SMOOTH (HIGHER-ORDER)

مدل سازی دینامیکی – مدل هموارسازی (مرتبه بالاتر)

نوشته دکتر محمدرضا عاطفی
دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه 
مشاور سازمان‌ها و تحلیل‌گر سیستم‌

سری مدل‌سازی دینامیکی 

مدل هموارسازی (مرتبه بالاتر)

  Smooth (higher-order)

شرح مدل

یک هموارسازی مرتبه بالاتر، آبشاری از دو یا چند هموار است که در آن هر هموارسازی به هدف هموار بلافاصله پس از آن تبدیل می‌شود. موجودی هموار نهایی اغلب به عنوان متغیر “خروجی” در نظر گرفته می‌شود — این متغیری است که در نهایت به سمت هدف تنظیم می‌شود. حالت معمول این است که در هر مرحله هموارسازی کردن تاخیر یکسان باشد. یعنی اگر k ثابت باشد.

 Order مرتبه تأخیر است

i هر مرحله خاص در آبشار است

 k تأخیر برای هر مرحله جداگانه است و جایی

aggregateLag (یا میانگین تاخیر) به صورت زیر تعریف می‌شود

یا k به شکل زیر تعریف می‌شود:

به عنوان مثال در مورد بالا که در آن همه تاخیرها یکسان هستند، اگر مجموع تاخیر، مثلاً سی هفته باشد، پس تاخیر برای هر مرحله  به شکل زیر خواهد بود:

مورد استفاده:

Hines cascaded coflow

کاربرد

  چگونه می‌توان یک «هموار» ایجاد کرد که در آن حرکت به سمت هدف به آرامی شروع می‌شود، سرعت می‌گیرد و سپس در مرحله نهایی کند می‌شود. چگونه می‌توان سیستمی را مدل‌سازی کرد که در آن افراد در ابتدا تغییرات را دیر درک می‌کنند، اما در نهایت به طور کامل با ان منطبق می‌شوند.

 

مدل جریان و حالت:

معادلات:


Smooth1 = INTEG( updating smooth1 , goal )

Units: stuff                        

updating smooth1 = Gap1 / smoothing time1

Units: stuff/Year                       

        = smoothing time1 

Units: Year                        

Gap1 = goal – Smooth1

Units: stuff                         

         = goal

Units: stuff                          

Smooth2 = INTEG( updating smooth2 , Smooth1 )

Units: stuff                          

updating smooth2 = Gap2 / smoothing time2

Units: stuff/Year                          

       = smoothing time2 

Units: Year                          

Gap2 = Smooth1 – Smooth2

Units: stuff                          

“Smooth3.” = INTEG( updating smooth3 , Smooth2 )

Units: stuff                          

updating smooth3 = Gap3 / smoothing time3

 Units: stuff/Year                           

smoothing time3 = 2

Units: Year                            

Gap3 = Smooth2 – “Smooth3.”

            Units: stuff                            

رفتار:

  در موردی که تاخیرهای هر مرحله همگی یکسان باشند، تعدیل ناگهانی تر و در نقطه تاخیر کل متمرکزتر می‌شود. تمام تعدیل‌ها در مجموع تاخیر در صورت هموار بودن مرتبه نامتناهی اتفاق می‌افتد. (توجه داشته باشید که در چنین حالتی تاخیر کل یک عدد واقعی محدود و تاخیر هر مرحله بینهایت کوچک است و معادل :

نمونه‌های کلاسیک:

  • هموارسازی کننده‌های مرتبه سوم نسبتاً رایج هستند. هموارهای مرتبه دوم ، همانند هموارهای با مرتبه بالاتر از 3 بسیار نادر هستند.

 

توجه:

  اگر تأخیرها را با تقسیم یک تاخیر کلی بر تعداد هموارها در آبشار ایجاد می‌کنید، مراقب خطای یکپارچه سازی باشید. به یاد داشته باشید که فاصله حل (“dt” یا “گام زمانی”) باید یک چهارم تا یک دهم کوچکترین ثابت زمانی باشد.

ثابت زمانی در یک هموارسازی مرتبه بالاتر تاخیر کلی نیست، بلکه تاخیر روی هموارهای هر مرحله است که آبشار را تشکیل می‌دهد. این ملاحظات حتی در هنگام استفاده از توابع هموارسازی مرتبه 3 ساخته شده توسط اکثر محیط‌های مدل سازی شبیه سازی SD وجود دارد. این توابع داخلی معمولاً یک پارامتر برای تاخیر کلی می‌گیرند. به خاطر داشته باشید که در داخل نرم افزار این تاخیر کلی را به سه تاخیر جداگانه تبدیل می‌کند که هر یک به اندازه پارامتر “ثابت” زمان است.

نکات فنی:

  اگر یک نمای کلی از یک هموارسازی مرتبه بالاتر داشته باشید، “تاخیر کل” برابر با میانگین تاخیرها است. به عنوان مثال، اگر از یک سفارش سوم هموارسازی با تاخیر کلی 3 ماهه استفاده کنید (به این معنی که تاخیرهای هر مرحله هر کدام برابر با یک ماه است) برای نشان دادن اینکه چگونه خریداران به تدریج درک خود از قیمت را تنظیم می‌کنند، متوسط خریداران برداشت خود را به طور کامل در 3 ماه تنظیم می‌کند. – البته برخی از خریداران سریع تر و برخی دیگر با سرعت کمتری نسبت به میانگین خود را تطبیق می‌دهند.

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 »