Optimalizace výroby: Score & Rank

Použijeme stejný model diskrétních událostí továrny na nástěnné hodiny a nastavíme optimalizační rutinu „Score & Rank". Pro přehlednost je výrobní proces znovu shrnut v tabulce níže. Informace jsou uloženy v seznamu slovníků s názvem processes, přičemž každý slovník odpovídá jednomu procesu. Klíče slovníku odpovídají záhlavím sloupců tabulky.

Table with process names and their duration statistics, namely mean and standard deviation.

Metoda plot_results() použitá k vytvoření grafů v tomto cvičení je předem načtena a zobrazena níže.

def plot_results(objective_func):
    # Score
    fig, axes = plt.subplots(1, len(processes), sharey=True, figsize=(10, 8))
    for p in range(len(processes)):
        sns.scatterplot(ax=axes[p], x=process_duration_all[:, p], y=objective_func, c=objective_func, cmap="turbo_r")
        axes[p].set_title(processes[p]["Name"], rotation = 20, horizontalalignment='left')
        axes[p].set_xlabel("Duration [min]", rotation = -10)
        axes[p].grid()
    axes[0].set_ylabel("Objective function score")
    plt.show()

    # Rank
    index_sort = np.argsort(objective_func)
    fig, axes = plt.subplots(1, len(processes), sharey=True, figsize=(10, 8))
    for p in range(len(processes)):
        sns.lineplot(ax=axes[p], x=np.linspace(0, NUM_SIMULATIONS, NUM_SIMULATIONS),
                     y=process_duration_all[index_sort, p], color="orchid")
        axes[p].set_title(processes[p]["Name"], rotation = 20, horizontalalignment='left')
        axes[p].set_xlabel("Score-ranked scenarios", rotation = -10)
        axes[p].grid()
    axes[0].set_ylabel("Duration [min]")
    plt.show()

Smyčka Monte Carlo sampling vytvoří řadu možných průběhů procesů a ohodnotí je, jak je znázorněno na obrázku. Monte Carlo trajectories for different process scenario.

Toto cvičení je součástí kurzu

Diskrétní simulace událostí v Pythonu

Zobrazit kurz

Pokyny k cvičení

Přidej příspěvek každého procesu ke skóre – délky trvání procesů jsou uloženy v process_duration_all[s, p] a jejich příslušné váhy v proc_p["score_weight_0_10"].
Nastav cyklus for tak, aby provedl NUM_SIMULATIONS běhů Monte Carlo, přičemž jako pomocná proměnná slouží s.
Spusť engine Monte Carlo uložený ve funkci run_monte_carlo() (tím se vygenerují grafy „score" i „rank").

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

def objective_function_calc():
    objective_func = np.ones(NUM_SIMULATIONS)

    for s in range(NUM_SIMULATIONS):
        for p in range(len(processes)):
            proc_p = processes[p]
            
            # Add the score contribution of each process
            objective_func[s] += ____

    plot_results(objective_func)

def run_monte_carlo():

    # Set the for-loop to run NUM_SIMULATIONS Monte-Carlo runs 
    ____

        env = simpy.Environment()
        env.process(manufractoring_process(env, s))
        env.run()

    objective_function_calc()

# Run the Monte Carlo function
____

Upravit a spustit kód