Fonction déterministe ou politique utilisée à une ressource ou machine pour sélectionner le prochain travail dans une file en fonction d’attributs du travail (par ex. temps de traitement, date d’échéance, priorité) et de l’état courant du système ; les règles d’affectation transforment les entrées observables en décision d’ordonnancement visant des objectifs opérationnels (minimiser temps de passage moyen, retard, ou maximiser débit).

Principe

Une règle d’affectation traduit des objectifs d’ordonnancement et l’information locale disponible en une décision de sélection reproductible ; la règle choisie biaise systématiquement les résultats de séquençage à court terme (temps moyen, retard, équité) et doit donc être alignée sur la métrique de performance et les contraintes du système.

Démonstration

Scénario illustratif → Situation : une machine unique avec file de travaux de durées et dates d’échéance variables. Reconnaissance : l’objectif est de minimiser le temps moyen de fin. Action : appliquer Shortest Processing Time (SPT). Conséquence : le temps moyen de fin baisse, mais les travaux longs subissent plus d’attente et une équité moindre par rapport aux dates d’échéance.

Mauvaise application

Appliquer une règle (p.ex. SPT) sans l’adapter à l’objectif opérationnel (p.ex. minimiser les retards ou respecter des fenêtres de livraison) ou en ignorant les dépendances de réglage ; l’erreur sémantique est de considérer une règle comme universellement optimale plutôt que dépendante de l’objectif et du contexte.

Conséquence

Un choix approprié de règle améliore les KPI ciblés (réduction du temps de passage moyen, moins de travaux en retard, meilleur débit) ; toutefois chaque règle échange d’autres métriques (p.ex. équité, retard maximal) et peut mal interagir avec des réglages dépendant de la séquence ou des exigences de lot.

Inversion

Quand les réglages dépendent de la séquence, les temps de traitement sont très variables ou les objectifs sont multi‑critères (coût, retard, stabilité), les règles statiques mono‑critère sont souvent sous‑optimales ; dans ces cas, heuristiques dynamiques, planification avec anticipation ou modèles d’optimisation sont nécessaires.

Limite

Dans le champ : ordonnancement au poste d’atelier d’une machine ou cellule en utilisant attributs observables des travaux. Cas limite : environnements multi‑machines avec blocage, machines parallèles ou lots où le dispatching local doit se coordonner avec politiques niveau système. Hors champ : planification capacitaire stratégique ou plan directeur à long terme, qui ne sont pas des politiques de séquençage locales.

Tension sémantique

Optimalité locale (minimiser une métrique choisie à une ressource) ↔ Objectifs globaux et équité : des règles qui optimisent un KPI local peuvent dégrader la performance système ou produire traitement inéquitable de certains travaux.

Synthèse

La règle d’affectation est une cartographie opérationnelle de l’état et des caractéristiques des travaux vers une décision de séquençage ; sa valeur réside dans l’alignement de cette cartographie avec l’objectif principal du système et la reconnaissance des compromis inévitables sur métriques secondaires et interactions.