مدل برنامه‌ریزی خطی عدد صحیح مختلط جدید به‌منظور طراحی زنجیره تأمین یکپارچه چندسطحی

نوع مقاله : علمی - پژوهشی

نویسندگان

1 استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی شرق، دانشگاه گیلان، ایران

2 کارشناس ارشد، دانشکده مهندسی صنایع،دانشگاه غیرانتفاعی کوشیار، رشت، ایران

چکیده

در قرن حاضر، الگوی رقابت در  تولید و خدمات، از رقابت میان شرکت‌های مستقل به رقابت میان زنجیره‌های تأمین تغییر کرده است. در این بین، مسئله طراحی استراتژیک زنجیره تأمین از مسائل مهم در حوزه مدیریت زنجیره تأمین است. در این مسائل عموماً هدف استقرار تعدادی تسهیل تولیدی و مرکز توزیع در سایت‌های کاندیدا (در مناطق جغرافیای مختلف) به‌منظور پوشش تقاضای محصولات مختلف در مناطق مشتریان است. در مدل ارائه‌شده در این پژوهش، تقاضای انواع محصول در مناطق مشتریان از طریق تعدادی مرکز توزیع برآورده می­گردد درحالی‌که این مراکز توزیع، محصولات را از کارخانه‌های تولیدی تهیه می‌کنند و این کارخانه‌ها، برای طراحی و تولید هر محصول، باید اجزای موردنیاز آن محصول را از تأمین‌کنندگان خریداری نمایند. در اینجا یک مدل ریاضی برنامه‌ریزی خطی عدد صحیح مختلط تک­هدفه ارائه شده است که همزمان علاوه بر طراحی زنجیره تأمین چند سطحی، مسئله مکان­یابی تسهیلات را نیز درنظر می‌گیرد. در این مدل اهداف مختلفی مانند کمینه‌سازی هزینه‌های بخش تهیه و تولید اجزای محصولات، تهیه و تولید محصولات، نگهداری و ارسال محصولات به مراکز توزیع، ارسال به مناطق مشتریان و هزینه استقرار کارخانه‌ها و مراکز توزیع وجود دارد. برای ارزیابی مدل پیشنهادی، ابتدا مدل ریاضی با نرم‌افزار بهینه‌سازی گمز کدنویسی شده و سپس برای مسائل در سایز بزرگ با الگوریتم‌های فراابتکاری ازدحام ذرات و رقابت استعماری حل می‌شود. بررسی‌های آماری نتایج، نشان‌دهنده کیفیت مدل و رویه حل پیشنهادی است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

A Novel Mix Integer Linear Programming Model for Design of Multi-Level Integrated Supply Chain

نویسندگان [English]

  • Hamzeh Amin-Tahmasbi 1
  • Seyed Amin Badri 1
  • Behnaz Rezazadeh 2
1 Assistant Professor, Department of Industrial Engineering, Faculty of Technology and Engineering, East of Guilan, University of Guilan, Iran
2 MSC. Grad., Kooshyar Higher Educational Institute, Rasht, Iran
چکیده [English]

In the current century, the pattern of competition in production and services has shifted from competition among independent firms to competition among supply chains. Meanwhile, the issue of strategic design of the supply chain is one of the key issues in the field of supply chain management. In these issues, the aim is generally to provide a number of manufacturing facilities and distribution centers at the candidate sites (in different geometrical areas) in order to cover the demand for various products in the customer’s area. In the proposed model, demand for each product in customer areas is achieved through a number of distribution centers, while these distribution centers provide products from manufacturing factories, and these factories must purchase the requirement components to design and produce each product from suppliers. Here, a single-objective mathematical model of mix integer linear programming is proposed that simultaneously considers the facility location problem in addition to the design of the multi-level supply chain. In this model, there are various objectives, such as minimizing the costs of the procurement and production of components, the preparation and production of products, storage and dispatch the products to distribution centers, sending to customer areas and the cost of building factories and distribution centers. To evaluate the proposed model, the mathematical model is first coded with GAMS optimization software, and then solved for large-scale problems with particle swarm optimization algorithm and imperialist competitive algorithm. Statistical analysis of the results indicates the quality of the model and the proposed solving procedure.

کلیدواژه‌ها [English]

  • Particle Swarm Optimization Algorithm
  • Imperialist Competitive Algorithm
  • Linear Programming
  • multi-level supply chain
  • Facility location
- آتش­پز گارگاری، ا. (1387) “توسعه الگوریتم بهینه­سازی اجتماعی و بررسی کارایی آن”، تهران: دانشگاه تهران.
- صفار، م. م.، شکوری گنجوی، ح. و رزمی، ج. (1394) "طراحی یک زنجیره تأمین حلقه بسته سبز با در نظر گرفتن ریسک­های عملیاتی در شرایط عدم قطعیت و حل آن با الگوریتم NSGA II."، نشریه مهندسی صنایع دانشگاه تهران،  مقاله 6، دوره 49، شماره 1، صفحه 55-68.
- عطائی، الف، توکلی مقدم، ر. و عزیزی، ز. (1397) "بهینه سازی سیستم حمل و نقل عمومی با استفاده از الگوریتم بهینه سازی انبوه ذرات با بردار ارزیابی - مطالعه موردی در سازمان اتوبوس­رانی"، فصلنامه مهندسی حمل و نقل، سال نهم شماره 3، ص. 413-429.
- معماری، پ، پرتوی، م، جولای، ف. و توکلی مقدم، ر. (1397). "توسعه مدل مکان‌یابی- مسیریابی با در نظر گرفتن رضایت مشتری و دریافت و تحویل همزمان". فصلنامه مهندسی حمل و نقل، در دست چاپ.
- مهدوی، ک. و احمدی زر، ف. (1396) "زمان‌بندی ماشین‌های موازی غیرمرتبط تک­هدفه با در نظر گرفتن فعالیت‌های نگهداری و تعمیرات برای ماشین­ها و محدودیت­های پردازش کارها"، سومین کنفرانس مدیریت و مهندسی صنایع.
- Abdolkarimzadeh, L., Azadpour, M., & Zarandi, M. F. (2017) “Two Hybrid Expert System for Diagnosis Air Quality Index (AQI)”. In North American Fuzzy Information Processing Society Annual Conference (pp. 315-322). Springer, Cham.
- Ahmadi, A., Fakhri K., and Mohamed S.K. (2010) “Flocking based approach for data clustering”, Natural Computing, Vol. 9, No. 3, pp. 767-791.
- Ahmadi, A., Fakhri K., and Mohamed S.K. (2012) “Model order selection for multiple cooperative swarms clustering using stability analysis”, Information Sciences, Vol. 182, No. 1, pp. 169-183.
- Altiparmak, F., Gen, M., Lin, L. & Karaoglan, I. (2009) “A steady-state genetic algorithm for multi-product supply chain network design”, Computers & Industrial Engineering, Vol. 56, pp. 521–537.
- Hasanzadeh-Amin, S. & Baki, F. (2017) “A facility location model for global closed-loop supply chain network design”, Applied Mathematical Modelling, Vol. 41, pp. 316–330.
- Atashpaz-Gargari E & Lucas C. (2007) “Imperialist Competitive Algorithm: An algorithm for optimization inspired by imperialistic competition”, IEEE Congress on Evolutionary Computation, pp. 4661–4667.
- Azaron, A., Brown, K. N., Tarim, S. A., & Modarres, M. (2008) “A multi-objective stochastic programming approach for supply chain design considering risk”, International Journal of Production Economics, Vol. 116, No.1, pp. 129-138.
- Badri, H., Ghomi, S. F., & Hejazi, T. H. (2017) “A two-stage stochastic programming approach for value-based closed-loop supply chain network design”, Transportation Research Part E: Logistics and Transportation Review, Vol. 105, pp. 1-17.
-  Beheshtinia, M. A & Ghasemi, A. (2017) “A multi-objective and integrated model for supply chain scheduling optimization in a multi-site manufacturing system” Engineering optimization, Vol. 50, pp. 1415-1433.
-  Beheshtinia, M. A, Ghasemi, A & farokhnia, M. (2017) “Supply chain scheduling and routing in multi-site manufacturing system (case study: a drug manufacturing company)”, Journal of Modelling in Management, Vol. 13, pp. 27-49.
-  Borumand, A & Beheshtinia, M. A. (2018) “A developed genetic algorithm for solving the multi-objective supply chain scheduling problem”, Kybernetes, Vol. 47, pp. 1401-1419.
- Carvalho, M., & Teresa B. L. (2006), “An analysis of PSO hybrid algorithms for feed-forward neural networks training”, Neural Networks, SBRN'06. Ninth Brazilian Symposium on. IEEE.
- Dominguez, H. & Lashkari, R.S. (2004) “Model for integrating the supply chain of an appliance company: A value of information approach”, International Journal of Production Research, Vol. 42, pp. 2113–2140.
- Eiben, A. E., & Smit, S. K. (2011) “Evolutionary Algorithm Parameters and Methods to Tune them”, chapter 2, Springer, Berlin, Heidelberg.
- El-Ghazali T. (2009) “Metaheuristics-from Design to Implementation”, University of Lille, Wiley publication.
- Gebennini, E., Gamberini, R. & Manzini, R. (2009) “An integrated production-distribution model for the dynamic location and allocation problem with safety stock optimization”, International Journal of Production Economics, Vol. 122, pp. 286–304.
- Jindal, A., Sangwan, K. S., & Saxena, S. (2015) “Network design and optimization for multi-product, multi-time, multi-echelon closed-loop supply chain under uncertainty”, Procedia CIRP, Vol. 29, pp. 656-661.
- Khalili-Damghani, K., Tavana, M., & Amirkhan, M. (2014) “A fuzzy bi-objective mixed-integer programming method for solving supply chain network design problems under ambiguous and vague conditions”, The International Journal of Advanced Manufacturing Technology, Vol. 73, No. (9-12), pp. 1567-1595.
- Melo, M.T., Nickel, S. & Saldanha-da-Gama, F. (2005) “Dynamic multi-commodity capacitated facility location: a mathematical modeling framework for strategic supply chain planning”, Computers & Operations Research, Vol. 33, pp. 181–208.
- Najian, M. H & Beheshtinia, M. A. (2018). “Supply chain scheduling using a transportation system composed of vehicle routing problem and cross-docking approaches”, Transportation Engineering, Vol. 1.
- Osman, H. & Demirli, K. (2010) “A bilinear goal programming model and a modified Benders decomposition algorithm for supply chain reconfiguration and supplier selection”, International Journal of Production Economics, Vol. 124, pp. 97–105.
- Özceylan, E., & Paksoy, T. (2013) “A mixed integer programming model for a closed-loop supply-chain network”, International Journal of Production Research, Vol. 51, No. 3, pp. 718-734.
- Paksoy, T. U. R. A. N., Özceylan, E. R. E. N., & Weber, G. W. (2010) “A multi-objective mixed integer programming model for multi echelon supply chain network design and optimization”, Системні дослідження та інформаційні технології.
- Pham, T., & Yenradee, P. (2017) “Optimal supply chain network design with process network and BOM under uncertainties: A case study in toothbrush industry”, Computers & Industrial Engineering, Vol. 108, pp. 177-191.
- Pinto-Varela, T., Barbosa-Póvoa, A. P. F., & Novais, A. Q. (2011) “Bi-objective optimization approach to the design and planning of supply chains: economic versus environmental performances”, Computers & Chemical Engineering, Vol. 35, No.8, pp. 1454-1468.
- Ruimin, M. A., Lifei, Y. A. O., Maozhu, J. I. N., Peiyu, R. E. N., & Zhihan, L. V. (2016) “Robust environmental closed-loop supply chain design under uncertainty”, Chaos, Solitons & Fractals, Vol. 89, pp. 195-202.
- Sadigh AN, Fallah H, Nahavandi, N (2013), “A multi-objective supply chain model integrated with location of distribution centers and supplier selection decisions”, International Journal of Advanced Manufacturing Technology, Vol. 69, No. 1, pp. 225–235.
- Safaei, A.S., Husseini, S.M.  & Farahani, R.Z. (2010) “Integrated multi-site production-distribution planning in supply chain by hybrid modeling”, International Journal of Production Research, Vol. 48, pp. 4043–4069.
- Selim, H., & Ozkarahan, I. (2008) “A supply chain distribution network design model: an interactive fuzzy goal programming-based solution approach”, The International Journal of Advanced Manufacturing Technology, Vol. 36, No.3-4, pp.401-418.
- Singh, A. R., Jain, R., & Mishra, P. K. (2013) “Capacities-based supply chain network design considering demand uncertainty using two-stage stochastic programming”, The International Journal of Advanced Manufacturing Technology, Vol. 69, No.1-4, pp. 555-562.
- Soleimani, H., & Kannan, G. (2015) “A hybrid particle swarm optimization and genetic algorithm for closed-loop supply chain network design in large-scale networks”, Applied Mathematical Modelling, Vol. 39, No.14, pp. 3990-4012.
- Zhang, L.L., Lee, C. & Zhang, S. (2016) “An integrated model for strategic supply chain design: Formulation and ABC-based solution approach”, Expert Systems with Applications, Vol. 52, No. 15, pp. 39-49.