توسعه مدل كنترل موجودي (r,Q) با رويكرد چند هدفه احتمالي- فازي

Developing Inventory Control Model (r,Q) with Fuzzy-Stochastic Multi Objective approach

توسعه مدل كنترل موجودي (r,Q) با رويكرد چند هدفه احتمالي- فازي چكيده مدلهاي سنتي به تنهايي قادر به اعمال دقت و قطعيت منطق رياضي كلاسيك نيستند. در واقع، يك موقعيت واقعي زماني كه نادقيقي و عدم قطعيت به دليل ساختار مدل ناديده انگاشته مي‌شود، زياد هم واقعي نيست. بدين‌منظور در اين مقاله مدل سنتي كنترل موجودي (r,Q) به صورت يك مدل چند كالايي با دو هدف كمينه سازي هزينه‌ها و سطح خطر و تحت محدوديتهاي ميزان بودجه در دسترس، حداقل سطح عملكرد، فضاي انبار و تعداد كمبود مجاز توسعه يافته است. در اين مدل تقاضا احتمالي است و از توزيع نمايي پيروي مي كند و تقاضاي اضافي با فروش از دست رفته مواجه مي شود. فضاي انبار پارامتري احتمالي – فازي با توزيع نرمال است. پارامترهاي بودجه در دسترس و حداكثر كمبود مجاز فازي و از نوع مثلثي مي‌باشد. ابتدا مدل قطعي و سپس مدل احتمالي- فازي توسعه مي‌يابد. در متدولوژي حل با استفاده از روش نافازي سازي محدوديتهاي فازي و روش بر نامه ريزي محدوديتهاي احتمالي فازي مدل به يك مسيله قطعي چند هدفه تبديل شده و سپس از طريق روش فازي حل مي‌گردد. در پايان يك مثال عددي جهت توصيف مدل و روش حل آمده است كه با نرم‌افزار لينگو حل شده است.

Abstract Classical inventory models are not able to encode precision and certainty of classical mathematical logic. Actually, a realistic situation is no longer realistic when the imprecise and uncertain information are neglected for the sake of mathematical model building. In this paper we developed inventory control model (r,Q) in multi-items environment with two objectives as minimizing costs (holding & shortage) and risk level under constraints including available budgetary, the least service level, storage spaces & allowable quantities of shortage. Demand distribution functions are assumed to be exponential and extra demands are supposed as lost sales. At first we develop crisp model then fuzzy stochastic model with fuzzy budgetary, allowable quantities of shortage and shortage spaces (i. e. stochastic with normal distribution function) parameter. All of fuzzy numbers are triangular type. In methodology of solution we change model to a crisp multi-objective by using difuzzification of fuzzy constraints and fuzzy chance-constrained programming methods, and then solve it by fuzzy logic method. Finally an illustrated example is taken and solved using LINGO package