이산 사건 모델을 위한 몬테카를로 샘플링

벽걸이 시계를 생산하는 공장을 가정해 봅시다. 시계의 인기가 높아지면서 수요가 생산 능력을 초과하고 있어요. 공장은 수개월째 최대 가동 중이며, 더 나은 경영 의사결정과 향후 투자·확장 계획을 위해 공장의 동작과 병목을 더 잘 파악하고자 합니다.

공장 공정의 이산 사건 모델이 이미 구축되어 있고, 이제 시나리오를 탐색하기 위해 몬테카를로 샘플링 분석을 실행하려고 해요. 제조 공정은 아래 표로 요약되어 있으며, 이 정보는 각 공정당 하나의 딕셔너리를 갖는 리스트 processes에 저장되어 있어요. 이 딕셔너리의 키는 표의 열 머리글과 대응합니다. 다음 패키지는 이미 임포트되어 있어요: numpy as np, matplotlib.pyplot as plt, seaborn as sns, random, pandas as pd, 그리고 time.

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

몬테카를로 샘플링 루프는 그림과 같이 가능한 공정 궤적들을 여러 개 생성합니다. Monte Carlo trajectories for different process scenario.

이 연습은 강의의 일부입니다

Python으로 배우는 이산 사건 시뮬레이션

강의 보기

연습 안내

n_trajectories 샘플에 대해 더미 변수 t를 사용하는 메인 몬테카를로 샘플링 for-루프를 설정하세요.
random 패키지의 가우시안 분포를 사용해 공정 소요 시간을 의사난수로 추정하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

n_trajectories = 100

# Run a Monte-Carlo for-loop for n_trajectories samples
____

    for p in range(len(processes)):
        proc_p = processes[p]

        # Random gauss method to pseudo-randomly estimate process duration
        process_duration = ____(proc_p["Average_Duration"], proc_p["Standard_Deviation"])
        time_record[p + 1] = time_record[p] + process_duration

    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")  # Step_10
    fig.set(xlim=(0, len(processes) + 1))
    plt.plot()
plt.grid()
plt.show()

코드 편집 및 실행