ยินดีด้วย!
การจำลองเหตุการณ์แบบไม่ต่อเนื่องด้วย Python
Diogo Costa (PhD, MSc)
Adjunct Professor, University of Saskatchewan, Canada & CEO of ImpactBLUE-Scientific
บทที่ 1: บทนำสู่ระบบพลวัตและโมเดลการจำลองแบบ Discrete-event
ระบบพลวัต vs. สภาวะคงตัว
การประยุกต์ใช้โมเดล Discrete-event
ตัวอย่าง:
การผลิต:
การก่อสร้าง:
บทที่ 3: การผสมผสาน Determinism และ Non-determinism ในโมเดล
ลำดับกระบวนการที่มีกระบวนการแบบ deterministic (สีเหลือง) และ non-deterministic (สีชมพู):
# 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]
บทที่ 4: การประยุกต์ใช้โมเดล การจัดกลุ่ม การหาค่าเหมาะสม และความเป็นโมดูล
การสุ่มตัวอย่างแบบ Monte Carlo
การวิเคราะห์กลุ่ม (Cluster analysis)
- ฟังก์ชันวัตถุประสงค์ (Objective functions)
- ความสามารถในการขยายและความเป็นโมดูลของโมเดล
คอร์สอื่น ๆ บน DataCamp
