Hadi aynı duvar saati fabrikasının ayrık olay modelini kullanalım ve bir "Score & Rank" optimizasyon rutini kuralım. Kolaylık olması için, üretim süreci aşağıdaki tabloda tekrar özetlendi. Bilgiler, her bir süreç için bir sözlük olacak şekilde processes adlı bir sözlük listesinde saklandı. Bu sözlüğün anahtarları tablo sütun başlıklarıyla eşleşir.

Süreç adları ve süre istatistikleri, yani ortalama ve standart sapma, içeren tablo.

Bu egzersizde grafiklerin üretilmesi için kullanılan plot_results() yöntemi önceden yüklendi ve aşağıda gösteriliyor.

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 örnekleme döngüsü, şekilde gösterildiği gibi olası süreç yörüngeleri üretecek ve bunları puanlayacaktır. Farklı süreç senaryoları için Monte Carlo yörüngeleri.

Sürekli geliştirmeyi optimize etmek için model modülerliği

Create Your Free Account