Målfunktioner och systemoptimering

Diskret händelsesimulering i Python

Diogo Costa (PhD, MSc)

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

Systemoptimering

Systemoptimering
- Identifiera optimal driftskonfiguration
Mänskligt styrda processer
- Maximalt utfall med lägsta kostnad (färre resurser, kortare tid)
Identifiera processer med störst påverkan på systemets utfall
Monte Carlo-sampling
- Mät framgång och rangordna resultat
Målfunktioner
- Målfunktion som sätter prestationsmål

Målfunktion

Matematiskt uttryck som beskriver ett utfallsmål
Poängsätt simuleringsscenarier

Exempel

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

Totalt: 100%

Process C har högst vikt

Sök & Stopp: Kör olika modellkonfigurationer och avbryt när önskat villkor uppfylls

while total_duration < 24:
      model_to_run()

Poängsätt & Rangordna: Poängsätt simuleringsresultat utifrån viktningskriterier

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

Metod 1: Sök & Stopp

Monte Carlo-sampling för att köra flera scenarier
Består av olika icke-deterministiska processförlopp
Sökslingan avbryts när villkoret är uppfyllt

Exempel

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()

Graf som visar responsomhöljet för en tillverkningsaktivitet med ett antal sekventiella processer, där den blå undre linjen motsvarar den sista körningen som uppfyllde kraven för metoden Sök & Stopp.

Metod 2: Poängsätt & Rangordna

Monte Carlo-sampling för att köra flera scenarier
Poängsätt och rangordna resultat

Exempel: Tillverkningsindustrin

Omfattar olika sekventiella uppgifter (eller processer), till exempel ett biltillverkningsbands.

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"])

Metod 2: Poängsätt & Rangordna

Poäng

"RÖD": Låg poäng; "BLÅ": Hög poäng Spridningsdiagram som visar målfunktionens poäng för de olika simulerade scenarierna för processerna "Lossning och förberedelse", "Skärning" och "Polering".

Rangordning

Rangordning av simuleringsresultat baserat på poäng Graf som rangordnar scenarierna efter målfunktionens poäng för de olika simulerade scenarierna för processerna "Lossning och förberedelse", "Skärning" och "Polering".

Identifiera kritiska processer som begränsar prestanda

Sök & Stopp

"Blå" linje uppfyllde "stopp"-kriteriet
- Total varaktighet = 30 min
Detaljerade resultat från "bästa" simulering:
- Process 1: ca 10 min (sum = 20 min)
- Process 2: ca 10 min (sum = 20 min)
- Process 3: ca 8 min (sum = 28 min)
- Process 4: ca 2 min (sum = 30 min)
"Process 1" avgörande för att nå detta mål

Identifiera kritiska processer som begränsar prestanda

Poäng

Mål: lägst poäng = kortast varaktighet Spridningsdiagram som visar målfunktionens poäng för de olika simulerade scenarierna för processerna "Lossning och förberedelse", "Skärning" och "Polering". Minimitiden för varje process i de bästa simuleringarna är markerad.

Rangordning

"Process 1" avgörande för att nå detta mål Graf som rangordnar scenarierna efter målfunktionens poäng för de olika simulerade scenarierna för processerna "Lossning och förberedelse", "Skärning" och "Polering". Minimitiden för varje process i de bästa simuleringarna är markerad.

Nu kör vi en övning!

Diskret händelsesimulering i Python