Главная

об алгоритме моделирования товарооборота

Алгоритм сервиса моделирования товарооборота, который представлен нашим сервисом, 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 и мы, по возможности, учтем их в новых версиях сервиса.

Примеры расчетовПримеры расчетов
База данных транспортных средствБаза данных транспортных средств
Оптимальная загрузкаPacker3d Онлайн Сервис
СкачатьСкачать
Купить
Заказать расчет Плана Загрузки
PrintКарта сайта

Логин

Пароль

Забыли пароль?|Регистрация

Тел.: +7 926 520 6171

All rights reserved. 2003-2015