Simulatietest: oplossing

Supply Chain Analytics in Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

Let op

Gebruik LP of IP niet voor problemen die lang duren om op te lossen

waarschuwing, man die uitglijdt

Overzichtsconcept

Algemeen concept:

Voeg willekeurige ruis toe aan door jou gekozen kerninvoer
Los het model herhaaldelijk op
Bekijk de verdeling

Waarom proberen

Waarom:

Invoer is vaak een schatting. Er is risico op onnauwkeurigheid.
Eerdere gevoeligheidsanalyse bekeek maar één invoer tegelijk.

Context

Context - Glasbedrijf - Resourceplanning:

Resource	Prod. A	Prod. B	Prod. C
Winst $US	$500	$450	$600

Restricties:

Er zijn vraag-, productiecapaciteit- en magazijncapaciteitsrestricties

Risico's:

Winstschattingen kunnen onnauwkeurig zijn

# Klasse initialiseren en variabelen definiëren
model = LpProblem("Max Glass Co. Profits", LpMaximize)
A = LpVariable('A', lowBound=0)
B = LpVariable('B', lowBound=0)
C = LpVariable('C', lowBound=0)

# Doelfunctie definiëren
model += 500 * A + 450 * B + 600 * C

# Restricties definiëren en oplossen
model += 6 * A + 5 * B + 8 * C <= 60
model += 10.5 * A + 20 * B + 10 * C <= 150
model += A  <= 8
model.solve()

Codevoorbeeld - stap 2

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

# Doelfunctie definiëren
model += (500+a)*A + (450+b)*B + (600+c)*C

# Klasse initialiseren en variabelen definiëren
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)
# Doelfunctie definiëren
model += (500+a)*A + (450+b)*B + (600+c)*C

# Restricties definiëren en oplossen
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():
    # Klasse initialiseren
    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)

    # Doelfunctie definiëren
    model += (500+a)*A + (450+b)*B + (600+c)*C

    # Restricties definiëren en oplossen
    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)

Codevoorbeeld - stap 4

def run_pulp_model():
    # Klasse initialiseren
    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)

    # Doelfunctie definiëren
    model += (500+a)*A + (450+b)*B + 
             (600+c)*C

    # Restricties definiëren en oplossen
    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)

Codevoorbeeld - stap 5

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

Output: (resultaten kunnen verschillen)

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

Visualiseren als histogram

Product A: histogram van product a, b, c en objectief

Product B: histogram van product b

Product C: histogram van product c

Objectiefwaarden: histogram van objectiefwaarden

Samenvatting

Niet gebruiken voor problemen die lang duren om op te lossen
Voordelen
- Zie hoe optimale uitkomsten veranderen als invoer verandert
Stappen
1. Begin met standaard PuLP-modelcode
2. Voeg ruis toe aan kerninvoer met Python's normalvariate
3. Verpak PuLP-code in een functie die de output retourneert
4. Maak een lus die de functie aanroept en resultaten in een DataFrame opslaat
5. Visualiseer de resultaten-DataFrame

Laten we oefenen!

Supply Chain Analytics in Python