Definiowanie parametrów Uwaga kod jest pisany na kolenie wiec lepiej zawsze przed…
- User
Definiowanie parametrów Uwaga kod jest pisany na kolenie wiec lepiej zawsze przed odpaleniem
sim na nowo zdefiniowac zmienne
liczba_rowerow_na_stacji = [10,10,10,10,10] brak_roweru = [0,0,0,0,0] overrun=[0,0,0,0,0] popyt_stacji = [0.3, 0.3, 0.2, 0.1, 0.1] prawdopodobienstwo_stacji=[ 0.05 0.45 0.3 0.1 0.1; 0.43 0.07 0.1 0.2 0.2; 0.34 0.2 0.06 0.2 0.2; 0.2 0.2 0.2 0.05 0.35; 0.1 0.1 0.1 0.67 0.03] wynik_sim_init = [liczba_rowerow_na_stacji,brak_roweru,overrun]
Pojedyncze wyporzyczenie i oddanie roweru
function single_sim(wynik_sim=wynik_sim_init, prawdopodobienstwo_stacji= prawdopodobienstwo_stacji, popyt_stacji=popyt_stacji) stacja_odebrania = rand(Categorical(popyt_stacji)) stacja_oddania = rand(Categorical(prawdopodobienstwo_stacji[stacja_odebrania,:])) if wynik_sim[1][stacja_odebrania] >= 1 wynik_sim[1][stacja_odebrania] -= 1 wynik_sim[1][stacja_oddania] += 1 if wynik_sim[1][stacja_oddania]>=15 wynik_sim[3][stacja_oddania] +=1 wynik_sim[1][stacja_oddania] -=3 wynik_sim[1][argmin(wynik_sim[1])] +=3 end else wynik_sim[2][stacja_odebrania] += 1 end return wynik_sim end
x razy single_sim
function run_day(liczba_dzienna, wynik_sim = wynik_sim_init, prawdopodobienstwo_stacji=prawdopodobienstwo_stacji) wynik_sim_init = deepcopy(wynik_sim) for i in range(1,liczba_dzienna) wynik_sim = single_sim(wynik_sim_init, prawdopodobienstwo_stacji, popyt_stacji) end return wynik_sim end
x razy single_sim, ale zapamietuje wyniki z konca symulacji
function run_day_cum(liczba_dzienna, wynik_sim = wynik_sim_init, prawdopodobienstwo_stacji=prawdopodobienstwo_stacji) for i in range(1,liczba_dzienna) wynik_sim = single_sim(wynik_sim, prawdopodobienstwo_stacji, popyt_stacji) end return wynik_sim end
x razy single_sim, ale kazdy "dzien" liczony od nowa
function run_sims(liczba_sim = 30, liczba_dzienna = 40, wynik_sim = wynik_sim_init, prawdopodobienstwo_stacji = prawdopodobienstwo_stacji) wynik_sim_init = deepcopy(wynik_sim) wyniki_okresu = DataFrame(dzien = Int[], nr_stacji = Int[], liczba_na_koniec_dnia = Int[], braki_na_koniec_dnia = Int[], przewoz=Int[]) for i in range(1,liczba_sim) wynik_dnia = run_day(liczba_dzienna, wynik_sim, prawdopodobienstwo_stacji) temp_df = DataFrame(dzien = [i,i,i,i,i], nr_stacji = repeat(1:5,1),liczba_na_koniec_dnia = wynik_dnia[1], braki_na_koniec_dnia = wynik_dnia[2],przewoz=wynik_dnia[3]) wyniki_okresu = vcat(wyniki_okresu, temp_df) wynik_sim = wynik_sim_init end wynik_sim = wynik_sim_init return wyniki_okresu end
x razy single_sim, ale dni są "połączone" ze sobą
function run_sims_cum(liczba_sim = 30, liczba_dzienna = 40, wynik_sim = wynik_sim_init, prawdopodobienstwo_stacji = prawdopodobienstwo_stacji) wyniki_okresu = DataFrame(dzien = Int[], nr_stacji = Int[], liczba_na_koniec_dnia = Int[], braki_na_koniec_dnia = Int[],przewoz=Int[]) for i in range(1,liczba_sim) wynik_dnia = run_day_cum(liczba_dzienna, wynik_sim_init, prawdopodobienstwo_stacji) temp_df = DataFrame(dzien = [i,i,i,i,i], nr_stacji = repeat(1:5,1),liczba_na_koniec_dnia = wynik_dnia[1], braki_na_koniec_dnia = wynik_dnia[2],przewoz=wynik_dnia[3]) wyniki_okresu = vcat(wyniki_okresu, temp_df) end wynik_sim = wynik_sim_init return wyniki_okresu end
Wyniki nieskumulowanych wyników
liczba_rowerow_na_stacji = [10,10,10,10,10] brak_roweru = [0,0,0,0,0] overrun=[0,0,0,0,0] popyt_stacji = [0.3, 0.3, 0.2, 0.1, 0.1] prawdopodobienstwo_stacji=[ 0.05 0.45 0.3 0.1 0.1; 0.43 0.07 0.1 0.2 0.2; 0.34 0.2 0.06 0.2 0.2; 0.2 0.2 0.2 0.05 0.35; 0.1 0.1 0.1 0.67 0.03] wynik_sim_init = [deepcopy(liczba_rowerow_na_stacji), deepcopy(brak_roweru),deepcopy(overrun)] wyniki_okresu = run_sims()
In the above Julia simulation I think there is a key element missing: time. How to add time to those events and remeber that multiple bikes can travel at the same time. Write code if possible.
- Assistant
To include time in the simulation, we can add a new variable
czasto thewynik_simstate and update it every time an event occurs. Here's the modified code that incorporates time into the simulation:using Random, StatsBase, DataFrames liczba_rowerow_na_stacji = [10, 10, 10, 10, 10] brak_roweru = [0, 0, 0, 0, 0] overrun = [0, 0, 0, 0, 0] czas = 0 popyt_stacji = [0.3, 0.3, 0.2, 0.1, 0.1] prawdopodobienstwo_stacji = [ 0.05 0.45 0.3 0.1 0.1; 0.43 0.07 0.1 0.2 0.2; 0.34 0.2 0.06 0.2 0.2; 0.2 0.2 0.2 0.05 0.35; 0.1 0.1 0.1 0.67 0.03] wynik_sim_init = [liczba_rowerow_na_stacji, brak_roweru, overrun, czas] function single_sim(wynik_sim = wynik_sim_init, prawdopodobienstwo_stacji = prawdopodobienstwo_stacji, popyt_stacji = popyt_stacji, czas_przejazdu = 1) stacja_odebrania = rand(Categorical(popyt_stacji)) stacja_oddania = rand(Categorical(prawdopodobienstwo_stacji[stacja_odebrania, :])) wynik_sim[4] += czas_przejazdu if wynik_sim[1][stacja_odebrania] >= 1 wynik_sim[1][stacja_odebrania] -= 1 wynik_sim[1][stacja_oddania] += 1 if wynik_sim[1][stacja_oddania] >= 15 wynik_sim[3][stacja_oddania] += 1 wynik_sim[1][stacja_oddania] -= 3 wynik_sim[1][argmin(wynik_sim[1])] += 3 end else wynik_sim[2][stacja_odebrania] += 1 end return wynik_sim end function run_day(liczba_dzienna, wynik_sim = wynik_sim_init, prawdopodobienstwo_stacji = prawdopodobienstwo_stacji, czas_przejazdu = 1) wynik_sim_init = deepcopy(wynik_sim) for i in range(1, liczba_dzienna) wynik_sim = single_sim(wynik_sim_init, prawdopodobienstwo_stacji, popyt_stacji, czas_przejazdu) end return wynik_sim end function run_sims(liczba_sim = 30, liczba_dzienna = 40, wynik_sim = wynik_sim_init, prawdopodobienstwo_stacji = prawdopodobienstwo_stacji, czas_przejazdu = 1) wynik_sim_init = deepcopy(wynik_sim) wyniki_okresu = DataFrame(dzien=Int[], czas=Float64[], nr_stacji=Int[], liczba_na_koniec_dnia = Int[], braki_na_koniec_dnia = Int[], przewoz=Int[]) for i in range(1, liczba_sim) wynik_dnia = run_day(liczba_dzienna, wynik_sim, prawdopodobienstwo_stacji, czas_przejazdu) temp_df = DataFrame(dzien=fill(i,5), czas=fill(wynik_dnia[4],5), nr_stacji=1:5, liczba_na_koniec_dnia=wynik_dnia[1], braki_na_koniec_dnia=wynik_dnia[2], przewoz=wynik_dnia[3]) wyniki_okresu = vcat(wyniki_okresu, temp_df) wynik_sim = wynik_sim_init end wynik_sim = wynik_sim_init return wyniki_okresu end wynik_sim_init = [deepcopy(liczba_rowerow_na_stacji), deepcopy(brak_roweru), deepcopy(overrun), czas] wyniki_okresu = run_sims()The added
czasvariable andczas_przejazduvariable represent the current time and travel time, respectively. Theczasvariable is initialized with a value of 0, and it is increased by theczas_przejazduvalue in every successful journey in thesingle_simfunction. Then it will be passed in therun_dayandrun_simsfunctions accordingly.In this example, I set the
czas_przejazduto 1, meaning that each journey takes 1 unit of time, but you can modify it to different values or distributions as needed. - User
Actually, the issue with time is that bikes travel instantly between stations. Some bikes can still be in travel and demand for bikes should also be reported over time. This means that logs must be updated over time and some bikes can still be in travel between stations.
- Assistant
In this case, we need to keep track of the bikes that are currently traveling between stations and update their status over time. To do this, we can store a list of ongoing journeys and their remaining time. Here's an updated code snippet to handle this situation:
using Random, StatsBase, DataFrames liczba_rowerow_na_stacji = [10, 10, 10, 10, 10] brak_roweru = [0, 0, 0, 0, 0] overrun = [0, 0, 0, 0, 0] czas = 0 popyt_stacji = [0.3, 0.3, 0.2, 0.1, 0.1] prawdopodobienstwo_stacji = [ 0.05 0.45 0.3 0.1 0.1; 0.43 0.07 0.1 0.2 0.2; 0.34 0.2 0.06 0.2 0.2; 0.2 0.2 0.2 0.05 0.35; 0.1 0.1 0.1 0.67 0.03] ongoing = [] # Keep track of ongoing journeys wynik_sim_init = [liczba_rowerow_na_stacji, brak_roweru, overrun, czas] function single_sim(wynik_sim = wynik_sim_init, prawdopodobienstwo_stacji = prawdopodobienstwo_stacji, popyt_stacji = popyt_stacji, czas_przejazdu = 1, ongoing_journeys = ongoing) # First update ongoing journeys for i in length(ongoing_journeys):-1:1 journey = ongoing_journeys[i] journey[3] -= czas_przejazdu if journey[3] <= 0 # The journey is completed wynik_sim[1][journey[2]] += 1 # Add the bike to the destination station if wynik_sim[1][journey[2]] >= 15 wynik_sim[3][journey[2]] += 1 wynik_sim[1][journey[2]] -= 3 wynik_sim[1][argmin(wynik_sim[1])] += 3 end # Remove the journey from the ongoing_journeys list splice!(ongoing_journeys, i) end end stacja_odebrania = rand(Categorical(popyt_stacji)) stacja_oddania = rand(Categorical(prawdopodobienstwo_stacji[stacja_odebrania, :])) if wynik_sim[1][stacja_odebrania] >= 1 wynik_sim[1][stacja_odebrania] -= 1 # Remove a bike from the pickup station journey = [stacja_odebrania, stacja_oddania, czas_przejazdu] push!(ongoing_journeys, journey) # Add the journey to the ongoing_journeys list else wynik_sim[2][stacja_odebrania] += 1 # Increase the number of unavailable bikes end wynik_sim[4] += czas_przejazdu return wynik_sim endThis code modification tracks ongoing journeys by adding a new variable called
ongoing_journeysand recording bike journeys. When a bike is rented, we create a new journey with the starting station, destination station, and remaining time in the journey. Theongoing_journeyslist holds those journeys.For every time step, the code checks if any ongoing journeys are completed (remaining time <= 0) and returns the bike to the destination station. It also updates the remaining time for ongoing journeys.
Note that this new addition assumes the journeys always take
czas_przejazduunits of time, but you could modify it to have different or random durations when adding the journey to the ongoing_journeys list. In any case, you can now update thesingle_simfunction call by passing the appropriate parameters as required (e.g.,czas_przejazdu) when invokingrun_day()andrun_sims()functions.