Author/Authors :
مهدوی دهخوارقانی ایرج نويسنده , حیدری حبیب اله نويسنده Department of Industrial Engineering, Mazandaran University of Science and Technology, Babol, Iran Heydari Habib Allah , پایدار محمدمهدی نويسنده Department of Industrial Engineering, Babol Noshirvani University of Technology, Babol, Iran Paydar Mohammad Mahdi , خطائی علیرضا نويسنده Department of Mechanical and Industrial Engineering, Khayyam University, Mashhad, Iran Khatayi Alireza
Abstract :
بهینه‌سازی یکپارچه‌ی تولید و تأمین، به یک شاخص کلیدی در رابطه با دستیابی به موفقیت در یک رقابت تبدیل شده است. این مقاله یک چارچوب ریاضی یکپارچه را برای مدل‌سازی تشکیل سلول تولیدی و انتخاب تأمین‌کننده در یک شبکه‌ی زنجیره‌ی تأمین دو سطحی ارائه می‌کند. پارامترهای رایج در طراحی یک سیستم تولیدی به همراه انتخاب تأمین‌کننده و یک رویکرد مبتنی بر برون‌سپاری به صورت یکپارچه در قالب یک مدل ریاضی در کنار هم قرار می‌گیرند. بر اساس دانش نویسندگان یک مدل ریاضی یکپارچه که تمامی این شاخص‌ها را به صورت همزمان مورد بررسی قرار دهد، وجود ندارد. برای بررسی اثرات این یکپارچه‌سازی تحلیل حساسیت انجام می‌گیرد. همچنین یک روش فراابتکاری کارای مبتنی بر الگوریتم ژنتیک برای حل مدل با اثربخشی کافی در مقیاس متوسط و بزرگ، مورد استفاده قرار می‌گیرد. ما با استفاده از ترکیب الگوریتم ژنتیک و تکنیک بهینه‌سازی برنامه‌ریزی خطی در قالب یک چارچوب یکپارچه رویه‌ی جست و جوی الگوریتم ژنتیک را بهبود می‌بخشیم. نتایج محاسباتی نشان می‌دهد که رویکرد ترکیبی ارائه شده، می‌تواند جواب‌های رضایت‌بخشی را در یک مدت زمان متعارف ارائه نماید.
Abstract :
Optimization of the complete manufacturing and supply process has become a critical ingredient for gaining a competitive advantage. This article provides a unified mathematical framework for modeling manufacturing cell configuration and raw material supplier selection in a two-level supply chain network. The commonly used manufacturing design parameters along with supplier selection and a subcontracting approach are incorporated into our mathematical model. To the authors’ knowledge, there is no single model which integrates all of these attributes simultaneously. A sensitivity analysis is also performed to study the effects of this integration. An efficient meta-heuristic based on Genetic Algorithm (GA) search procedure is employed to effectively solve the model in medium and large scales. We improve the GA search mechanism by proper combination of linear programming optimization technique and GA in a cooperative framework. Computational results show that our hybrid solution technique can find satisfactory solutions in a timely manner.
