制造优化：Score & Rank

让我们继续使用挂钟工厂的离散事件模型，搭建一个 "Score & Rank" 优化流程。为便于查看，制造流程再次在下表中汇总。相关信息已存入名为 processes 的字典列表中，每个流程对应一个字典。该字典的键与表格的列名一致。

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

本练习用于生成图表的 plot_results() 方法已预加载，代码如下所示。

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 抽样循环会生成一系列可能的流程轨迹并对其评分，如图所示。 Monte Carlo trajectories for different process scenario.

本练习是课程的一部分

Python 中的离散事件模拟

查看课程

练习说明

为每个流程添加评分贡献。已知流程时长存储在 process_duration_all[s, p]，对应权重存储在 proc_p["score_weight_0_10"]。
将 for 循环设置为使用 s 作为哑变量，运行 NUM_SIMULATIONS 次 Monte-Carlo 抽样。
运行函数 run_monte_carlo() 中的 Monte Carlo 引擎（这将生成 "score" 与 "rank" 图）。

交互式实操练习

通过完成这段示例代码来试试这个练习。

def objective_function_calc():
    objective_func = np.ones(NUM_SIMULATIONS)

    for s in range(NUM_SIMULATIONS):
        for p in range(len(processes)):
            proc_p = processes[p]
            
            # Add the score contribution of each process
            objective_func[s] += ____

    plot_results(objective_func)

def run_monte_carlo():

    # Set the for-loop to run NUM_SIMULATIONS Monte-Carlo runs 
    ____

        env = simpy.Environment()
        env.process(manufractoring_process(env, s))
        env.run()

    objective_function_calc()

# Run the Monte Carlo function
____

编辑并运行代码