Próbkowanie Monte Carlo dla modelu zdarzeniowego w SimPy
Zbudujmy teraz tę samą analizę próbkowania Monte Carlo, korzystając z wersji modelu opartej na SimPy. Model SimPy zawiera generator o nazwie manufacturing_process, który symuluje różne procesy, oraz funkcję run_monte_carlo, która uruchamia model wielokrotnie i zapisuje wyniki w tablicy NumPy o nazwie time_record.
Kod rysujący wyniki jest podobny do tego z poprzedniego ćwiczenia, ale został przeniesiony do funkcji plot_results(), pokazanej poniżej.
def plot_results():
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")
fig.set(xlim=(0, len(processes) + 1))
plt.plot()
Pętla próbkowania Monte Carlo wygeneruje szereg możliwych trajektorii procesów, jak pokazano na rysunku.
To ćwiczenie jest częścią kursu
Symulacja zdarzeń dyskretnych w Pythonie
Instrukcje do ćwiczenia
- Zarejestruj i wykonaj
yielddlaprocess_duration. - Zapisz bieżący czas w
time_record. - Uruchom pętlę for dla
n_trajectoriespróbek ze zmienną pomocnicząt. - Utwórz środowisko SimPy, dodaj procesy i uruchom model.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
def manufacturing_process(env):
global time_record
for p in range(len(processes)):
proc_p = processes[p]
process_duration = random.gauss(proc_p["Average_Duration"], proc_p["Standard_Deviation"])
# Clock-in and yield the process_duration
yield ____
# Save the current time in time_record
time_record[p + 1] = ____
def run_monte_carlo(n_trajectories):
# Run a for-loop for n_trajectories samples with dummy variable t
____
# Create the SimPy environment, add processes and run the model
env = ____
env.____(manufacturing_process(env))
env.____()
plot_results()
plt.show()
run_monte_carlo(n_trajectories = 100)