Simülasyon testi çözümü

Python ile Tedarik Zinciri Analitiği

Aaren Stubberfield

Supply Chain Analytics Mgr.

Dikkat

Çözmesi uzun süren problemler LP veya IP ile kullanılmamalı

uyarı görseli, kayan adam

Genel kavram

Genel kavram:

Seçtiğin temel girdilere rastgele gürültü ekle
Modeli tekrar tekrar çöz
Dağılımı gözlemle

Neden denemeli

Neden:

Girdiler çoğu zaman tahmindir; hatalı olma riski vardır.
Önceki Duyarlılık Analizi yalnızca bir girdiği aynı anda değiştirdi.

Bağlam

Bağlam - Cam Şirketi - Kaynak Planlama:

Kaynak	Ürün A	Ürün B	Ürün C
Kâr $US	$500	$450	$600

Kısıtlar:

Talep, üretim kapasitesi ve depo kapasitesi kısıtları var

Riskler:

Kâr tahminleri hatalı olabilir

# 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()

Kod örneği - adım 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()

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)

Kod örneği - adım 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)

Kod örneği - adım 5

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

Çıktı: (sonuçlar farklı olabilir)

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

Histogram olarak görselleştir

Ürün A: ürün a, b, c ve amaç için histogram

Ürün B: ürün b için histogram

Ürün C: ürün c için histogram

Amaç Değerleri: amaç değerlerinin histogramı

Özet

Çözmesi uzun süren problemler için kullanılmamalı
Yararlar
- Model girdileri değiştikçe en iyi sonuçların nasıl değiştiğini gör
Adımlar
1. Standart PuLP model koduyla başla
2. Python'un normalvariate'i ile temel girdilere gürültü ekle
3. PuLP kodunu, model çıktısını döndüren bir fonksiyona sar
4. Yeni fonksiyonu çağıran bir döngü kur ve sonuçları DataFrame'de sakla
5. Sonuç DataFrame'ini görselleştir

Hadi pratik yapalım!

Python ile Tedarik Zinciri Analitiği