شبیه‌سازی با Python

شبیه‌سازی با Python برای مهندسی صنایع به‌ویژه با استفاده از کتابخانه‌هایی مانند PuLP، SimPy، و SciPy بسیار متداول است، زیرا Python یک زبان برنامه‌نویسی قدرتمند و انعطاف‌پذیر است که قابلیت‌های گسترده‌ای برای مدل‌سازی ریاضی، شبیه‌سازی سیستم‌ها، و بهینه‌سازی ارائه می‌دهد. در زیر به شرح این کتابخانه‌ها و چگونگی استفاده از آن‌ها در مهندسی صنایع می‌پردازم:

1. PuLP (برای بهینه‌سازی خطی و غیرخطی)

• کاربرد: PuLP برای مدل‌سازی و حل مسائل بهینه‌سازی خطی و عدد صحیح مختلط استفاده می‌شود. این کتابخانه بسیار مفید است برای حل مسائل مربوط به برنامه‌ریزی تولید، تخصیص منابع، و زنجیره تأمین.
• نحوه استفاده:
  • تعریف متغیرهای تصمیم.
  • تنظیم تابع هدف (مثل کمینه‌سازی هزینه یا بیشینه‌سازی سود).
  • تعریف محدودیت‌ها (مانند محدودیت‌های ظرفیت یا محدودیت‌های منابع).
  • شبیه‌سازی با Python
• مثال کد:

  from pulp import LpMaximize, LpProblem, LpVariable

  # مدل ایجاد می‌کنیم
  model = LpProblem(name=”simple-maximization”, sense=LpMaximize)

  # تعریف متغیرهای تصمیم
  x = LpVariable(name=”x”, lowBound=0)
  y = LpVariable(name=”y”, lowBound=0)

  # تعریف تابع هدف
  model += (2 * x + 3 * y, “objective”)

  # تعریف محدودیت‌ها
  model += (2 * x + y <= 20, “constraint_1”)
  model += (4 * x – 5 * y >= -10, “constraint_2″)

  # حل مسئله
  model.solve()

  # نتایج
  print(f”x = {x.value()}, y = {y.value()}”)

  model.solve()

  # نتایج
print(f"x = {x.value()}, y = {y.value()}")


• این کد یک مدل بهینه‌سازی ساده را تعریف و حل می‌کند.
• شبیه‌سازی با Python

2. SimPy (برای شبیه‌سازی گسسته پیشامد)

• کاربرد: SimPy برای شبیه‌سازی سیستم‌های گسسته پیشامد، مانند شبیه‌سازی خطوط تولید، انبارداری، زنجیره تأمین، و سیستم‌های خدماتی به کار می‌رود.
• نحوه استفاده:
  • تعریف محیط شبیه‌سازی و فرآیندهای مختلف (مانند ماشین‌ها، منابع، و مشتریان).
  • استفاده از توابعی برای مدل‌سازی رویدادها و صف‌ها.
• مثال کد:

  import simpy

  def car(env):
  while True:
  print(f’Start parking at {env.now}’)
  yield env.timeout(5) # زمان توقف

  print(f’Start driving at {env.now}’)
  yield env.timeout(2) # زمان رانندگی

  # محیط شبیه‌سازی ایجاد می‌کنیم
  env = simpy.Environment()
  env.process(car(env))
  env.run(until=15)

• این کد یک شبیه‌سازی ساده از پارک و رانندگی یک ماشین را نشان می‌دهد.
• شبیه‌سازی با Python

3. SciPy (برای محاسبات علمی و بهینه‌سازی)

• کاربرد: SciPy مجموعه‌ای از ابزارهای قدرتمند برای محاسبات علمی، از جمله بهینه‌سازی، حل معادلات دیفرانسیل، و محاسبات ماتریسی ارائه می‌دهد.
• نحوه استفاده:
  • استفاده از ماژول optimize برای حل مسائل بهینه‌سازی غیرخطی.
  • حل معادلات دیفرانسیل با استفاده از ماژول integrate.
• مثال کد:

  from scipy.optimize import minimize

  # تابع هدف برای کمینه‌سازی
  def objective(x):
  return x[0]**2 + x[1]**2 + x[0]*x[1]

  # مقدار اولیه
  x0 = [0, 0]

  # حل مسئله
  result = minimize(objective, x0)
  print(f’Solution: {result.x}’)

• این کد یک مسئله بهینه‌سازی غیرخطی را حل می‌کند.
• شبیه‌سازی با Python

4. کاربردهای ترکیبی

• گاهی نیاز است از ترکیب این کتابخانه‌ها برای حل مسائل پیچیده‌تر استفاده کنید. به عنوان مثال، می‌توانید با استفاده از SimPy برای شبیه‌سازی یک سیستم تولید، داده‌ها را جمع‌آوری کنید و سپس از SciPy یا PuLP برای تحلیل و بهینه‌سازی این داده‌ها بهره ببرید.

استفاده از Python و این کتابخانه‌ها به شما امکان می‌دهد که به شکل انعطاف‌پذیر و مقیاس‌پذیر سیستم‌های پیچیده را شبیه‌سازی و بهینه‌سازی کنید، و این یک انتخاب مناسب برای شبیه‌سازی‌های رساله دکتری در مهندسی صنایع است.