End-to-end optimization of vertical farming operations: modeling, solution methods, and managerial guidelines

This thesis addresses the challenge of optimizing daily or shift production planning in indoor vertical farms by developing an integrated constraint‐programming (CP) framework. We decompose the end‐to‐end scheduling problem into three interrelated phases: rack‐level seeding and harvesting (Phase 1), shuttle clustering and Automated Guided Vehicle (AGV) routing (Phase 2), and multi‐machine packaging scheduling (Phase 3). Each phase is encoded as a distinct CP model with decision variables, operational constraints, and objective functions that reflect real‐world requirements such as harvest volumes, demand satisfaction, travel deadlines, and packaging capacity. A comprehensive computational study under diverse operational regimes (Aligned, Baseline, Low‐Yield) and scales demonstrates the framework’s ability to generate feasible, near‐optimal schedules that enhance net profit, reduce overproduction waste, and maintain high order‐fill rates. Scenario analyses further reveal critical resource-investment thresholds, quantifying the SKU/rack scales at which additional shuttles or packaging lines deliver the highest marginal return, and offer guidance on balancing SKU diversity against throughput bottlenecks. Our results suggest that this CP‐based decision‐support tool can significantly improve operational efficiency in controlled‐environment agriculture, laying the groundwork for extensions such as dynamic traffic modeling, rolling‐horizon planning, and larger‐scale deployments.

Questa tesi affronta la sfida di ottimizzare la pianificazione giornaliera, o per turno, della produzione in fattorie verticali indoor sviluppando un framework integrato basato sulla programmazione a vincoli (CP). Scomponiamo il problema di schedulazione end-to-end in tre fasi interconnesse: semina e raccolta a livello di rack (Fase 1), raggruppamento delle navette e instradamento dei veicoli a guida automatica (AGV) (Fase 2), e schedulazione del confezionamento su più macchine (Fase 3). Ogni fase è modellata come un problema CP distinto con variabili decisionali, vincoli operativi e funzioni obiettivo che riflettono requisiti reali quali volumi di raccolta, soddisfazione della domanda, scadenze di trasporto e capacità di confezionamento. Uno studio computazionale completo, condotto sotto diversi regimi operativi (Allineato, Base, Bassa Resa) e a varie scale, dimostra la capacità del framework di generare schedulazioni fattibili e quasi ottimali che aumentano il profitto netto, riducono gli sprechi da sovrapproduzione e mantengono alti tassi di evasione ordini. Le analisi di scenario evidenziano inoltre soglie di investimento critiche nelle risorse, quantificando le scale SKU/rack alle quali navette o linee di confezionamento aggiuntive offrono il maggior ritorno marginale, e forniscono indicazioni su come bilanciare la diversità di SKU rispetto ai colli di bottiglia di throughput. I risultati suggeriscono che questo strumento decisionale basato su CP può migliorare significativamente l’efficienza operativa nell’agricoltura in ambiente controllato, gettando le basi per estensioni quali la modellazione dinamica del traffico, la pianificazione a orizzonte mobile e implementazioni su scala più ampia.