Gratulacje!

Symulacja zdarzeń dyskretnych w Pythonie

Diogo Costa (PhD, MSc)

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

Rozdział 1: Wprowadzenie do systemów dynamicznych i modeli symulacji dyskretno-zdarzeniowej

Dynamiczne vs. stan ustalony Wykres przedstawiający ewolucję czasową zmiennych stanu w układach dynamicznych i w stanie ustalonym. W układzie dynamicznym zmienna zmienia się w czasie, natomiast w stanie ustalonym pozostaje stała.

Zastosowania modeli dyskretno-zdarzeniowych Schemat procesów i przepływu pracy w działaniu łańcucha dostaw.

Przykłady:

Produkcja: Zdjęcie zakładu produkcyjnego.

Budownictwo: Zdjęcie placu budowy.

Symulacja zdarzeń dyskretnych w Pythonie

Rozdział 2: Tworzenie modeli dyskretno-zdarzeniowych z użyciem SimPy

Podsumowanie metod SimPy 

env = simpy.Environment()

env.process()

env.run()

env.timeout()

env.now

Zasoby SimPy 

simpy.Resource()

simpy.Container()

simpy.Store()
Symulacja zdarzeń dyskretnych w Pythonie

Rozdział 3: Łączenie determinizmu i niedeterminizmu w modelach

Sekwencja procesów deterministycznych (żółty) i niedeterministycznych (różowy):

Diagram przedstawiający sekwencję procesów działania produkcyjnego, obejmującą w kolejności chronologicznej: welding_1, manual_assembly_1, manual_assembly_2 i welding_2.

# Next-event time progression
time[0] = 0          
time[1] = time[0] + welding_1["time_hours"]
time[2] = time[1] + rd.gauss(manual_assembly_1["time_hours"], manual_assembly_1["std_hours"])
time[3] = time[2] + rd.gauss(manual_assembly_2["time_hours"], manual_assembly_2["std_hours"])
time[4] = time[3] + welding_2["time_hours"]
time[5] = time[4]
Symulacja zdarzeń dyskretnych w Pythonie

Rozdział 4: Zastosowanie modelu, grupowanie, optymalizacja i modułowość

  • Próbkowanie Monte Carlo Wykres przedstawiający obwiednię odpowiedzi działania produkcyjnego obejmującego szereg procesów sekwencyjnych, gdzie niebieska linia dolna odpowiada ostatniemu przebiegowi spełniającemu wymagania metody Search & Stop. Wyróżniono minimalne czasy trwania poszczególnych procesów uzyskane dla najlepszych symulacji.

  • Analiza skupień

  • Funkcje celu
  • Skalowalność i modułowość modelu

Diagram przedstawiający model złożony z siedmiu funkcji, w którym aktualizacja modelu polegała na zastąpieniu modułu „func_b" modułem „func_b1" i dodaniu modułu „func_f" między modułami „func_c" i „func_d".

Symulacja zdarzeń dyskretnych w Pythonie

Inne kursy DataCamp

Inne polecane kursy

  • Monte Carlo Simulations in Python
  • Cluster Analysis in Python
  • Introduction to Linear Modeling in Python
  • Supply Chain Analytics in Python

Logo Pythona

Symulacja zdarzeń dyskretnych w Pythonie

Gratulacje!

Symulacja zdarzeń dyskretnych w Pythonie

Preparing Video For Download...