php级差算法,团队级差管理奖算法研究

原标题:团队级差管理奖算法研究

团队级差管理奖能有效的促进团队进货和买货,那么团队级差管理奖的算法是什么样的呢?下面我们就来研究下团队级差管理奖算法:

3cdd23a74f8d02dc4bbeeb5dc188058a.png

假设团队等级有:联创、总代、市代、体验官、普通会员;

推荐一个普通会员升级为体验官奖励:联创45%,总代35%,市代25%,体验官10%;

普通会员购买1314元套餐升级体验官;

推荐关系团队联有:联创A→总代B→市代C→体验官D

下面就来详细研究团队级差算法:

(1)当体验官D推荐一个普通会员E购买1314套餐升级体验官时:

体验官D奖励=1000X10%=100元

市代C奖励=1000X(25%-10%)=150元(体验官团队进入一个体验官,就要给下级体验官奖励10%,市代C就剩余15%)

总代B奖励=1000X(35%-25%)=100元(市代C团队进入一个体验官,就要给下级市代C奖励25%,总代B就剩余10%)

联创A奖励=1000X(45%-35%)=100元(总代B团队进入一个体验官,就要给下级总代B奖励35%,联创A就剩余10%)

(2)当市代C推荐一个普通会员E购买1314套餐升级体验官时:

体验官D无奖励

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
进云JYS社区团长级差分红是一个基于进云jys系统进行开发的社区团长分红软件,主要用于团长,社区团长的变现分红! 团队级差分红-分润逻辑说明: 举例:以成为预选团队长条件,设置自购订单总金额300元; 举例订单总分红:按百分比总分红为30%,按商品独立总分红为90元; ①、举例团队长等级身份:团队长A、团队长B、团队长C、团队长D、团队长E 说明:团队长A为最低等级,团队长E为最高等级;也可以少设置团队长等级和多设置团队长等级; ②、团队长等级权重:1、2、3、4、5 填写一百以内的数字,数字越大表示等级越高!不同等级的等级权重不得相等! ③、团队长分红按百分比:3.33%、10%、16.66%、23.33%、30% ④、团队长按商品独立分红:10元、30元、50元、70元、90元 ⑤、以团队长按商品独立分红为例-分润逻辑详细说明 a、自购总金额399元成为预选团队长,直推6名预选团队长升级团队长A,团队长A拿直推分红10元,团队长E拿名下所有分销订单级差总分红80元【没人达到团队长E,80元沉淀公司】; b、团队长直推中有3名团队长A升级团队长B,团队长B拿直推分红30元,团队长E拿名下所有分销订单级差总分红60元【没人达到团队长E,60元沉淀公司】; c、团队长直推中有3名团队长B升级团队长C,团队长C拿直推分红50元,团队长E拿名下所有分销订单级差总分红40元【没人达到团队长E,40元沉淀公司】; d、团队长直推中有3名团队长C升级团队长D,团队长D拿直推分红70元,团队长E拿名下所有分销订单级差总分红20元【没人达到团队长E,20元沉淀公司】; e、团队长直推中有3名团队长D升级团队长E,团队长E拿名下所有分销订单级差总分红90元;【注:团队长E平级团队长E,上级团队长E不分红】
由于没有提供具体的数据集,以下代码只是提供了一个框架,需要根据具体情况进行修改。 首先,我们需要加载训练好的BP神经网络模型: ```python import joblib model = joblib.load('model_MLP.cldjl') ``` 然后,我们需要定义一个用于计算产量递减率的函数: ```python def predict(params): # params为待优化的四个指标值,例如params=[10, 20, 30, 40] # 将params转换成输入格式,例如input_data=[[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 30, 40]] input_data = [[渗透率, 孔隙度, 有效厚度, 单井控制面积, 渗透率变异系数, 孔隙度变异系数, 有效厚度变异系数, 渗透率级差, 孔隙度差, 有效厚度级差, 采出程度, 剩余可采储量, 末期可采储量, 初期含水率, 末期含水率, 初期产油量, 末期产油量, 累产油, 平均含油饱和度, 含油饱和度, 平均产油量, params[0], params[1], params[2], params[3]]] # 使用模型进行预测 output_data = model.predict(input_data) # 返回产量递减率 return output_data[0] ``` 接下来,我们需要使用cma-es算法进行优化: ```python import cma # 定义优化函数 def optimize(): # 定义初始值 x0 = [10, 20, 30, 40] # 定义上下界 lb = [0, 0, 0, 0] ub = [100, 100, 100, 100] # 进行优化 res = cma.fmin(lambda x: -predict(x), x0, 0.6, options={'bounds': [lb, ub], 'tolfun': 1e-4}) # 返回优化结果 return res[0] # 调用优化函数 result = optimize() print(result) ``` 其中,`-predict(x)`表示优化目标为使产量递减率最小化。`options`中的参数可以根据具体情况进行修改。 最后,我们得到的`result`即为最佳的四个指标值。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值