زمانیکه تکرارهای ژاکوبی یا گاوس – سایدل همگرا می توانند برای حل سیستم های معادلات خطی مورد استفاده قرار گیرند، سوالی که مطرح می شود این است که چگونه نرخ های همگرایی تحت تاثیر قرار می گیرند در صورتیکه سیستم اصلی با اجرای حذف گوس اصلاح شود. ثابت می کنیم که در صورتیکه ماتریس تکرار اولیه نامنفی باشد، در اینصورت چنین حذف همگرایی را بهبود می بخشد. نتایج ما، نتایج موجود در مقاله [4] را بسط می دهند. 

در این مقاله، یک زنجیره تأمین بعنوان یک شبکه ی صفی دو نهاده ای سه مرحله ای نشان داده شده است. سفارش ورودی به زنجیره تأمین بوسیله دو متغیر تصادفی نشان داده می شود، یک متغیر برای زمان وقوع و دیگری برای مقدار اجناسی که به یکدیگر تحویل داده می شوند. هدف مقاله حاضر، محاسبه حداقل زمان پاسخگویی برای تحویل کالاها به مقصد نهایی در امتداد سه مرحله شبکه می باشد. میانگین تعداد کالاهایی که می توانند طی حداقل زمان پاسخگویی تحویل داده شوند، ظرفیت مطلوب شبکه ی صفی را تشکیل می دهد. پس از اینکه بوسیله آخرین رویداد ( یک صف و سرور آن) در هر مرحله از شبکه صفی خدمت رسانی گردید، برای مسیریابی کالاها در رویداد مناسب مرحله بعدی، تصمیمی اتخاذ می گردد که می تواند حداقل زمان پاسخگویی را بوجود آورد.     

کلیدواژه: میانگین طول های صف، متوسط زمان های پاسخگویی، متوسط زمان های انتظار، بهره برداری ها، احتمال رشد پایدار، ‌زنجیره تأمین

1. مقدمه:

1.1 نمای کلی

سالهای زیادی است که مدل های صف برای بررسی مسائل زنجیره ی تأمین مورد استفاده قرار گرفته اند. در دهه ی 40، مدل های صف بمنظور حل دسته ی وسیعی از مسائل تداخل دستگاه مورد استفاده قرار گرفت، یعنی چند نفر تعمیرکار بایستی برای نگهداری مناسب سیستم تخصیص داده شود، یا چه تعداد اپراتور تلفن برای رسیدگی به تلفن های ترافیک موردنیاز هستند. مدل های صف برای بررسی مبادلات مربوط به تعداد خدمت رسان ها در مقابل زمان انتظار مشتریان مورد استفاده قرار می گیرند. بدیهی است که اگر تعداد خدمت رسان ها زیاد باشد، هزینه ی خدمت رسان ها بالاست، ولی زمان انتظار (هزینه ی وقت تلف شده ی مشتری) پایین است.

مدل های صف بمنظور کمینه ساختن هزینه ی کسب و کار تعداد بهینه ی نقاط مشتری/ خدمات سفارش (خدمت رسان ها) را محاسبه می کنند. این مدل، نرخ متوسط ورود سفارشات، نرخ متوسط خدمات مشتری، هزینه به کسب و کار زمان انتظار سفارش (عدم رضایت مشتری)، و هزینه به اداراه مکان های خدمات مشتری را در نظر می گیرد. مدل های صف برای کسب اطلاعات قبلی نه تنها در رابطه با معیارهای سنجش عملکرد نظیر طول صف، زمان های پاسخگویی و زمان های انتظار بلکه سایر معیارهای سنجش عملکرد مانند (آ) احتمال اینکه تأخیر روی خواهد داد، (ب) احتمال اینکه تأخیر کل بیشتر از یک مقدار از پیش تعیین شده می باشد، (ج) احتمال اینکه تمامی تسهیلات خدماتی بیکار خواهد ماند، (د) زمان تلف شده ی مورد انتظار کل تسهیلات، و (ه) احتمال فواصل ناشی از انطباق انتظار ناکافی مورد استفاده قرار می گیرند. برخی از مسائل صف شامل تعیین تعداد مناسبی از تسهیلات خدماتی برای تأمین تقاضای مورد انتظار و تعیین کارایی خدمت رسان ها و تعداد خدمت رسان های مختلف در تسهیلات خدماتی می باشند [1]. سوری  [2]، کاربرد نظریه ی صف را برای ارائه ی راه حل های مسائل زنجیره تأمین پیشنهاد داد. 

این مقاله الگوریتم جدیدی را در ارتباط با کاهش پیچیدگی های محاسباتی در تشخیص صدای افراد بر مبنای چارچوب مدل گویش ترکیبی گاوس ارائه می کند. در ارتباط با موارد کاربردی که در آن ها سلسله مراتب مشاهدات کلی مد نظر قرار می گیرد، به توضیح این مطلب می پردازیم که بررسی سریع مدل های احتمالی تشخیص صدا از طریق تنظیم توالی زمانی بردارهای مشاهداتی مورد استفاده برای بروزرسانی احتمالات جمع آوری شده مربوط به هر مدل گوینده، حاصل می گردد. رویکرد کلی در استراتژی جستجوی مقدماتی ادغام می شود، و نشان داده شده است که باعث کاهش زمان برای تعیین هویت گوینده از طریق فاکتورهای 140 بر روی روش های جستجوی استاندارد کلی و فاکتور شش با استفاده از روش جستجوی مقدماتی شده است. که گویندگان را از مجموع 138 گوینده دیگر تشخیص می دهد.

1. مقدمه:

توانایی تشخیص صدای هر فرد اخیرا در تحقیقات پیشین مورد توجه قرار گرفته است. کاربرد های شناسایی و تشخیص صدای هر فرد در ارتباط با تماس های تلفنی، امنیت کامپیوتری و همچنین دسترسی به اسناد مهم بر روی اینترنت می باشد. استفاده از مدل ترکیبی گاوس برای تعیین هویت گویندگان عملکردهای قابل مقایسه ای را در ارتباط با تکنیک های موجود دیگر ایجاد کرده است. برای نمونه، میزان خطا در ارتباط با 138 گوینده به میزان 0.7% کاهش نشان داده است. به هر حال با افزایش اندازه جمعیت و ابزارهای آزمایشی، هزینه محاسباتی اجرای این بررسی ها به طور اساسی افزایش داشته است. این مقاله مسئله کاهش پیچیدگی های محاسباتی شناسایی هویت گوینده را با استفاده از جستجوی مقدماتی همراه با  تنظیملت جدید سلسله مراتب مشاهدات مد نظر قرار می دهد.

به عنوان یک طرح کارامد برای ارائه اطلاعات و مکانیسم شبیه سازی متناسب با بررسی های بیشمار و حوزه های کاربردی، طرح شناخت فازی (FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به هر حال FCMs (طرح شناخت فازی) سنتی، روش کارامدی را برای تعیین وضعیت سیستم مورد بررسی و تعیین علت و معلول که مبنای واقعی نظریه FCMs (طرح شناخت فازی) می باشد، ایجاد نمی کند. بنابراین در بسیاری از موارد، ایجاد FCMs (طرح شناخت فازی) برای سیستم های علت و معلول یچیده بستگی به دانش متخصصان دارد. مدل های ایجاد شده فیزیکی، دارای کمبودهایی مهمی از نظر خاص بودن مدل و مشکلاتی از نظر دسترسی قابل اطمینان دارند. در این مقاله به طرح شبکه عصبی فازی برای بالا بردن توان یادگیری FCMs (طرح شناخت فازی) پرداخته به گونه ای که تعیین خودکار توابع عضویت و تعیین علت و معلول آن با مکانیسم استنتاج  FCMs (طرح شناخت فازی) رایج ادغام می گردد. به این ترتیب، مدل FCMs (طرح شناخت فازی) سیستم های مورد بررسی به صورت اتوماتیک از داده ها ایجاد شده و بنابراین مستقل از یافته های متخصصان می باشند. علاوه بر این، لز زیرمجموعه های متقابل برای تعریف و شرح علت و معلول در FCMs (طرح شناخت فازی) استفاده می کنیم.  این موارد تفاسیر مشخصی را در ارتباط با دلایل FCMs (طرح شناخت فازی)  ایجاد کرده و به این ترتیب درک فرایند استنتاج را اسان تر می کند. برای تایید عملکرد، روش پیشنهادی در سری زمانی پر هرج و مرج پیش بینی شده، تست می گردد. بررسی های شبیه سازی شده کارایی روش پیشنهادی را نشان می دهد.

1. مقدمه:

از زمان تحقیقات کوشو ، طرح شناختی فازی(FCMs) توجه زیادی را از جوامع تحقیقاتی مختلف به سمت خود جلب کرده است. به عنوان یک روش بررسی مدل ها، برای سیستم های پیچیده،  مدل FCMs به بررسی سیستم های دیگر به عنوان مجموعه ای از مفاهیم و روابط بین این مفاهیم که منشاء آن از ترکیب منطق فازی و شبکه های عصبی می باشد پرداخته است.ذاتا، FCMs به عنوان یک نمودار مستقیم همراه با بازخوردهایی می باشد که شامل مجموعه ای از گره ها و منحنی هایی می باشد که این گره ها را به هم مرتبط می کند. شکل 1 نمایش گرافیکی FCM و ساختار شبکه ای آن را نشان می دهد.

در FCMs گره نشان دهنده مفهوم معنایی می باشد که از سیستم مورد نظر مشتق می شود.

این بررسی در مورد کوپلاس، بعضی از جنبه هایی از کوپلاس، خصوصیات آنرا مد نظر قرار داده که تاکیدی بر روی ارتباط آن با آمار و پیوند آن با مراحل مارکوف و پیش بینی شرطی دارد. 

1. کوپلاس چیست؟

کوپلاس در سال 1959 توسط اسکلار معرفی شد. امروزه تحقیقات بر روی کوپلاس بسیار گسترده می باشد. خواننده در درجه اول، به کتاب های معتبر و بررسی های افرادی چون شویزر، اسکلار و نلسون ارجاع می گردد. همچنین کتاب های نوشته شده توسط جو و هاتچینسون و لی شامل اطلاعات مهمی می باشد؛ به این ترتیب مجموعه ای از مقالات و موضوعات آن ها، زمانی که نیاز به آن ها احساس می گردد، مد نظر قرار می گیرند. مقاله کنونی به معرفی بعضی از ویژگی ها و کاربردهای کوپلاس، حتی مواردی که دارای ارتباط نزدیک با موضوع نمی باشند، می پردازد. البته نمی توان وانمود کرد که وسعت یا تشابه عمیقی در آثار ذکر شده وجود دارد.