Laten we hetzelfde discrete-eventmodel van de wandklokkenfabriek gebruiken en een "Score & Rank"-optimalisatieroutine opzetten. Voor je gemak staat het productieproces hieronder nogmaals samengevat in de tabel. De informatie is opgeslagen in een lijst met woordenboeken met de naam processes, met één woordenboek per proces. De sleutels in dit woordenboek komen overeen met de kolomkoppen in de tabel.

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

De methode plot_results() die wordt gebruikt om de grafieken in deze oefening te genereren is alvast ingeladen en staat hieronder.

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()

De Monte Carlo-samplinglus produceert een reeks mogelijke procestrajecten en kent er scores aan toe, zoals te zien is in de figuur. Monte Carlo trajectories for different process scenario.

Modelmodulariteit om continue ontwikkeling te optimaliseren

Create Your Free Account