ارائه ی یک مدل ریاضی چند هدفه برای بهینه‌سازی زنجیره‌تامین حلقه بسته تحت شرایط عدم قطعیت با الگوریتم ژنتیک
محورهای موضوعی :سجاد جلالی فر 1 , رضا احتشام راثی 2 , علی محتشمی 3
1 - دانشجوی دکتری، گروه مدیریت، واحد قزوین، دانشگاه آزاد اسلامی ،قزوین، ایران
2 - استادیار، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
3 - دانشیار، گروه مدیریت صنعتی، واحد قزوین، دانشگااه آزاد اسلامی، قزوین، ایران
کلید واژه: الگوریتم ژنتیک, زنجیره تامین, زنجیره تامین حلقه بسته, مدل ریاضی چند هدفه,
چکیده مقاله :
بهینه سازی زنجیره تامین بر یکپارچه سازی فعالیتهای زنجیره تامین و نیز جریانهای اطلاعاتی مرتبط با آنها از طریق بهبود در روابط زنجیره در جهت دستیابی به مزیت رقابتی قابل اتکا و مستدام ، اشاره دارد. در این پژوهش بهینه سازی زنجیره تامین به این دلیل انتخاب شده است که برای ارائه کالا و خدمات در اقتصاد، یک ساز و کار و سیستمی باید وجود داشته باشد تا کارایی و بهره وری اقتصادی به حداکثر برسد و کالاها و خدمت بازگشتی به صورت کم هزینه و آسان جمع آوری شود. اقتصاد مدور که بحث اصلی آن در مورد بازیافت کالاهای برگشتی و کالاهایی که نیاز به تعمیرات دارند تا دوباره از آن ها استفاده شوند است. در این تحقیق بر لزوم استفاده از قطعات و اجزاء سالم در باز تولید محصولات تاکید می شود و این باز تولید از همه کالاها در هر بخش از زنجیره تامین است که قابل استفاده نباشد و به بخش باز تولید منتقل می شود و باز تولید می گردد. نتایج اجرای مدل ارائه شده در الگوریتم ژنتیک نشان می دهد که الگوریتم در زمان معقول به جواب نزدیک به جواب بهینه رسیده است. الگوریتم پیشنهادی در حل مسائل با ابعاد خیلی کوچک به زمان محاسباتی بیشتری نسبت به نرم افزار بهینه سازی لینگو نیاز دارد. در حالی که در حل مسائل با افزایش ابعاد مسأله زمان محاسباتی الگوریتم پیشنهادی در قیاس با لینگو به مراتب کمتر می شود.
Supply chain optimization involves the integration of supply chain activities and related information flows by improving the state of chain relationships to achieve a secure and sustainable competitive advantage. In this realization, the issue of supply chain optimization has been chosen because to provide goods and services in the economy, we need a mechanism and system to maximize economic efficiency and productivity and provide return goods and services at lower and easier costs and the circular economy to be realized, the main discussion of which is related to the recycling of returned goods and goods that need to be repaired so that they can be reused. This research also emphasizes the use of healthy parts and components in the reproduction of products and this issue is considered for all goods in each part of the supply chain that cannot be used and must be transferred to the reproduction. The results of the implementation of the model presented in the genetic algorithm show that this algorithm was able to reach an almost optimal answer at the right time. This algorithm requires more computational time than LINGO optimization software to solve problems that have very small dimensions but this algorithm needs much less time to solve problems due to the increase in problem dimensions than LINGO optimization software. Therefor in these examples we observed that this algorithm can reach an acceptable answer in a much shorter interval than LINGO optimization software for large scale problems.
_||_