Simulaciones de Python: qué es SimPy, requisitos previos, cómo ejecutar simulaciones

El mundo real funciona en diferentes partes de los sistemas, ya sea desde la perspectiva infraestructural o tecnológica. Con la ayuda de las simulaciones de Python , estos sistemas deben optimizarse a través de modelos respaldados por el marco SimPy. Los modelos se desarrollan con la ayuda de acercarse a los sistemas de la vida real para predecir la creación de un sistema complejo y, por lo tanto, resolverlo a través de algoritmos paso a paso.

Cuando se trata de grandes empresas, analizar el sistema se vuelve crucial para rectificarlo y hacerlo robusto. Especialmente para los servicios de emergencia como la atención médica y la administración de aeropuertos, existe la necesidad de monitorear las actividades de las personas en todo momento y estar preparado para manejar situaciones desafiantes. Esto solo puede ser posible al obtener información de los modelos de simulación de Python.

¿Qué es SimPy?

SimPy representa una biblioteca de simulación de eventos especiales de código abierto, orientada a objetos y basada en métodos, preferida por las empresas que se ocupan de la gestión de recursos las 24 horas del día, como pasajeros, pacientes, vehículos y activos. A menudo, estos sistemas vienen con restricciones o capacidades de propinas como mostradores de pago, recepciones y autopistas.

Además de dichos servicios, SimPy también ayuda a generar análisis generales con la ayuda de variables aleatorias en Python. Escrito completamente en Python, SimPy puede ejecutarse en varios entornos como Java Virtual Machine o .NET.

Aquí hay un ejemplo de un fragmento de código de simulación en SimPy:

env = simple.Entorno()

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

entorno.ejecutar(hasta=10)

Como el entorno y los parámetros se establecen antes de ejecutar el código, deberá definir las variables de la siguiente manera:

• env: se refiere a la situación en la que se necesita la simulación para ejecutar y analizar eventos.
• num_booths: el número total de cabinas que están equipadas con controles de identificación.
• check_time: El período para verificar la identificación de cada pasajero.
• Passenger_arrival: la frecuencia de pasajeros que esperan en la cola.

Recuerde que estas variables se pueden cambiar cuando sea necesario para recopilar datos adecuados basados ​​en la realidad.

Ahora que sabe lo que implica redactar una simulación, estos son los pasos que pueden resultarle útiles al escribir el código para eventos similares:

Paso I: Definir el entorno.

Paso II: Establecer los estándares involucrados.

Paso III: Ejecutar la simulación.

Por ahora, estos pasos son suficientes para comenzar antes de pasar a ver más de cerca los otros procesos involucrados.

Leer más: Guía del módulo de solicitudes de Python: ¿Cómo usar la biblioteca de solicitudes en Python?

Requisitos previos antes de comenzar SimPy

Antes de comenzar con SimPy, necesitará una comprensión profunda de los fundamentos de Python, las clases y los generadores. Los generadores se pueden definir como una función discreta de Python que devuelve un objeto en iteración, que se adjunta al cuerpo de la función, así como sus variables locales al comienzo de la función. Es debido a este iterador que la función ayuda en la ejecución de la declaración de rendimiento y genera el resultado de la expresión dada.

Las declaraciones de rendimiento son las herramientas que ayudan a configurar el cronograma o el proceso de cualquier evento. El evento puede ser un autodisparador (como hasta que se vaya el siguiente vehículo) o solicitar o liberar cualquier recurso como un canal. Estas declaraciones se nombran como:

• solicitud de rendimiento: esta cuenta se usa para ordenar que el sistema se agregue a una lista de espera para cualquier recurso y se ponga en uso de inmediato.
• yield hold: esta declaración se usa generalmente para resaltar cualquier tiempo involucrado para la ejecución de diferentes pasos en un método.
• yield passivate: esta declaración se utiliza para mantener el proceso en espera hasta que cualquier otra función lo active.
• liberación de rendimiento: esta declaración se usa en el sistema para mantenerlo actualizado una vez que se completa un proceso, iniciando así los siguientes pasos esperando en línea.

Ahora que tiene una idea sobre el proceso de trabajo del sistema, también deberá instalar el paquete en su pedido con el marco inicial configurado como SimPy. Este paquete central lo ayudaría a crear, administrar y ejecutar todo el modelo de simulación. Con la ayuda de algunos módulos integrados de Python, puede compilar el tiempo de espera promedio involucrado, así como obtener números aleatorios.

Los generadores de números aleatorios tienen las siguientes funciones:

1. Definición del módulo aleatorio.
2. Representación de un generador.
3. Derivación de una variable aleatoria: Como un número aleatorio del 10 al 40: g. aleatorio()

Echa un vistazo: Salario de desarrollador de Python en India

Aprenda cursos de ciencia de datos de las mejores universidades del mundo. Obtenga programas Executive PG, programas de certificados avanzados o programas de maestría para acelerar su carrera.

Ejecución de simulaciones de Python

Una vez que haya terminado con la codificación, puede ejecutar el programa con la ayuda de algunas clases y funciones simples. Imagine un sistema de simulación para un teatro que requiera comprender el tiempo promedio de espera de los clientes.

Para mejorar con SimPy, todo lo que necesita hacer es generar ideas y crear simulaciones en Python con la ayuda de parámetros, generadores, funciones y clases. Como el entorno de cada simulación varía de un caso a otro, aquí hay una revisión rápida de los procesos involucrados:

• Configuración del algoritmo adecuado para cualquier simulación
• Elaboración del escenario en Python
• Asignación y definición de funciones con todos los recursos y métodos involucrados
• Optimización de los parámetros en la simulación para generar resultados procesables

Lea también: 42 emocionantes ideas y temas de proyectos de Python para principiantes

Conclusión

Si tiene curiosidad por aprender sobre Python, ciencia de datos, consulte el Diploma PG en ciencia de datos de IIIT-B y upGrad, creado para profesionales que trabajan y ofrece más de 10 estudios de casos y proyectos, talleres prácticos, tutoría con expertos de la industria, 1 a 1 con mentores de la industria, más de 400 horas de aprendizaje y asistencia laboral con las mejores empresas.