ngth ();
// Основний моделюючий цикл (total = 0L; total
} (sojourn); (que); (LC_ALL, "Russian");
// Вивід на друк результатів імітаційного експерименту <<"Усього надійшло заявок" <
_gettch ();
6. Аналіз результатів
Багаторазовий прогін моделі протягом 6 років дав наступні результати:
В
Рис. 2. Знімок роботи програми
В· кількість заявок - 1567;
В· частка втрачених заявок - 0,088;
В· частка негайно задоволених заявок - 0,89;
В· кількість замовлень - 22;
В· середній час очікування - 8,2 днів;
В· середня довжина черги - 0,109.
Більш цікаві інші залежності. Припустимо, що ми не можемо ні збільшити швидкість виконання замовлення, ні знизити вимогливість клієнтів, ні розширити складські площі для зберігання більше 72 одиниць товару. Тоді виходить, що ми можемо управляти тільки періодичністю перевірки запасів (вона не може бути менше трьох тижнів - терміну виконання замовлення) і нижнім порогом замовлення (він не може перевищувати 72). У числі показників ефективності функціонування залишимо три: частку втрачених заявок, кількість замовлень, середній час очікування. p align="justify"> На рис. 3-5 наведено залежності цих показників від періодичності перевірки, всі часи виміряні в днях. Ми бачимо, що залежності ці аж ніяк не монотонні, хоча загальні тенденції до зростання або зменшення все ж таки зберігаються. br/>В
Рис. 3. Залежність частки втрачених заявок від періодичності перевірки запасів
В
Рис. 4. Залежність кількості замовлень від періодичності перевірки запасів
В
Рис. 5. Залежність середнього часу очікування від періодичності перевірки запасів
Суть його в тому, що для даної задачі невелике збільшення періодичності перевірки запасів зовсім не обов'язково, як це не дивно, призводить до погіршення показників, а може, навпаки, значно їх поліпшити. Все залежить від того, в який момент ми В«спіймаємоВ» перевіркою запасів ситуацію, коли поточний запас зменшився до 18. Припустимо, що в момент часу T днів він став дорівнює 17. Якщо періодичність перевірки така,...
