Вітаємо!

Дискретно-подієве моделювання в Python

Diogo Costa (PhD, MSc)

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

Розділ 1: Вступ до динамічних систем і дискретно-подієвого моделювання

Динаміка vs. усталений стан Графік, що показує зміну станів у динамічних і стаціонарних системах. У динамічній системі змінна змінюється з часом, а в стаціонарній — лишається сталою.

Застосування дискретно-подієвих моделей Схема процесів і робочого потоку в ланцюгу постачання.

Приклади:

Виробництво: Фото виробничого підприємства.

Будівництво: Фото будівельного майданчика.

Розділ 2: Розробка дискретно-подієвих моделей у SimPy.

Підсумок методів SimPy

env = simpy.Environment()

env.process()

env.run()

env.timeout()

env.now

Ресурси в SimPy

simpy.Resource()

simpy.Container()

simpy.Store()

Розділ 3: Поєднання детермінізму та недетермінізму в моделях

Послідовність процесів із детермінованими (жовтий) та недетермінованими (рожевий) етапами:

Діаграма послідовності процесів виробничої діяльності: у хронології — welding_1, manual_assembly_1, manual_assembly_2 та 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]

Розділ 4: Застосування моделей, кластеризація, оптимізація та модульність

Вибірка Монте-Карло
Кластерний аналіз
Цільові функції

Масштабованість і модульність моделей

Діаграма моделі з семи функцій: під час оновлення модуль "func_b" замінено на "func_b1", а модуль "func_f" додано між "func_c" та "func_d".

Інші курси DataCamp

Інші дотичні курси

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

Логотип Python

Вітаємо!

Дискретно-подієве моделювання в Python