같은 벽시계 공장의 이산 사건(Discrete-Event) 모델을 사용해 "Score & Rank" 최적화 루틴을 설정해 보세요. 편의를 위해 제조 공정은 아래 표에 다시 정리했습니다. 이 정보는 각 공정을 하나의 딕셔너리로 담은 딕셔너리 리스트 processes에 저장되어 있으며, 딕셔너리의 키는 표의 열 머리글에 대응합니다.

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

이 연습에서 플롯을 생성하는 데 사용하는 plot_results() 메서드는 미리 로드되어 있으며 아래에 나와 있어요.

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()

Monte-Carlo 샘플링 루프는 가능한 공정 궤적을 여러 개 생성하고 점수를 매깁니다. 아래 그림과 같습니다. Monte Carlo trajectories for different process scenario.

클러스터링과 클러스터 모델

Create Your Free Account