Optimisation de la production : Score & Rank

Utilisons le même modèle à événements discrets de l’usine d’horloges murales et mettons en place une routine d’optimisation « Score & Rank ». Pour votre confort, le processus de fabrication est à nouveau résumé dans le tableau ci-dessous. Les informations ont été stockées dans une liste de dictionnaires nommée processes, avec un dictionnaire par processus. Les clés de ce dictionnaire correspondent aux en-têtes de colonnes du tableau.

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

La méthode plot_results() utilisée pour générer les graphiques dans cet exercice a été préchargée et est présentée ci-dessous.

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()

La boucle d’échantillonnage Monte-Carlo produira une série de trajectoires de processus possibles et les notera, comme illustré dans la figure. Monte Carlo trajectories for different process scenario.

Cet exercice fait partie du cours

<cours>Simulation d’événements discrets en Python</cours>

Voir le cours

Instructions de l’exercice

Ajoutez la contribution au score de chaque processus, sachant que la durée des processus est stockée dans process_duration_all[s, p] et leur poids respectif dans proc_p["score_weight_0_10"].
Paramétrez la boucle for pour exécuter NUM_SIMULATIONS itérations Monte-Carlo avec s comme variable muette.
Lancez le moteur Monte Carlo stocké dans la fonction run_monte_carlo() (cela génèrera les graphiques « score » et « rank »)

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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
____

Modifier et exécuter le code