Monte Carlo sampling pro model diskrétních událostí v SimPy

Teď sestavíme stejnou Monte Carlo analýzu vzorkování pomocí SimPy verze modelu. SimPy model obsahuje generátor manufacturing_process, který simuluje různé procesy, a funkci run_monte_carlo, která model spouští opakovaně a ukládá výsledky do NumPy pole time_record.

Kód pro vykreslení výsledků je podobný tomu z předchozího cvičení, ale byl přesunut do funkce plot_results(), která je zobrazena níže.

def plot_results():

    df_disc = pd.DataFrame({cNam[0]: process_line_space, cNam[1]: time_record})
    fig = sns.lineplot(data=df_disc, x=cNam[0], y=cNam[1], marker="o")
    fig.set(xlim=(0, len(processes) + 1))
    plt.plot()

Smyčka Monte Carlo samplingu vytvoří sérii možných trajektorií procesů, jak ukazuje obrázek. Monte Carlo trajektorie pro různé scénáře procesů.

Toto cvičení je součástí kurzu

Diskrétní simulace událostí v Pythonu

Zobrazit kurz

Pokyny k cvičení

Zaznamenej a yieldni process_duration.
Ulož aktuální čas do time_record.
Spusť for-cyklus pro n_trajectories vzorků s pomocnou proměnnou t.
Vytvoř SimPy prostředí, přidej procesy a spusť model.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

def manufacturing_process(env):
    global time_record
    for p in range(len(processes)):
        proc_p = processes[p]
        process_duration = random.gauss(proc_p["Average_Duration"], proc_p["Standard_Deviation"])

        # Clock-in and yield the process_duration
        yield ____

        # Save the current time in time_record
        time_record[p + 1] = ____

def run_monte_carlo(n_trajectories):

    # Run a for-loop for n_trajectories samples with dummy variable t
    ____

        # Create the SimPy environment, add processes and run the model
        env = ____
        env.____(manufacturing_process(env))
        env.____()
        
        plot_results()
    plt.show()

run_monte_carlo(n_trajectories = 100)

Upravit a spustit kód