Python-Simulationen: Was ist SimPy, Voraussetzungen, Ausführen von Simulationen

Die reale Welt funktioniert in verschiedenen Teilen von Systemen, sei es aus infrastruktureller oder technologischer Sicht. Mit Hilfe von Python-Simulationen müssen diese Systeme durch Modelle optimiert werden, die vom SimPy-Framework unterstützt werden. Die Modelle werden mit Hilfe der Annäherung an reale Systeme entwickelt, um die Entstehung eines komplexen Systems vorherzusagen und es daher durch schrittweise Algorithmen zu lösen.

Wenn es um große Unternehmen geht, ist die Analyse des Systems entscheidend, um es zu korrigieren und robust zu machen. Insbesondere für Notfalldienste wie das Gesundheitswesen und das Flughafenmanagement besteht die Notwendigkeit, die Aktivitäten der einzelnen Personen jederzeit zu überwachen und auf herausfordernde Situationen vorbereitet zu sein. Dies ist nur durch die Ableitung von Erkenntnissen aus Python-Simulationsmodellen möglich.

Was ist SimPy?

SimPy steht für eine objektorientierte und methodenbasierte Open-Source-Simulationsbibliothek für besondere Ereignisse, die von Unternehmen bevorzugt wird, die sich rund um die Uhr mit dem Ressourcenmanagement von Passagieren, Patienten, Fahrzeugen und Vermögenswerten befassen. Oft sind diese Systeme mit Einschränkungen oder Kippkapazitäten wie Kassen, Rezeptionen und Autobahnen verbunden.

Abgesehen von solchen Diensten hilft SimPy auch bei der Generierung allgemeiner Analysen mit Hilfe von Zufallsvariablen in Python. SimPy wurde vollständig in Python geschrieben und kann auf mehreren Umgebungen wie Java Virtual Machine oder .NET ausgeführt werden.

Hier ist ein Beispiel für ein Simulations-Snippet in SimPy:

env = einfach. Umgebung ()

env.process(checkpoint_run(env, num_booths, check_time, Passenger_arrival))

env.run(bis=10)

Da die Umgebung und die Parameter festgelegt werden, bevor der Code ausgeführt wird, müssten Sie die Variablen wie folgt definieren:

• env: Bezieht sich auf die Situation, in der die Simulation benötigt wird, um Ereignisse auszuführen und zu analysieren.
• num_booths: Die Gesamtzahl der Kabinen, die mit Ausweiskontrollen ausgestattet sind.
• check_time: Der Zeitraum für die Überprüfung der ID jedes Passagiers.
• Passenger_arrival: Die Häufigkeit der in der Warteschlange wartenden Passagiere.

Bitte denken Sie daran, dass diese Variablen nach Bedarf geändert werden können, um angemessene, realitätsbezogene Daten zu sammeln.

Nachdem Sie nun wissen, was zum Entwerfen einer Simulation gehört, sind die folgenden Schritte hilfreich, wenn Sie den Code für ähnliche Ereignisse schreiben:

Schritt I: Umgebung definieren.

Schritt II: Legen Sie die beteiligten Standards fest.

Schritt III: Führen Sie die Simulation aus.

Für den Moment reichen diese Schritte aus, um damit zu beginnen, bevor wir uns näher mit den anderen beteiligten Prozessen befassen.

Weiterlesen: Python Requests Module Guide: Wie verwende ich die Requests-Bibliothek in Python?

Voraussetzungen, bevor Sie mit SimPy beginnen

Bevor Sie mit SimPy beginnen, benötigen Sie ein tiefes Verständnis der Python-Grundlagen sowie der Klassen und Generatoren. Die Generatoren können als diskrete Python-Funktion definiert werden, die ein Objekt in Iteration zurückgibt, das an den Hauptteil der Funktion angehängt wird, sowie seine lokalen Variablen am Anfang der Funktion. Aufgrund dieses Iterators hilft die Funktion bei der Ausführung der yield-Anweisung und generiert das Ergebnis des angegebenen Ausdrucks.

Die Ertragsaussagen sind die Werkzeuge, die bei der Erstellung des Zeitplans oder Ablaufs jeder Veranstaltung helfen. Das Ereignis kann ein Selbstauslöser sein (z. B. bis das nächste Fahrzeug abfährt) oder eine Ressource wie einen Kanal anfordern oder freigeben. Diese Aussagen heißen:

• yield request: Dieses Konto wird verwendet, um dem System zu befehlen, auf eine Warteliste für eine beliebige Ressource gesetzt zu werden und sie sofort in Gebrauch zu nehmen.
• yield hold: Diese Anweisung wird im Allgemeinen verwendet, um die benötigte Zeit für die Ausführung verschiedener Schritte in einer Methode hervorzuheben.
• yield passivate: Diese Anweisung wird verwendet, um den Prozess warten zu lassen, bis ihn eine andere Funktion auslöst.
• yield release: Diese Anweisung wird im System verwendet, um es auf dem neuesten Stand zu halten, sobald ein Prozess abgeschlossen ist, wodurch die nächsten Schritte in der Warteschlange ausgelöst werden.

Nachdem Sie nun eine Vorstellung vom Arbeitsprozess des Systems haben, müssen Sie das Paket auch in Ihrer Bestellung installieren, wobei das anfängliche Framework auf SimPy eingestellt ist. Dieses Kernpaket würde Ihnen helfen, das gesamte Simulationsmodell zu erstellen, zu verwalten und auszuführen. Mit Hilfe einiger eingebauter Python-Module können Sie die durchschnittliche Wartezeit zusammenstellen und die Zufallszahlen abrufen.

Die Zufallszahlengeneratoren haben folgende Funktionen:

1. Definieren des Zufallsmoduls.
2. Darstellung eines Generators.
3. Ableitung einer Zufallsvariablen: Wie eine Zufallszahl von 10 bis 40: g. zufällig()

Schauen Sie sich an: Python-Entwicklergehalt in Indien

Lernen Sie Datenwissenschaftskurse von den besten Universitäten der Welt. Verdienen Sie Executive PG-Programme, Advanced Certificate-Programme oder Master-Programme, um Ihre Karriere zu beschleunigen.

Ausführen von Python-Simulationen

Sobald Sie mit der Codierung fertig sind, können Sie das Programm mit Hilfe einiger einfacher Klassen und Funktionen ausführen. Stellen Sie sich ein Simulationssystem für ein Theater vor, das die durchschnittliche Wartezeit von Kunden verstehen muss.

Um mit SimPy besser zu werden, müssen Sie lediglich Ideen sammeln und Simulationen in Python mit Hilfe von Parametern, Generatoren, Funktionen und Klassen erstellen. Da die Umgebung jeder Simulation von Fall zu Fall unterschiedlich ist, hier eine kurze Überarbeitung der beteiligten Prozesse:

• Einrichten des richtigen Algorithmus für jede Simulation
• Erstellen des Szenarios in Python
• Funktionen zuweisen und definieren mit allen beteiligten Ressourcen und Methoden
• Optimierung der Parameter in der Simulation zur Generierung umsetzbarer Ergebnisse

Lesen Sie auch: 42 spannende Ideen und Themen für Python-Projekte für Anfänger

Fazit

Wenn Sie neugierig sind, mehr über Python und Data Science zu erfahren, schauen Sie sich das PG Diploma in Data Science von IIIT-B & upGrad an, das für Berufstätige entwickelt wurde und mehr als 10 Fallstudien und Projekte, praktische praktische Workshops, Mentoring mit Branchenexperten, 1-on-1 mit Mentoren aus der Branche, mehr als 400 Stunden Lern- und Jobunterstützung bei Top-Unternehmen.