Modularität für kontinuierliche Entwicklung optimieren

Diskrete-Ereignis-Simulation mit Python

Diogo Costa (PhD, MSc)

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

Was ist Modellskalierbarkeit?

Fähigkeiten über die Zeit erweitern
Ohne Leistung zu verlieren oder zu zerfallen

Begriff „skalierbares“ Modell

Übliche Bedeutung: Kapazität je nach Nachfrage erhöhen
In Ereignissimulationen: Erweitern und stabil bleiben

Wichtigkeit

Entscheidend für langfristigen Erfolg und Wert des Modells
Fähigkeit zur Weiterentwicklung
Gute Codepraktiken wie Modulares Design

Skalierbare vs. weniger skalierbare Modelle

Skalierbares Modell

Diagramm eines modularen, besser skalierbaren Modells: Code ist sauber gekapselt, Module lassen sich leicht hinzufügen, entfernen oder ersetzen, ohne die Struktur zu ändern.

Weniger skalierbares Modell

Diagramm eines weniger modularen, schlechter skalierbaren Modells: Code ist nicht sauber gekapselt; Module lassen sich nicht leicht hinzufügen, entfernen oder ersetzen, ohne die Struktur zu ändern.

Modulares Design

Austauschbare Komponenten (Module)
Prozesse in separaten Funktionen gekapselt
Module mehrfach aufrufbar
Statt Code zu kopieren

Diagramm eines Modells mit sieben Funktionen: Upgrade ersetzt „func_b“ durch „func_b1“ und fügt „func_f“ zwischen „func_c“ und „func_d“ ein.

Beispiel: Module ersetzen und hinzufügen

Alte Version

with counter.request() as request:
    yield request

    def func_a()
    def func_b()
    def func_c()
    def func_d()
    def func_e()

Aktualisierte Version

with counter.request() as request:
  yield request

  def func_a()
  # def func_b() # Modul ersetzt durch
  def func_b1()  # Ersatzmodul
  def func_c()
  def func_f()   # Neues Modul
  def func_d()
  def func_e()

Lass uns üben!

Diskrete-Ereignis-Simulation mit Python