Monte Carlo-sampling för en diskret händelsemodell med SimPy
Nu ska vi bygga samma Monte Carlo-analys med en SimPy-version av modellen. SimPy-modellen har en generator som heter manufacturing_process, vilken simulerar olika processer, samt en funktion som heter run_monte_carlo som kör modellen flera gånger och lagrar informationen i en NumPy-array med namnet time_record.
Koden som ritar upp resultaten liknar den som användes i föregående övning, men har flyttats till en funktion med namnet plot_results() som visas nedan.
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()
Monte Carlo-samplingloopen genererar en serie möjliga processförlopp, som visas i figuren.
Den här övningen är en del av kursen
Diskret händelsesimulering i Python
Övningsinstruktioner
- Registrera och yield:a
process_duration. - Spara den aktuella tiden i
time_record. - Kör en for-loop för
n_trajectoriessampel med dummyvariabelnt. - Skapa SimPy-miljön, lägg till processer och kör modellen.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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)