Produzione di capi: processi multipli e modularità
Ti è stato chiesto di creare un modello a eventi discreti per ottimizzare una fabbrica di produzione di capi d’abbigliamento situata a Milano, la capitale della moda.
Sei super entusiasta e vuoi assicurarti di costruire un modello utile e scalabile, perché sai che l’industria dell’abbigliamento è complessa e coinvolge molti processi e risorse, con cui stai ancora prendendo confidenza.
Hai fatto le tue ricerche e hai stilato l’elenco dei processi mostrato nella tabella qui sotto. Sei stato scrupoloso e hai creato una funzione separata per ogni processo, in modo da rendere il modello modulare e consentirgli di crescere in modo controllato.
Ora hai ricevuto un feedback dal tuo responsabile: ti è stato chiesto di includere nel modello un nuovo processo per tenere conto dello "Spot cleaning and laundry", che deve andare tra i passaggi 8 e 9 (vedi la riga della tabella evidenziata in rosso). I pacchetti random e simpy sono già stati importati.
Questo esercizio fa parte del corso
Simulazione a eventi discreti in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Create a function for the new process
def ____(gen_type=None, gauss_mean=None, gauss_std=None, unif_start=None, unif_end=None):
if gen_type == "gauss":
duration = random.gauss(gauss_mean, gauss_std)
elif gen_type == "uniform":
duration = random.uniform(unif_start, unif_end)
return duration
def all_processes(env, prod_line):
with prod_line.request() as request:
yield request
t1 = fabric_relaxing(gen_type="gauss", gauss_mean=2*60, gauss_std=15)
t2 = spread_form_layout(gen_type="gauss", gauss_mean=6, gauss_std=1)
t3 = laying_paper_pattern(gen_type="uniform", unif_start=3, unif_end=0.5)
t4 = marking(gen_type="gauss", gauss_mean=6, gauss_std=1)
t5 = cutting(gen_type="gauss", gauss_mean=5, gauss_std=0.5)
t6 = embroidery_screen_and_printing(gen_type="uniform", unif_start=10, unif_end=2)
t7 = sewing(gen_type="gauss", gauss_mean=15, gauss_std=3)
t8 = checking(gen_type="gauss", gauss_mean=2, gauss_std=0.5)
# Add the new process
tnew = ____
# Account for the new process duration in the entire process duration
total_duration = sum([t1, t2, t3, t4, t5, t6, t7, t8, ____, t9, t10])
yield env.timeout(total_duration)