об алгоритме моделирования товарооборота

Алгоритм сервиса моделирования товарооборота, который представлен нашим сервисом [1], достаточно прост. Один такт работы модели соответствует одному дню работы склада или магазина, при этом вычисление количества товара на каждом такте производится следующим образом:

1	Если ожидается поставка товара (см. шаги 2 и 6), то уменьшаем время ожидания на 1.
2	Если время ожидания поставки товара равно 0 (см. шаги 1 и 6), то увеличиваем текущее количество товара на складе на значение <количество товара в поставке> и снимаем флаг ожидания поставки.
3	Вычисляем N - количество товара проданного в этот день как randNorm(<средний объем продаж>/30 , <отклонение объема продаж>/30)
4	Моделируем факт продажи товара, при этом: а) Если количество товара на складе больше N, полученного на предыдущем шаг, то уменьшаем количество товара на складе на N. При этом считаем, что N - <количество проданного товара> в этот день б) Иначе обнуляем количество товара на складе. При этом считаем, что <количество проданного товара> в этот день - это то количество, которое оставалось на складе до обнуления.
5	Для формирования ежемесячных статистик, запоминаем: количество товара за на складе в этот день. полученную прибыль за этот день, как <количество проданного товара>*<прибыль с единицы товара>-<стоимость хранения единицы товара в месяц>/30. упущенную прибыль (если ситуация развивается по варианту (4б)) за этот день, как (N-<количество проданного товара>)*<прибыль с единицы товара>.
6	Проверяем количество товара на складе, если оно меньше или равно <пороговому количеству товара> и при этом флаг "ожидание поставки" еще не выставлен, то устанавливаем флаг "ожидание поставки", и вычисляем время ожидания поставки следующим образом: а) Если установлен флаг <возможно только задержка заказа>, то время ожидания поставки =randExp(<время доставки товара> , <отклонения времени доставки>). б) Иначе время ожидания поставки =randNorm(<время доставки товара> , <отклонения времени доставки> ).
7	Если текущий день является последним днем месяца (т.е. его номер - это число кратное 30) обновляем значения ежемесячных статистик, используя при этом числа, запомненные на шаге 5, за каждый день этого месяца.
8	Обновляем графическую информацию и переходим к шагу 1.

В алгоритме используются две функции для генерации случайных чисел:

randNorm(m,d) - случайная величина сгенерированная по нормальному закону распределения с мат. ожиданием m и средне квадратичным отклонением d (кв. корень из дисперсии).
randExp(m,d) - случайная величина сгенерированная по экспоненциальному закону распределения с средне квадратичным отклонением d (кв. корень из дисперсии) плюс m.

Предложенная модель, как и любая другая, является лишь примерным описанием процесса товарооборота на реальном складе или магазине. В реальной жизни приходится учитывать массу дополнительных тонкостей и параметров. Однако использование подобного моделирования все равно может быть очень полезно для оптимизации деятельности склада. Если у Вас есть предложения по расширению/усложнению данной модели или замечания по алгоритму, мы будем рады их выслушать или сообщите нам любым удобным вам способом со страницы контакты [2] и мы, по возможности, учтем их в новых версиях сервиса.