Optimisation de la production : Search & Stop
Utilisons le modèle d’usine d’horloges murales créé dans un exercice précédent et déployons une approche d’optimisation « Search & Stop » basée sur un échantillonnage Monte-Carlo pour identifier les goulets d’étranglement critiques.
Le processus de fabrication est résumé dans le tableau ci-dessous, et les informations ont été stockées dans une liste de dictionnaires nommée processes, avec un dictionnaire par processus. Les clés de chaque dictionnaire correspondent aux en-têtes de colonnes du tableau.
La méthode plot_results() pour générer les graphiques de cet exercice a été préchargée et est présentée ci-dessous.
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')
plt.grid()
fig.set(xlim=(0, len(processes)))
fig.set(ylim=(0, 180))
fig.set(xticks=process_line_space)
plt.plot()
La boucle d’échantillonnage Monte-Carlo produira une série de trajectoires de processus possibles et s’arrêtera lorsque la condition souhaitée sera satisfaite, comme illustré sur la figure.
Cet exercice fait partie du cours
<cours>Simulation d’événements discrets en Python</cours>Instructions de l’exercice
- Créez une boucle pour exécuter des trajectoires de simulation tant que
run_iest égal à zéro ou quetotal_duration[run_i]est supérieur à 85 heures (c.-à-d. condition d’arrêt :total_duration[run_i]inférieure ou égale à 85 heures). - Exécutez le moteur Monte Carlo stocké dans la fonction
run_monte_carlo().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
def run_monte_carlo():
run_i = 0
# While-loop with the stop condition
____
run_i += 1
env = simpy.Environment()
env.process(manufractoring_process(env))
env.run()
plot_results()
plt.show()
# Call the run_monte_carlo function
____