Modèle de logistique pour le commerce électronique : analyse des résultats

Considérons une entreprise de commerce électronique qui doit optimiser ses opérations. Les grands groupes de processus en jeu sont :

« Gestion des demandes »,
« Emballage », et
« Expédition et livraison au client ».

Chacun de ces groupes comprend de nombreux sous-processus et tâches. Pour l'instant, vous allez vous concentrer sur la création du modèle à un niveau global, qui pourra (et devrait) être raffiné à mesure que plus d'information sera disponible.

Des recherches préliminaires indiquent que chaque processus prend respectivement 2, 1 et 5 jours à réaliser, avec des écarts types de 0,2, 0,2 et 1 jour.

Vous avez construit le modèle SimPy et les générateurs. Le temps dans le modèle est consigné en jours. Le paquet suivant a été importé pour vous : import matplotlib.pyplot as plt.

Exécutons le modèle et analysons les résultats à l'aide d'une analyse en grappes.

Cette activité fait partie du cours

Simulation d'événements discrets en Python

Voir le cours

Instructions de l’exercice

Exécutez le modèle SimPy stocké dans un environnement SimPy nommé env pendant 5 ans (supposez qu'il n'y a pas d'années bissextiles).
Créez un histogramme des résultats du modèle stockés dans record_processes_list avec 50 classes.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

env = simpy.Environment()
env.process(all_processes(env, inputs, record_processes))

# Run the SimPy model
env.____(until=___)

record_processes_list = [record_processes['Time Manage Request'],
            			 record_processes['Time Packaging'],
            			 record_processes['Time Shipping']]

# Create a histogram with 50 bins
plt.____(record_processes_list, bins=____, label=['Request', 'Packaging', 'Shipments'])
plt.legend(loc='upper right')
plt.xlabel('Duration (days)')
plt.ylabel('Number of occurrences')
plt.show()

Modifier et exécuter le code