Účelové funkce a optimalizace systému

Diskrétní simulace událostí v Pythonu

Diogo Costa (PhD, MSc)

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

Optimalizace systému

Optimalizace systému
- Hledání optimální provozní konfigurace
Procesy řízené člověkem
- Maximální výstup při minimálních nákladech (méně zdrojů, méně času)
Identifikace procesů s vyšším dopadem na výstup systému
Vzorkování Monte Carlo
- Měření úspěšnosti a řazení výsledků
Účelové funkce
- Cílová funkce definující výkonnostní cíle

Účelová funkce

Matematický výraz popisující cíl výstupu
Hodnocení simulačních scénářů

Příklad

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

Celkem: 100 %

Proces C má nejvyšší váhu

Hledej a zastav: Spouštění různých konfigurací modelu a zastavení při splnění podmínky

while total_duration < 24:
      model_to_run()

Skóre a pořadí: Hodnocení výsledků simulace na základě vážených kritérií

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

Přístup 1: Hledej a zastav

Vzorkování Monte Carlo pro spouštění více scénářů
Zahrnuje různé nedeterministické výskyty procesů
Smyčka hledání optimálního scénáře se přeruší při splnění podmínky

Příklad

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()

Přístup 2: Skóre a pořadí

Vzorkování Monte Carlo pro spouštění více scénářů
Hodnocení a řazení výsledků

Příklad: Výrobní průmysl

Zahrnuje různé sekvenční úlohy (nebo procesy), například výrobní linku automobilů.

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"])

Přístup 2: Skóre a pořadí

Skóre

"RED": Nízké skóre; "BLUE": Vysoké skóre Bodový graf zobrazující skóre účelové funkce pro různé simulované scénáře procesů „Vykládka a příprava", „Řezání" a „Leštění".

Pořadí

Seřazení simulací podle skóre Graf seřazující scénáře podle skóre účelové funkce pro procesy „Vykládka a příprava", „Řezání", a „Leštění".

Identifikace kritických procesů omezujících výkon

Hledej a zastav

Graf zobrazující obálku odezvy výrobní činnosti zahrnující sérii sekvenčních procesů, kde modrá dolní linie odpovídá poslednímu běhu splňujícímu kritéria metody „Hledej a zastav". Minimální doby trvání jednotlivých procesů z nejlepších simulací jsou zvýrazněny.

Linie „Blue" splnila kritéria „zastavení"
- Celková doba = 30 min
Výsledky „nejlepší" simulace:
- Proces 1: cca 10 min (sum = 20 min)
- Proces 2: cca 10 min (sum = 20 min)
- Proces 3: cca 8 min (sum = 28 min)
- Proces 4: cca 2 min (sum = 30 min)
„Proces 1" je klíčový pro dosažení cíle

Identifikace kritických procesů omezujících výkon

Skóre

Cíl: nejnižší skóre = nejkratší doba trvání Bodový graf zobrazující skóre účelové funkce pro různé simulované scénáře procesů „Vykládka a příprava", „Řezání" a „Leštění". Minimální doby trvání z nejlepších simulací jsou zvýrazněny.

Pořadí

„Proces 1" je klíčový pro dosažení cíle Graf seřazující scénáře podle skóre účelové funkce pro procesy „Vykládka a příprava", „Řezání", a „Leštění". Minimální doby trvání z nejlepších simulací jsou zvýrazněny.

Pojďme si procvičit!

Diskrétní simulace událostí v Pythonu