Difference between revisions of "Optimalizace počtu výčapov piva na štadióne (Simprocess)"

From Simulace.info
Jump to: navigation, search
m (Metóda)
m (vlozeni prveho obrazku)
Line 51: Line 51:
  
 
=Model=
 
=Model=
 +
 +
[[File:MainProcessHockeyMatchesBeersOptimalization.png]]
  
 
=Výsledky=
 
=Výsledky=

Revision as of 21:57, 16 June 2019

Zadání

Název simulace: Simulace optímálneho počtu výčapov piva na štadióne

Autor: Bc. Dominik Turák, turd01

Typ modelu: Diskrétni simulace

Modelovací nástroj: SIMPROCESS

Popis Modelu

Na hokejových alebo futbalových zápasoch sa často stáva, že človek musí čakať na pivo v dlhom rade celú večnosť. Navyše, ak sa poblízku štadióna nachádza podnik, v ktorom tiež čapujú pivo, ľudia sa mnohokrát rozhodnú ísť si radšej načapovať pivo tam, pretože je to pre nich mnohokrát výhodnejšie, najmä z finančného hľadiska. Štadión tým pádom stráca potencionálny zisk a naopak, pri malom počte ľudí zbytočne prepláca pracujúcich výčapníkov.

Cíl simulace

Nájsť otpimálny počet výčapov prihľiadnúc na počet ľudí na štadióne tak, aby sa minimalizovali straty od nedočkavých ľudí, ktorí si radšej zvolia konkurenčný výčap

Metóda

Nasledujúce tabuľky približuje chovanie modelu a opisujú význam vybraných vstupných dát.

Generovaní divákov
Názov entity Názov schedule Typ distribúcie jednotka času start/end
Fan First real fans Poi(20.0) 1 minúta 16:00 - 16:30
Fan Normal real fans Poi(30.0) 1 minúta 16:30 - 17:00
Beer guy First Beer guys Poi(15.0) 1 minúta 16:00 - 16:30
Beer guy Normal Beer fans Poi(10.0) 1 minúta 16:30 - 17:00

Pri generovaní fanúšikov som použil Poison Distribúciu, keďže entity sa generujú v krátkom časovom intervale, čo najlepšie vyhovuje mojmu prípadu, kedy sa snažím čo najrealistickejšie vystihnúť príchod fanúšikov na štadión.

Vlastnosti divákov
Názov entity Pravdepodobnosť zakúpenia piva ihneď po príchode Dlžka sledovania zápasu do dalšieho piva (v minútach)
Fan 0% Tri(40,55,80)
Beer guy 40% Tri(30,40,60)

Hlavné rozdiely medzi pivármi a obyčajnými fanúšikmi je túžba po pive. Zatiaľ čo obyčajný fanúšik si nikdy pri vstupe nedá pivo, u pivára je až 40% šanca, že sa tak rozhodne. Na delay označujúci sledovanie zápasu som tentokrát použil Triangulovú distribúciu, čo je v tomto prípade lepšie ako Exponenciálna distribúcia, ktorá by tak dobre nevystihovala realitu, pretože v momentálnom modeli každí dostane chuť na pivo niekedy inokedy, a nie takmer všetci ľudia naraz ( v poradí ako prichádzali na štadión ) , ako by to bolo pri Exponenciálnej distribúcii.

Model

MainProcessHockeyMatchesBeersOptimalization.png

Výsledky

Závěr

Kód

Reference