طراحي شبكه لجستيك معكوس يكپارچه با در نظر گرفتن كيفيت محصولات بازگشتي با استفاده از الگوريتم ژنتيك

Integrated Reverse Logistics Network Design Considering the Quality of Returned Products Through Using Genetic Algorithms

در بسياري از صنايع، توليد كنندگان به دلايل گوناگون، مجبور به جمع آوري محصولات استفاده شده توسط مشتريان هستند. سپس با توجه به وضعيت محصول برگشتي، تصميم مناسب جهت پردازش مورد نياز بر روي محصول گرفته مي شود. در اين مقاله به مسأله كنترل موجودي و بهينه سازي برنامه ريزي محصول در محيط لجستيك معكوس يكپارچه پرداخته شده است. شبكه لجستيك مورد نظر از دو مرحله تشكيل شده است. در مرحله اول محصولات برگشتي با استفاده از آستانه هاي كيفي تعريف شده، جهت تفكيك و ارسال به خطوط مناسب احيا و يا دفع، تحت بازرسي كيفي قرار مي گيرند. در مرحله دوم با در اختيار داشتن مقادير ارسالي به خط هاي مختلف، يك الگوريتم بهينه سازي عدد صحيح مختلط (MILP) را جهت كاهش هزينه هاي كل شبكه شكل مي دهيم. مدل مورد نظر با در نظر گرفتن كمينه سازي هزينه ها، از نوع مسائل NP-Hard است كه در آن، زمان حل مسأله به صورت نمايي افزايش مي يابد. بنابراين در اين تحقيق، از الگوريتم فراابتكاري ژنتيك براي حل مدل استفاده شده است.

In many industries, manufacturers─for various reasons─have to collect products that have been used by customers. Then, depending on the status of the returned products, appropriate decisions are made to process the products. In this paper, issues such as inventory control and product planning optimization in the environment of integrated reverse logistics have been focused on. The assumed logistics network here consisted of two stages. In the first stage, returns were subject to quality inspection using the qualitative thresholds definitions, for which they were separated and sent to the appropriate lines for recovery or disposal. In the second stage, having different amounts sent to each line, a mixed integer optimization algorithm (MILP) has been proposed to lower the total cost of the network. The proposed model, considering the minimization of the costs, is of NP-Hard problem types in which the problem increases exponentially. Therefore, in this study, Genetic Algorithm has been used to solve the model.