Residence Time

مدل سازی دینامیکی – مدل زمان اقامت یا ماندگاری

نوشته دکتر محمدرضا عاطفی
دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه 
مشاور سازمان‌ها و تحلیل‌گر سیستم‌

سری مدل‌سازی دینامیکی 

مدل زمان اقامت یا ماندگاری Residence Time       

شرح مدل

مدل زمان اقامت بر اساس منطق حاکم بر مدل زوال است. با این حال ورودی ها و خروجی ها سوئیچ می شوند. در اینجا، سرعت تخلیه مواد (و همچنین موجودی) را می‌دانیم و میانگین زمان تخلیه (یعنی میانگین زمان ماند) را محاسبه می‌کنیم.

 

مورد استفاده:

نحوه تعیین میانگین زمان اقامت اقلامی که در یک انبار جریان دارند.

 

کاربرد:

نحوه تعیین میانگین زمان اقامت اقلامی که در یک انبار جریان دارند.

 

مدل جریان و حالت:

معادلات:


AverageResidenceTime = Material/Material draining                      Units: Year

Material = INTEG(-Material draining,         )                                    Units: items

 Material draining =                                                                               Units: items/Year


رفتار:

 بدون بازخورد، بنابراین رفتار پویا درون زا وجود ندارد

 

نمونه‌های کلاسیک:

  • بررسی زمان زوال سیستم‌های اجتماعی

نکات فنی:

 این بر اساس قانون لیتل است. در حالت تعادل، محاسبه میانگین زمان اقامت صحیح است، مهم نیست که چه فرآیندی واقعا سطح را تخلیه می‌ کند. معادله خروجی زوال است.

 معادله بالا می‌گوید که اگر مقادیر Stock و مقدار decayTime را بدانیم، می‌توانیم مقدار decayOutflow را بدست آوریم. حال اگر از قبل مقدار decayOutflow (و همچنین مقدار متغیر سطح) را بدانیم اما مقدار decayTime را ندانیم، می‌توانیم معادله بالا را باز نویسی کنیم

این معادله ای است که به ما امکان می‌دهد در صورت شناخت دو کمیت دیگر، زمان فروپاشی را بفهمیم.

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 »