si mostra come l’analisi evidenzi un miglioramento nella gestione delle risorse, riducendo inefficienze e ritardi, pur mostrando possibilità di ulteriori modifiche per rendere ancora più affidabile la pianificazione ottenibile. Infine, vengono discusse possibili estensioni e combinazioni dei modelli, tra cui l’integrazione con metodologie predittive per stimare più accuratamente le tempistiche di produzione e l’utilizzo di solver più avanzati. La ricerca dimostra il potenziale dell’ottimizzazione matematica nel supportare le decisioni operative in contesti industriali particolarmente sfidanti.