Go To Zero

مدل سازی دینامیکی – مدل برو به صفر

نوشته دکتر محمدرضا عاطفی
دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه 
مشاور سازمان‌ها و تحلیل‌گر سیستم‌

سری مدل‌سازی دینامیکی 

مدل برو به صفر  Go To Zero

شرح مدل

اقدام (یا نرخ جریان) می‌تواند یک کمیت (یک موجودی) را به صفر برساند. در جایی که متغیر بار منفی دارد و ما به دنبال کاهش آن هستیم از این مدل استفاده می‌کنیم. فرض بر این است که هدف کمیت صفر است مانند تورم یا بیکاری.

یک سماور را در نظر بگیرید. هر چقدر لیوان پر شود و زمان تکمیل ظرفیت لیوان به صفر نزدیک شود شیر سماور را کم کم می بندیم تا میزان  ورود آب کاهش یابد. ابتدا که لیوان خالی است میزان باز شدن شیر زیاد است و پر شدن لیوان رفته رفته شیر را می‌بندیم.

 

مورد استفاده:

زوال، حمل و نقل معوقه محافظت شده توسط جریان، سطح محافظت شده توسط جریان

 

کاربرد:

چگونه یک اقدام (یعنی جریان) تعریف کنیم که ارزش فعلی (سهام) را در طول زمان به صفر برساند.

 

مدل جریان و حالت:

معادلات:


ActionToGo to zero = CurrentValue/timeToGo to zero

Units: widgets/Month                        

 …….= CurrentValue 

Units: widgets                         

 ……= timeToGo to zero 

Units: months                          


رفتار:

 بدون متغیر سطح، بنابراین بدون رفتار است.

 

نمونه‌های کلاسیک:

  • خروج از یک زوال
  • تاخیر مواد
  • محاسبه نرخ استهلاک

 

توجه:

 هنگامی که زمان “ثابت” (timeToGo to zero) به عنوان یک متغیر فرموله می‌شود، باید مراقب بود که مقدار آن صفر نشود تا از خطای تقسیم بر صفر جلوگیری شود.

نکات فنی:

منطق پشت این فرمول به شرح زیر است: متغیری را در نظر بگیرید که مقدار فعلی آن CurrentValue است. اگر متغیر actionToGo to zero با نرخ ثابتی کاهش یابد، متغیر دقیقاً در زمان ToGo to zero ، صفر می‌شود. با این حال، معمولا actionToGo to zero ثابت نمی‌ماند، زیرا  CurrentValue و/یا مقدار timeToGo to zero مرتبا تغییر می‌کنند.

ماژولهای دیگری که می‌توانند یک عمل (یا یک جریان) ایجاد کنند عبارتند از شکاف نزدیک (و فرزندان آن) و جریان از منبع (و فرزندان آن)

برای مثال، در مورد زوال، میانگین زمان برای زوال یک چیز (مثلاً استهلاک گروهی از ماشین‌ها) با متغیر to zero timeToGo به صفر کاهش می‌یابد است.

بینش‌های مرتبط

دکتر محمدرضا عاطفی

عضو هیئت علمی دانشگاه
رئیس هیئت مدیره گروه ناب
هم بنیان گذار شرکت دانش بنیان
مشاور شرکت ها و سازمان های بزرگ کشور

آنچه می خوانید

هوش مصنوعی

الگوریتم DBCLASD چیست؟ آموزش خوشه‌بندی داده‌های فضایی

  1.اهداف یادگیری پس از مطالعه این فصل، خواننده قادر خواهد بود: 2.پیش‌نیازها ۳. چکیده الگوریتم DBCLASD یکی از نوآوری‌های کلیدی در حوزه داده‌کاوی مکانی است که با هدف غلبه بر محدودیت‌های الگوریتم‌های مبتنی بر چگالی سنتی پیشنهاد شده است. ایده محوری این روش، جایگزینی آستانه‌های صلب چگالی (مانند شعاع

توضیحات بیشتر »
هوش مصنوعی

پیاده‌سازی الگوریتم Echidna در پایتون برای خوشه‌بندی ترافیک شبکه

1. مقدمه انتقال از فرمول‌های ریاضی و منطق درختی الگوریتم اکیدنا (Echidna) به یک سامانه نرم‌افزاری پویا، نیازمند درک دقیق نحوه بازنمایی ویژگی‌های ترکیبی (عددی، دسته‌ای و سلسله‌مراتبی) در حافظه رایانه است. در بخش نظری، فاصله ترکیبی را به عنوان پیوندی از سه سناریوی محاسباتی تعریف کردیم. در این بخش،

توضیحات بیشتر »
هوش مصنوعی

الگوریتم Echidna چیست؟ راهنمای کامل خوشه‌بندی سلسله‌مراتبی ترافیک شبکه

1.اهداف یادگیری پس از مطالعه این فصل، خواننده باید بتواند: 2.پیش‌نیازها برای فهم این فصل، آشنایی مقدماتی با موارد زیر لازم است: . 3. چکیده فصل الگوریتم Echidna روشی تخصصی در داده‌کاوی شبکه است که برای خوشه‌بندی کارای داده‌های ترافیک با ویژگی‌های ناهمگون طراحی شده است. مسئله اصلی که این

توضیحات بیشتر »