Soluție: testare prin simulare

Analitică în lanțul de aprovizionare cu Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

Atenție

  • Problemele care necesită mult timp de rezolvare nu trebuie utilizate cu LP sau IP

imagine de avertizare, om alunecând

Analitică în lanțul de aprovizionare cu Python

Concept general

Concept general:

  • Adăugați zgomot aleatoriu la intrările cheie alese
  • Rezolvați modelul în mod repetat
  • Observați distribuția
Analitică în lanțul de aprovizionare cu Python

De ce am putea încerca

De ce:

  • Intrările sunt adesea estimări și pot fi inexacte.
  • Analiza de sensibilitate anterioară modifica câte o intrare pe rând.
Analitică în lanțul de aprovizionare cu Python

Context

Context - Companie de sticlărie - Planificarea resurselor:

Resursă Prod. A Prod. B Prod. C
Profit $US $500 $450 $600

Constrângeri:

  • Există constrângeri de cerere, capacitate de producție și depozitare

Riscuri:

  • Estimările profiturilor pot fi inexacte
Analitică în lanțul de aprovizionare cu Python
# 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()
Analitică în lanțul de aprovizionare cu Python

Exemplu de cod - pasul 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()
Analitică în lanțul de aprovizionare cu Python
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)
Analitică în lanțul de aprovizionare cu Python

Exemplu de cod - pasul 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)
Analitică în lanțul de aprovizionare cu Python

Exemplu de cod - pasul 5

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

Output: (rezultatele pot diferi)

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
Analitică în lanțul de aprovizionare cu Python

Vizualizare sub formă de histogramă

Produsul A: histogramă pentru produsele a, b, c și funcția obiectiv

Produsul B: histogramă pentru produsul b

Produsul C: histogramă pentru produsul c

Valorile funcției obiectiv: histogramă a valorilor funcției obiectiv

Analitică în lanțul de aprovizionare cu Python

Rezumat

  • Nu se utilizează pentru probleme care necesită mult timp de rezolvare

  • Beneficii

    • Observați cum variază rezultatele optime pe măsură ce intrările se modifică

  • Pași

    1. Porniți de la codul standard al modelului PuLP
    2. Adăugați zgomot la intrările cheie folosind normalvariate din Python
    3. Încapsulați codul modelului PuLP într-o funcție care returnează ieșirea
    4. Creați o buclă pentru a apela funcția și a stoca rezultatele într-un DataFrame
    5. Vizualizați DataFrame-ul cu rezultate
Analitică în lanțul de aprovizionare cu Python

Încercați!

Analitică în lanțul de aprovizionare cu Python

Preparing Video For Download...