Félicitations !

Simulation d'événements discrets en Python

Diogo Costa (PhD, MSc)

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

Chapitre 1 : Introduction aux systèmes dynamiques et aux modèles de simulation à événements discrets

Dynamique vs état stationnaire Graphique montrant l'évolution temporelle des variables d'état dans des systèmes dynamiques et à l'état stationnaire. Dans le système dynamique, la variable change dans le temps ; à l'état stationnaire, elle reste constante.

Applications des modèles à événements discrets Schéma des processus et du flux de travail d'une activité de chaîne d'approvisionnement.

Exemples :

Fabrication : Photo d'une industrie manufacturière.

Construction : Photo d'un chantier de construction.

Simulation d'événements discrets en Python

Chapitre 2 : Développer des modèles à événements discrets avec SimPy.

Récapitulatif des méthodes SimPy 

env = simpy.Environment()

env.process()

env.run()

env.timeout()

env.now

Ressources SimPy 

simpy.Resource()

simpy.Container()

simpy.Store()
Simulation d'événements discrets en Python

Chapitre 3 : Combiner déterminisme et non‑déterminisme dans les modèles

Séquence de processus avec étapes déterministes (jaune) et non déterministes (rose) :

Schéma montrant la séquence des processus d'une activité manufacturière, comprenant, dans l'ordre chronologique : welding_1, manual_assembly_1, manual_assembly_2 et welding_2.

# Progression par prochain événement
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]
Simulation d'événements discrets en Python

Chapitre 4 : Application du modèle, regroupement, optimisation et modularité

  • Échantillonnage de Monte Carlo Graphique montrant l'enveloppe de réponse d'une activité manufacturière composée d'une série de processus séquentiels, où la ligne bleue du bas correspond à la dernière exécution ayant satisfait les exigences de la méthode Search & Stop. La durée minimale de chaque processus obtenue pour les meilleures simulations est mise en évidence.

  • Analyse de grappes

  • Fonctions objectif
  • Scalabilité et modularité du modèle

Schéma d'un modèle composé de sept fonctions ; une mise à niveau a remplacé le module « func_b » par « func_b1 » et ajouté « func_f » entre « func_c » et « func_d ».

Simulation d'événements discrets en Python

Autres cours DataCamp

Autres cours pertinents

  • Simulations de Monte Carlo en Python
  • Analyse de grappes en Python
  • Introduction à la modélisation linéaire en Python
  • Analyse de la chaîne d'approvisionnement en Python

Logo Python

Simulation d'événements discrets en Python

Félicitations !

Simulation d'événements discrets en Python

Preparing Video For Download...