Prueba de simulación: solución

Analítica de la cadena de suministro en Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

Precaución

Evita usar LP o IP en problemas que tardan mucho en resolverse

imagen de precaución, hombre resbalando

Concepto general

Concepto general:

Añade ruido aleatorio a entradas clave que elijas
Resuelve el modelo repetidamente
Observa la distribución

Por qué probarlo

Por qué:

Las entradas suelen ser estimaciones. Existe riesgo de inexactitud.
El Análisis de sensibilidad anterior solo cambiaba una entrada cada vez.

Contexto

Contexto - Empresa de vidrio - Planificación de recursos:

Recurso	Prod. A	Prod. B	Prod. C
Beneficio US$	$500	$450	$600

Restricciones:

Hay restricciones de demanda, capacidad de producción y almacén

Riesgos:

Las estimaciones de beneficios pueden ser inexactas

# Initialize Class, & Define Variables
model = LpProblem("Max Glass Co. Profits", LpMaximize)
A = LpVariable('A', lowBound=0)
B = LpVariable('B', lowBound=0)
C = LpVariable('C', lowBound=0)

# Define Objective Function
model += 500 * A + 450 * B + 600 * C

# Define Constraints & Solve
model += 6 * A + 5 * B + 8 * C <= 60
model += 10.5 * A + 20 * B + 10 * C <= 150
model += A  <= 8
model.solve()

Ejemplo de código - paso 2

a, b, c = normalvariate(0,25), 
          normalvariate(0,25),
          normalvariate(0,25)

# Define Objective Function
model += (500+a)*A + (450+b)*B + (600+c)*C

# Initialize Class, & Define Variables
model = LpProblem("Max Glass Co. Profits", 
                   LpMaximize)

A = LpVariable('A', lowBound=0)
B = LpVariable('B', lowBound=0)
C = LpVariable('C', lowBound=0)
a, b, c = normalvariate(0,25), 
          normalvariate(0,25), 
          normalvariate(0,25)
# Define Objective Function
model += (500+a)*A + (450+b)*B + (600+c)*C

# Define Constraints & Solve
model += 6 * A + 5 * B + 8 * C <= 60
model += 10.5 * A + 20 * B + 10 * C <= 150
model += A  <= 8
model.solve()

def run_pulp_model():
    # Initialize Class
    model = LpProblem("Max Glass Co. Profits", LpMaximize)
    A = LpVariable('A', lowBound=0)
    B = LpVariable('B', lowBound=0)
    C = LpVariable('C', lowBound=0)
    a, b, c = normalvariate(0,25), normalvariate(0,25), normalvariate(0,25)

    # Define Objective Function
    model += (500+a)*A + (450+b)*B + (600+c)*C

    # Define Constraints & Solve
    model += 6 * A + 5 * B + 8 * C <= 60
    model += 10.5 * A + 20 * B + 10 * C <= 150
    model += A  <= 8
    model.solve()
    o = {'A':A.varValue, 'B':B.varValue, 'C':C.varValue, 'Obj':value(model.objective)}
    return(o)

Ejemplo de código - paso 4

def run_pulp_model():
    # Initialize Class
    model = LpProblem("Max Glass Co. Profits",
                       LpMaximize)
    A = LpVariable('A', lowBound=0)
    B = LpVariable('B', lowBound=0)
    C = LpVariable('C', lowBound=0)
    a, b, c = normalvariate(0,25), 
              normalvariate(0,25),
              normalvariate(0,25)

    # Define Objective Function
    model += (500+a)*A + (450+b)*B + 
             (600+c)*C

    # Define Constraints & Solve
    model += 6 * A + 5 * B + 8 * C <= 60
    model += 10.5 * A + 20 * B + 10 * C <= 150
    model += A  <= 8
    model.solve()
    o = {'A':A.varValue, 'B':B.varValue, 
         'C':C.varValue, 
         'Obj':value(model.objective)}
    return(o)

for i in range(100):
    output.append(run_pulp_model())
df = pd.DataFrame(output)

Ejemplo de código - paso 5

print(df['A'].value_counts())
print(df['B'].value_counts())
print(df['C'].value_counts())

Salida: (los resultados pueden variar)

6.666667    73
0.000000    14
8.000000    13
Name: A, dtype: int64

4.000000    73
5.454546    14
2.400000    13
Name: B, dtype: int64
0.000000    86
4.090909    14
Name: C, dtype: int64

Visualiza como histograma

Producto A: histograma de producto a, b, c y objetivo

Producto B: histograma del producto b

Producto C: histograma del producto c

Valores del objetivo: histograma de los valores del objetivo

Resumen

No usar en problemas que tardan mucho en resolverse
Beneficios
- Ver cómo cambian los óptimos al cambiar las entradas del modelo
Pasos
1. Empieza con el código estándar de PuLP
2. Añade ruido a entradas clave con normalvariate de Python
3. Envuelve el modelo PuLP en una función que devuelva la salida
4. Crea un bucle que llame a la función y guarde resultados en un DataFrame
5. Visualiza el DataFrame de resultados

¡Vamos a practicar!

Analítica de la cadena de suministro en Python