operations_research/bilder_04/erzeuge_zielgroessen_radar.py

115 lines
4.6 KiB
Python
Raw Normal View History

Grafik-Upgrade Stufe 1: elf neue Diagramme Grafik_Upgrade.md verlangt "37 didaktisch wertvolle Visualisierungen". Es sind 19: Die Abschnitte "Modul 1-4" wiederholen die Grafiken 1-18 unter den Nummern 19-36, nur Grafik 37 ist zusaetzlich. Belegt an den Skriptnamen - 38 Nennungen, 19 verschiedene Dateien, erzeuge_kombinatorik_wand.py steht dreimal darin. Von den 19 betreffen neun bereits vorhandene Diagramme. Umgesetzt sind die zehn wirklich neuen plus eine elfte, die aus einem Sachfehler des Auftrags entstand: Grafik 14 sollte in Abschnitt 12.3 stehen, nannte aber Zahlen aus Kapitel 17. Beide Stellen haben jetzt ihre eigene Grafik mit ihren eigenen Zahlen. Vier Vorgaben des Auftrags wurden bewusst nicht befolgt: PNG bei 300 dpi (das Buch kennt nur SVG - die 33 verwaisten PNGs waren gerade erst geloescht worden), Matplotlib-Standardfarben (die Buchpalette steht in 33 Diagrammen), harte Kapitelnummern im Fliesstext ({ref:sec:...} stattdessen) und die fehlende Byte-Reproduzierbarkeit. Der eigentliche Ertrag waren die Selbsttests. Jeder Generator prueft seine Zahlen gegen das, was im Kapitel steht, und bricht bei Abweichung ab. Vier haben angeschlagen: * Kombinatorik-Wand: 25! ergibt 491,5 Mio. Jahre, die Tabelle nennt 490 Mio. - Rundung auf zwei signifikante Stellen, nicht Fehler des Buchs. * Laufzeit-Diagramm: Die abgedruckte Prozentspalte laesst sich aus den abgedruckten Zeiten nicht exakt nachrechnen (0,001/0,008 ergibt 12 %, gedruckt sind 14 %) - die Zeiten sind gerundet, die Prozente nicht. * Predict-then-Optimize: geratene Datenaufteilung ergab 197,35 statt 200,95 MSE. Mit TRAINING aus dem Buchprogramm stimmen alle vier Kostenwerte. * Almgren-Chriss: ein echter Fehler im Buchprogramm. DER FUND: analytische_loesung() minimiert die eigene Kostenfunktion nicht. Ihr Pfad kostet 10.860,40 EUR, der DP-Pfad 10.266,24 EUR - ein Gitterverfahren kann das kontinuierliche Optimum aber nicht unterbieten. periodenkosten() rechnet das Risiko mit lambda/2, die geschlossene Formel setzt kappa~^2 = lambda*sigma^2*P0^2/eta ohne dieses Halbe. Mit lambda/2 liefert die Formel 10.264,85 EUR und denselben Pfad wie die DP, knapp UNTER der Gitterloesung. Die Grafik zeigt bis zur Entscheidung darueber den DP-Pfad; er ist der, den das Kapitel abdruckt. Nachweise: Alle elf Diagramme sind ueber zwei Laeufe byte-identisch. Kein vorhandenes Diagramm wurde veraendert. Die Lastabwurf-Grafik reproduziert die Befundtabelle exakt (874.870/2.504.154/28 von 40 gegen 351.356/415.924/0). Zwei Abbildungen landeten beim automatischen Einfuegen im Codeblock (ihre Anker standen in abgedruckten Ausgaben) und wurden dahinter verschoben; eine Pruefung ueber alle elf zeigt null Fehlplatzierungen. Neu: bilder_04/stil_04.py buendelt Palette, rcParams und speichere(). networkx wurde entgegen der Planung nicht gebraucht - pyproject.toml bleibt unveraendert. PDF von 781 auf 788 Seiten, 44 Diagramme, 27 Generatoren. Veroeffentlicht: 25 Dateien. Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
2026-09-09 01:11:33 +02:00
#!/usr/bin/env python3
# erzeuge_zielgroessen_radar.py
"""
Erzeugt das Netzdiagramm zum Kapitel "Vom Management-Wunsch zum Modell":
bilder_04/kap_modellierung_zielgroessen.svg
Drei Saetze aus derselben Besprechung - "Umsatz maximieren", "Maschinen
auslasten", "Deckungsbeitrag maximieren" - ergeben drei verschiedene Plaene aus
denselben 14 Anfragen. Das Netzdiagramm legt sie uebereinander. Der Punkt, auf
den es ankommt: Der Auslastungsplan sieht auf seiner eigenen Achse perfekt aus
und faellt auf der Deckungsbeitragsachse durch.
KEINE ZAHL IST HIER EINGETRAGEN. Das Skript importiert Vom_Wunsch_zum_Modell.py
und loest dieselben Modelle mit demselben Solver. Weicht das Buchprogramm
spaeter ab, aendert sich das Bild mit - nicht der Text neben einem alten Bild.
Aufruf (aus dem Repository-Wurzelverzeichnis):
python3 bilder_04/erzeuge_zielgroessen_radar.py
Benoetigt: numpy, scipy, matplotlib
"""
from __future__ import annotations
import os
import sys
import numpy as np
HIER = os.path.dirname(os.path.abspath(__file__))
BASIS = os.path.dirname(HIER)
sys.path.insert(0, HIER)
# Das Buchprogramm ist die Quelle der Instanz - importiert, nicht kopiert.
sys.path.insert(0, os.path.join(
BASIS, "Operations_Research_mit_Python_Version_04_Programme"))
from stil_04 import FARBEN, speichere # noqa: E402
import matplotlib.pyplot as plt # noqa: E402
from Vom_Wunsch_zum_Modell import (AUFTRAEGE, DECKUNGSBEITRAG, # noqa: E402
STUNDEN, UMSATZ, kennzahlen,
waehle_aus)
# Die fuenf Achsen des Netzes und wie sie aus kennzahlen() entstehen. Jede
# Achse wird auf ihr eigenes Maximum ueber die drei Plaene skaliert - sonst
# erschluege der Umsatz in Euro alle uebrigen Groessen.
ACHSEN = [
("Deckungsbeitrag", lambda k: k["db"]),
("Umsatz", lambda k: k["umsatz"]),
("Maschinen-\nauslastung", lambda k: k["auslastung"]),
("Stammkunden\nbedient", lambda k: len({a[1] for a in AUFTRAEGE if a[2]})
- k["kunden_leer"]),
("angenommene\nAufträge", lambda k: k["angenommen"]),
]
PLAENE = [
("„Umsatz maximieren“", UMSATZ, FARBEN["zweit"]),
("„Maschinen auslasten“", STUNDEN, FARBEN["warnung"]),
("„Deckungsbeitrag maximieren“", DECKUNGSBEITRAG, FARBEN["gut"]),
]
def loese_alle() -> list[tuple[str, dict, str]]:
ergebnis = []
for name, ziel, farbe in PLAENE:
plan = waehle_aus(ziel)
if plan is None:
raise SystemExit(f"Radar: Fuer {name} liefert das Modell keinen Plan.")
ergebnis.append((name, kennzahlen(plan), farbe))
return ergebnis
def zeichne(plaene) -> None:
werte = {name: [f(k) for _, f in ACHSEN] for name, k, _ in plaene}
maxima = [max(werte[name][i] for name in werte) or 1.0
for i in range(len(ACHSEN))]
winkel = np.linspace(0, 2 * np.pi, len(ACHSEN), endpoint=False)
geschlossen = np.concatenate([winkel, winkel[:1]])
figur, achse = plt.subplots(figsize=(6.6, 5.8),
subplot_kw={"projection": "polar"})
for name, _k, farbe in plaene:
anteile = [w / m * 100 for w, m in zip(werte[name], maxima)]
anteile += anteile[:1]
achse.plot(geschlossen, anteile, "-", color=farbe, linewidth=2.0,
label=name, zorder=3)
achse.fill(geschlossen, anteile, color=farbe, alpha=0.12, zorder=2)
achse.set_xticks(winkel)
achse.set_xticklabels([bez for bez, _ in ACHSEN], fontsize=9,
color=FARBEN["text"])
achse.set_yticks([25, 50, 75, 100])
achse.set_yticklabels(["25 %", "50 %", "75 %", "100 %"], fontsize=8,
color=FARBEN["gedaempft"])
achse.set_ylim(0, 108)
achse.grid(color=FARBEN["linie"], linewidth=0.7, alpha=0.6)
achse.spines["polar"].set_color(FARBEN["linie"])
achse.set_title("Drei Sätze aus derselben Besprechung, drei Pläne\n"
"je Achse auf den besten der drei Pläne bezogen",
fontsize=10.5, color=FARBEN["text"], pad=24)
achse.legend(fontsize=9, loc="lower center", bbox_to_anchor=(0.5, -0.20),
frameon=False)
speichere(figur, "kap_modellierung_zielgroessen")
if __name__ == "__main__":
plaene = loese_alle()
for name, k, _ in plaene:
print(f" {name:<32} Umsatz {k['umsatz']:>8,.0f} "
f"DB {k['db']:>8,.0f} Auslastung {k['auslastung']:>3.0f} % "
f"angenommen {k['angenommen']:>2}")
zeichne(plaene)