Řešení simulačního testování

Supply Chain Analytics v Pythonu

Aaren Stubberfield

Supply Chain Analytics Mgr.

Upozornění

Problémy s dlouhou dobou řešení nejsou vhodné pro LP ani IP

výstražný obrázek, klouzající muž

Celkový koncept

Obecný koncept:

Přidejte náhodný šum ke zvoleným klíčovým vstupům
Model opakovaně řešte
Sledujte rozdělení výsledků

Proč to zkusit

Proč:

Vstupy jsou často odhady a mohou být nepřesné.
Dřívější analýza citlivosti měnila vždy jen jeden vstup.

Kontext

Kontext – sklenářská společnost – plánování zdrojů:

Zdroj	Prod. A	Prod. B	Prod. C
Zisk (USD)	$500	$450	$600

Omezení:

Omezení poptávky, výrobní kapacity a skladové kapacity

Rizika:

Odhady zisku mohou být nepřesné

# 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()

Příklad kódu – krok 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)

Příklad kódu – krok 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)

Příklad kódu – krok 5

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

Výstup: (výsledky se mohou lišit)

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

Vizualizace jako histogram

Produkt A: histogram produktů a, b, c a účelové funkce

Produkt B: histogram produktu b

Produkt C: histogram produktu c

Hodnoty účelové funkce: histogram hodnot účelové funkce

Shrnutí

Nevhodné pro problémy s dlouhou dobou řešení
Výhody
- Sledování změn optimálních výsledků při změně vstupů modelu
Postup
1. Začněte se standardním kódem modelu PuLP
2. Přidejte šum ke klíčovým vstupům pomocí normalvariate
3. Zabalte kód modelu do funkce vracející výstupy
4. Vytvořte smyčku pro volání funkce a uložení výsledků do DataFrame
5. Vizualizujte výsledný DataFrame

Vyzkoušejte si to!

Supply Chain Analytics v Pythonu