Aging Chain with PDY

مدل سازی دینامیکی – مدل زنجیره پیری با PDY

نوشته دکتر محمدرضا عاطفی
دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه 
مشاور سازمان‌ها و تحلیل‌گر سیستم‌

سری مدل‌سازی دینامیکی 

مدل زنجیره پیری با PDY یا تاخیر آبشاری 

Aging Chain with PDY

شرح مدل

یک زنجیره پیری یا آبشار پیری متشکل از چند متغیر سطح است که نماینده  بخشی از از نیروهای انسانی با تجارب مختلف است اولین متغیر سطح تازه کارها هستند. متغیر سطح دوم با تجربه‌ها و متغیر سطح سوم کارکشته‌ها می‌باشد. اولین متغیر جریان ورودی، استخدام است. متغیر جریان دوم بالغ شوندگان و متغیر جریان سوم کسب خرد یا خردمندان است و متغیر جریان چهارم بازنشستگی است. از آنجایی که سطح بهره وری هر یک از این گروه افراد متفاوت است میزان تولید هر کدام نیز متفاوت خواهد بود در بالا ثابت‌های زمانی برای زمان تازه کاری تا بلوغ، زمان کسب خرد، و زمان کار کشتگی تا بازنشستگی به عنوان ۳ ثابت زمانی تعریف شده است. هر دسته از افراد بهره وری متفاوتی دارند. میزان تولید از حاصل ضرب تعداد نیروهای انسانی هر گروه در میزان بهره وری محاسبه می‌شود

 

کاربرد

چگونه می‌توان نیروی کار را نشان داد که در آن افراد تجربه کسب می‌کنند و بهره وری را بیشتری می‌کنند.

 

مدل جریان و حالت:

معادلات:


Production = ExperiencedProduction+GrayHairProduction+RookieProduction

Units: widgets/Year                                                                   

RookieProduction = Rookies*RookieProductivity

Units: widgets/Year                                                                

        = RookieProductivity 

Units: widgets/person/Year                                                               

Rookies = INTEG(Hiring – Maturing, Hiring*TimeForRookiesToMature )

Units: people                                                               

       = Hiring

Units: people/Year                                                              

Maturing = Rookies / TimeForRookiesToMature

Units: people/Year                                                              

           = TimeForRookiesToMature

Units: years                                                               

ExperiencedProduction = Experienced*ExperiencedProductivity

Units: widgets/Year                                                               

      = ExperiencedProductivity

Units: widgets/person/Year                                                               

Experienced = INTEG(Maturing – GainingWisdom, Maturing *TimeToGainWisdom )

Units: people                                                               

GainingWisdom = Experienced / TimeToGainWisdom

Units: people/Year                                                               

         = TimeToGainWisdom 

Units: years                                                               

GrayHairProduction = GrayHairs*GrayHairProductivity

Units: widgets/Year                                                              

        = GrayHairProductivity 

Units: widgets/person/Year                                                             

GrayHairs = INTEG(GainingWisdom – Retiring, GainingWisdom*TimeForGrayHairToRetire )

Units: people                                                             

Retiring = GrayHairs / TimeForGrayHairToRetire

Units: people/Year                                                              

          = TimeForGrayHairToRetire

Units: Year                                                             

رفتار:

به یادداشت‌های مربوط به زوال و تاخیر آبشاری یا زنجیره پیری مراجعه کنید

 

نمونه‌های کلاسیک:

  • یک ساختار عمومی برای نشان دادن مشکلاتی که زمانی که یک شرکت در هنگام رشد با آن مواجه می‌شود.

 

توجه:

کسب تجربه صرفاً تابع زمان است، تا تابعی از انجام کار. گرچه دومی در بیشتر موقعیت‌ها دقیق‌تر است، اما ساختار فرمول‌بندی شده بر حسب زمان ساده‌تر و اغلب به اندازه کافی دقیق است. قانون کلی برای DT (نگاه کنید به توجه در بخش هموارسازی) باید اصلاح شود زیرا هر سطح دارای دو جریان خروجی است — DT باید یک چهارم تا یک دهم ثابت زمانی باشد که ممکن است به نظر بسیار کوتاه باشد (به یادداشت فنی مراجعه کنید).

نکات فنی:

خروجی از هر سطح برابر است با:

که در آن  τ زمانی است که به طور متوسط برای انتقال به دسته بعدی طول می‌کشد و η نرخ از دست دادن کارمند برای افراد این دسته است

یا 

بنابراین DT باید کوتاهتر از 1/4 تا 1/10 ثابت زمانی موثر باشد:

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 »