Mari gunakan model kejadian-diskret yang sama untuk pabrik jam dinding dan menyiapkan rutinitas optimasi "Score & Rank". Untuk memudahkan Anda, proses manufaktur dirangkum kembali pada tabel di bawah. Informasi tersebut disimpan dalam sebuah list berisi dictionary bernama processes, dengan satu dictionary per proses. Kunci pada dictionary ini sesuai dengan judul kolom tabel.

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

Metode plot_results() yang digunakan untuk membuat plot pada latihan ini telah dimuat sebelumnya dan ditampilkan di bawah.

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()

Loop pengambilan sampel Monte Carlo akan menghasilkan serangkaian kemungkinan lintasan proses dan memberikan skornya, seperti yang ditunjukkan pada gambar. Monte Carlo trajectories for different process scenario.

Selamat!

Create Your Free Account