طراحی چندهدفه زنجیره تأمین چابک و ارزشی با رویکرد الگوریتم ژنتیک چندهدفه
محورهای موضوعی : مدیریتحسین علی حسن‌پور 1 , مرتضی جبله 2
1 - استادیار، گروه مهندسی صنایع، دانشگاه جامع امام حسین (ع)، تهران، ایران
2 - کارشناسی ارشد، گروه مهندسی صنایع، دانشگاه جامع امام حسین (ع)، تهران، ایران (عهده‌دار مکاتبات)
کلید واژه: چابکی و ارزش‌های محوری, مدل‌سازی عدد صحیح خطی, الگوریتم ژنتیک چندهدفه با مرتب‌سازی نامغلوب,
چکیده مقاله :
یک محصول هنگامی که در تعداد مناسب و به موقع و در زمان مناسب به مشتری تحویل داده شود با ارزش است. امروزه، شرکت ها و مردم با چالش های چابکی و ارزش های محوری روبرو هستند که استفاده از هر دو رویکرد و ترکیب آنها در مدل تحلیلی زنجیره تأمین و ادبیات پیشین وجود ندارد. در این پژوهش یک مطالعه مبتنی بر مدل سازی عدد صحیح خطی در زمینه طراحی شبکه زنجیره تأمین برای رسیدگی به این شکاف تحقیقاتی انجام شده است. زنجیره تأمین مورد نظر در سه سطح تولیدکنندگان، توزیع کنندگان و مشتریان به صورت چندهدفه، چندمحصولی و چنددوره ای ارائه شده است. توابع هدف شامل حداکثرسازی چابکی و ارزش های محوری است. برای حل مدل ریاضی از نرم افزار گمز استفاده شده است. سپس الگوریتم ژنتیک چندهدفه با مرتب سازی نامغلوب اعضای جمعیت ارائه شد و برای اعتبارسنجی الگوریتم پیشنهادی نتایج آن با حل دقیق مقایسه شده است. در پایان، نتایج مورد تحلیل قرار گرفته است.
A product when at the number of appropriate and timely delivered to the customer at the appropriate time is worth. Today, companies and people are facing the challenges of agility and pivotal values that the use of both approaches and combine them there is no in analytic model of the supply chain and the previous literature. In this paper, a study based on linear integer modeling in the field of supply chain network design has been done to address this gap research. Supply chain proposed in three levels of manufacturers, distributors and customers is proposed for multi-objective, multi-product and multi-period. The objective functions is including: Maximizing agility and pivotal values. To solve the Mathematical model is used from GAMS program. Then multi-objective genetic algorithm using non-dominated sorting members of the population proposed and Meta heuristic algorithm and GAMS`s results are Compared to Validate proposed algorithm. In the End, results are analyzed.
_||_