مدل‌سازي رياضي و ارايه يك الگوريتم فرا ابتكاري مبتني بر جمعيت براي مسأله مسيريابي - موجودي چند محصولي، چندوسيله‌اي همراه با جريان معكوس

Mathematical Modeling and the Presentation of A Population-Based Meta- Heuristic Algorithm for Multi-Product, Multi-Vehicle Inventory- Routing Problem, With Backhauls

يكي از مباحث مهم مديريت عمليات در زنجيره تامين، مساله مسيريابي-موجودي است كه تلفيقي از مديريت موجودي و برنامه ريزي حمل ونقل مي باشد. با توجه به ادبيات موضوع، اين مقاله يكي از ويژگي هاي كاربردي مسايل مسيريابي تحت عنوان «حمل در بازگشت» كه مشتريان به دو گروه خط رفت (تحويل كالا) و خط برگشت (دريافت كالا) تقسيم بندي مي شوند، را با مساله مسيريابي-موجودي چند-محصولي، چند-دوره اي، چند-وسيله اي تركيب نموده و امكان كمبود و پس افت وجود ندارد. استراتژي مسيريابي از نوع ارسال در طي مسير است. مساله از نوع چند جمله اي نامعين سخت (NP-hard) مي باشد و زمان حل آن توسط روش هاي دقيق با بزرگتر شدن ابعاد مساله به صورت نمايي افزايش مي يابد. لذا در اين مقاله پس از آشنايي با پيشينه تحقيق، يك مدل رياضي جديد مبتني بر برنامه ريزي عددصحيح مختلط ارايه و در ادامه يك الگوريتم فراابتكاري ژنتيك كارا براي حل آن پيشنهاد شده و در پايان به تحليل نتايج عددي حاصل از اين الگوريتم براي مسايل آزمون پرداخته مي شود

One of the key issues in the operational management of the supply chain is the inventory routing problem, which is a combination of inventory management and transportation planning. According to the literature review, this paper combines one of the practical features of routing problem named as "backhauls" with the multi-product, multi-period, multi-Vehicle inventory- routing problem. The stock out and backlogging is not allowed in this model. The Strategy of routing is Multiple Delivery Strategy. This problem is non-deterministic polynomial-time hard (NP-hard) and the solution time, using the exact methods, increase exponentially with the increase in the dimensionality of the problem. Therefore, after introducing the research background, a new mathematical model is proposed in the form of the mixed integer programming for the problem defined in this paper. As follows, an efficient meta-heuristic genetic algorithm is provided to solve it. At the end, the numerical results obtained by this algorithm are analyzed using the randomized testing problems.