Solusi pengujian simulasi

Analitik Rantai Pasok dengan Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

Peringatan

Masalah yang butuh waktu lama untuk diselesaikan sebaiknya tidak digunakan dengan LP atau IP

gambar peringatan, pria terpeleset

Konsep keseluruhan

Konsep umum:

Tambahkan noise acak ke input kunci yang dipilih
Selesaikan model berulang kali
Amati distribusinya

Mengapa kita coba

Alasan:

Input sering berupa estimasi. Ada risiko ketidakakuratan.
Analisis Sensitivitas sebelumnya hanya mengubah satu input sekaligus.

Konteks

Konteks - Perusahaan Kaca - Perencanaan Sumber Daya:

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

Kendala:

Ada kendala permintaan, kapasitas produksi, dan kapasitas gudang

Risiko:

Estimasi profit bisa tidak akurat

# 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()

Contoh kode - langkah 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)

Contoh kode - langkah 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)

Contoh kode - langkah 5

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

Output: (hasil bisa berbeda)

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

Visualisasi sebagai histogram

Produk A: histogram produk a, b, c, dan objektif

Produk B: histogram produk b

Produk C: histogram produk c

Nilai objektif: histogram nilai objektif

Ringkasan

Jangan digunakan untuk masalah yang butuh waktu lama diselesaikan
Manfaat
- Lihat bagaimana hasil optimal berubah saat input model berubah
Langkah
1. Mulai dengan kode model PuLP standar
2. Tambahkan noise ke input kunci dengan normalvariate Python
3. Bungkus kode model PuLP dalam fungsi yang mengembalikan output model
4. Buat loop untuk memanggil fungsi baru dan simpan hasil ke DataFrame
5. Visualisasikan DataFrame hasil

Ayo berlatih!

Analitik Rantai Pasok dengan Python