test

# NOM1 Prénom1 - NOM2 Prénom2

using JuMP, GLPKMathProgInterface # On va utiliser JuMP et GLPK


# Structures contenant les données d'un problème de bin-packing mono-dimensionnel
struct objet1D
    taille::Int64 # Taille de l'objet
    nb::Int64 # Nombre d'objets de la même taille
end

struct donnees1D
    T::Int64 # Taille d'un bin
    nb::Int64 # Nombre de taille d'objets différents
    tab::Vector{objet1D} # Tableau des objets à insérer dans les bins
end


# Structures contenant les données d'un problème de bin-packing bi-dimensionnel
struct objet2D
    l::Int64 # Largeur de la pièce
    h::Int64 # Hauteur de la pièce
    nb::Int64 # Nombre d'objets dans ce format
end

struct donnees2D
    L::Int64 # Largeur d'un bin
    H::Int64 # Hauteur d'un bin
    nb::Int64 # Nombre de types d'objet différents
    tab::Vector{objet2D} # Tableau des objets à insérer dans les bins
end


# Fonction prenant en entrant un nom de fichier et retournant les données du problème
function parser_data1D(nomFichier::String)
    # Ouverture d'un fichier en lecture
    f = open(nomFichier,"r")

    # Lecture de la première ligne pour connaître la taille d'un bin et le nombre de tailles différentes pour les objets à ranger
    s::String = readline(f) # lecture d'une ligne et stockage dans une chaîne de caractères
    ligne::Vector{Int64} = parse.(Int64,split(s," ",keepempty = false)) # Segmentation de la ligne en plusieurs entiers, à stocker dans un tableau
    T::Int64 = ligne[1]
    nb::Int64 = ligne[2]

    # Allocation mémoire pour le tableau des objets
    tab = Vector{objet1D}(undef,nb)

    # Lecture des infos sur les objets (sur chaque ligne : taille + nombre)
    for i in 1:nb
        s = readline(f)
        ligne = parse.(Int64,split(s," ",keepempty = false))
        tab[i] = objet1D(ligne[1],ligne[2])
    end

    # Fermeture du fichier
    close(f)

    # Retour des donnees
    return donnees1D(T,nb,tab)
end


# Fonction prenant en entrant un fichier et retournant les données du problème

function parser_data2D(nomFichier::String)
    # Ouverture d'un fichier en lecture
    f = open(nomFichier,"r")

    # Lecture de la première ligne pour connaître la largeur et la hauteur d'un bin et le nombre de types d'objets différents à ranger
    s::String = readline(f) # lecture d'une ligne et stockage dans une chaîne de caractères
    ligne::Vector{Int64} = parse.(Int64,split(s," ",keepempty = false)) # Segmentation de la ligne en plusieurs entiers, à stocker dans un tableau
    L::Int64 = ligne[1]
    H::Int64 = ligne[2]
    nb::Int64 = ligne[3]

    # Allocation mémoire pour le tableau des objets
    tab = Vector{objet2D}(undef,nb)

    # Lecture des infos sur les objets (sur chaque ligne : largeur + hauteur + nombre)
    for i in 1:nb
        s = readline(f)
        ligne = parse.(Int64,split(s," ",keepempty = false))
        tab[i] = objet2D(ligne[1],ligne[2],ligne[3])
    end

    # Fermeture du fichier
    close(f)

    # Retour des donnees
    return donnees2D(L,H,nb,tab)
end


#Heuristique Best-fit

function best_fit(data::donnees1D)

    tab_bin = [0]
    sort!(data.tab, by = x -> x.taille, rev=true)

    for i in 1:data.nb
        for j in 1:data.tab[i].nb
            for k in 1:size(tab_bin,1)
                if (tab_bin[k] + data.tab[i].taille <= 30)
                    tab_bin[k] += data.tab[i].taille
                    sort!(tab_bin, rev=true)
                elseif (k == size(tab_bin, 1))
                    push!(tab_bin, data.tab[i].taille)
                end
            end
        end
    end
    return size(tab_bin, 1)
end


function modelImplicite(solverSelected, data::donnees1D, tailleBin::Int64, nbBin::Int64)
    m = Model(solver = solverSelected)

    @variable(m, x[1:28,nbBin], Bin) #obj i rangé dans bin j
    @variable(m, y[1:nbBin], Bin) #si obj dans bin j

    @objective(m, Min, sum(y[j] for j in 1:nbBin))

    @constraint(m, obligRange, sum((x[i,j] for j in 1:nbBin) for i in 28) == 1)
    @constraint(m, limiteTaille, (sum(t[i]x[i,j] for i in 1:28)) <= (tailleBin * y[j] for j in 1:nbBin))

    return m
end

    data = parser_data1D("A4.dat")
    tailleBin = data.T
    #nbObj = sum(data.tab[i,2] for i in 1:data.nb)
    nbBin = best_fit(data)

m = modelImplicite(GLPKSolverMIP(),data, tailleBin, nbBin)

    status = solve(m)

    if status == :Optimal
     println("Problème résolu à l'optimalité")

      println("z = ",getobjectivevalue(m)) # affichage de la valeur optimale

      println("nbBin = ",getvalue(nbBin))

    elseif status == :Unbounded
      println("Problème non-borné")

    elseif status == :Infeasible
      println("Problème impossible")
end