Lass uns dasselbe ereignisdiskrete Modell der Wanduhrfabrik verwenden und eine "Score & Rank"-Optimierungsroutine aufsetzen. Zur Erinnerung ist der Fertigungsprozess in der folgenden Tabelle nochmals zusammengefasst. Die Informationen wurden in einer Liste von Dictionaries namens processes gespeichert, mit einem Dictionary pro Prozess. Die Schlüssel in diesen Dictionaries entsprechen den Spaltenüberschriften der Tabelle.

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

Die Methode plot_results(), die in dieser Übung für die Diagramme verwendet wird, wurde vorab geladen und ist unten dargestellt.

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()

Die Monte-Carlo-Sampling-Schleife erzeugt eine Reihe möglicher Prozessverläufe und bewertet sie – wie in der Abbildung gezeigt. Monte Carlo trajectories for different process scenario.

Modularität des Modells zur Optimierung der kontinuierlichen Weiterentwicklung

Create Your Free Account