ارائه مدل و حل مسئله مكان‌يابي انبارهاي متقاطع و زمان‌بندي وسايل نقليه در زنجيره تأمين چندمحصولي با امكان برداشت و تحويل گسسته

Modeling and Solving the Cross-Docking Centers Location and Vehicle Scheduling Problem in a Multi-Product Supply Chain with Discrete Pick-up and Delivery

در اين پژوهش مسائل مكان‌يابي انبارهاي متقاطع، مسيريابي و زمان‌بندي وسايل نقليه را به‌طور هم‌زمان در يك زنجيره تأمين سه‌­سطحي با امكان برداشت و تحويل گسسته، با هدف كمينه‌سازي مجموع هزينه‌ها (هزينه احداث انبارهاي متقاطع، هزينه‌هاي ثابت و متغير حمل‌ونقل و جريمه تأخير و تعجيل)، موردمطالعه قرار گرفته و يك مدل برنامه‌ريزي تركيبي عدد صحيح غيرخطي براي آن ارائه شده است. در اين مدل تصميم‌گيري در خصوص تخصيص وسايل نقليه ناهمگن به فرآيند برداشت و تحويل و انتخاب مكان و تعداد انبارهاي متقاطع براي احداث از ميان مكان‌هاي بالقوه موجود پس از حل مدل صورت مي‌گيرد. فرض چندمحصولي‌­بودن شامل تك‌تك تأمين‌كنندگان، انبارهاي متقاطع و مشتريان مي‌شود. براي تحويل هر نوع از كالاها در محل هر يك از مشتريان يك پنجره زماني نرم در نظر گرفته شده است و علاوه بر جريمه تأخير، جريمه تعجيل در تحويل كالاها متناسب با مدت‌زمان و مقدار كالاي مواجه‌­شده با تأخير/ تعجيل محاسبه مي­شود. سه دسته مسئله در ابعاد كوچك، متوسط و بزرگ به‌صورت تصادفي توليد و با استفاده از الگوريتم شبيه‌سازي تبريد حل شده‌اند. براي مسائل كوچك، جواب حاصل از روش‌هاي حل دقيق با نتايج الگوريتم شبيه‌سازي تبريد مقايسه شده است.

This research studies cross-docking centers location and vehicles routing scheduling problems simultaneously in a three-level supply chain with discrete pick-up and delivery. The proposed problem is formulated as a mixed-integer nonlinear programming model with the aim of reducing total cost includes cross-docking centers construction cost, transportation fixed and variable costs, earliness and tardiness penalty costs. In this supply chain model, vehicles start from a cross-docking center and pick up different products from various suppliers and after classifying and preparing products at cross-docking centers, a different group of vehicles are sent to deliver products to customers. For delivering any kind of product to each customer, a soft time window is considered. Herein, three types of small, medium and large size instances have been generated randomly and solved by using the proposed simulated annealing algorithm. For small problems, the results from simulated annealing algorithm are compared with the solutions obtained by the exact methods.