SimPy ile ayrık olay modelinde Monte Carlo örnekleme
Şimdi aynı Monte Carlo örnekleme analizini modelin bir SimPy sürümünü kullanarak oluşturalım. SimPy modelinde, farklı süreçleri benzeten manufacturing_process adlı bir jeneratör ve modeli birden çok kez çalıştırıp bilgiyi time_record adlı bir NumPy dizisine kaydeden run_monte_carlo adlı bir fonksiyon bulunuyor.
Sonuçları çizen kod, önceki egzersizde kullandığına benzer; ancak aşağıda gösterilen plot_results() adlı bir fonksiyona taşındı.
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 örnekleme döngüsü, şekilde gösterildiği gibi olası süreç yörüngeleri dizisi üretecek.
Bu egzersiz
Python ile Ayrık Olay Benzetimi
kursunun bir parçasıdırEgzersiz talimatları
process_durationiçin zamanı ilerlet ve yield et.- Geçerli zamanı
time_recordiçine kaydet. - Sahte değişken
tilen_trajectoriesörnek için bir for-döngüsü çalıştır. - SimPy ortamını oluştur, süreçleri ekle ve modeli çalıştır.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
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)