gigafibre-fsm/services/roster-solver

Roster AI — solveur d'horaires (OR-Tools CP-SAT)

Microservice d'optimisation sous contraintes (« façon Timefold », mais Python sans JVM) qui génère des horaires de techniciens. Agnostique du backend : il ne connaît ni Frappe ni ERPNext — on lui passe des techs + dispos + besoins de couverture, il rend des assignations optimales.

Place dans l'architecture

[Ops « Planification »]  →  [targo-hub lib/roster.js]  →  [roster-solver /solve]
                                      │  lit techs/jobs (Dispatch Technician/Job, ERPNext)
                                      └→ écrit les assignations validées

Le hub rassemble les entrées (techs, compétences, dispos, congés, besoins par jour/zone), appelle /solve, puis écrit les assignations retenues.

API

• GET /health
• POST /solve → corps :

{
  "horizon": { "start": "2026-06-08", "days": 7 },
  "shift_templates": [
    { "id": "jour", "name": "Jour 8h-16h", "hours": 8 }
  ],
  "technicians": [
    { "id": "T001", "name": "Marc", "skills": ["fibre"],
      "max_hours_week": 40, "max_days": 5, "cost_per_h": 38,
      "zone_home": "Montréal", "preferred_off": ["sam","dim"],
      "unavailable": ["2026-06-10"] }   // dates de congé/pause
  ],
  "coverage": [
    { "date": "2026-06-08", "shift": "jour", "zone": "Montréal",
      "required": 2, "required_skills": ["fibre"] }
  ],
  "weights": { "uncovered": 1000, "fairness": 5, "cost": 1, "preference": 8, "continuity": 4 },
  "max_seconds": 10
}

Réponse : assignments[], coverage_report[] (requis vs assigné vs shortfall), tech_hours{}, spread_hours, total_shortfall, explanations[], status.

Modèle de contraintes

Dures (faisabilité) :

• 1 shift max par tech par jour
• compétences : un tech ne compte pour un poste que s'il a toutes les compétences requises
• disponibilité : pas d'assignation un jour de congé/pause (unavailable)
• max_hours_week, max_days

Souples (objectif pondéré, minimisé) :

• uncovered — postes non couverts (priorité écrasante → on voit les manques au lieu d'échouer)
• fairness — écart d'heures max-min entre techs
• cost — coût horaire total
• preference — pénalité de travail un jour « préféré off »
• continuity — bonus si la zone du poste = zone d'attache du tech (moins de déplacement)

Couverture en soft = le solveur rend toujours le meilleur horaire possible même en sous-effectif, et rapporte les manques (ta demande « dispo vs requis »).

Dév

python -m venv .venv && . .venv/bin/activate
pip install -r requirements.txt
python test_solver.py        # démo + vérifs sur sample_request.json
uvicorn app:app --port 8090  # serveur