Trình mô phỏng trong Python là gì?

Mô hình hóa và mô phỏng trong Python

tiếp theo

lời nói đầu

Trong bài viết này, tôi chỉ cho bạn cách tạo một lớp Simulation đơn giản trong Python. Mục đích của lớp là chạy mô phỏng nhiều lần và sau đó trả về số liệu thống kê (e. g. , trung bình, trung bình, v.v. ) trên kết quả mô phỏng

Hãy bắt đầu với một lớp Die đơn giản có phương thức

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

import random


class Die:
    def __init__(self, sides=6):
        self.sides = sides

    def roll(self):
        return random.randint(1, self.sides)

Chúng tôi muốn lớp Simulation của chúng tôi nhận hai đối số. một chức năng để chạy và số lần để chạy nó (

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Đây là lớp Simulation thực hiện điều này

import statistics as stats


class SimulationNumeric:
    """Runs a function that returns a number n times and prints stats

    Args:
        fnct_to_run (function): The function to run
        iterations (integer): The number of times to run it"""

    def __init__(self, fnct_to_run, iterations):
        self._fnct_to_run = fnct_to_run
        self._iterations = iterations
        self._results = []
        self.run()

    @property
    def mode(self):
        try:
            return stats.mode(self._results)
        except:
            return None

    def run(self):
        for i in range(self._iterations):
            result = self._fnct_to_run()
            self._results.append(result)

        self.report()

    def report(self):
        max_num = max(self._results)
        min_num = min(self._results)
        mean = stats.mean(self._results)
        median = stats.median(self._results)
        mode = self.mode
        std_dev = stats.stdev(self._results)
        variance = stats.variance(self._results)
        print(
            f"""Number of Simulations: {self._iterations:,}
Max: {max_num}
Min: {min_num}
Mean: {mean}
Median: {median}
Mode: {mode}
Standard Deviation: {std_dev}
Variance: {variance}"""
        )


die = Die()
sim = SimulationNumeric(die.roll, 1000)

Lớp này sẽ hoạt động tốt với một hàm trả về một số

Lưu ý rằng lý do

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Mô phỏng đang bắt chước các hoạt động diễn ra trong một hệ thống để nghiên cứu hành vi của nó. Phân tích và tạo mô hình của một hệ thống để dự đoán hoạt động của nó được gọi là mô hình hóa mô phỏng

Mô phỏng bắt chước một quy trình thực tế để xác định hoặc dự đoán phản ứng của toàn bộ hệ thống. Điều này giúp hiểu được sự phụ thuộc của từng bộ phận trong hệ thống, mối quan hệ và tương tác của chúng. Quá trình mô phỏng trong cuộc sống thực có thể tốn kém. Do đó, chúng tôi xây dựng một mô hình để giải quyết các ý tưởng tốn kém và phức tạp một cách hiệu quả. Xây dựng mô hình mô phỏng trong cơ quan, tổ chức giúp tăng lợi nhuận

Một mô hình là một bản sao của một bản gốc / vật thật. Một mô hình có thể là tất định hoặc xác suất. Một mô hình tất định là một mô hình không liên quan đến bất kỳ sự ngẫu nhiên nào. Đối với một điều kiện ban đầu nhất định, bạn luôn nhận được cùng một điều kiện cuối cùng

Một mô hình xác suất bao gồm tính ngẫu nhiên của các yếu tố. Ví dụ. tung đồng xu, có thể là ngửa hoặc sấp

Bây giờ hãy hiểu mô hình mô phỏng trong một lượt

Giả sử bạn phải mở một nhà hàng pizza và biết bạn sẽ cần bao nhiêu nhân viên để điều hành tốt. Các loại pizza khác nhau cần nhiều thời gian khác nhau để chuẩn bị. Ngoài ra, đơn đặt hàng không đến thống nhất với thời gian. Bạn muốn cung cấp cho họ dịch vụ tốt nhất có thể trong khi vẫn duy trì ngân sách của mình. Bạn không thể thuê rồi sa thải nhân viên để tìm ra số lượng tối ưu cần thiết để thiết kế một mô hình mô phỏng. Chúng ta có thể giải bài toán tìm số lượng nhân viên tối ưu ở trên bằng cách xây dựng mô hình mô phỏng theo các cách sau

• thiết kế. xem xét các dịch vụ khác nhau do công ty cung cấp và do đó, các loại nhân viên khác nhau được yêu cầu cho các công việc khác nhau
• Cuộc thí nghiệm. Xu hướng khách hàng đến vào các ngày trong tuần, cuối tuần và các dịp đặc biệt và do đó cần có nhân viên phù hợp
• Tối ưu hóa. Tối ưu hóa số lượng công nhân sử dụng lâu dài bằng cách xem xét thử nghiệm
• phân tích. Nếu tạo công ăn việc làm cho nhiều người đó phải chăng hoặc yêu cầu nhân viên làm thêm giờ, có thể kiếm thêm nhân công vào mùa lễ hội
• Cải thiện. Tiếp tục giảm việc làm để đưa ra khi trực quan hóa kết quả phân tích

Các mô hình mô phỏng được xây dựng trước khi xây dựng một hệ thống mới hoặc thay đổi một hệ thống hiện có để tối ưu hóa hiệu suất của hệ thống và giảm khả năng xảy ra lỗi. Một trong những mô hình mô phỏng hàng đầu trong kịch bản ngày nay là Mô phỏng Monte Carlo

Mô phỏng Monte Carlo

Mô phỏng Monte Carlo là một kỹ thuật toán học giúp ước tính phân bố xác suất của các kết quả sự kiện khác nhau. Dựa trên những xác suất đó, nhóm phân tích rủi ro quyết định xem họ có sẵn sàng chấp nhận rủi ro hay không. Kỹ thuật này liên tục lấy các số ngẫu nhiên giữa giới hạn tối thiểu và tối đa và dự đoán kết quả của nó. Thông thường, việc lấy mẫu được thực hiện trên quy mô lớn, vì vậy chúng tôi nhận được tất cả các kết quả có thể xảy ra. Sau đó, chúng tôi vẽ biểu đồ phân phối xác suất bằng cách sử dụng các nhà phân tích rủi ro tính toán xác suất rủi ro

Ví dụ: hãy xem xét ví dụ trên, sự xuất hiện của khách hàng có thể thay đổi trong một phạm vi cụ thể. Chúng tôi có thể tạo một mô hình tạo ra một số ngẫu nhiên giữa số lượng tối đa và tối thiểu và có thể hình dung phạm vi công nhân được yêu cầu tương ứng

Hãy lấy một ví dụ cơ bản khác để hiểu mô phỏng Monte Carlo bằng cách tung xúc xắc. Giả sử chúng ta tung hai con xúc xắc và chúng ta muốn dự đoán xác suất nhận được tổng là 12.  

Dưới đây là mã python để thực hiện với các nhận xét để hiểu rõ hơn

Python3

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

Number of Simulations: 1,000
Max: 6
Min: 1
Mean: 3.522
Median: 4.0
Mode: 4
Standard Deviation: 1.7018849586304041
Variance: 2.8964124124124124

đầu ra

Từ đường cong phân phối xác suất trên, ta nhận được giá trị của xác suất là 0. 025 để nhận được 12. Tương tự, chúng ta có thể áp dụng kỹ thuật Monte Carlo để giải các bài toán khác nhau

Trình mô phỏng trong Python là gì?

Tại sao giả lập được sử dụng cho?

Giả lập trong lập trình hệ thống là gì?

Python có được sử dụng để mô phỏng không?