Tebrikler!

Python ile Ayrık Olay Benzetimi

Diogo Costa (PhD, MSc)

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

Bölüm 1: Dinamik sistemlere ve kesikli olay simülasyon modellerine giriş

Dinamik vs. Durağan durum Dinamik ve durağan sistemlerde durum değişkenlerinin zamansal evrimini gösteren grafik. Dinamik sistemde değişken zamanla değişir; durağan durumda sabit kalır.

Kesikli olay modellerinin uygulamaları Bir tedarik zinciri faaliyetinin süreç ve iş akış şeması.

Örnekler:

İmalat: Bir imalat tesisinin fotoğrafı.

İnşaat: Bir inşaat sahasının fotoğrafı.

Bölüm 2: SimPy ile kesikli olay modelleri geliştirme

SimPy yöntemlerinin özeti

env = simpy.Environment()

env.process()

env.run()

env.timeout()

env.now

SimPy Kaynakları

simpy.Resource()

simpy.Container()

simpy.Store()

Bölüm 3: Modellerde belirleyicilik ve belirsizliği harmanlama

Belirleyici (sarı) ve belirleyici olmayan (pembe) süreçlerle işlem sırası:

Bir imalat faaliyetinin süreç sırasını gösteren diyagram: kronolojik olarak welding_1, manual_assembly_1, manual_assembly_2 ve welding_2.

# Sonraki-olay zaman ilerlemesi
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]

Bölüm 4: Model uygulaması, kümeleme, optimizasyon ve modülerlik

Monte Carlo örnekleme
Kümeleme analizi
Amaç fonksiyonları

Model ölçeklenebilirliği ve modülerliği

Yedi işlevden oluşan bir model diyagramı; yükseltme, "func_b" modülünü "func_b1" ile değiştirmeyi ve "func_c" ile "func_d" arasına "func_f" eklemeyi içerir.

Diğer DataCamp kursları

Diğer ilgili kurslar

Python ile Monte Carlo Simülasyonları
Python ile Kümeleme Analizi
Python ile Doğrusal Modelleye Giriş
Python ile Tedarik Zinciri Analitiği

Python logosu

Tebrikler!

Python ile Ayrık Olay Benzetimi