Notizbuch Decision Optimization , das mehrere Szenarios generiert

Zurück zur englischen Version der Dokumentation

Generierung mehrerer Decision OptimizationSzenarien

Letzte Aktualisierung: 05. Dez. 2024

Notizbuch Decision Optimization , das mehrere Szenarios generiert

In diesem Lernprogramm erfahren Sie, wie Sie mehrere Szenarios aus einem notebook unter Verwendung randomisierter Daten generieren können. Wenn Sie mehrere Szenarios generieren, können Sie ein Modell testen, indem Sie es einem breiten Spektrum von Daten aussetzen.

Vorbereitende Schritte

Anforderungen

Zum Bearbeiten und Ausführen von Decision Optimization -Modellen müssen die folgenden Voraussetzungen erfüllt sein:

Administrator -oder Editor -Rollen: Sie müssen über die Rolle Admin oder Editor im Projekt verfügen. Viewer von gemeinsam genutzten Projekten können nur Experimente anzeigen, aber nicht ändern oder ausführen.

watsonx.ai Laufzeitdienst: Sie müssen einen watsonx.ai Runtime-Dienst haben, der mit Ihrem Projekt verbunden ist. Sie können eine hinzufügen, wenn Sie ein Decision Optimization Experimenterstellen.

Bereitstellungsbereich: Sie benötigen einen Bereitstellungsbereich, der Ihrem Decision Optimization Experimentzugeordnet ist. Sie können einen Bereitstellungsbereich auswählen, wenn Sie ein Decision Optimization Experimenterstellen.

Informationen zu dieser Task

Die Dateien, die in diesem Beispiel verwendet werden, befinden sich im Projekt DO-samples . Das betroffene Modell ist StaffPlanning und das Notebook ist CopyAndSolveScenarios.

Vorgehensweise

Gehen Sie wie folgt vor, um ein Szenario mithilfe eines Beispiels zu erstellen und zu lösen:

Laden Sie alle DO-Beispiele auf Ihre Maschine herunter und extrahieren Sie sie. Sie können auch nur die Datei StaffPlanning.zip aus dem Unterordner Model_Builder für Ihr Produkt und Ihre Version herunterladen, aber in diesem Fall nicht extrahieren.
Öffnen Sie Ihr Projekt oder erstellen Sie ein leeres Projekt.
Wählen Sie die Registerkarte Assets aus
Wählen Sie Neues Asset > Optimierungsprobleme lösen im Bereich Mit Modellen arbeiten aus.
Klicken Sie auf Lokale Datei im Fenster Optimierungsprobleme lösen , das geöffnet wird.
Durchsuchen Sie die Datei StaffPlanning.zip im Ordner Model_Builder , um sie auszuwählen. Wählen Sie den entsprechenden Produkt- und Versionsunterordner aus.
Wenn Sie noch keinen watsonx.ai Runtime-Dienst mit Ihrem Projekt verknüpft haben, müssen Sie zunächst einen Dienst für Machine Learning hinzufügen auswählen oder erstellen, bevor Sie einen Bereitstellungsbereich für Ihr Experiment auswählen.
Klicken Sie auf Create.
Es wird ein Decision Optimization -Modell mit demselben Namen wie das Beispiel erstellt.
Wenn Sie in Szenario 1 des StaffPlanning -Modells arbeiten, können Sie sehen, dass die Lösung Tabellen enthält, um festzustellen, welche Ressourcen an welchen Tagen arbeiten, um den erwarteten Bedarf zu decken.
Wenn keine Lösung angezeigt wird oder wenn Sie das Modell erneut ausführen möchten, klicken Sie in der Seitenleiste auf Modell erstellen . Anschließend Ausführen (Run) anklicken, um das Modell zu lösen.

Zufallsgenerator zum Erstellen neuer Szenarios verwenden

Vorgehensweise

Gehen Sie wie folgt vor, um neue Szenarios mit randomisierten Daten unter Verwendung eines Beispiels zu erstellen:

Wählen Sie die Registerkarte Assets aus
Wählen Sie Neues Asset > Mit Daten und Modellen in Python oder R-Notebooks arbeiten im Abschnitt Mit Modellen arbeiten aus.
Wählen Sie die Registerkarte Lokale Datei im neuen Fenster aus, das geöffnet wird.
Klicken Sie auf Dateien ziehen und ablegen oder hochladen und durchsuchen , um das Notizbuch CopyAndSolveScenarios im jupyter -Ordner auszuwählen. Wählen Sie den entsprechenden Produkt- und Versionsunterordner aus.
Klicken Sie auf Notebook erstellen.
Das Notebook wird in Ihrem Projekt geöffnet.
Suchen Sie auf der Registerkarte Einstellungen Ihres Projekts den Abschnitt Zugriffstoken und klicken Sie auf Neues Token +. Wählen Sie einen Tokennamen aus, wählen Sie Editor als Zugriffsrolle aus und klicken Sie auf Erstellen.
Sie können von der Registerkarte Assets Ihres Projekts zu Ihrem Notebook zurückkehren und auf das Stiftsymbol klicken, um es zu bearbeiten. Wählen Sie im Menü "Mehr" Projekttoken einfügenaus. Dadurch wird Ihr Berechtigungstoken in einer verdeckten Zelle hinzugefügt.
Wählen Sie im Hauptnavigationsmenü Administration > Access (IAM) > API-Schlüsselaus. Erstellen und kopieren Sie Ihren API-Schlüssel.
Kehren Sie zu Ihrem CopyAndSolveScenarios -Notebook zurück und suchen Sie die Zelle, die client=Client(pc=pc,apikey="API_key"enthält. Ersetzen Sie API_key durch Ihren eigenen IBM Cloud -API-Schlüssel, den Sie gerade kopiert haben.
Suchen Sie die Zelle, die decision = client.get_experiment(name="StaffPlanning")enthält.
Diese Zelle weist das Notebook an, Scenario 1 aus dem StaffPlanning -Modell zu kopieren und zum Generieren zusätzlicher Szenarios auf der Basis randomisierter Daten zu verwenden. Wenn Sie einen anderen Namen für Ihr Modell verwendet haben, ersetzen Sie Staffplanning durch den von Ihnen ausgewählten Namen.
Führen Sie das Notebook mit Zelle>Alle ausführenaus.
Das Notebook verwendet das Python random -Modul zum Generieren von Daten für fünf zusätzliche Szenarios im Modell StaffPlanning. Die neuen Szenarios werden als Kopie 01 bezeichnet ... Kopie 05. Die Anzahl der zu generierenden Szenarien wird in Zelle 9, N_SCENARIOS = 5, angegeben.
Öffnen Sie das Modell StaffPlanning , um die Lösungen der unterschiedlichen Szenarios zu vergleichen. Klicken Sie auf das Symbol Szenarios, um die Szenarioanzeige zu öffnen und schnell zwischen Szenarios wechseln zu können. Sie können auch alle Szenarios auf einen Blick in der Übersichtanzeigen.
Klicken Sie im Navigationsfenster auf Visualisierung , um die verschiedenen Szenarios auf der Registerkarte Mehrfachszenario zu vergleichen.
Im Diagramm Demand wird der Bedarf für die verschiedenen Zeiträume in den zufällig generiertenSzenarios dargestellt. Das Diagramm KPIs stellt die Gesamtkosten über die zufällig generiertenSzenarios dar. Das Diagramm My KPIs stellt eine Heat-Map der Kosten für die verschiedenen Szenarioszusammen mit dem Mix aus jeweils temporären und festen Ressourcen bereit.

Ergebnisse

Dieses Beispiel zeigt, wie leicht Sie Ihr Modell testen können, indem Sie zusätzliche Szenarios basierend auf randomisierten Daten generieren. Solche Tests ermöglichen es, zu beurteilen, ob das Modell genug leistungsfähig ist, um effektiv in einer Umgebung mit variablen Daten zu arbeiten.