ارائه مدل جدید مکانیابی- مسیریابی- موجودی سبز تحت عدم قطعیت | ||
نشریه پژوهش های مهندسی صنایع در سیستم های تولید | ||
مقاله 8، دوره 5، شماره 10، مرداد 1396، صفحه 99-115 اصل مقاله (1.19 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22084/ier.2017.9761.1467 | ||
نویسندگان | ||
میثم محجوب نیا1؛ نورالدین دبیری* 2؛ علی بزرگی امیری3 | ||
1کارشناس ارشد مهندسی صنایع، دانشگاه تهران، دانشکده فنی فومن، گیلان، ایران | ||
2عضو هیات علمی گروه مهندسی صنایع، دانشگاه گلستان، گرگان، ایران | ||
3عضو هیئت علمی دانشکده مهندسی صنایع و سیستمها، دانشگاه تهران، تهران، ایران. | ||
چکیده | ||
اکثر پژوهشهای انجام شده در زمینه لجستیک و برنامهریزی توزیع، نگرش یکسانی به مولفههای موجودی نظیر مقدار سفارش، تعداد دفعات سفارش و مقدار ذخیره اطمینان مراکز ذخیرهسازی موجودی دارند. در صورتیکه با توجه به مشتریان هر مرکز، مولفههای موجودی میتواند برای هر مرکز متفاوت باشد. پژوهش حاضر، صورت جدیدی از مسأله مکانیابی- مسیریابی- موجودی تحت عدم قطعیت با در نظر گرفتن ملاحظات زیستمحیطی ارائه میدهد که بهطور همزمان تعداد و موقعیت مراکز توزیع، تخصیص خردهفروشان به این مراکز و مسیرهای فعال و ترتیب برآورده سازی تقاضای آنها در هر مسیر، مقدار بهینه هر بار سفارش، تعداد دفعات سفارش هر یک از مراکز توزیع و نیز سطح ذخیره اطمینانی که در هر مرکز توزیع باید نگهداری شود را بهطور همزمان تعیین میکند بهطوریکه هزینه مورد انتظار سالانه و همچنین میزان انتشار گازهای آلاینده ناشی از ناوگان حمل و نقل طی فرآیند تحویل در کل شبکه کمینه شود. ماهیت پیچیده مدل پیشنهادی و قرار گرفتن آن در زمره مسائل NP-hard، لزوم بهرهگیری از رویکردهای فراابتکاری را جهت رسیدن به جوابهای بهینه ایجاب میکند. لذا الگوریتم ژنتیک با مرتبسازی نامغلوب (NSGA_II)، الگوریتم بهینهسازی ازدحام ذرات چندهدفه (MOPSO) و الگوریتم تکاملی قدرت پارتو ((SPEA-II برای حل مسئله استفاده شدهاند. در پایان، نتایج حاصل از عملکرد الگوریتمها بر اساس شاخصهای استاندارد مورد مقایسه و تجزیهوتحلیل قرار گرفته است. | ||
کلیدواژهها | ||
طراحی شبکه توزیع؛ زنجیره تأمین سبز؛ انتشار کربن؛ مکانیابی- مسیریابی- موجودی؛ بهینه سازی چندهدفه | ||
مراجع | ||
[1] Liu, S., Lee, S., (2003). “A two-phase heuristic method for the multi-depot location routing problem taking inventory control decisions into consideration”, International Journal of Advanced Manufacturing Technology, 22(11-12): 941-950. [2] Liu, S., Lin, C., (2005). “A heuristic method for the combined location routing and inventory problem”, International Journal of Advanced Manufacturing Technology, 26(4): 372-381. [3] Ambrosino, D., Grazia Scutellà, M., (2005) “Distribution network design: new problems and related models”, European journal of operational research, 165(3): 610-624. [4] Ma, Z., Dai, Y., (2007). “A Stochastic Location-Routing-Inventory Problem in Logistics Distribution Systems”, International Conference on Transportation Engineering, ASCE. [5] Ahmadi-Javid, A., Azad, N., (2010). “Incorporating location, routing and inventory decisions in supply chain network design”, Transportation Research Part E: Logistics and Transportation Review, 46(5): 582-597. [6] Yang, X., Ma, H., Zhang, D., (2010). “Research into ILRIP for Logistics Distribution Network of Deteriorating Item Based on JITD”, Information Computing and Applications. Springer, 152-160. [7] Ma, Z., Dai, Y., (2010). “Stochastic Dynamic Location-Routing-Inventory Problem in Two-Echelon Multi-Product Distribution Systems, Logistics for Sustained Economic Development: Infrastructure”, Information, Integration, (ICLEM), 2559-2565. [8] Reza Sajjadi, S., Hossein Cheraghi, S., (2011). “Multi-products location? routing problem integrated with inventory under stochastic demand”, International Journal of Industrial and Systems Engineering, 7(4): 454-476. [9] Ahmadi-Javid, A., Seddighi, A.H., (2012). “A location-routing-inventory model for designing multisource distribution networks”, Engineering Optimization, 44(6): 637-656. [10] Tavakkoli-Moghaddam, R., Forouzanfar, F., Ebrahimnejad, S., (2013). “Incorporating location, routing, and inventory decisions in a bi-objective supply chain design problem with risk-pooling”, Journal of Industrial Engineering International, 9(1): 1-6. [11] Xiao, Y., et al., (2012). Development of a fuel consumption optimization model for the capacitated vehicle routing problem. Computers & Operations Research, 39(7): 1419-1431. [12] Zitzler, E., (1999). “Evolutionary algorithms for multiobjective optimization: Methods and applications”, A dissertation submitted to the Swiss Federal Institute of Technology Zurich. [13] Zitzler, E., Marco, L., and Lothar T., (2001). “SPEA2: Improving the strength Pareto evolutionary algorithm, Eidgenössische Technische Hochschule Zürich (ETH)”, Institut für Technische Informatik und Kommunikationsnetze (TIK). [14] Deb, K., Amrit, P., Sameer A., Meyarivan, T., (2002). “A fast and elitist multiobjective genetic algorithm: NSGA-II”, IEEE Transactions on Evolutionary Computation, 6(2): 182-197. [15] Coello, C.A.C., Pulido, G.T., Lechuga, M.S. (2004). “Handling multiple objectives with particle swarm optimization”, IEEE Transactions on Evolutionary Computation, 8(3): 256-279. [16] Deb, K., Jain, S., (2002). “Running performance metrics for Evolutionary Multiobjective Optimization, KanGAL Report No. 2002004, Kanpur Genetic Algorithms Laborator”, Indian Institute of Technology Kanpur, India. | ||
آمار تعداد مشاهده مقاله: 1,936 تعداد دریافت فایل اصل مقاله: 2,264 |