Монте‑Карло вибірка для дискретно‑подієвої моделі в SimPy

Тепер побудуймо такий самий аналіз Монте‑Карло, але для версії моделі на SimPy. У моделі SimPy є генератор manufacturing_process, який імітує різні процеси, і функція run_monte_carlo, що багаторазово запускає модель та зберігає інформацію в масив NumPy під назвою time_record.

Код для побудови графіків подібний до коду з попередньої вправи, але його винесено у функцію plot_results(), наведену нижче.

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()

Цикл Монте‑Карло згенерує низку можливих траєкторій процесу, як показано на рисунку. Monte Carlo trajectories for different process scenario.

Ця вправа є частиною курсу

Дискретно-подієве моделювання в Python

Переглянути курс

Інструкції до вправи

Зафіксуйте час і виконайте yield для process_duration.
Збережіть поточний час у time_record.
Запустіть цикл for на n_trajectories проходів із фіктивною змінною t.
Створіть середовище SimPy, додайте процеси та запустіть модель.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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)

Редагувати та запускати код