Simulations Python : qu'est-ce que SimPy, prérequis, comment exécuter des simulations

Le monde réel fonctionne dans différentes parties des systèmes, que ce soit du point de vue infrastructurel ou technologique. À l'aide de simulations Python , ces systèmes doivent être optimisés grâce à des modèles soutenus par le framework SimPy. Les modèles sont développés en se rapprochant des systèmes réels pour prédire la création d'un système complexe, et donc le résoudre grâce à des algorithmes pas à pas.

Lorsqu'il s'agit de grandes entreprises, l'analyse du système devient cruciale pour le rectifier et le rendre robuste. Surtout pour les services d'urgence comme les soins de santé et la gestion des aéroports, il est nécessaire de surveiller les activités des individus à tout moment et d'être prêt à gérer les situations difficiles. Cela ne peut être possible qu'en dérivant des informations à partir de modèles de simulation Python.

Qu'est-ce que SimPy ?

SimPy représente une bibliothèque de simulation d'événements spéciaux open source, orientée objet et basée sur des méthodes, préférée par les entreprises traitant de la gestion des ressources 24 heures sur 24, telles que les passagers, les patients, les véhicules et les actifs. Souvent, ces systèmes s'accompagnent de contraintes ou de capacités de basculement comme les caisses, les réceptions et les autoroutes.

Outre ces services, SimPy aide également à générer des analyses générales à l'aide de variables aléatoires en Python. Entièrement écrit en Python, SimPy peut fonctionner sur plusieurs environnements comme Java Virtual Machine ou .NET.

Voici un exemple d'extrait de simulation dans SimPy :

env = simpy.Environnement()

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

env.run(jusqu'à=10)

Comme l'environnement et les paramètres sont définis avant d'exécuter le code, vous devez définir les variables comme suit :

• env : fait référence à la situation dans laquelle la simulation est nécessaire pour exécuter et analyser les événements.
• num_booths : le nombre total de cabines équipées de contrôles d'identité.
• check_time : la période de vérification de l'identité de chaque passager.
• Passenger_arrival : la fréquence des passagers qui attendent dans la file d'attente.

N'oubliez pas que ces variables peuvent être modifiées au fur et à mesure des besoins pour collecter des données adéquates et basées sur la réalité.

Maintenant que vous savez comment rédiger une simulation, voici les étapes qui pourraient vous être utiles lors de l'écriture du code pour des événements similaires :

Étape I : Définir l'environnement.

Étape II : Définissez les normes concernées.

Étape III : Exécutez la simulation.

Pour l'instant, ces étapes sont suffisantes pour commencer avant d'examiner de plus près les autres processus impliqués.

Lire la suite : Guide du module de requêtes Python : comment utiliser la bibliothèque de requêtes en Python ?

Prérequis avant de commencer SimPy

Avant de commencer avec SimPy, vous auriez besoin d'une compréhension approfondie des principes fondamentaux de Python, ainsi que des classes et des générateurs. Les générateurs peuvent être définis comme une fonction Python discrète qui renvoie un objet en itération, qui est attaché au corps de la fonction, ainsi que ses variables locales au début de la fonction. C'est grâce à cet itérateur que la fonction aide à l'exécution de l'instruction yield et génère le résultat de l'expression donnée.

Les déclarations de rendement sont les outils qui aident à établir le calendrier ou le processus de tout événement. L'événement peut être un auto-déclenchement (comme jusqu'à ce que le prochain véhicule parte) ou demander ou libérer n'importe quelle ressource comme un canal. Ces déclarations sont nommées comme suit :

• yield request : ce compte est utilisé pour ordonner au système d'être ajouté à une liste d'attente pour n'importe quelle ressource et de l'utiliser immédiatement.
• yield hold : cette instruction est généralement utilisée pour mettre en évidence tout temps nécessaire à l'exécution des différentes étapes d'une méthode.
• yield passivate : cette instruction est utilisée pour maintenir le processus en attente jusqu'à ce qu'une autre fonction le déclenche.
• yield release : cette instruction est utilisée dans le système pour le maintenir à jour une fois qu'un processus est terminé, déclenchant ainsi les prochaines étapes en attente.

Maintenant que vous avez une idée du processus de fonctionnement du système, vous devez également installer le package dans votre commande avec le cadre initial défini comme SimPy. Ce package de base vous aiderait à créer, gérer et exécuter l'ensemble du modèle de simulation. Avec l'aide de certains modules Python intégrés, vous pouvez compiler le temps d'attente moyen impliqué, ainsi que mettre la main sur les nombres aléatoires.

Les générateurs de nombres aléatoires ont les fonctions suivantes :

1. Définition du module aléatoire.
2. Représentant un générateur.
3. Dérivation d'une variable aléatoire : Comme un nombre aléatoire de 10 à 40 : g. Aléatoire()

Départ : salaire d'un développeur Python en Inde

Apprenez des cours de science des données dans les meilleures universités du monde. Gagnez des programmes Executive PG, des programmes de certificat avancés ou des programmes de maîtrise pour accélérer votre carrière.

Exécution de simulations Python

Une fois que vous avez terminé le codage, vous pouvez exécuter le programme à l'aide de quelques classes et fonctions simples. Imaginez un système de simulation pour un théâtre qui nécessite de comprendre le temps d'attente moyen des clients.

Pour vous améliorer avec SimPy, tout ce que vous avez à faire est de réfléchir et de créer des simulations en Python à l'aide de paramètres, de générateurs, de fonctions et de classes. Comme l'environnement de chaque simulation varie d'un cas à l'autre, voici une révision rapide des processus impliqués :

• Configurer le bon algorithme pour toute simulation
• Constitution du scénario en Python
• Affectation et définition des fonctions avec toutes les ressources et méthodes impliquées
• Optimiser les paramètres de la simulation pour générer des résultats exploitables

Lisez aussi: 42 idées et sujets de projets Python passionnants pour les débutants

Conclusion

Si vous êtes curieux d'en savoir plus sur Python, la science des données, consultez le diplôme PG de IIIT-B & upGrad en science des données qui est créé pour les professionnels en activité et propose plus de 10 études de cas et projets, des ateliers pratiques, un mentorat avec des experts de l'industrie, 1-on-1 avec des mentors de l'industrie, plus de 400 heures d'apprentissage et d'aide à l'emploi avec les meilleures entreprises.