Nu ska vi använda samma diskreta händelsemodell för väggklocksfabriken och sätta upp en "Score & Rank"-optimeringsrutin. Som referens sammanfattas tillverkningsprocessen återigen i tabellen nedan. Informationen har lagrats i en lista med ordlistor som heter processes, med en ordlista per process. Nycklarna i ordlistan motsvarar tabellens kolumnrubriker.

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

Metoden plot_results() som används för att generera graferna i den här övningen har förinslästs och visas nedan.

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()

Monte Carlo-samplingsloopen genererar ett antal möjliga processförlopp och poängsätter dem, som visas i figuren. Monte Carlo trajectories for different process scenario.

Grattis!

Create Your Free Account