بهینه سازی هزینه، زمان و نرخ قابلیت اطمینان سیستم حمل و نقل در زنجیره تأمین چهار سطحی؛ با بهره گیری از مدلسازی برنامه ریزی خطی عدد صحیح مختلط
محورهای موضوعی : حسابداری مدیریتپوریا محمدزاده سقاء 1 , احمد ابراهیمی 2 , مریم لطفی 3
1 - کارشناس ارشد مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، ایران
2 - گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات دانشگاه آزاد اسلامی، تهران، ایران
3 - عضو هیات علمی و استادیار گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، ایران
کلید واژه: زنجیره تأمین چهارسطحی, هزینه های زنجیره تامین, تقاضای احتمالی, برنامه ریزی با قیود احتمالی, الگوریتم NSGAII,
چکیده مقاله :
کارایی و اثربخشی هر سازمان حاصل عملکرد مدیریت و ساختار زنجیره تامین آن سازمان می‌باشد. در این مقاله با ارائه یک مدل ریاضی از نوع برنامه ریزی عدد صحیح مختلط با اهداف بهینه سازی مجموع هزینه های تمام سطوح زنجیره تأمین، مدت زمان تحویل محصول و نرخ قابلیت اطمینان سیستم های حمل و نقل محصول به مشتریان، به طراحی ساختار یک زنجیره تأمین چهار سطحی شامل تأمین کنندگان، تولید کنندگان، توزیع کنندگان و مشتریان پرداخته شده است. بهینه سازی هزینه ها با لحاظ شدن تقاضای احتمالی مشتریان و مجاز بودن کمبود محصولات در مدل ارائه شده نظر گرفته شده است. در این مقاله، تقاضای غیر قطعی با به کارگیری برنامه ریزی با قیود احتمالی، مورد بررسی قرار گرفته و به صورت قطعی تبدیل شده است. جهت حل مساله با توجه به میزان پیچیدگی مدل در ابعاد بزرگ، از الگوریتم فرا ابتکاری ژنتیک مبتنی بر مرتب سازی نامغلوب(NSGAII) استفاده شده و نتایج آن مورد تحلیل قرار گرفته است. نتایج و خروجی آزمایشات عددی حاصل از مقایسه حل دقیق مدل با الگوریتم پیشنهادی، به کارایی روش فرا ابتکاری در مقیاس پایین اعتبار بخشیده است.
The effectiveness and efficiency of each organization is the result of management performance and its supply chain structure. In order to optimizing the total costs, lead time and transportation system's reliability in all levels of supply chain network, a multi-objective mixed integer linear programming has been used in this paper. This mathematical modeling has addressed the design of a four-echelon supply chain structure, including multiple suppliers, multiple manufacturers, multiple distributors, and several customers. Optimizing costs has been considered based on the uncertainty of customers' demand. Also, the shortage of products is eligible in the mathematical modeling. In this paper, the uncertain demand is converted to deterministic by using Chance - Constrained Programming (CCP) approach. Due to the complexity of the model structure in large sizes, this paper has also proposed a meta-heuristic algorithm called Non-Dominated Sorting Genetic Algorithm (NSGAII) as a solving method and the results have been analyzed. Finally, in order to validate the efficiency of the proposed meta-heuristic method, we compared the results in both the exact solution of the model and the proposed algorithm in small sizes.
* مرادی نقده، محمد(1392). ارایه مدهی به منظور طراحی و بهینه سازی یک شبکه زنجیره تأمین چند سطحی و چند دوره ای. پایا نامه کارشناسی ارشد مهندسی صنایع گرایش مدیری سیستم و بهره وری. دانشگاه آزاد اسلامی‌واحد قزوین.
* سیف برقی، مهدی و نوری، سیامک(1391) .مدیریت زنجیره تأمین: مفاهیم، تکنیک ها و مدل های ریاضی. نشر حفیظ. صفحات 10 - 2 و 65 - 44
* Browne J, Harhen J, Shivnan J. Production management system: an integrated perspective, Addision-Wesley; 1996.
* Seifbarghy M, Khaliffehzadeh S, Naderi B. A four-echelon supply chain network design withshortage: mathematical modeling and solution methods. Journal of Manufacturing Systems 2015; 35:164-175.
* Kheyri S. Economic lot and delivery scheduling problem in a three-echelon supply chain with stochastic demand. M.Sc.Thesis on Industrial Engineering, Yazd University, Yazd, Iran, 2013.
* Hwang M H, Huang Y F. Development of an approach to coordinate the objectives formembers of a supply chain. African Journal of Business Management 2011; 5(3): 1001-1013.
* MirzapourAl-e-hashem S M J, Malekly H, Aryanezhad M B. A multi-objective robust optimization model for multi-product multi-site aggregate production planning in a supply chain under uncertainty. International Journal of Production Economics 2011; 134(91): 28-42.
* Jolai F, Razmi J, Rostami N K M. A fuzzy goal programming and meta-heuristic algorithms for solving integrated production / distribution planning problem. Central European Journal of Operations Research 2011; 19 (4): 547-569.
* Liang T F. Application of fuzzy sets to manufacturing / distribution planning decisions insupply chains.Information Science 2011; 181(4): 842-854.
* Archetti C, Bertazzi L, Paletta G, Speranza M G. Analysis of the maximum level policy in a production-distribution system. Int J Comput Oper Res 2011; 38: 1731-1746.
* Kuo R J, Han,Y S. A hybrid of genetic algorithm and particle swarm optimization for solvingbi-level linear programming problem- a case study on supply chain model. Int J Appl Math Model 2011;35: 3905-3917.
* Armentano V A, Shiguemoto A L, Lokketangen A. A tabu search with path relinking for anintegrated production-distribution problem. Comput Oper Res 2011; 38: 1199-1209.
* Sajady H, Davoudpour H. Two-echelon, multi-commodity supply chain network design with mode selection lead-times and inventory costs. Computers &Operation Research 2012; 39(7): 1345-1354.
* Paksoy T, Pehlivan N Y, Ozceylan E. Applicationoffuzzyoptimization to a supply chainnetwork design: A case study of an edible vegetableoilsmanufacturer. Appliedmathematicalmodeling 2012; 36(6): 2762-2776.
* Liu S, Papageorgiou L G. Multi objective optimization of production -distribution and capacity planning of global supply chains in the process industry. Omega 2013; 41(2): 369-382.
* Vinay V P, Sridharan R. Taguchi method for parameter design in ACO algorithm for distribution-allocation in a two-stage supply chain.International Journal Advanced Manufacturing Technology 2013; 64: 1333-1343.
* Bandyopadhyay S, Bhattacharya R. Solving a tri-objective supply chain problem with modified NSGA-II algorithm. Int J Manuf Syst 2014; 33: 41-50.
* Grossmann I E, Rodriguez M A, Vecchietti A R, Harjunkoski I. Optimal supply chain designandmanagement over a multi-period horizon under demand uncertainty. Part I: MINLP and MILPmodels. Computers and Chemical Engineering 2014; 62: 194-210.
* Akhavan- Niaki S T, Pasandideh S H R, Asadi K. Optimizing a bi-objective multi-productmulti-period three echelon supply chain network with warehouse reliability. Expert Systems withApplications 2015; 42:2615-2623.
* Li J, Chen W, Jin X. The replenishment policy of agree-products with stochastic demand in integrated agricultural supply chains. Expert Systems with Applications 2015; 48: 55-66.
* Bahrampour P, Safari M, Taraghdari M B. Modeling multi-product multi-stage supply chain network design. Procedia Economics and Finance 2016; 36:70-80.
* Yang Y, Wen M, Han Q, Rui K. Uncertain optimization model for multi-echelon spare parts supply system. Applied Soft Computing 2016; 56: 646-654.
* Naderi B, Ardalan Z, Karimi S, Arshadi-Khamesh A. Supply chain networks design with multi-mode demand satisfaction policy. Computers & Industrial Engineering 2016; 96: 108-117.
* Soleimani H, Zohal M. Developing an ant colony approach for green closed-loop supply chain network design: A case study in Gold industry. Journal of Cleaner Production 2016; 133: 314-337.
* Saif U, Cui Y Y, Guan Z, Zhang L, Zhang F, Mirza J. Close loop supply chain network problem with uncertainty in demand and returned products: Genetic artificial bee colony algorithmapproach. Journal of Cleaner Production 2017; 162: 717-742.
* Keyvanfar V., Moattar Husseini S.M., Sajadieh M.S., Karimi B. A multi-echelon multi-product stochastic model to supply chain of small and medium enterprise in industrial cludters. Journal of computer & Industrial Engineering 2018: volume 115, pages 69-79
_||_
