Метод Монте-Карло для дискретно-событийных моделей
Представьте завод по производству настенных часов. Спрос на продукцию неуклонно растёт, и теперь он превышает производственные мощности. Завод работает на полную мощность уже несколько месяцев, и вы хотите лучше понять его поведение и узкие места — чтобы принимать более обоснованные управленческие решения и планировать будущие инвестиции и расширение.
Дискретно-событийная модель производственных процессов уже разработана, и теперь вы хотите провести анализ методом Монте-Карло для исследования различных сценариев. Производственный процесс описан в таблице ниже; данные сохранены в виде списка словарей processes, по одному словарю на каждый процесс. Ключи словаря соответствуют заголовкам столбцов таблицы. Следующие пакеты уже импортированы: numpy as np, matplotlib.pyplot as plt, seaborn as sns, random, pandas as pd и time.
Цикл выборки методом Монте-Карло сформирует набор возможных траекторий процесса, как показано на рисунке.
Это упражнение является частью курса
Дискретно-событийное моделирование на Python
Инструкции к упражнению
- Настройте основной цикл for для выборки методом Монте-Карло, рассчитанный на
n_trajectoriesвыборок с переменной-счётчикомt. - Используйте гауссово распределение из пакета
random, чтобы псевдослучайным образом оценить продолжительность процесса.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
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()