Оптимизация производства: оценка и ранжирование

Воспользуемся той же дискретно-событийной моделью фабрики настенных часов и настроим процедуру оптимизации методом «Оценка и ранжирование». Для удобства производственный процесс снова представлен в таблице ниже. Данные хранятся в виде списка словарей под названием processes, по одному словарю на каждый процесс. Ключи словаря соответствуют заголовкам столбцов таблицы.

Таблица с названиями процессов и их статистиками продолжительности: средним значением и стандартным отклонением.

Метод plot_results(), используемый для построения графиков в этом упражнении, предварительно загружен и показан ниже.

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()

Цикл метода Монте-Карло сформирует набор возможных траекторий процесса и оценит их, как показано на рисунке. Траектории Монте-Карло для различных сценариев процесса.

Это упражнение является частью курса

Дискретно-событийное моделирование на Python

Посмотреть курс

Инструкции к упражнению

Добавьте вклад каждого процесса в итоговую оценку, учитывая, что продолжительность процессов хранится в process_duration_all[s, p], а соответствующие весовые коэффициенты — в proc_p["score_weight_0_10"].
Настройте цикл for на выполнение NUM_SIMULATIONS прогонов методом Монте-Карло, используя s в качестве переменной цикла.
Запустите движок Монте-Карло, реализованный в функции run_monte_carlo() (это сформирует графики «оценки» и «ранжирования»)

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

def objective_function_calc():
    objective_func = np.ones(NUM_SIMULATIONS)

    for s in range(NUM_SIMULATIONS):
        for p in range(len(processes)):
            proc_p = processes[p]
            
            # Add the score contribution of each process
            objective_func[s] += ____

    plot_results(objective_func)

def run_monte_carlo():

    # Set the for-loop to run NUM_SIMULATIONS Monte-Carlo runs 
    ____

        env = simpy.Environment()
        env.process(manufractoring_process(env, s))
        env.run()

    objective_function_calc()

# Run the Monte Carlo function
____

Редактировать и запускать код