طراحی یک شبکه زنجیره تأمین با در نظر گرفتن عوامل زیست محیطی در شرایط عدم قطعیت و حل آن با الگوریتم تکاملی دیفرانسیلی چند هدفه(MODE)

الموضوعات :

محمد مهدی صفار ¹ ( کارشناسی ارشد مهندسی صنایع، دانشگاه تهران، تهران، ایران )
حامد شکوری گنجوی ² ( دانشیار، دانشکده مهندسی صنایع و سیستم‌ها، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران. )
جعفر رزمی ³ ( استاد، دانشکده مهندسی صنایع و سیستم‌ها، پردیس دانشکده‌های فنی، دانشگاه تهران، تهران، ایران. )

تاريخ الإرسال : 12 الأحد , رجب, 1435 تاريخ التأكيد : 22 الأربعاء , ذو القعدة, 1435 تاريخ الإصدار : 22 الثلاثاء , جمادى الثانية, 1438

الکلمات المفتاحية: زنجیره تأمین بازگشتی, انتشار گاز CO2, عدم قطعیت, روش خیمنز و الگوریتم تکاملی دی,

ملخص المقالة :

زمینه و هدف: در دنیای امروز گسترش و طراحی زنجیره‌های تأمین با رویکرد بهینه سازی اقتصادی و زیست محیطی مورد توجه مدیران سیاست گذاران صنایع و محققان قرار گرفته است. به عبارتی دیگر با افزایش حجم گازهای گلخانه ای و آلاینده ها، مدیران سازمان ها و محققان در پی طراحی و راه اندازی شبکه هایی برآمدند که علاوه بر بهینه سازی اقتصادی تمرکز ویژه ای بر عوامل زیست محیطی و کاهش آلاینده ها در تمامی بخش‌ها داشته باشد. روش بررسی: در این تحقیق یک مدل ریاضی دو هدفه فازی برای طراحی یک سیستم زنجیره تأمین، تحت شرایط عدم قطعیت با رویکرد فازی ارایه شده است. هم چنین تصمیم گیری در مورد انتخاب فن آوری های مناسب در قسمت های تولید و تعمیر، به گونه ای است که بتواند یک توازن مناسب بین هزینه‌ها و انتشار گازهای آلاینده به وجود آورد. در این مدل، هدف، تشخیص بهینه تکنولوژی تولید، تعمیر و میزان خریداری آن‌ها، مکان یابی تسهیلات، تخصیص بهینه تولید محصولات به ماشین‌ها است، تا تعادل مناسبی بین هزینه و میزان انتشار گازهای آلاینده برقرار شود. مدل فازی با استفاده از روش خیمنز به مدل قطعی کمکی تبدیل شده و برای حل مسأله، از روش‌های اپسیلون محدودیت در اندازه های کوچک و الگوریتم تکاملی دیفرانسیلی چندهدفه برای اندازه های بزرگ استفاده شده است. یافته ها: در نظر گرفتن عوامل زیست محیطی در کنار عوامل اقتصادی در این مدل، نشان می دهد با این کار نه تنها سود اقتصادی حاصل از بازیافت و تعمیر کالاها عاید صنایع می شود، بلکه آلودگی محیط زیست از طریق کاهش مقدار زباله های صنعتی و استفاده مجدد از آن ها کاهش می یابد. بحث و نتیجه گیری: نتایج حاصل از حل مدل ارایه شده، با استفاده از نرم افزار GAMS و الگوریتم تکاملی دیفرانسیلی چندهدفه، نشان دهنده کارکرد بهینه و مطلوب مدل پیشنهادی در تمامی ابعاد است. به منظور اطمینان از کارکرد صحیح مدل ارایه شده و روش حل به کارگرفته شده، نتایج با مدل پایه مقایسه شد و نتایج نشان دهنده کارکرد مطلوب مدل ارایه شده بود.

المصادر:

 

1- رزمی. جعفر و پیشوایی. میر سامان، 1389، روش‌های کمی برای مدیریت لجستیک معکوس، انتشارات موسسه مطالعات و پژوهش‌های بازرگانی.

2- Melkote, S., Daskin, M.S., 2001. Capacitated facility location/network design problem. European Journal of Operation Research, Vol 129, pp. 481-495.

3- Nga Thanh, P., Bostel, N., Peton, O., 2008. A dynamic model for facility location in the design of complex supply chains. International Journal of Production Economics, Vol 113, pp. 678-693.

4- Drezner, Z., wesolowsky, G.O., 2003. Network design: selection and design of links and facility location. Transportation Research, Vol 37, pp. 241-256.

5- Ambrosino, D., Scutella, M.G., 2005. Distribution Network Design: New Problems and Related Models. European Journal of Operational Research, Vol 165, pp. 610-624.

6- Ozdemir, D., Yucesan, E., Herer, Y.T., 2006. Multi-location transshipment problem with capacitated transportation. European Journal of Operational Research, Vol 175, pp. 602-621.

7- Pirkul, H., Jayaraman, V., 1998. A multi-commodity, Multi-Plant, Capacitated Facility Location Problem: Formulation and Efficient Heuristic Solution. Computers and Operational Research, Vol 25, pp. 869-878.

8- Hinojosa, Y., Kalcsics, J., Nickel, S., Puerto, J., Velten, S., 2008. Dynamic supply chain design with inventory. Computers & Operations Research, Vol 35, pp. 373-391.

9- Lu, Z., Bostel, N., 2007. A facility location model for logistics systems including reverse flows: the case of remanufacturing activities. Computers & Operations Research, Vol 34, pp. 299–323.

10- Pishvaee, M.S., Zanjirani Farahani, R., Dullaert, W., 2010. A memetic algorithm for bi-objective integrated forward/reverse logistics network design. Computers & Operations Research, Vol 37, pp. 1100-1112.

11- Pishvaee, M.S., Rabbani, M., Torabi, S.A., 2010. A robust optimization approach to closed-loop supply chain network design under uncertainty. Applied Mathematical Modelling, Vol 35, pp. 637-649.

12- Lian Qi., Zuo-Jun Max Shen., 2007. A supply chain design model with unreliable supply. Naval Research Logistics, Vol 54, pp. 829-844.

13- Sayed, M., Afia, N., Kharbotly, A., 2008. A stochastic model for forward–reverse logistics network design under risk. Computers & Industrial Engineering, Vol 58, pp. 423-431.

14- Qin, Y., Jin, M., 2009. Optimal Model and Algorithm for Multi-Commodity Logistics Network Design Considering Stochastic Demand and Inventory Control  Original Research Article. Systems Engineering-Theory & Practice, Vol 29, pp. 176-183.

15- Jabal Ameli, M.S., Azad, N., Rastpour, A., 2009. Designing a Supply Chain Network Model with Uncertain Demand and Lead Times. Journal of Uncertain Systems, Vol 3, pp. 123-130.

16- Syam, S.S., 2002. A model and methodologies for the location problem with logistical components. Computers and Operations Research, Vol 29, pp. 1173-1193.

17- Baghalian, A., Rezapour, Sh., Zanjirani Farahani, R., 2013. Robust supply chain network design with service level against disruptions and demand uncertainties: A real-life case. European Journal of Operational Research, Vol 227, pp. 199-215.

18- Pishvaee, M.S., Razmi, J., 2012. Environmental supply chain network design using multi-objective fuzzy mathematical programming. Applied Mathematical Modelling, Vol 36, pp. 3433-3446.

19- Pishvaee, M.S., Torabi, S.A., 2010. A possibilistic programming approach for closed-loop supply chain network design under uncertainty. Fuzzy Sets and Systems, Vol 161, pp. 2668-2683.

20- Sawik,T., 2011. Supplier selection in make-to-order environment with risks. Mathematical and Computer Modelling, Vol 53, pp. 1670-1679.

21- Shaw, K., Shankar, R., Yadav, S.S., Thakur, L.S., 2012. Supplier selection using fuzzy AHP and fuzzy multi-objective linear programming for developing low carbon supply chain. Expert Systems with Applications, Vol 39,pp. 8182-8192.

22- Jiménez, M., 2007. Linear programming with fuzzy parameters: an interactive method resolution. European Journal ofOperational Research, Vol 177, pp. 1599-1609.

23- Jiménez, M., 1996. Ranking fuzzy numbers through the comparison of its expected intervals. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, Vol 4, pp. 379-388.

24- Yager, R. R., 1981. A procedure for ordering fuzzy subsets of the unit interval. Information Sciences, Vol 24, pp. 143-161.

25- Hwang, C. L., Masud, A. S. M., 1979. Multiple objective decision making-methodsand applications. Lecture Notes in Economics and Mathematical Systems, Vol 164, Springer-Verlag, Berlin.

26- Pishvaee, M.S., Shakouri, H., 2009. A System Dynamics Approach for Capacity Planning and Price Adjustment in a Closed-Loop Supply Chain. IEEE, Computer Modeling and Simulation  EMS` 09, pp. 435-439.