Glückwunsch!

Diskrete-Ereignis-Simulation mit Python

Diogo Costa (PhD, MSc)

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

Kapitel 1: Einführung in dynamische Systeme und ereignisdiskrete Simulationsmodelle

Dynamisch vs. stationär Ein Diagramm zeigt die zeitliche Entwicklung von Zustandsvariablen in dynamischen und stationären Systemen. Im dynamischen System ändert sich die Variable über die Zeit, im stationären bleibt sie konstant.

Anwendungen von Ereignisdiskreten Modellen Schematische Darstellung der Prozesse und des Workflows einer Supply-Chain-Aktivität.

Beispiele:

Fertigung: Foto einer Fertigungsanlage.

Bauwesen: Foto einer Baustelle.

Diskrete-Ereignis-Simulation mit Python

Kapitel 2: Ereignisdiskrete Modelle mit SimPy entwickeln

Übersicht: SimPy-Methoden 

env = simpy.Environment()

env.process()

env.run()

env.timeout()

env.now

SimPy-Ressourcen 

simpy.Resource()

simpy.Container()

simpy.Store()
Diskrete-Ereignis-Simulation mit Python

Kapitel 3: Determinismus und Nichtdeterminismus mischen

Prozessfolge mit deterministischen (gelb) und nichtdeterministischen (pink) Prozessen:

Diagramm der Prozessfolge einer Fertigungsaktivität mit den Prozessen in zeitlicher Reihenfolge: welding_1, manual_assembly_1, manual_assembly_2 und welding_2.

# Next-event time progression
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]
Diskrete-Ereignis-Simulation mit Python

Kapitel 4: Anwendung, Clustering, Optimierung und Modularität

  • Monte-Carlo-Sampling Plot mit der Antworthülle einer Fertigungsaktivität mit sequentiellen Prozessen; die blaue Untergrenze entspricht dem letzten Lauf, der die Anforderungen der Search-&-Stop-Methode erfüllt hat. Die Mindestdauer je Prozess der besten Simulationen ist markiert.

  • Clusteranalyse

  • Zielfunktionen
  • Skalierbarkeit und Modularität von Modellen

Diagramm eines Modells mit sieben Funktionen, bei dem ein Upgrade das Ersetzen von Modul "func_b" durch "func_b1" und das Einfügen von "func_f" zwischen "func_c" und "func_d" beinhaltete.

Diskrete-Ereignis-Simulation mit Python

Weitere DataCamp-Kurse

Weitere passende Kurse

  • Monte-Carlo-Simulationen in Python
  • Clusteranalyse in Python
  • Einführung in lineare Modellierung mit Python
  • Supply-Chain-Analytics in Python

Python-Logo

Diskrete-Ereignis-Simulation mit Python

Glückwunsch!

Diskrete-Ereignis-Simulation mit Python

Preparing Video For Download...