FIRST-ORDER STOCK ADJUSTMENT

مدل سازی دینامیکی – مدل تعدیل متغیر سطح مرتبه اول

نوشته دکتر محمدرضا عاطفی
دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه 
مشاور سازمان‌ها و تحلیل‌گر سیستم‌

سری مدل‌سازی دینامیکی 

مدل تعدیل متغیر سطح مرتبه اول   

First-order stock adjustment

شرح مدل

مؤلفه کلیدی مولکول تنظیم متغیر سطح مرتبه اول، تصمیم گیری در مورد موجودی است. تصمیم گیری موجودی را می توان دارای دو بخش در نظر گرفت. ابتدا، هر چیزی را که در حال مصرف است «سفارش» می‌کند (این StockingForReplacement است). این بخش از تصمیم، موجودی ها را در سطح فعلی نگه می دارد. مؤلفه دوم تصمیم گیری این است که مقداری بیشتر یا کمی کمتر «سفارش» کنید تا سطح را به مقدار دلخواه خود نزدیک کنید. این تصمیم به روش “شکاف – هدف” انجام می شود. از نظر ساختاری، این یک مدل هموار است و یک قطعه به آن اضافه شده است تا از خروجی اضافی در متغیر سطح سطح مراقبت کند.

 

مورد استفاده:

: Low-visibility pipeline correction, High-visibility pipeline correction

کاربرد

 نحوه خرید برای حفظ متغیر سطح در سطح مطلوب

 

مدل جریان و حالت:

معادلات:


Level = INTEG( Stocking – outFlow , DesiredLevel )

Units: widgets                                   

        outFlow 

Units: widgets/Year                                   

            = DesiredLevel

Units: widgets                                   

Stocking = StockingToAdjustLevelToDesired + StockingForReplacement

Units: widgets/Year                                   

StockingForReplacement = outFlow

Units: widgets/Year                                  

StockingToAdjustLevelToDesired = Gap / AdjustmentTime

Units: widgets/Year                                   

Gap = DesiredLevel – Level

Units: widgets                                   

       = AdjustmentTime

Units: years                                   

رفتار:

  این ساختار به شکل هموار، موجودی واقعی را به سطح مورد نظر منتقل می‌کند. اگر خروجی صفر باشد، این ساختار معادل یک هموارسازی خواهد بود. اگر قسمت جایگزین تصمیم را بتوان فوراً (همانطور که در بالا نشان داده شده است) بدون تأخیر ادراک اتخاذ کرد، سیستم بدون توجه به جریان خروجی، مانند یک هموارسازی رفتار خواهد کرد.

نمونه‌های کلاسیک:

  • یک ساختار بسیار رایج

 

توجه:

در بسیاری از موارد، جریان انبار نباید منفی شود (مثلاً اگر جریان ورودی در واقع یک فرآیند تولیدی باشد، نمی‌توان چیزی را که قبلاً در متغیر سطح قرار داده شده است، «بدون ساخت» کرد). در این حالت، مدلساز باید جریان ورودی را طوری اصلاح کند که نتواند منفی شود.

این ساختار فرض می‌کند که موجودی را می‌توان بدون تاخیر ایجاد کرد (یعنی جریان ورودی، محصولات بلافاصله در دسترس است). اگر تأخیر وجود داشته باشد (مثلاً سفارشی ساخته شوند)، ممکن است مهم باشد که خط لوله عرضه را در نظر بگیرید. برای این کار به مولکول ترتیب ظرفیت مراجعه کنید.

در برخی موارد ممکن است فرد بخواهد یک تأخیر ادراک، بین خروجی و دانش در مورد اینکه چقدر باید جایگزین شود را در نظر بگیرد. در این مورد، StockingForReplacement باید به عنوان یک مدل هموار (یا شاید برون یابی) جریان خروجی مدل شود.

 

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 »