Félicitations !

Simulation d’événements discrets en Python

Diogo Costa (PhD, MSc)

Adjunct Professor, University of Saskatchewan, Canada & CEO of ImpactBLUE-Scientific

Chapitre 1 : Introduction aux systèmes dynamiques et aux modèles de simulation à événements discrets

Dynamique vs. régime permanent Un graphique montrant l’évolution temporelle des variables d’état dans des systèmes dynamiques et en régime permanent. Dans le système dynamique, la variable change dans le temps, tandis que dans le régime permanent, elle reste constante.

Applications des modèles à événements discrets Schéma des processus et du flux de travail d’une activité de chaîne d’approvisionnement.

Exemples :

Fabrication : Photo d’une industrie manufacturière.

Construction : Photo d’un chantier de construction.

Simulation d’événements discrets en Python

Chapitre 2 : Développer des modèles à événements discrets avec SimPy

Récapitulatif des méthodes SimPy 

env = simpy.Environment()

env.process()

env.run()

env.timeout()

env.now

Ressources SimPy 

simpy.Resource()

simpy.Container()

simpy.Store()
Simulation d’événements discrets en Python

Chapitre 3 : Mixer déterminisme et non-déterminisme dans les modèles

Séquence de processus avec étapes déterministes (jaune) et non déterministes (rose) :

Diagramme montrant la séquence des processus d’une activité de fabrication, incluant, dans l’ordre : welding_1, manual_assembly_1, manual_assembly_2 et welding_2.

# Progression par prochain événement
time[0] = 0          
time[1] = time[0] + welding_1["time_hours"]
time[2] = time[1] + rd.gauss(manual_assembly_1["time_hours"], manual_assembly_1["std_hours"])
time[3] = time[2] + rd.gauss(manual_assembly_2["time_hours"], manual_assembly_2["std_hours"])
time[4] = time[3] + welding_2["time_hours"]
time[5] = time[4]
Simulation d’événements discrets en Python

Chapitre 4 : Application du modèle, clustering, optimisation et modularité

  • Échantillonnage de Monte-Carlo Graphique montrant l’enveloppe de réponse d’une activité de fabrication avec une série de processus séquentiels, où la ligne bleue inférieure correspond au dernier essai ayant satisfait la méthode Search & Stop. La durée minimale de chaque processus pour les meilleures simulations est mise en évidence.

  • Analyse de clusters

  • Fonctions objectif
  • Scalabilité et modularité du modèle

Diagramme montrant un modèle composé de sept fonctions, où une mise à niveau a remplacé le module "func_b" par "func_b1" et ajouté le module "func_f" entre "func_c" et "func_d".

Simulation d’événements discrets en Python

Autres cours DataCamp

Autres cours pertinents

  • Simulations de Monte-Carlo en Python
  • Analyse de clusters en Python
  • Introduction à la modélisation linéaire en Python
  • Analyse de la chaîne d’approvisionnement en Python

Logo Python

Simulation d’événements discrets en Python

Félicitations !

Simulation d’événements discrets en Python

Preparing Video For Download...