Vamos usar o mesmo modelo de eventos discretos da fábrica de relógios de parede e configurar uma rotina de otimização "Score & Rank". Para sua conveniência, o processo de manufatura está resumido novamente na tabela abaixo. As informações foram armazenadas em uma lista de dicionários chamada processes, com um dicionário por processo. As chaves desse dicionário correspondem aos cabeçalhos das colunas da tabela.

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

O método plot_results() usado para gerar os gráficos neste exercício já foi carregado e é mostrado abaixo.

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()

O loop de amostragem de Monte Carlo produzirá uma série de trajetórias de processo possíveis e as pontuará, como mostrado na figura. Monte Carlo trajectories for different process scenario.

Parabéns!

Create Your Free Account