مدل استوار موجودي‌-مكان‌يابي-‌مسيريابي شبكه زنجيره تأمين خون با در ‌نظر ‌گرفتن گروه‌هاي خون

Robust inventory-location-routing model for blood supply chain network with considering blood group compatibility

در اين پژوهش، مدل استوار موجودي- مكان‌يابي- مسيريابي شبكه‌ي زنجيره تأمين خون پيش و پس از رخداد فاجعه، ارائه شده ‌است. در اين مسئله سازگاري گروه‌هاي خوني لحاظ شده است تا پاسخگويي به تقاضا بهبود و فساد خون كاهش يابد. همچنين با در نظر گرفتن سازگاري گروه‌هاي خوني، مسئله به دنياي واقعي شباهت بيشتري پيدا مي‌كند. در اين مدل به دليل وجود ريسك خرابي مراكز خون، مدلي با قابليت اطمينان بالا پيشنهاد شده است. در مسئله‌ي دوهدفه پيشرو هدف اول كاهش هزينه‌هاي كلي در زنجيره تأمين خون و هدف دوم كاهش هزينه‌هاي ناشي از تخريب پذيري مراكز خون به‌منظور افزايش قابليت اطمينان در زنجيره تأمين است. براي حل مسئله دوهدفه‌ي پيشنهادي و ارائه مرز پارتو از روش اپسيلون محدوديت استفاده شده است. مدل پيشنهادي، با در نظر گرفتن مثالي در ابعاد كوچك آزمون شده‌ و توسط نرم‌افزار CPLEX حل گرديده است و نتايجي مبتني بر تحليل تبادل بين استواري مدل و استواري پاسخ ارائه شده است.

In this paper, we present a bi-objective robust Location-Inventory-Routing (LIRP) model for Blood Supply Chain Network before and after disaster. compatibility of blood groups is considered to improve accountability and reduce the rate of blood wastage. Also, with considering the compatibility of blood groups, the problem becomes more similar to the real world. Because of disruption risks in blood centers, this model develops a model that the supply chain network becomes more stable and reliable. The first objective minimizes the total costs of blood supply chain. The second objective is to minimize the total failure costs related to disrupted blood centers that leads to reliability of the supply chain network. To solve the proposed bi-objective mixed integer linear programming model, ɛ-Constraint method is utilized to provide the decision maker with Pareto optimal solutions. Finally, the model tested for small size instance in CPLEX. Our analysis on the tradeoff between solution robustness and model robustness arrives at important practical insights.