我們來沿用掛鐘工廠的離散事件模型，並建立一個「Score & Rank」最佳化流程。為了方便你複習，底下的表格再次整理了製造流程。這些資訊已儲存在名為 processes 的字典清單中，每個流程對應一個字典。此字典的鍵與表格的欄位名稱相對應。

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

本練習用來產生圖形的 plot_results() 方法已預先載入，並如下所示。

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 取樣的迴圈會產生一系列可能的流程軌跡並為其評分，如圖所示。 Monte Carlo trajectories for different process scenario.

模型模組化以最佳化持續開發

Create Your Free Account