SimPY是一个Python下的第三方库,可以方便的进行离散事件的仿真。仿真速度比较快。下面记录一下我的一点心得,不保证完全正确,供参考。
$ pip install -U simpy
pycharm可以再File | Settings | Project: Simulation | Project Interpreter中添加
主要概念
SimPY使用Environment,Process,Event,Resource四大概念来进行离散事件的仿真。
Environment就是整体仿真所在的时间,主要用于提取时间。
Process就是仿真过程中的实体,如:顾客, 设备, 车辆等。 Process本质上也是一个event。源代码里面可以看到是继承Event的一个类。
Event是仿真中触发的事件,可以理解为一个定时器。当定时器到时时,触发事件。
Resource是仿真中的资源,如ATM机,服务器等。
>>> import simpy
>>>
>>> def clock(env, name, tick):
... while True:
... print(name, env.now)
... yield env.timeout(tick)
...
>>> env = simpy.Environment()
>>> env.process(clock(env, 'fast', 0.5))
>>> env.process(clock(env, 'slow', 1))
>>> env.run(until=2)
fast 0
slow 0
fast 0.5
slow 1
fast 1.0
fast 1.5
逻辑很简单,
1. 创建一个env
2. 以env为参数创建process, process有名字和参数,process内部使用生成器直接调用了超时事件。
3. 运行该env
通过SimPY的源代码可以了解到,SimPY使用了一个heapq队列,这个队列中的元素是事件。Environment中对这个 队列进行调度,实际上是将事件压入队列中,environment中还有step方法,就是从队列中取出时间最小的一个事件(也就是时间点上最接近当前时间的下一个事件,使用heapq的heappop方法),然后运行这个事件的callback函数,一般就是Process。 因此仿真实际上是对一系列事件进行压入队列,按时间序弹出队列的过程。这样可以避免使用时间步长进行步进,时间步长步进的缺点就是太慢了。必须一个时间步长一个时间步长的挨个遍历过去,如果时间步长不合理的话,会有大量的计算时间上的浪费。
另外,为了语法上的优美易用,env中使用了Python的反射机制,将常用的几种事件,包括Process, Timeout, Anyof, Allof, Event都绑定为env的一种方法。 这个语法看上去很简单,但实现机制相对有点难以理解(我也只是了解是一种反射),只需要记住类似env.process, env.timeout, env.event, env.all_of, env.any_of的方法调用实际上都是声明了simpy.Process, simpy.Timeout等类的就可以了。详细实现在simpy.core.py中。
SimPy官方网站
稍微复杂一点的例子:
"""
服务站示例
场景介绍:
一个有特定服务提供工作站,客户服务时长不一,工作机器数有限。
Client接受服务步骤:Client到达工作站,若有空闲的机器就立刻接受服务,如果没有,就等待直到其他机器空闲下来。
每个接受过服务的Client都有一个完成满意度(或者为进度)实时统计服务客户数和完成满意进度。
"""
import random
import simpy
# 可接受输入参数
RANDOM_SEED = 0 # 不设置
NUM_MACHINES = 2 # 可以同时处理的机器数(类似工作工位数)
TIME_CONSUMING = 5 # 单任务耗时 (可以设计成随机数)
TIME_INTERVAL = 5 # 来车的间隔时间约5分钟 (可以设计成随机数)
SIM_TIME = 1000 # 仿真总时间
CLIENT_NUMBER = 2 # 初始时已经占用机器数
class WorkStation(object):
"""
一个工作站,拥有特定数量的机器数。 一个客户首先申请服务。在对应服务时间完成后结束并离开工作站
"""
def __init__(self, env, num_machines, washtime):
self.env = env
self.machine = simpy.Resource(env, num_machines)
self.washtime = washtime
self.allClient = 0
self.accomplishClient = 0
def wash(self, car):
"""服务流程"""
yield self.env.timeout(random.randint(2, 10)) # 假设服务时间为随机数(2~10)
self.allClient += 1
per = random.randint(50, 99)
print("%s's 任务完成度:%d%%." % (car, per))
if per > 80:
self.accomplishClient += 1
print("工作站服务客户数:%d,"
"工作站服务达标率:%.2f。" % (self.allClient, float(self.accomplishClient) / float(self.allClient)))
def Client(env, name, cw):
"""
客户到达动作站接受服务,结束后离开
"""
print('%s 到达工作站 at %.2f.' % (name, env.now))
with cw.machine.request() as request:
yield request
print('%s 接受服务 at %.2f.' % (name, env.now))
yield env.process(cw.wash(name))
print('%s 离开服务站 at %.2f.' % (name, env.now))
def setup(env, num_machines, washtime, t_inter, clientNumber):
"""创建一个工作站,几个初始客户,然后持续有客户到达. 每隔t_inter - 2, t_inter + 3分钟(可以自定义)."""
# 创建工作站
workstation = WorkStation(env, num_machines, washtime)
# 创建clientNumber个初始客户
for i in range(clientNumber):
env.process(Client(env, 'Client_%d' % i, workstation))
# 在仿真过程中持续创建客户
while True:
yield env.timeout(random.randint(t_inter - 2, t_inter + 3)) # 3-8分钟
i += 1
env.process(Client(env, 'Client_%d' % i, workstation))
# 初始化并开始仿真任务
print('开始仿真')
# 初始化seed,指定数值的时候方正结果可以复现
random.seed()
# 创建一个环境并开始仿真
env = simpy.Environment()
env.process(setup(env, NUM_MACHINES, TIME_CONSUMING, TIME_INTERVAL, CLIENT_NUMBER))
# 开始执行!
env.run(until=SIM_TIME)
输出:
开始仿真
Client_0 到达工作站 at 0.00.
Client_1 到达工作站 at 0.00.
Client_0 接受服务 at 0.00.
Client_1 接受服务 at 0.00.
Client_2 到达工作站 at 3.00.
Client_0's 任务完成度:54%.
工作站服务客户数:1,工作站服务达标率:0.00。
Client_3 到达工作站 at 7.00.
Client_0 离开服务站 at 7.00.
Client_2 接受服务 at 7.00.
Client_1's 任务完成度:97%.
工作站服务客户数:2,工作站服务达标率:0.50。
.
.
.
Client_179 接受服务 at 986.00.
Client_178 离开服务站 at 986.00.
Client_180 到达工作站 at 989.00.
Client_180 接受服务 at 989.00.
Client_179's 任务完成度:89%.
工作站服务客户数:180,工作站服务达标率:0.36。
Client_179 离开服务站 at 993.00.
Client_181 到达工作站 at 995.00.
Client_181 接受服务 at 995.00.
Client_180's 任务完成度:96%.
工作站服务客户数:181,工作站服务达标率:0.36。
Client_180 离开服务站 at 997.00.
Process finished with exit code 0
参考来源: 使用SimPY进行离散事件仿真