طراحی مدل بهینه بازیافت در زنجیره تأمین چهار سطحی حلقه بسته به وسیله تئوری صف و برنامه ریزی استوار (مطالعه موردی صنعت کاغذ)

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)

دوره 18، شماره 65، مهر 1402، صفحه 91-115   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/imj.2023.1993565.1867

نویسندگان

مهدی علیزاده برمی¹؛ محمدعلی افشار کاظمی^{* 1}؛ محمدعلی کرامتی¹؛ عباس طلوعی اشلقی²

¹گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

²گروه مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

در سال‌های اخیر رقابت‌های صنعتی و اقتصادی، مباحث زیست محیطی و فشار دولت‌ها بر تولیدکنندگان برای مدیریت پسماند محصولات و از طرفی سود ناشی از بازیافت محصولات، اهمیت طراحی شبکه زنجیره تأمین معکوس و حلقه بسته را دوچندان کرده است. تحقیق موردنظر در زمینه طراحی شبکه زنجیره تأمین حلقه بسته چهار سطحی در شرایط عدم قطعیت درصد بازیافت محصولات انجام می‌شود. هدف اصلی این تحقیق، ارائه یک مدل برنامه‌ریزی خطی عدد صحیح است که به منظور حداقل سازی هزینه‌های زنجیره تأمین و زمان خدمت دهی به مشتریان تحت شرایط عدم قطعیت ایجاد می‌شود. این مدل شبکه تأمین با در نظر گرفتن تئوری صف و بهینه‌سازی سیستم بازیافت محصولات طراحی می‌شود.
یکی از نکات مهم تحقیق، مدل‌سازی عدم قطعیت در میزان بازگشت محصولات مصرفی به چرخه زنجیره تأمین حلقه بسته است. این تحلیل به منظور ایجاد یک رهیافت استوار برای مدل‌سازی مساله مورد استفاده قرار می‌گیرد.
در انتها، عملکرد مدل پیشنهادی در صنعت تولید کاغذ ارزیابی می‌شود و یک تحلیل حساسیت با توجه به متغیرهای تصمیم بین دو الگوریتم فراابتکاری جستجوی هارمونی چندهدفه و الگوریتم ژنتیک مرتب‌سازی مغلوب ارائه می‌شود.

کلیدواژه‌ها

الگوریتم های فراابتکاری چندهدفه؛ برنامه ریزی استوار؛ برنامه ریزی خطی مختلط؛ زنجیره تأمین حلقه بسته؛ تئوری صف

مراجع

1. Aliahmadi, A., Ghahremani-Nahr, J., & Nozari, H. (2023). Pricing decisions in the closed-loop supply chain network, taking into account the queuing system in production centers. Expert Systems with Applications, 212, 118741.
2. Alinezhad, A., Hajipour, V., & Mahmoudi, A. (2015). Optimizing Queuing-Inventory Problems under Uncertainty: A Fuzzy Mathematical Programming. Journal of Industrial Mnagemnet, 27(9), 17-32.
3. Alinezhad, A., kazemi, A., & Karimi, M. (2020). A Multi-Objective Model for Location-Routing Problem Considering Minimal Risk and Maximal Demand Covering. Industrial Management Studies, 18(58), 105-138. doi: 10.22054/jims.2020.36793.2184
4. Asim, Z., Jalil, S. A., & Javaid, S. (2019). An uncertain model for integrated production-transportation closed-loop supply chain network with cost reliability. Sustainable Production and Consumption, 17, 298-310.
5. Askin, R. G., & Hanumantha, G. J. (2018). Queueing network models for analysis of nonstationary manufacturing systems. International Journal of Production Research, 56(1-2), 22-42.
6. Bundschuh, J., Kaczmarczyk, M., Ghaffour, N., & Tomaszewska, B. (2021). State-of-the-art of renewable energy sources used in water desalination: Present and future prospects. Desalination, 508, 115035.
7. Baghizadeh, K., Cheikhrouhou, N., Govindan, K., & Ziyarati, M. (2022). Sustainable agriculture supply chain network design considering water‐energy‐food nexus using queuing system: A hybrid robust possibilistic programming. Natural Resource Modeling, 35(1), e12337.
8. Bathaee, M., Nozari, H., & Szmelter-Jarosz, A. (2023). Designing a new location-allocation and routing model with simultaneous pick-up and delivery in a closed-loop supply chain network under uncertainty. Logistics, 7(1), 3.
9. Chang, H. C., Ouyang, L. Y., Wu, K. S., & Ho, C. H. (2006). Integrated vendor–buyer cooperative inventory models with controllable lead time and ordering cost reduction. European Journal of Operational Research, 170(2), 481-495.
10. Chin, T. L., Chen, Y. S., & Lyu, K. Y. (2020). Queuing model based edge placement for work offloading in mobile cloud networks. IEEE Access, 8, 47295-47303.
11. Devika, K., Jafarian, A., & Nourbakhsh, V. (2014). Designing a sustainable closed-loop supply chain network based on triple bottom line approach: A comparison of metaheuristics hybridization techniques. European journal of operational research, 235(3), 594-615.
12. Dzwigol, H., Dzwigol-Barosz, M., & Kwilinski, A. (2020). Formation of global competitive enterprise environment based on industry 4.0 concept. International Journal of Entrepreneurship, 24(1), 1-5.
13. Ding, J., Chen, X., Sun, H., Yan, W., & Fang, H. (2021). Hierarchical structure of a green supply chain. Computers & Industrial Engineering, 157, 107303.
14. Jang, Y. C., Lee, G., Kwon, Y., Lim, J. H., & Jeong, J. H. (2020). Recycling and management practices of plastic packaging waste towards a circular economy in South Korea. Resources, Conservation and Recycling, 158, 104798.
15. Jouyban, F., yousefi, M., & Neyshaboori, E. (2018). Presenting a bi objective stochastic pharmaceutical supply chain model considering time and cost. Journal of Industrial Mnagemnet, 13(44), 15-28.
16. Laili, Y., Wang, Y., Fang, Y., & Pham, D. T. (2022). Optimisation of robotic disassembly for remanufacturing. Springer.
17. Mahmoodi, F., & Pouyan far, F. (2020). Drug logistics network design based on the fleet routing by using the improved gray wolf optimizer algorithm. Journal of Industrial Mnagemnet, 15(53), 96-114
18. Marić, J., & Opazo-Basáez, M. (2019). Green servitization for flexible and sustainable supply chain operations: A review of reverse logistics services in manufacturing. Global Journal of Flexible Systems Management, 20, 65-80.
19. Mohtashami, Z., Aghsami, A., & Jolai, F. (2020). A green closed loop supply chain design using queuing system for reducing environmental impact and energy consumption. Journal of cleaner production, 242, 118452.
20. Mohammadpour, H., & Alinezhad, A. (2015). A mathematical programming model for location-routing problem and solve it using an efficient meta-heuristic method.  Appl. Environ. Biol. Sci, 5(12S), 579-594.
21. Pishvaee, M. S., & Torabi, S. A. (2010). A possibilistic programming approach for closed-loop supply chain network design under uncertainty. Fuzzy sets and systems, 161(20), 2668-2683.
22. Rezaee Nik, E., & Asadi Zeidabadi, S. (2023). Comparison of NSGA-II and SPEA2 algorithms in a bi-objective robust scenario-based supply chain considering material waste. Sharif Journal of Industrial Engineering & Management, (), -. doi: 10.24200/j65.2022.58984.2251.
23. Seydanlou, P., Jolai, F., Tavakkoli-Moghaddam, R., & Fathollahi-Fard, A. M. (2022). A multi-objective optimization framework for a sustainable closed-loop supply chain network in the olive industry: Hybrid meta-heuristic algorithms. Expert Systems with Applications, 203, 117566
24. Shahtaheri, Y., Flint, M. M., & de la Garza, J. M. (2019). A multi-objective reliability-based decision support system for incorporating decision maker utilities in the design of infrastructure. Advanced Engineering Informatics, 42, 100939.
25. Soon, A., Heidari, A., Khalilzadeh, M., Antucheviciene, J., Zavadskas, E. K., & Zahedi, F. (2022). Multi-objective sustainable closed-loop supply chain network design considering multiple products with different quality levels. Systems, 10(4), 94.
26. Valizadeh, J., Sadeh, E., Sabegh, Z. A., & Hafezalkotob, A. (2020). Robust optimization model for sustainable supply chain for production and distribution of polyethylene pipe. Journal of Modelling in Management, 15(4), 1613-1653.
27. Viswanadham, N., & Raghavan, N. S. (2001, May). Performance modeling of supply chains using queueing networks. In Proceedings 2001 ICRA. IEEE International Conference on Robotics and Automation (Cat. No. 01CH37164)(Vol. 1, pp. 529-534). IEEE.
28. Wierzbicka, A. (2020). Queue theory and improving the customer service process in the city hall–case study. Organizacja i Zarządzanie: kwartalnik naukowy.
29. Zhang, H. Y., Xi, S. H., Chen, Q. X., Smith, J. M., Mao, N., & Li, X. (2021). Performance analysis of a flexible flow shop with random and state-dependent batch transport. International Journal of Production Research, 59(4), 982-1002.