您好,登錄后才能下訂單哦!
這篇“Python如何實(shí)現(xiàn)蒙特卡洛模擬”文章的知識點(diǎn)大部分人都不太理解,所以小編給大家總結(jié)了以下內(nèi)容,內(nèi)容詳細(xì),步驟清晰,具有一定的借鑒價值,希望大家閱讀完這篇文章能有所收獲,下面我們一起來看看這篇“Python如何實(shí)現(xiàn)蒙特卡洛模擬”文章吧。
蒙特卡洛模擬是一種基于概率統(tǒng)計的方法,通過隨機(jī)模擬來計算出某個事件發(fā)生的概率。在項目管理中,蒙特卡洛模擬主要用于計算項目工期、成本等關(guān)鍵指標(biāo)的概率分布,幫助項目經(jīng)理更好地進(jìn)行風(fēng)險管理和決策。
讓我們來看上面這張圖, 這張圖是針對三個項目活動:活動1、活動2、活動3進(jìn)行的蒙特卡洛模擬。 模擬的依據(jù)是這三個活動的三點(diǎn)估算結(jié)果。 然后讓計算機(jī)進(jìn)行了1,000,000次隨機(jī)預(yù)算, 得出的上面這張圖。
我們拿上邊這張圖的藍(lán)色虛線的交叉舉例,這個點(diǎn)指的是什么呢? 我們看Y軸,這里的90%指的是完工概率90%。 這個點(diǎn)對應(yīng)的橫軸將近19天的樣子。也就是說,通過計算機(jī)100萬次的模擬。在19天以下完成項目的概率是90%。
做過項目的同學(xué)都知道, 客戶或者領(lǐng)導(dǎo)總是希望我們快些快些再快些。 領(lǐng)導(dǎo)說,19天沒有,只有16天。 這時候,作為項目經(jīng)理通過上面的圖,發(fā)現(xiàn),X軸16天對應(yīng)Y軸的值大概在30%左右。 你就問領(lǐng)導(dǎo):成功率只有30%喲, 你賭還是不賭~
這不失為一種不錯的“科學(xué)算命”的方式。 關(guān)鍵是簡單,還有概率論給你撐腰。
在Python中如何計算項目管理的蒙特卡洛模擬呢?其實(shí)很簡單,我們可以使用Python中的numpy和matplotlib庫來進(jìn)行計算和繪圖。下面田老師給出完整的代碼:
#!/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實(shí)現(xiàn)蒙特卡洛模擬 # #--------------------------------------------------------------------------""" 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): # 將縱軸用百分?jǐn)?shù)表示 return '{:.0f}%'.format(100 * y) class Activity: """ 活動類,用于表示一個項目中的活動 Attributes: name (str): 活動名稱 optimistic (float): 樂觀時間 pessimistic (float): 悲觀時間 most_likely (float): 最可能時間 """ def __init__(self, name, optimistic, pessimistic, most_likely): """ 初始化活動類 Args: name (str): 活動名稱 optimistic (float): 樂觀時間 pessimistic (float): 悲觀時間 most_likely (float): 最可能時間 """ self.name = name self.optimistic = optimistic self.pessimistic = pessimistic self.most_likely = most_likely class PMP: """ PMP類用于進(jìn)行項目管理中的相關(guān)計算: 方法: monte_carlo_simulation : 蒙特卡洛模擬試算,包括計算項目工期、平均值、標(biāo)準(zhǔn)差、繪制積累圖和概率密度曲線等功能。 """ def __init__(self, activities): """ 初始化PMP類,傳入活動列表。 :param activities: 活動列表,包括活動名稱、樂觀值、最可能值和悲觀值。 """ self.activities = activities def monte_carlo_simulation(self, n): """ 進(jìn)行蒙特卡洛模擬試算,計算項目工期、平均值、標(biāo)準(zhǔn)差、繪制積累圖和概率密度曲線等。 :param n: 模擬次數(shù)。 """ # 模擬參數(shù)和變量 t = [] for activity in self.activities: t.append(np.random.triangular(activity.optimistic, activity.most_likely, activity.pessimistic, n)) # 計算項目工期 project_duration = sum(t) # 計算平均值和標(biāo)準(zhǔn)差 mean_duration = np.mean(project_duration) std_duration = np.std(project_duration) # 繪制積累圖 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蒙特卡洛模擬試算', fontsize=20) # 繪制概率密度曲線 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%的點(diǎn) x_90 = norm.ppf(0.9, mean_duration, std_duration) # 繪制垂線 ax1.axvline(x_90, linestyle='--', color='blue') ax1.axhline(0.9, linestyle='--', color='blue') # 隱藏右邊和上方的坐標(biāo)軸線 ax1.spines['right'].set_visible(False) ax1.spines['top'].set_visible(False) # 添加表格 col_labels = ['活動名稱', '樂觀值', '最可能值', '悲觀值'] 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') # 設(shè)置表格的字體大小和行高 table.auto_set_font_size(False) table.set_fontsize(14) # # 設(shè)置表格的行高為1.5倍原來的高度 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') # 調(diào)整子圖之間的間距和邊距 plt.subplots_adjust(hspace=0.3, bottom=0.05) # 保存圖表 now = datetime.now().strftime('%Y%m%d%H%M%S') plt.savefig('monte_carlo_simulation_{}.png'.format(now)) # 顯示圖形 plt.show() if __name__ == '__main__': # 模擬參數(shù)和變量 n = 1000000 # 模擬次數(shù) # 活動的工期分布 activities = [ Activity('活動1', 5, 10, 7), Activity('活動2', 3, 8, 5), Activity('活動3', 2, 6, 4) ] # 進(jìn)行蒙特卡洛模擬 pmp = PMP(activities) pmp.monte_carlo_simulation(n)
以上就是關(guān)于“Python如何實(shí)現(xiàn)蒙特卡洛模擬”這篇文章的內(nèi)容,相信大家都有了一定的了解,希望小編分享的內(nèi)容對大家有幫助,若想了解更多相關(guān)的知識內(nèi)容,請關(guān)注億速云行業(yè)資訊頻道。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報,并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。