Doelfuncties en systeemoptimalisatie

Discrete Event Simulation in Python

Diogo Costa (PhD, MSc)

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

Systeemoptimalisatie

Systeemoptimalisatie
- Optimale operationele configuratie bepalen
Mensgestuurde processen
- Maximale output tegen minimale kosten (minder resources, minder tijd)
Processen met grootste impact op systeemoutput identificeren
Monte Carlo-sampling
- Succes meten en resultaten rangschikken
Doelfuncties
- Doelfunctie die prestatie-eisen vastlegt

Doelfunctie

Wiskundige uitdrukking met het outputdoel
Scenario’s scoren

Voorbeeld

Proces A: 35%
Proces B: 20%
Proces C: 45%

Totaal: 100%

Proces C heeft het grootste gewicht

Search & Stop: Voer varianten uit en stop zodra aan de voorwaarde is voldaan

while total_duration < 24:
      model_to_run()

Score & Rank: Score simulatieresultaten op basis van weegcriteria

for i in range(num_runs):
   out_1, out_2 = model_to_run(i)
   scores[i] = 0.3 * out_1 + 0.7 * out_2

Aanpak 1: Search & Stop

Monte Carlo-sampling voor meerdere scenario’s
Bestaat uit verschillende niet-deterministische procesgebeurtenissen
Zoeklus naar optimaal scenario stopt zodra aan de voorwaarde is voldaan

Voorbeeld

scenario_num = 0
while scenario_num == 0 or total_duration[s] > 40:
  scenario_num += 1
  env = simpy.Environment()

  env.process(manufacturing_proc(env))
  env.run()
  plot_results()

Plot met de response envelope van een productie-activiteit met opeenvolgende processen, waarbij de blauwe onderste lijn de laatste run is die voldeed aan de Search & Stop-criteria.

Aanpak 2: Scoren & rangschikken

Monte Carlo-sampling voor meerdere scenario’s
Resultaten scoren en rangschikken

Voorbeeld: maakindustrie

Met opeenvolgende taken (processen), zoals een autoproductielijn.

def objective_function_calc():
  score_objfunc = np.ones(num_scenarios)

  for s in range(num_scenarios):
    for p in range(len(processes)):

      score_objfunc[s] += (
         processes[p]["duration_hours"]
         * processes[p]["score_weight"])

Aanpak 2: Scoren & rangschikken

Score

"ROOD": Lage score; "BLAUW": Hoge score Spreidingsdiagram met de doelfunctiescore van de verschillende scenario’s voor de processen "Lossen en voorbereiden", "Snijden" en "Polijsten".

Rang

Score- en rangschik simulaties Plot die scenario’s rangschikt op basis van de doelfunctiescore voor de processen "Lossen en voorbereiden", "Snijden" en "Polijsten".

Kritieke processen identificeren die prestaties beperken

Zoeken & stoppen

Plot met de response envelope van een productie-activiteit met opeenvolgende processen. De blauwe onderste lijn is de laatste run die voldeed aan de criteria van de Search & Stop-methode. De minimale duur per proces uit de beste simulaties is gemarkeerd.

Blauwe lijn voldeed aan de stop-criteria
- Totale duur = 30 min
Resultaten van “beste” simulatie:
- Proces 1: ~10 min (sum = 20 min)
- Proces 2: ~10 min (sum = 20 min)
- Proces 3: ~8 min (sum = 28 min)
- Proces 4: ~2 min (sum = 30 min)
“Proces 1” is cruciaal om dit te halen

Kritieke processen identificeren die prestaties beperken

Score

Doel: laagste score = kortste duur Spreidingsdiagram met de doelfunctiescore van de verschillende scenario’s voor de processen "Lossen en voorbereiden", "Snijden" en "Polijsten". De minimale duur per proces uit de beste simulaties is gemarkeerd.

Rang

“Proces 1” is cruciaal om dit te halen Plot die scenario’s rangschikt op basis van de doelfunctiescore voor de processen "Lossen en voorbereiden", "Snijden" en "Polijsten". De minimale duur per proces uit de beste simulaties is gemarkeerd.

Laten we oefenen!

Discrete Event Simulation in Python