Teste de simulação: solução

Análise de Cadeia de Suprimentos em Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

Atenção

Problemas que demoram muito para resolver não devem usar LP ou IP

imagem de cautela, homem escorregando

Conceito geral

Conceito geral:

Adicione ruído aleatório aos inputs que você escolher
Resolva o modelo várias vezes
Observe a distribuição

Por que tentar

Por quê:

Inputs são estimativas. Há risco de estarem imprecisos.
A Análise de Sensibilidade anterior só mudou um input por vez.

Contexto

Contexto - Vidraria - Planejamento de recursos:

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

Restrições:

Há restrições de demanda, capacidade de produção e capacidade de estoque

Riscos:

Estimativas de lucro podem estar imprecisas

# 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()

Exemplo de código - passo 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)

Exemplo de código - passo 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)

Exemplo de código - passo 5

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

Saída: (os resultados podem 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

Visualizar como histograma

Produto A: histograma do produto a, b, c e objetivo

Produto B: histograma do produto b

Produto C: histograma do produto c

Valores do objetivo: histograma dos valores do objetivo

Resumo

Não usar em problemas que demoram muito para resolver
Benefícios
- Ver como o ótimo muda quando os inputs mudam
Passos
1. Comece com o código padrão do PuLP
2. Adicione ruído aos inputs-chave com normalvariate do Python
3. Envolva o código do PuLP em uma função que retorne a saída
4. Crie um loop para chamar a função e salvar em um DataFrame
5. Visualize o DataFrame de resultados

Vamos praticar!

Análise de Cadeia de Suprimentos em Python