Vamos a usar el mismo modelo de eventos discretos de la fábrica de relojes de pared y a configurar una rutina de optimización "Score & Rank". Para tu comodidad, el proceso de fabricación se resume de nuevo en la tabla de abajo. La información se ha almacenado en una lista de diccionarios llamada processes, con un diccionario por proceso. Las claves de cada diccionario corresponden a los encabezados de columna de la tabla.

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

El método plot_results() usado para generar las gráficas en este ejercicio ya está precargado y se muestra a continuación.

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()

El bucle de muestreo Monte Carlo producirá una serie de trayectorias de proceso posibles y las puntuará, como se muestra en la figura. Monte Carlo trajectories for different process scenario.

Funciones objetivo y optimización del sistema

Create Your Free Account