حل مساله مسيريابي توليد رقابتي با استفاده از بهينه سازي گروه ذرات

Particle Swarm Optimization to Solve Competitive Production Routing Problem

مساله مسيريابي توليد به تلفيق دو مساله مسيريابي خودرو و برنامه ريزي توليد مي پردازد. عموما در مسئله فوق فرض بر اين است كه نوعي انحصار در محيط وجود دارد و توجهي به تاثير رقبا در اين مسائل در نظر گرفته نشده است. پر واضح است كه در دنياي واقعي ديگر نمي توان به داشتن بازار انحصاري اميد بست. در فضاي رقابتي مشتريان متناسب با قيمت و كيفيت تامين كننده را انتخاب مي كنند. بنابراين در اين مقاله به عنوان تعريفي از كيفيت، تامين سريع نياز مشتري و در دستري بودن الزام فضاي رقابتي تبيين شده است و به همين جهت، مساله مسيريابي توليد رقابتي با فرض دانستن زودترين و ديرترين زمان تامين تقاضا توسط رقيب مدل بندي شده است. به اين ترتيب در صورت تاخير در تامين تقاضاي مشتري به نسبت ميزان تاخير سهمي از بازار از دست مي رود. همچنين مدل سازي انجام شده به وسيله نرم افزار گمز حل شده است. علاوه بر اين به دليل استفاده موفق الگوريتم بهينه سازي گروه ذرات در حل مسائل بهينه سازي، در اينجا نيز الگوريتم بهينه سازي گروه ذرات براي حل مساله مسيريابي توليد در ابعاد بزرگ توسعه داده مي شود. براي بررسي عملكرد الگوريتم ارائه شده جواب هاي حاصل در ابعاد كوچك با جواب هاي حاصل از حل با نرم افزار گمتر مقايسه شده است.

The production routing problem (PRP) integrates vehicle routing and production planning problems. Generally, in PRPs, the impact of competitors has not been considered. Clearly, in the real world, it is no longer possible to have a monopoly market. In competitive environment, customers choose a supplier based on price and quality. So in this article as a definition of quality, providing quick access to customer needs and availability are determined as the requirements of a competitive environment. Therefore, the production routing problem has been modeled with knowing the earliest and latest time of competitor demand meeting. In this way, In case of delay in supplying customers demand, the market share is lost relative to the amount of delay. The problem is modeled and it has been solved by the GAMS software. Since particle swarm optimization has been successfully applied to a variety of problems, here, to solve the problem for the large-sized instances a particle swarm optimization algorithm is also presented. To evaluate the performance of the proposed algorithm, the results with small-sized instances were compared with solutions of GAMS.