Zadání LS 2017/2018

From Simulace.info
Revision as of 11:45, 6 May 2018 by Xngut65 (talk | contribs)
Jump to: navigation, search



Název simulace: Simulace náhradní dopravy přes řeku

Autor: Alena Charniauskaya

Typ modelu: Multiagentní

Modelovací nástroj: NetLogo

Nosným tématem mé simulace bude náhrada dopravy přes řeku kvůli zbourání mostu a stavbě nového. Jako jednou ze zkoumaných variant náhradní dopravy by se mohla stát říční lodní doprava (na bázi přívozu, tedy pouze spojující dva body proti sobě přes řeku). Parametry modelu:

  • Rychlost lodí
  • Rychlost nástupu a výstupu
  • Šířka řeky (vzdálenost)
  • Přepravní kapacita na jednu lod'
  • Počet lodí
  • Počet pasažérů (v závislosti, zda je přeprava v dopravní špičce nebo mimo ni)

Cílem simulace je zjistit:

  • Počet potřebných lodí (a jejich přepravní kapacita) nutných k náhradě běžné přepravy přes most
  • Interval pendlování lodí
  • Zda takový způsob náhradní dopravy pokryje potřeby normální přepravy přes most

Chaa14 (talk) 21:25, 3 May 2018 (CEST)

Dobrý den, obecně to není špatná myšlenka, problém je, že ji lze - tak jak to chápu - řešit analyticky, výpočtem... Tudíž simulace by byla nadbytečná. Zkuste to nějak upravit. Admin (talk) 00:26, 5 May 2018 (CEST)

Název simulace: Simulace parkovani aut na porkoviste u obchodniho centra (NetLogo)

Autor: Mykyta Lipskyi

Typ modelu: Multiagentni

Modelovací nástroj: NetLogo

Vedle obchodniho centra se stavi parkoviste a chceme zajistit kolik parkovacich mist potrebujeme, aby navstevnik OC necekal.

Parametry modelu:

  • Pocet aut(o vikendu)
  • Kapacita parkoviste
  • Prumerna doba trvani nakupu
  • Cas (dopoledne/odpoledne)

Cílem simulace je zjistit:

  • Pocet potrebnych mist na parkoviste

Lipm01 (talk) 16:46, 4 May 2018 (CEST)

Dobrý den, v tomto případě jde o učebnicový příklad diskrétní simulace a to velmi primitivní. V podstatě je identická základní verzi naší úlohy Supermarket. Chtělo by to něco sofistikovanějšího. Admin (talk)

Název simulace: Gammora

Autor: Ulrika Anna Jagošová

Typ modelu: Multiagentní

Modelovací nástroj: NetLogo

Předmětem této simulace je šíření nemoci HIV a jejího rozvinutí do AIDS a jak tuto problematiku ovlivní experimentální lék Gammora, který je vyvíjen izraelskými vědci. V současné době je účinnost Gammory na vyléčení HIV 97%, cílem je dosáhnout 100% léčby. Na AIDS léčba neexistuje, nakažený člověk zemře.

Cílem této simulace je zjistit, jaké změny s sebou v rámci populace přinese schválení léčby pomocí vyvíjeného léku Gammora.

Zdroje pro realizaci simulace: SZÚ, AIDS pomoc, Zion Medical.

xjagu00 (talk) 18:11, 5 May 2018 (CEST)

Fajn, to by mohlo být ok, ale než si to potvrdíme, rozpracujte prosím zadání do detailu. Tohle je velmi stručné, nedá se z toho pořádně odvodit, jak budete pokračovat ani obtížnost... Jako příklad si vezměte zadání školních úloh. Admin (talk) 11:23, 6 May 2018 (CEST)

Název simulace: Optimalizace počet provozoven rychlého občerstvení nového podniku v městech v ČR

Autor: Nguyen Van Thanh

Typ modelu: Monte Carlo

Modelovací nástroj: MS Excel

Definice problému:Jsme na trhu novou společností rychlého občerstvení a chceme zjistit optimální počet našich rozvržení provozoven, kdy bereme v potaz veškeré faktory ovlivňující náš chod provozoven. Viz parametry modelu.

Parametry modelu'

  • Počet provozoven
  • Návštěvnost a vytížení provozoven
  • Náklady provozovny (zaměstnanci, suroviny, nájem, odpad, rozvoz atd.)
  • Poptávka/nabídka ve městě
  • Tržby provozoven

Cíl simulace

  • Optimalizovat počet provozoven v daném městě na základě poptávky a nabídky a tím docílit podniku nejvyšší zisk.
  • Optimalizovat efektivní rozpoložení počet zaměstnanců napříč provozoven

Xngut65 (talk) 12:43, 6 May 2018 (CEST)

Zajímavé téma, ale mám tam dost nejasností. Monte Carlo ja založeno na náhodných proměných (jinak by to byla jen kalkulace) - co by ve vaší simulaci bylo všechno náhodně generováno?
Co bude zdrojem dat pro tyto náhodně generované proměné?
Jak kvantifikujete poptávku a na základě čeho?
Jak v Monte Carlu budete řešit to optimální rozložení prodejen (Monte Carlo nesimuluje prostor jako např. NetLogo, proto je to potřeba nějak ošetřit)?
Jak budete řešit vzájemnou konkurenci prodejen - tedy jak kvantifikujete, že si přetahují zákazníky?
Oleg.Svatos (talk) 09:26, 6 May 2018 (CEST)
1. Náhodně jsou generovány náklady na zaměstnance, nájem nebytových prostorů, návštěvnost a průměrná útrata strávníka v řetězcích.
2. Zdrojem dat jsou portály s nabídkami práce (např. jobs.cz, práce.cz) , nemovitostmi v daném regionu (sreality.cz), dále údaje z dotazníkových šetření.
3. Poptávka se bude odvíjet od sezón, věkové skupiny, lokalitě a speciálních nabídek a preference strávníka v jakém stravovacím zařízení bude trávit. (geografická data jsou čerpána z českého statistického úřadu:https://www.czso.cz/ a zbylá data jsou čerpána z dotazníkových šetření)
4. Pomocí Monte Carla se zjistí, v jakém stavu výsledku hospodaření jsou zkoumané provozovny. Z těchto údajů, pak vybereme nejlepší model rozložení nákladů, který vynáší maximilní zisk pro náš nový podnik v jednotlivých městech.
5. Konkurence se řeší mezi stravovacích zařízení, které jsou dostupné z statistického šetření sektoru stravování: https://www.mmr.cz/getmedia/46223218-36e7-4503-a17e-b7f76240b602/06-Statisticke-setreni-sektoru-stravovani.pdf . Dále v reklamních kampaních a povědomí o značce, údaje čerpány z dotazníků. Zákazníků v daném městě je nějaký fixní počet, o který se budou tyto stravovací zařízení přetahovat.
Xngut65 (talk) 12:43, 6 May 2018 (CEST)

Název simulace: Simulace jizdy v dopravni zacpe na dalnici

Autor: Daniel Nejezchleb

Typ modelu: Multiagentni

Modelovací nástroj: NetLogo

Parametry modelu:

  • Pocet aut
  • Pocet proudu silnice
  • Typ auta (osobni, dodavky, nakladni)
  • Typ ridice (slusny, agresivni)
  • Nehoda na silnici (zda se nachazi prekazka v nekterem z pruhu)
  • Styl jizdy ridice ( drzeni se v jednom pruhu, stridani pruhu)


Cílem simulace je zjistit, zda se v dopravni zacpe na dalnici vyplati stridat pruhy podle aktualne se pohybujiciho pruhu nebo zda je stejne vyhodne nebo i vyhodnejsi drzet se ve vybranem pruhu. Vyhodnosti je rozumeno rychlejsi projeti dopravni situace za soucasne minimalizace rizika vlastni dopravni nehody zpusobene agresivni jizdou.

Xnejd00 (talk) 02:01, 6 May 2018 (CEST)

Dobrá, rozpracujte prosím zadání do detailu. Jak se třeba budou lišit osobní auta, dodávky, nákladní, v jakém poměru je budete na silnici pouštět a proč? Jak budete v simulaci řešit různé počty pruhů, jak se bude lišit slušný a agresivní řidič, v jakém poměru budou a proč, atd. atd. Jak jsme si říkali, zadání by mělo být formulováno tak, aby se to jen na jeho základě pak dalo řešit. Admin (talk) 11:26, 6 May 2018 (CEST)

Název simulace: Simulace vývoje slávy kapely

Autor: Luboš Tomandl

Typ modelu: Systémová dynamika

Modelovací nástroj: VensimPLE

Definice problému: Jsem členem začínající kapely. Máme za sebou několik koncertů v pražských klubech, účast na několik festivalech a soutěžích. Rádi bychom se více proslavili a tedy získali více fanoušků na sociálních sítích. Víme, že pro to musíme být aktivní, vytvářet nový obsah na sítích, koncertovat, vydávat novou hudbu a točit videoklipy. Na základě účtů na Facebooku, Instagramu, YouTube a Spotify můžeme snadno sledovat, které události a činnosti nejvíce přitáhly pozornost na naše sociální sítě. Podle těchto dat tedy můžeme nasimulovat, které aktivity mohou přispět tomu, aby se povědomí (počet sledujících) o naší kapele dále navyšovalo a co naopak nedělat (pokud najdu takové situace), aby se obliba kapely nesnižovala. Je však potřeba brát v úvahu mnoho faktorů. Členové kapely mají jen omezené finanční a časové možnosti. Aby byli ochotní vkládat své prostředky do aktivit kapely, nesmí tyto aktivity snižovat jejich celkovou spokojenost, která se dá měřit přílišnou časovou vytížeností a nadměrnými náklady. Fanoušci také nemají neomezené prostředky pro navštěvování koncertů a nakupování alb.

Cíl: Maximalizovat slávu kapely kvantifikovanou počtem sledujících na sociálních sítích a minimalizovat rizika ztráty obliby u posluchačů.

Xtoml29 (talk) 12:01, 6 May 2018 (CEST)