LOW-VISIBILITY PIPELINE CORRECTION_page-0001 (2)

مدل سازی دینامیکی – مدل تصحیح خط تولید با شفافیت کم

نوشته دکتر محمدرضا عاطفی
دکتر محمدرضا عاطفی

عضو هیات علمی دانشگاه 
مشاور سازمان‌ها و تحلیل‌گر سیستم‌

سری مدل‌سازی دینامیکی 

مدل تصحیح خط تولید با شفافیت کم

Low -Visibility Pipeline Correction

شرح مدل

همانطور که در مدل  تعدیل متغیر سطح مرتبه اول، سفارش دو کارکرد دارد: جایگزینی هر چیزی که (انتظار می‌رود) فروخته شود و موجودی را تنظیم می‌کند. این فرمول همچنین یک جزء پنهان موجودی یعنی موجودی در راه (سفارش داده شده است، اما هنوز دریافت نشده است) را در نظر می‌گیرد. در حالت ثابت، این موجودی در راه غیر صفر خواهد بود. در واقع، اگر نرخ سفارش ثابت باشد، این موجودی در محل برابر با نرخ سفارش ضرب در زمان دریافت سفارشات خواهد بود. به عبارت دیگر، موجودی در راه، کل جریان سفارش‌هایی است که ثبت شده، اما دریافت نشده‌اند.

 

کاربرد

 

مدل جریان و حالت:

معادلات:


Ordering = max ( 0, correctionForOrdersInPipeline + ReplacementOrdering + inventoryCorrection

Units: cases/quarter                                            

ReplacementOrdering = Shipping

 Units: cases/quarter                                          

 …..=  Shipping 

Units: cases/quarter                                          

inventoryCorrection = ( DesiredInventory – Inventory ) / timeToCorrectInventory

Units: cases/quarter                                          

 …..=  timeToCorrectInventory 

Units: quarter                                         

 ….=   DesiredInventory 

Units: cases                                         

Inventory = INTEG( Receiving Product – Shipping , DesiredInventory )

 Units: cases                                         

….. = Receiving Product

Units: cases/quarter                                        

correctionForOrdersInPipeline = OrderPipelinegGap / TimeToCorrectOrderPipeline

Units: cases/quarter                                       

  …..= TimeToCorrectOrderPipeline        

 Units: quarter                                      

OrderPipelinegGap = ( RequiredOrdersInPipeline – Orders Not Received ) * AwarenessOfPipeline

Units: cases                                     

AwarenessOfPipeline = …..   (usually a number between between 0 and 1)

Units: fraction                                    

Orders Not Received = INTEG( Ordering – Orders being fulfilled , )

Units: cases                                   

Orders being fulfilled = Receiving Product

Units: cases/quarter                                  

RequiredOrdersInPipeline = ForecastedDemand * CalculatedDeliveryDelay

Units: cases                                  

CalculatedDeliveryDelay = Orders Not Received / Orders being fulfilled

Units: quarters                                 

 ….. = ForecastedDemand

Units: cases/quarter                                

رفتار:

هیچ رفتار مرتبطی وجود ندارد زیرا روند سفارشات دریافتی (و ارسال) در این مدل مشخص نشده است.

نمونه‌های کلاسیک:

به صورت عمومی یکی از پرکاربردترین مدل‌ها است.

 

 

 

نکات فنی:

این مدل  مشخص نمی‌کند که چگونه یک سفارش توسط یک تامین کننده “پردازش” می‌شود. مدل  تصحیح خط تولید با دید بالا ممکن است مناسب‌تر باشد اگر تصمیم گیرنده دانش صریحی از فرآیند خلق ماده داشته 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 WaveCluster چیست؟ راهنمای کامل خوشه‌بندی مبتنی بر تبدیل موجک

1 .چکیده با افزایش فزاینده حجم داده‌های مکانی و ابعاد ویژگی‌ها، کشف خوشه‌هایی با اشکال هندسی بسیار پیچیده و مرزهای نامنظم به یکی از چالش‌های اساسی یادگیری بدون نظارت تبدیل شده است. الگوریتم‌های سنتی چگالی‌محور یا شبکه‌ای کلاسیک، علی‌رغم کارایی اولیه، در مواجهه با مجموعه‌داده‌های حاوی نویز شدید و الگوهای

توضیحات بیشتر »
هوش مصنوعی

الگوریتم STING چیست؟ راهنمای کامل خوشه‌بندی سلسله‌مراتبی شبکه‌ای

1 .چکیده با افزایش فزاینده حجم داده‌های مکانی در سامانه‌های اطلاعات جغرافیایی و تصویربرداری، چالش مقیاس‌پذیری محاسباتی به یکی از مسائل محوری در یادگیری بدون نظارت تبدیل شده است. الگوریتم‌های سنتی خوشه‌بندی به دلیل نیاز به محاسبات مکرر فواصل زوج‌به‌جفت یا اسکن‌های چندباره کل پایگاه داده، در مواجهه با کلان‌داده‌ها

توضیحات بیشتر »
هوش مصنوعی

الگوریتم OPTICS چیست؟ راهنمای کامل خوشه‌بندی مبتنی بر چگالی

1 .چکیده خوشه‌بندی مبتنی بر چگالی به دلیل توانایی در استخراج الگوهای هندسی نامنظم و حذف داده‌های پرت، ابزاری حیاتی در یادگیری بدون نظارت است. با این حال، الگوریتم‌های کلاسیک این حوزه مانند DBSCAN، به دلیل اتکا به یک شعاع همسایگی ثابت (ε)، در مواجهه با مجموعه‌داده‌هایی با چگالی متغیر

توضیحات بیشتر »