طراحي مدل زنجيره تامين حلقه بسته با رويكرد برنامه ريزي فازي استوار جديد

A novel robust fuzzy programming approach for closed loop supply chain design

در سال هاي اخير با توجه به افزايش اهميت رقابت ‌پذيري اقتصادي و نگراني ‌هاي زيست محيطي در زمينه محصولات فرسوده، موضوع زنجيره تامين حلقه بسته مورد توجه بسياري از محققان قرار گرفته است. تحقيق حاضر درصدد توسعه يك رويكرد برنامه ريزي فازي استوار براي مسئله طراحي شبكه زنجيره تامين حلقه بسته تحت شرايط عدم قطعيت است. مدل پيشنهادي داراي ويژگي هايي برحسب مقدار ميانگين امكاني، تغييرپذيري امكاني تابع هدف و تخطي از محدوديت هاي امكاني است. براي توسعه رويكرد پيشنهادي از برنامه ريزي با محدوديت هاي اعتبار و ميانگين انحراف مطلق امكاني استفاده مي شود. با استفاده از يك مثال عددي بر روي پارامترهاي استواري بهينگي (تغييرپذيري امكاني) و استواري شدني تحليل حساسيت صورت گرفت و براي اعتبار سنجي مدل و ارزيابي استواري جواب هاي بدست آمده از مدل پيشنهادي، پارامترهاي مدل10 بار به طور تصادفي توليد و سپس عملكرد جواب هاي بدست آمده برحسب تغييرپذيري و ميانگين هزينه با مدل ميانگين فازي مورد مقايسه قرار مي گيرد. نتايج نشان مي دهد كه مدل پيشنهادي قادر است با صرف يك هزينه قابل قبول استواري مدل را افزايش دهد.

Abstract: In recent decade, the increasing importance of economic benefits and environmental impacts of using scrapped products has encouraged most companies to focus on the closedloop supply chain (CLSC) design. This paper considers the problem of CLSC network design under fuzzy uncertain conditions. The uncertain source is that the values of these parameters are usually imprecise and can be specified by possibilistic variables. To handle the uncertainty, a possibilistic programming approach is an appropriate method of incorporating such uncertainty In this problem. Possibility theory is applied to choose such solution in such a problem and a robust fuzzy programming (RFP) approach is proposed. In the proposed model, the best robust decision has the additional property in terms of mean value and variability of the objective function named possibilistic variability. The performance of the proposed RFP model is also compared with that of mean model in term of the variability and mean cost of model.