Kiểm thử mô phỏng – lời giải
Phân tích Chuỗi Cung Ứng với Python
Aaren Stubberfield
Supply Chain Analytics Mgr.
Cảnh báo
- Không dùng cho bài toán mất nhiều thời gian giải với LP hoặc IP
Ý tưởng tổng quát
Khái niệm chung:
- Thêm nhiễu ngẫu nhiên vào đầu vào chính do bạn chọn
- Giải mô hình lặp lại nhiều lần
- Quan sát phân phối
Vì sao nên thử
Lý do:
- Đầu vào thường là ước lượng, có rủi ro sai lệch.
- Phân tích nhạy trước đó chỉ thay đổi một đầu vào mỗi lần.
Bối cảnh
Bối cảnh – Công ty kính – Hoạch định nguồn lực:
| Resource | Prod. A | Prod. B | Prod. C |
|---|---|---|---|
| Profit $US | $500 | $450 | $600 |
Ràng buộc:
- Có ràng buộc về nhu cầu, công suất sản xuất và kho
Rủi ro:
- Ước lượng lợi nhuận có thể không chính xác
# 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()
Ví dụ mã – bước 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)
Ví dụ mã – bước 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)
Ví dụ mã – bước 5
print(df['A'].value_counts())
print(df['B'].value_counts())
print(df['C'].value_counts())
Kết quả: (có thể khác)
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
Trực quan bằng biểu đồ tần suất
Sản phẩm A:
Sản phẩm B:
Sản phẩm C:
Giá trị mục tiêu:
Tóm tắt
- Không dùng cho bài toán mất nhiều thời gian giải
Lợi ích
- Xem cách kết quả tối ưu đổi khi đầu vào thay đổi
Các bước
- Bắt đầu với mã PuLP chuẩn
- Thêm nhiễu vào đầu vào chính bằng
normalvariatecủa Python - Gói mã PuLP trong hàm trả về đầu ra mô hình
- Tạo vòng lặp gọi hàm và lưu kết quả vào DataFrame
- Trực quan hóa DataFrame kết quả
Hãy thử ngay!
Phân tích Chuỗi Cung Ứng với Python
