طراحی مدل ریاضی چند هدفه برای مکانیابی زنجیره تامین چهار سطحی با استفاده از الگوریتم های فرا ابتکاری

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

دوره 15، شماره 53، آبان 1399، صفحه 168-186   

نوع مقاله: مقاله پژوهشی

نویسندگان

حمید رضا محمدی¹؛ رضا احتشام راثی^{* 2}؛ علی محتشمی³

¹دانشجوی دکتری، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران.

²دانشگاه آزاد اسلامی قزوین، گروه مدیریت صنعتی

³گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران

چکیده

< p>هدف این پژوهش ، طراحی یک مدل ریاضی چند هدفه به در راستای بهینه سازی زنجیره تامین چهار سطحی کالاهای فاسد شدنی با استفاده از الگوریتم فرا ابتکاری هیبرید با عنایت به زمان تدارک، هزینه و رضایت مشتری است. زنجیره‌های تامین چهار سطحی مواد غذایی فاسدشدنی به دلیل تغییرات مداوم و قابل توجه در کیفیت محصولات غذایی در سراسر زنجیره تا زمان مصرف نهایی جزو زنجیره‌های تامین محصولات متفاوت محسوب می‌گردد. در این تحقیق، مدل ریاضی برای مسئله مکانیابی- مسیریابی تسهیلات در یک زنجیره تامین چهار سطحی برای محصولات فاسد شدنی با رویکرد بهینه سازی همزمان هزینه‌های کل زنجیره تامین، زمان تحویل سفارشات، انتشار آلاینده‌ها و سطح رضایت مشتریان ارائه می‌گردد. برای سنجش اعتبار تحقیق، مدل ریاضی در صنایع غذایی بهشهر مورد مطالعه قرار گرفته و مسئله پژوهش در قالب یک مدل چندهدفه برنامه‌ریزی غیرخطی عدد صحیح مختلط ارائه و برای حل آن، از ترکیب دو الگوریتم تبرید و گوزن قرمز استفاده شده است. نتایج الگوریتم پیشنهادی در یک مطالعه موردی حل و نتایج حاصل از عملکرد الگوریتم بر اساس شاخص‌های استاندارد بررسی شده و در نهایت نتایج محاسباتی، نشانگر کارایی الگوریتم برای طیف وسیعی از مسائل با اندازه‌های متفاوت است.

کلیدواژه‌ها

زنجیره‌ی تامین چهار سطحی؛ کالای فاسدشدنی؛ مدل ریاضی چند هدفه؛ الگوریتم فرا ابتکاری

مراجع

1. Altiparmak, F., Gen, M., Lin, L. and Paksoy, T. (2006). A genetic algorithm approach for multi-objective optimization of supply chain networks. Computers & Industrial Engineering, 51:196-215. 2. 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(3), 298-310. 3. Dai, Z., Aqlan, F., Zheng, X., & Gao, K. (2018). A location-inventory supply chain network model using two heuristic algorithms for perishable products with fuzzy constraints. Computers & Industrial Engineering, 5(8),15-33. 4. De Keizer, M., Akkerman, R., Grunow, M., Bloemhof, J. M., Haijema, R., & van der Vorst, J. G. (2017). Logistics network design for perishable products with heterogeneous quality decay. European Journal of Operational Research, 262(2), 535-549. 5. Garai, A., Roy, T. K.(2020).Multi-objective optimization of cost-effective and customer-centric closed-loop supply chain management model in T-environment. Soft Computing, 24(1), 155-178. 6. Khodaparasti, S., Bruni, M. E., Beraldi, P., Maleki, H. R., & Jahedi, S. (2018). A multi-period location-allocation model for nursing home network planning under uncertainty. Operations Research for Health Care, 18(2),4-15. 7. Katsaliaki, K., Mustafee, N., & Kumar, S. (2014). A game-based approach towards facilitating decision making for perishable products: An example of blood supply chain. Expert Systems with Applications, 41(9), 4043-4059. 8. Khabooshani,Azam.Yousefi,Ommolbanin.Fadaee,Mahdi.Soltani,Iraj.(2020). Optimization of Closed-Loop Supply Chain with Stability Approach Using Multi- Objective Decision Making DANP Method in Food Industry Case Study in Dairy Industry. Industrial Management, 15(52), 105-126. 9. Kovaˇci´c D, Bogataj Ml. (2013). Reverse logistics facility location using cyclical model of extended MRP theory. Cent Eur J Oper Res, 21(1), 41–57. 10. Mogale, D. G., Kumar, M., Kumar, S. K., & Tiwari, M. K. (2018). Grain silo location-allocation problem with dwell time for optimization of food grain supply chain network. Transportation Research Part E: Logistics and Transportation Review, 111, 40-69. Morganti, E., & Gonzalez-Feliu, J. (2015). City logistics for perishable products. The case of the Parma's Food Hub. Case Studies on Transport Policy, 3(2), 120-128. 11. Mousavi, M., & Rayat, F. (2017). A Bi-Objective Green Truck Routing and Scheduling Problem in a Cross Dock with the Learning Effect. Iranian Journal of Operations Research, 8(1), 2-14. 12. Rasi, Ehtesham, R. (2018). A Cuckoo Search Algorithm Approach for Multi Objective Optimization in Reverse Logistics Network under Uncertainty Condition. International Journal of Supply and Operations Management (IJSOM), 5(1), 66-80. 13. Pishvaee, M. S., & Rabbani, M. (2011). A graph theoretic-based heuristic algorithm for responsive supply chain network design with direct and indirect shipment. Advances in Engineering Software, 42(3), 57-63. 14. Pishvaee, M. S., & Razmi, J. (2012). Environmental supply chain network design using multi-objective fuzzy mathematical programming. Applied Mathematical Modelling, 36(8), 3433-3446. 15. Sun, S., & Wang, X. (2019). Promoting traceability for food supply chain with certification. Journal of Cleaner Production, 217, 658-665. 16. Yoo, S. H., Kim, D., & Park, M.-S. (2012). Lot sizing and quality investment with quality cost analyses for imperfect production and inspection processes with commercial return. International Journal of Production Economics, 140(2), 922–933. 17. Vahdani, Behnam & Taherverdi, Mohammad Hossein.(2019). Provide a multi-objective planning model for the location-inventory-routing problem in a multi-level supply chain network with a view to maximizing demand coverage. Industrial Management Studies,17(52), 239-286. 18. Wang, X., Guo, H., Yan, R., & Wang, X. (2018). Achieving optimal performance of supply chain under cost information asymmetry. Applied Mathematical Modelling, 53(4): 523-539. 19. 20-Wu, T., Zhang, L. G., & Ge, T. (2019). Managing financing risk in capacity investment under green supply chain competition. Technological Forecasting and Social Change, 143, 37-44.