مدل بهينه سازي مكانيابي تخصيص تسهيلات قابل اطمينان تحت ريسك اختلال در تسهيلات

Reliable Facility Location-Allocation Optimization Model under the Risk of Disruptions

در مدل هاي كلاسيك مكانيابي تسهيلات به طور ضمني فرض مي شود كه تسهيلات انتخاب شده همواره طبق برنامه كار خواهند كرد، در حالي كه، در دنياي واقعي تسهيلات همواره در معرض ريسك اختلال هستند و گاهي اين اختلالات اثر بلند مدت روي شبكه زنجيره تامين گذاشته و آن را با بحران مواجه مي كند. در اين مقاله، يك مدل برنامه ريزي عدد صحيح مختلط جهت تعيين نحوه خدمت رساني به مشتريان در زمان اختلال مراكز توزيع در يك زنجيره تامين دو سطحي شامل توزيع كنندگان و مشتريان ارائه شده است. اين مدل مكان هايي را براي توزيع كننده ها انتخاب مي كند كه علاوه بر حداقل نمودن هزينه هاي معمول زنجيره تامين، هزينه هاي حمل و نقل بعد از مختل شدن توزيع كننده ها نيز حداقل شوند. در واقع سعي مي شود انتخاب محل توزيع كنندگان با كم ترين هزينه و بيشترين قابليت اطمينان صورت گرفته و ضمنا تخصيص مشتريان به آنها انجام شود. با استفاده از رويكرد لاگرانژ مساله آزاد سازي شده و به دو زير مسئله تقسيم مي شود. با بررسي شرايط بهينگي زير مسئله ها، حل ابتكاري براي زير مساله اول و الگوريتم ژنتيك براي زير مساله دوم به منظور حل مسائل با ابعاد بزرگ استفاده شده است. در پايان، عملكرد و كارايي مدل و روش پيشنهادي در قالب مثال هاي عددي مورد بررسي قرار مي گيرند.

In the classic models of facility location, it is assumed that the selected facilities always work based on the schedule while, in the real world, facilities are always exposed to disruption risk and sometimes these disruptions have long-term effects on the supply chain network and cause a lot of problems. In this paper, a mixed integer programing (MIP) model presented in order to determine how to serve the customers at the time of disruption in distribution centers in a two-echelon supply chain, including distribution centers and customers. This model selects potential places that minimize traditionally supply chain costs and also the transportation cost after distribution centers disruptions. In fact, the model tries to choose the distribution centers facilities with lowest cost and highest reliability and also allocate them to customers. The problem divided into two sub-problems using Lagrangian relaxation approach. By examining sub-problems optimal conditions, a heuristic solution is used for the first sub-problem and a genetic algorithm is used for the second sub-problem to solve large-scale problems. Finally, numerical examples are presented to examine the performance and efficiency of the proposed model and approach.