Hãy sử dụng cùng mô hình sự kiện rời rạc của nhà máy đồng hồ treo tường và thiết lập một quy trình tối ưu hóa kiểu "Score & Rank". Để bạn tiện theo dõi, quy trình sản xuất được tóm tắt lại trong bảng dưới đây. Thông tin đã được lưu trong một list các dictionary tên là processes, mỗi quy trình là một dictionary. Các khóa (key) của dictionary này tương ứng với tiêu đề các cột trong bảng.

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

Phương thức plot_results() dùng để tạo các biểu đồ trong bài tập này đã được nạp sẵn và hiển thị bên dưới.

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()

Vòng lặp lấy mẫu Monte Carlo sẽ tạo ra một loạt quỹ đạo quy trình khả dĩ và chấm điểm chúng, như minh họa trong hình. Monte Carlo trajectories for different process scenario.

Tính mô-đun của mô hình để tối ưu hóa phát triển liên tục

Create Your Free Account