Скористаймося тим самим дискретно-подієвим модулем фабрики настінних годинників і налаштуймо процедуру оптимізації «Score & Rank». Для зручності виробничий процес знову підсумовано в таблиці нижче. Інформацію збережено у списку словників під назвою processes, по одному словнику на процес. Ключі кожного словника відповідають заголовкам стовпців таблиці.

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

Метод plot_results(), який використовується для побудови графіків у цій вправі, попередньо завантажено й наведено нижче.

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 вибірки Монте‑Карло згенерує низку можливих траєкторій процесів і поставить їм бали, як показано на рисунку. Monte Carlo trajectories for different process scenario.

Вітаємо!

Create Your Free Account