Méthodes et étapes d'implémentation de la simulation Monte Carlo en Python

Qu'est-ce que la simulation de Monte Carlo

La simulation de Monte Carlo est une méthode basée sur des statistiques de probabilité, qui utilise une simulation aléatoire pour calculer la probabilité qu'un événement se produise. En gestion de projet, la simulation Monte Carlo est principalement utilisée pour calculer la distribution de probabilité d'indicateurs clés tels que la durée et le coût du projet, aidant ainsi les chefs de projet à mieux gérer les risques et à prendre des décisions.

Jetons un coup d'œil à l'image ci-dessus. Cette image est une simulation Monte Carlo pour trois activités de projet : Activité 1, Activité 2 et Activité 3. La simulation est basée sur des estimations en trois points des trois activités. Ensuite, il a été demandé à l'ordinateur d'effectuer des budgets aléatoires 1 000 000 de fois, et l'image ci-dessus a été obtenue.

Prenons comme exemple l’intersection des lignes pointillées bleues dans l’image ci-dessus. À quoi fait référence ce point ? Regardons l'axe Y. Les 90 % font ici référence à la probabilité d'achèvement de 90 %. L'axe horizontal correspondant à ce point est proche de 19 jours. En d’autres termes, grâce à une simulation informatique 1 million de fois. La probabilité de réaliser le projet en moins de 19 jours est de 90 %.

Les étudiants qui ont réalisé des projets savent tous que les clients ou les dirigeants veulent toujours que nous allions toujours plus vite, plus vite et plus vite. Le leader a dit qu'il n'y avait pas 19 jours, mais seulement 16 jours. A cette époque, en tant que chef de projet, grâce au graphique ci-dessus, j'ai constaté que la valeur de l'axe X correspondant à l'axe Y pendant 16 jours est d'environ 30 %. Il suffit de demander au leader : le taux de réussite n'est que de 30 %. Voulez-vous parier ou non ? C'est un bon moyen de « divination scientifique ». La clé est la simplicité et la théorie des probabilités pour vous soutenir.

Implémentation Python

Comment calculer la simulation Monte Carlo de gestion de projet en Python ? C'est en fait très simple. Nous pouvons utiliser les bibliothèques numpy et matplotlib en Python pour effectuer des calculs et des dessins. Le professeur Tian ci-dessous donne le code complet :

#!/usr/bin/env python
# -*- coding:utf-8 -*-
"""
#-----------------------------------------------------------------------------
#                     --- TDOUYA STUDIOS ---
#-----------------------------------------------------------------------------
#
# @Project : di08-tdd-cdg-python-learning
# @File    : monte_carlo.py
# @Author  : tianxin.xp@gmail.com
# @Date    : 2023/3/12 18:22
#
# 用Python实现蒙特卡洛模拟
#
#--------------------------------------------------------------------------"""
from datetime import datetime

import matplotlib.pyplot as plt
import numpy as np
from matplotlib.ticker import FuncFormatter, MultipleLocator
from scipy.stats import norm

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False


def to_percent(y, position):
    # 将纵轴用百分数表示
    return '{:.0f}%'.format(100 * y)


class Activity:
    """ 活动类，用于表示一个项目中的活动

   Attributes:
       name (str): 活动名称
       optimistic (float): 乐观时间
       pessimistic (float): 悲观时间
       most_likely (float): 最可能时间
   """

    def __init__(self, name, optimistic, pessimistic, most_likely):
        """
            初始化活动类

            Args:
                name (str): 活动名称
                optimistic (float): 乐观时间
                pessimistic (float): 悲观时间
                most_likely (float): 最可能时间
        """
        self.name = name
        self.optimistic = optimistic
        self.pessimistic = pessimistic
        self.most_likely = most_likely


class PMP:
    """
    PMP类用于进行项目管理中的相关计算：
    方法：
    monte_carlo_simulation : 蒙特卡洛模拟试算，包括计算项目工期、平均值、标准差、绘制积累图和概率密度曲线等功能。
    """

    def __init__(self, activities):
        """
        初始化PMP类，传入活动列表。
        :param activities: 活动列表，包括活动名称、乐观值、最可能值和悲观值。
        """
        self.activities = activities

    def monte_carlo_simulation(self, n):
        """
        进行蒙特卡洛模拟试算，计算项目工期、平均值、标准差、绘制积累图和概率密度曲线等。
        :param n: 模拟次数。
        """
        # 模拟参数和变量
        t = []
        for activity in self.activities:
            t.append(np.random.triangular(activity.optimistic, activity.most_likely, activity.pessimistic, n))

        # 计算项目工期
        project_duration = sum(t)

        # 计算平均值和标准差
        mean_duration = np.mean(project_duration)
        std_duration = np.std(project_duration)

        # 绘制积累图
        fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 10), gridspec_kw={'height_ratios': [3, 1]})

        ax1.hist(project_duration, bins=50, density=True, alpha=0.7, color='blue', cumulative=True)
        ax1.yaxis.set_major_locator(MultipleLocator(0.1))
        ax1.yaxis.set_major_formatter(FuncFormatter(to_percent))
        ax1.set_ylabel('完成概率')
        ax1.set_title('PMP蒙特卡洛模拟试算', fontsize=20)

        # 绘制概率密度曲线
        xmin, xmax = ax1.get_xlim()
        x = np.linspace(xmin, xmax, 100)
        p = norm.cdf(x, mean_duration, std_duration)
        ax1.plot(x, p, 'k', linewidth=2, drawstyle='steps-post')

        # 找到完成概率90%的点
        x_90 = norm.ppf(0.9, mean_duration, std_duration)

        # 绘制垂线
        ax1.axvline(x_90, linestyle='--', color='blue')
        ax1.axhline(0.9, linestyle='--', color='blue')

        # 隐藏右边和上方的坐标轴线
        ax1.spines['right'].set_visible(False)
        ax1.spines['top'].set_visible(False)

        # 添加表格
        col_labels = ['活动名称', '乐观值', '最可能值', '悲观值']

        cell_text = [[activity.name, activity.optimistic, activity.most_likely, activity.pessimistic] for activity in
                     self.activities]
        table = ax2.table(cellText=cell_text, colLabels=col_labels, loc='center')

        # 设置表格的字体大小和行高
        table.auto_set_font_size(False)
        table.set_fontsize(14)

        # # 设置表格的行高为1.5倍原来的高度
        for i in range(len(self.activities) + 1):
            table._cells[(i, 0)].set_height(0.2)
            table._cells[(i, 1)].set_height(0.2)
            table._cells[(i, 2)].set_height(0.2)
            table._cells[(i, 3)].set_height(0.2)

        ax2.axis('off')

        # 调整子图之间的间距和边距
        plt.subplots_adjust(hspace=0.3, bottom=0.05)

        # 保存图表
        now = datetime.now().strftime('%Y%m%d%H%M%S')
        plt.savefig('monte_carlo_simulation_{}.png'.format(now))

        # 显示图形
        plt.show()


if __name__ == '__main__':
    # 模拟参数和变量
    n = 1000000  # 模拟次数

    # 活动的工期分布
    activities = [
        Activity('活动1', 5, 10, 7),
        Activity('活动2', 3, 8, 5),
        Activity('活动3', 2, 6, 4)
    ]

    # 进行蒙特卡洛模拟
    pmp = PMP(activities)
    pmp.monte_carlo_simulation(n)

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!