يك مدل دوهدفه در مسائل مكان يابي تخصيص با استفاده از تركيب رتبه بندي كامل بازه اي و SCBM

Presenting a Bi-objective Method in Location-allocation Problems Using Combinational Interval Full-ranking and Set Covering with Backup Model

مدل هاي پوشش، كاربرد گسترده اي در مسائل دنياي واقعي دارند. با اين وجود، يك رويكرد كلي، هميشه پاسخگو نيست؛ چرا كه برخي از فرضيات مدل هاي پوشش به اندازه ي كافي، واقع بينانه نيستند. فرضياتي از قبيل عدم دسترس پذيري خدمت دهندگان و تعويق خدمت رساني در مواقع اضطراري، عدم قطعيت ناگزير در مسائل دنياي واقعي و ارزيابي فاكتورهاي بيشتر در زمان مشابه، فرضياتي هستند كه مدل هاي پوشش، اغلب با آن ها مواجه شده اما پاسخي براي آن ها نمي يابند. بنابرين چگونگي مواجهه با اين فرضيات، همواره به عنوان يك سوال مطرح بوده است. در اين تحقيق، براي مواجهه با عدم دسترس پذيري خدمت دهندگان، از مدل پوشش پشتيباني و براي مواجهه با شرايط عدم قطعيت، از مدل رتبه بندي كامل بازه اي بهره گرفته ايم. همچنين تلفيق اين دو مدل، ما را قادر مي سازد تا علاوه بر فاكتور پوشش، فاكتورهاي ديگري مانند كارايي و هزينه را در زمان مشابه، ارزيابي كنيم. در انتها، به منظور بررسي و مقايسه نتايج، مدل پيشنهادي به ترتيب در مقياس كوچك و بزرگ با استفاده از روش هاي دقيق و الگوريتم تكاملي ژنتيك حل شده است. نتايج، حاكي از آن است كه مدل پيشنهادي عليرغم بررسي همزمان فرضيات اشاره شده، عملكرد مطلوبي داشته و هيچ يك از فرضيات، ناقض يكديگر نيستند.

Covering models have found many applications in a wide variety of real world problems, nevertheless some assumptions of covering models are not realistic enough, that’s why a general approach wouldn’t be able to answer needs of encountering varied aspects of real world considerations. Assumptions like unavailability of servers in emergency circumstances, postponing the process of serving customers, inevitable uncertainty in real world and evaluating more factors at the same time, are a sort of assumptions which covering models always face them but they are not able to find any answer to them. Therefore, how to deal with these sorts of assumptions has been reminded a big question. In this research, for facing unavailability, we address Backup covering and for facing uncertainty in input data, we propose Interval Full-ranking model. Furthermore, by combining backup covering and interval full-ranking models (also conceptions), not only we can save time and evaluate more factors like efficiency and cost simultaneously, but also covering considerations in real aspects are reachable. In final, we have solved the proposed model by using precise methods and Genetic revolutionary algorithm in small and large scales, respectively in order to analyze evaluate and compare the results. Results demonstrate appropriate performance of the proposed model despite simultaneous consideration of the mentioned assumptions and none of the assumptions are mutually exclusive.