طراحي و بهينه سازي مسئله برنامه ريزي يكپارچه توليد- توزيع در يك شبكه زنجيره تامين چند سطحي: يك نگرش تكاملي چند هدفه

INTEGRATED PRODUCTION-DISTRIBUTION PLANNING PROBLEM IN A MULTI-ECHELON SUPPLY CHAIN NETWORK DESIGN and OPTIMIZATION: A MULTI-OBJECTIVE EVOLUTIONARY APPROACH

در اين تحقيق، يك مدل دو هدفه مسئله برنامه‌ريزي يكپارچه توليد- توزيع در يك زنجيره تامين چهار سطحي ارائه شده است. زنجيره تامين پيشنهادي شامل توليدكنندگان، مراكز توزيع، خرده‌فروشان و مشتريان است. تصميمات براي چندين نوع محصول و در دوره‌هاي زماني مختلف گرفته شده است. اهداف مسئله علاوه بر كمينه‌كردن كل هزينه‌هاي زنجيره شامل آماده‌سازي و توليد محصولات، نگهداري موجودي محصولات در كارخانه‌ها، مراكز توزيع و خرده‌فروشان، حمل و خريد محصولات براي توزيع‌كنندگان، خرده‌فروشان و مشتريان، مقدار فروش از دست رفته محصولات در صورت كمبود براي مشتريان را نيز به حداقل مي‌رساند. به-منظور حل مدل از يك الگوريتم چند هدفه مبتني بر پارتو به نام‌ الگوريتم بهينه سازي اجتماع ذرات چند هدفه(MOPSO) بهره جسته‌ايم و نتايج حاصله را با الگوريتم ژنتيك مرتب‌سازي نا مغلوب (NSGA-II) مقايسه نموده‌ايم. در نهايت به‌منظور اثبات عملكرد مناسب روش هاي حل ارايه شده در مدل‌ پيشنهادي، با معرفي شاخص‌هاي استاندارد مباحث چند هدفه، اين روش‌ها بر روي مسائل آزمايشي توليد شده با ابعاد مختلف مورد تجزيه و تحليل آماري قرار گرفته است.

Nowadays, design and representation of the planning integrated models in order to optimize different activities of production and distribution in a supply chain network have great impact to reduce the costs of chain, and increasing the service level to customers consequently. In this paper, a new bi-objective mathematical model for integrated production-distribution planning problem in a four-echelon supply chain with several products and in multi-time period is presented. In addition to minimizing the total cost of supply chain, the second objective is minimizing lost of sale of products in case of not being able to fulfill customers' demands. In order to solve the proposed model a multiobjective particle swarm optimization (MOPSO) is presented. The performance of this method is compared with non-dominated sorting genetic algorithm (NSGA-II). Then, the results of implementing the algorithms on some test problems show that the proposed MOPSO outperforms the other algorithm for different metrics.