Rozwiązanie – testowanie symulacyjne

Analityka łańcucha dostaw w Pythonie

Aaren Stubberfield

Supply Chain Analytics Mgr.

Uwaga

Problemów wymagających długiego czasu rozwiązania nie należy stosować z LP ani IP

obraz ostrzeżenia, mężczyzna się ślizga

Ogólna koncepcja

Ogólna koncepcja:

Dodaj losowy szum do wybranych danych wejściowych
Rozwiązuj model wielokrotnie
Obserwuj rozkład wyników

Motywacja

Dlaczego:

Dane wejściowe są często szacunkowe i mogą być niedokładne.
Wcześniejsza analiza wrażliwości zmieniała tylko jeden parametr na raz.

Kontekst

Kontekst – firma szklana – planowanie zasobów:

Zasób	Prod. A	Prod. B	Prod. C
Zysk (USD)	$500	$450	$600

Ograniczenia:

Ograniczenia popytu, zdolności produkcyjnej i pojemności magazynu

Ryzyka:

Szacunki zysków mogą być niedokładne

# 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()

Przykład kodu – 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)

Przykład kodu – 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)

Przykład kodu – krok 5

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

Wynik: (rezultaty mogą się różnić)

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

Wizualizacja histogramu

Produkt A: histogram produktów a, b, c i wartości celu

Produkt B: histogram produktu b

Produkt C: histogram produktu c

Wartości celu: histogram wartości celu

Podsumowanie

Nie należy stosować do problemów wymagających długiego czasu rozwiązania
Korzyści
- Obserwacja zmian optymalnych wyników przy zmianie danych wejściowych
Kroki
1. Zacznij od standardowego kodu modelu PuLP
2. Dodaj szum do kluczowych danych wejściowych za pomocą normalvariate
3. Umieść kod modelu PuLP w funkcji zwracającej wyniki
4. Utwórz pętlę wywołującą funkcję i zapisz wyniki w DataFrame
5. Zwizualizuj wynikowy DataFrame

Wypróbuj!

Analityka łańcucha dostaw w Pythonie