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 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 »