بهترین آموزش های کاربردی در شهرسازی
بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید
Monday, 24 June , 2024
امروز : دوشنبه, ۴ تیر , ۱۴۰۳
شناسه خبر : 21911
  پرینتخانه » مقالات تاریخ انتشار : 12 ژوئن 2024 - 3:30 | 9 بازدید | ارسال توسط :

پایداری | متن کامل رایگان | بهینه سازی شبکه زنجیره تامین پایدار برای محصولات فاسد شدنی

۱٫ معرفی محصولات فاسد شدنی به کالاهایی اطلاق می شود که کیفیت یا کمیت آنها به مرور زمان کاهش می یابد یا بدتر می شود (مانند محصولات دارویی، لبنیات، میوه ها، سبزیجات، گل ها و فرآورده های خونی). [۱,۲]. این محصولات به دلیل اهمیت اساسی در بسیاری از صنایع و محیط های تجاری و ارتباط […]

پایداری |  متن کامل رایگان |  بهینه سازی شبکه زنجیره تامین پایدار برای محصولات فاسد شدنی


۱٫ معرفی

محصولات فاسد شدنی به کالاهایی اطلاق می شود که کیفیت یا کمیت آنها به مرور زمان کاهش می یابد یا بدتر می شود (مانند محصولات دارویی، لبنیات، میوه ها، سبزیجات، گل ها و فرآورده های خونی). [۱,۲]. این محصولات به دلیل اهمیت اساسی در بسیاری از صنایع و محیط های تجاری و ارتباط نزدیک با زندگی انسان ها در سال های اخیر توجه روزافزون دانشگاهیان و صنایع را به خود جلب کرده اند. [۳,۴,۵].
در سطح جهانی، در مورد ایالات متحده $سالانه ۱ تریلیون غذا یا هدر می رود یا از بین می رود که تقریباً یک سوم غذای تولید شده را تشکیل می دهد. اروپا ممکن است متحمل ضرر و زیان ۳۰ درصدی به دلیل فساد و آسیب میوه و سبزیجات در طول دوره های تولید، ذخیره سازی، حمل و نقل و فروش شود. وضعیت در ایالات متحده تقریباً یکسان است، زیرا تقریباً ۶۰٪ از ضایعات مواد غذایی ناشی از ناکارآمدی در زنجیره تأمین مواد غذایی است. [۶,۷]. این آمار نیاز به بهبود زنجیره تامین محصولات فاسد شدنی را می طلبد. علاوه بر این، آشفتگی اقتصادی قوی و رقابت شدید بازار، شرکت ها را به طراحی شبکه های زنجیره تامین مقرون به صرفه، کارآمد و پاسخگو سوق می دهد. [۸]. تولیدکنندگان و بازرگانان محصولات فاسدشدنی برای یافتن راه‌حل‌های هماهنگی کارآمد بین تقاضا، تولید و عرضه تحت فشار بسیار زیادی هستند.
علیرغم پوشش گسترده و جامع ادبیات موجود مدیریت زنجیره تامین مبتنی بر بهینه سازی (SCM)، بسیاری از این موارد به طور مستقیم برای محصولات فاسد شدنی قابل استفاده نیستند. [۶]. طراحان باید طیف گسترده ای از تصمیمات SCM را در سطوح مختلف (استراتژیک، تاکتیکی و عملیاتی) اتخاذ کنند و در عین حال عدم قطعیت تقاضا و نوسانات طول عمر محصولات را در نظر بگیرند.
در طول دو دهه گذشته، محققان از یک روش متوالی برای پرداختن به تصمیمات استراتژیک و تاکتیکی در زنجیره تامین استفاده کرده اند. این روش تصمیمات استراتژیک بلندمدت مانند مکان تاسیسات را از تصمیمات تاکتیکی کوتاه مدت مانند تصمیمات تولید و موجودی جدا می کند. با این حال، تحقیقات نشان داده است که این رویکرد متوالی منجر به طراحی و مدیریت زنجیره تامین غیربهینه می شود. در نتیجه، مشکل مکان – موجودی مشترک پیشنهاد شد [۸,۹,۱۰,۱۱,۱۲]. این مطالعه چارچوب سنتی بهینه‌سازی مکان – موجودی را با معرفی یک مشکل ترکیبی تولید – مکان – موجودی برای شبکه‌های زنجیره تامین محصولات فاسد شدنی گسترش می‌دهد. این شامل عدم قطعیت تقاضا و ماندگاری محدود مواد خام و محصولات است، در نتیجه مشکل را واقعی تر می کند.
پایداری سه رکن را در بر می گیرد: اثرات اقتصادی، زیست محیطی و اجتماعی [۱۳,۱۴]. زنجیره تامین محصولات فاسد شدنی، به دلیل نیاز به کنترل دقیق دما و رطوبت در طول ذخیره سازی و حمل و نقل، به میزان قابل توجهی در انتشار کربن کمک می کند. [۱۵,۱۶]. تقریبا ۸۰ درصد از گازهای گلخانه ای و ۳۶ درصد از انتشار کربن نتایج مستقیم فعالیت های زنجیره تامین است. [۱۷,۱۸]. به کارگیری کارگران و مدیران اضافی منجر به افزایش هزینه های کل شرکت ها می شود. زنجیره تامین پایدار باید فرصت های شغلی را برای افزایش مزایای اجتماعی به حداکثر برساند [۱۹]. این عوامل با گنجاندن جنبه‌های مسئولیت اقتصادی، زیست‌محیطی و اجتماعی و طراحی مجدد زنجیره‌های تامین، ارزیابی خط‌مشی SCM را تحریک می‌کنند. [۲۰,۲۱]. مدیران SC از طریق مدل‌سازی ریاضی زنجیره تأمین، که انتشار کربن و ملاحظات مسئولیت اجتماعی را ادغام می‌کند، ابزارهای پشتیبانی تصمیم‌گیری مؤثری ارائه می‌کنند. بنابراین، ما عوامل پایداری، مانند اثرات اقتصادی، زیست محیطی و اجتماعی را برای زنجیره تامین محصولات فاسد شدنی در نظر می گیریم.
بخش ۲ ادبیات موجود را مرور می کند، در حالی که بخش ۳ تعاریف مسئله و مدل های ریاضی را برای SPPSCN معرفی می کند. تکنیک راه حل در مورد بحث قرار گرفته است بخش ۴و به دنبال آن آزمایش های محاسباتی در بخش ۵. سرانجام، بخش ۶ نتیجه گیری را ارائه می دهد.

۲٫ بررسی ادبیات

بررسی ادبیات ما به دو بخش اصلی تقسیم می شود. بخش اول مطالعاتی را پوشش می دهد که از مدل های تصمیم گیری یکپارچه برای طراحی طرح های زنجیره تامین محصولات فاسد شدنی استفاده کرده اند. بخش دوم بر چالش ها و مشکلات مرتبط با طراحی SPPSCN تمرکز دارد.

۲٫۱٫ مدل های تصمیم گیری یکپارچه طراحی زنجیره تامین محصولات فاسد شدنی

تحقیقات قبلی به کنترل موجودی در زنجیره تامین محصول فاسد شدنی توجه داشت [۲۲,۲۳,۲۴,۲۵]. در همین حال، مطالعات کنونی به دلیل پیچیدگی مشکل به طور فزاینده ای به تصمیم گیری یکپارچه در زنجیره تامین محصول فاسد شدنی علاقه مند شده اند. تحقیق در مورد مشکل مکان – موجودی برای شبکه های زنجیره تامین محصولات فاسد شدنی نسبتا جدید است. مشکل مکان-موجودی مربوط به تصمیمات یکپارچه، از جمله مکان تسهیلات و موجودی است [۹,۱۱,۲۶]. دای و همکاران [۲۷] دو روش اکتشافی را برای مقابله با مدل مکان-موجودی SCN محصولات فاسد شدنی با ظرفیت فازی و محدودیت‌های انتشار ارائه کرد. بر اساس یک مورد واقعی، حسینی مطلق و همکاران. [۲۸] یک مدل برنامه ریزی تصادفی دو مرحله ای دو هدفه را برای رسیدگی به طراحی یک SCN خون پیشنهاد کرد. این مدل تصمیمات مدیریت مکان و تخصیص موجودی را در بر می گیرد. ترکیب تصمیمات تولید و موجودی در طرح های زنجیره تامین محصولات فاسد شدنی یکی دیگر از خطوط تحقیقاتی است [۲۹,۳۰,۳۱,۳۲]. دولگی و همکاران [۳۳] یک مدل تولید-موجودی-توزیع در یک زنجیره تامین محصول فاسد شدنی چند مرحله ای ارائه کرد. آنها از یک الگوریتم ژنتیک اصلاح شده برای حل مشکل درگیر در مدل استفاده کردند. از آنجایی که تصمیمات موجودی در طرح های زنجیره تامین محصولات فاسد شدنی نقش مهمی ایفا می کند، مطالعاتی که فقط تصمیمات مکان و تولید را در نظر می گیرند کمیاب هستند. کاریزوزا و همکاران [۳۴] یک سیاست تولید را در یک مشکل تخصیص مکان تأسیسات تعبیه کرد که در آن یک محصول فاسد شدنی واحد در نظر گرفته می شود. از طریق یک تجزیه و تحلیل تجربی، آنها نشان دادند که سیاست تولید و سایر عوامل می توانند بر SCND تأثیر بگذارند.
برخی از محققان اخیراً به تصمیمات یکپارچه مکان، موجودی و تولید در طرح های زنجیره تامین محصولات فاسد شدنی توجه کرده اند. با انگیزه دنیای واقعی، اعظمی و سعیدی مهرآباد [۳۵] یک مشکل تولید-توزیع جدید شامل دوره های متعدد برای طراحی زنجیره تامین محصولات فاسد شدنی با سه سطح ایجاد کرد. برای حل این مشکل پیچیده، آنها از یک تکنیک ابتکاری سلسله مراتبی مشتق شده از الگوریتم تجزیه Benders و الگوریتم ژنتیک استفاده کردند. حمدان و دیابات [۳۶] یک مدل برنامه ریزی تصادفی دو مرحله ای را معرفی کرد که سه هدف را در بر می گرفت. این مدل شامل تصمیمات بهینه مکان، تولید و موجودی برای گلبول های قرمز خون بود و جایگزینی گروه خونی، فسادپذیری، و عدم قطعیت تقاضا و عرضه را در نظر گرفت. مشکل با استفاده از روش اپسیلون (ε) – محدودیت حل شد.

بر اساس بحث های فوق، هیچ مدلی که تصمیمات تولید، مکان و موجودی را در طرح های زنجیره تامین محصولات فاسد شدنی ادغام کند، به روشی سیستماتیک ایجاد نشده است. بنابراین ما یک مدل جامع را پیشنهاد می کنیم که این سه عنصر را در نظر می گیرد تا تحقیقات موجود را گسترش دهد.

۲٫۲٫ طراحی زنجیره تامین محصولات فاسد شدنی پایدار

طراحی SPPSCN عمدتاً تصمیمات اقتصادی و محیطی را در نظر می گیرد. روش های رایج در بررسی انتشار کربن به سه دسته تقسیم می شوند. اول، انتشار کربن به عنوان محدودیت های خاصی در نظر گرفته می شود [۲۷]. دوم، توجه به انتشار کربن به بخشی از یک اصطلاح هزینه در یک هدف اقتصادی تبدیل می شود [۳۷]. سوم، برخی از محققان انتشار کربن را برای ساخت مدل هایی با دو تا سه هدف برای رسیدگی به مشکلات در نظر می گیرند. [۳۸]. مطالعه ما دسته سوم را اتخاذ می کند.
زنجیره‌های تامین محصولات فاسد شدنی مورد توجه فزاینده‌ای قرار می‌گیرند زیرا مفهوم توسعه پایدار به تدریج توسط جامعه حمایت می‌شود [۱۵,۳۹,۴۰]لیو، ژو، ژو، لو و فن [۱۶] مشکلات SPPSCN را در بازارهای نوظهور بررسی کرد. آنها یک مدل کاربردی ایجاد کردند که مکان، موجودی و عوامل مسیریابی را برای به حداقل رساندن هزینه های اقتصادی و انتشار کربن و در عین حال به حداکثر رساندن تازگی محصول یکپارچه می کند. بیوکی، کاظمی و علینژاد [۳] یک رویکرد دو فازی برای طراحی یک SPPSCN معرفی کرد. روش پیشنهادی از الگوریتم ژنتیک و بهینه‌سازی ازدحام ذرات برای حل موثر مدل استفاده می‌کند.
ما اکنون مشابه ترین مطالعات را با کار خود، از جمله ویژگی های مشابه و تفاوت های عمده مورد بحث قرار می دهیم. گودرزیان، طالعی زاده، قاسمی و ابراهیم [۱۳] یک مدل ریاضی برای شبکه زنجیره تامین پزشکی پایدار (SCN) پیشنهاد کرد، که به مشکل تولید-توزیع-موجودی-تخصیص-مکان در محصولات و دوره های مختلف پرداخته است. پایداری دارای سه رکن است که به عنوان یکی از مشارکت‌های تحقیقاتی آنها در نظر گرفته شده است. آنها سه الگوریتم فراابتکاری ترکیبی، بهینه سازی کلونی مورچه ها، الگوریتم ازدحام ماهی ها و الگوریتم کرم شب تاب را برای حل موثر مدل پیشنهادی پیشنهاد کردند. این الگوریتم ها از طریق جستجوی همسایگی متغیر ترکیب شدند. کار ما با گودرزیان، طالعی زاده، قاسمی و ابراهیم متفاوت است [۱۳] به چهار روش اول، ما تصمیمات خرید مواد خام را در زنجیره تامین قرار می دهیم و هزینه های تهیه مواد خام و موجودی های مربوطه را در تولید کنندگان محاسبه می کنیم. دوم، ما سیاست اولین در اول خروج (FIFO) و هزینه زوال مواد خام و محصولات را برای کاهش ضایعات در نظر می گیریم. سوم، ما سه جنبه توسعه پایدار را در توابع هدف متناظر مدل‌سازی می‌کنیم و اثرات زیست‌محیطی را به هزینه‌های کسری برای عملیات تبدیل می‌کنیم. چهارم، با توجه به پیچیدگی مسئله، ما سه فراابتکاری ترکیبی جدید، الگوریتم خفاش، الگوریتم پرش قورباغه درهم و برهم، و جستجوی فاخته را پیشنهاد می‌کنیم که هر کدام با همسایگی متغیر ترکیب شده‌اند.

مشارکت ها و نوآوری های این مطالعه را می توان به شرح زیر خلاصه کرد:

  • در این مطالعه، یک چارچوب جدید بهینه‌سازی چند مرحله‌ای، چند هدفه و چند دوره‌ای برای مسئله تولید-مکان-موجودی توسعه داده شده است که به طور خاص برای صنعت محصولات فاسد شدنی طراحی شده است. یک مدل برنامه ریزی خطی عدد صحیح مختلط جدید، که شامل عدم قطعیت های تقاضا و نوسانات طول عمر در مواد خام و محصولات نهایی است، طراحی شده است و آن را از مدل های سنتی SCM متمایز می کند.

  • مدل پیشنهادی سه ستون پایداری را در نظر می‌گیرد: هزینه کل، تأثیر زیست‌محیطی، و تأثیر اجتماعی، با هدف ایجاد یک شبکه زنجیره تأمین پایدار برای محصولات فاسد شدنی.

  • سه فراابتکاری هوش ازدحام توسعه داده شده است: الگوریتم خفاش (BA)، الگوریتم جهش قورباغه به هم ریخته (SFLA)، و الگوریتم جستجوی فاخته (CS). هر یک از این فراابتکاری با جستجوی همسایگی متغیر (VNS) برای حل این مدل پیشنهادی ترکیب شده‌اند.

  • روش تاگوچی برای آموزش پارامترها اعمال می‌شود و اثربخشی الگوریتم‌های پیشنهادی با استفاده از شش معیار ارزیابی ارزیابی می‌شود: معیارهای NPS، MID، SNS، DM، DEA و POD. علاوه بر این، تجزیه و تحلیل حساسیت برای اعتبار بیشتر مدل پیشنهادی انجام می شود.

۳٫ شرح مشکل

شبکه زنجیره تامین فاسدشدنی از چهار طبقه تشکیل شده است: تامین کنندگان، تولیدکنندگان، مراکز توزیع (DC) و خرده فروشان. ابتدا، باید مکان‌هایی را که در آن DCها کار می‌کنند از امکانات کاندید انتخاب کنید. در هر دوره، تولیدکنندگان مواد خام را از تامین کنندگان تهیه می کنند، مواد خام مختلف را به محصولات نهایی مختلف پردازش می کنند و محصولات نهایی را بلافاصله به DC های عامل تحویل می دهند. یعنی هیچ موجودی برای محصولات در محل تولید کننده وجود ندارد. پس از آن، محصولات با استفاده از DCs به خرده فروشان توزیع می شود. در این مطالعه تصمیمات مختلفی از جمله تعیین مکان های بهینه DCها، تخصیص مواد اولیه از تامین کنندگان به تولیدکنندگان، جریان محصولات از تولیدکنندگان به خرده فروشان، پردازش محصولات و مدیریت موجودی در نظر گرفته شده است. هم برای مواد خام در تولیدکنندگان و هم برای محصولات در DCها. تولیدکنندگان در سطوح مختلف ظرفیت نیز در نظر گرفته می شوند. علاوه بر این، در نظر گرفتن مدت زمان ماندگاری مواد اولیه و محصولات با توجه به احتمال از بین رفتن، یکی از عوامل مهم در این مطالعه است.

هدف اصلی این مقاله بهینه سازی مدل شبکه زنجیره تامین برای محصولات فاسد شدنی با در نظر گرفتن سه رکن پایداری است. اول، هدف به حداقل رساندن کل هزینه های مرتبط با تاسیسات تاسیس شده، تولید، نگهداری موجودی، تهیه مواد خام، زوال، و حمل و نقل است. دوم، تلاش‌هایی برای کاهش اثرات زیست‌محیطی ناشی از تأسیسات، تولید، موجودی و فعالیت‌های حمل‌ونقل انجام می‌شود. در نهایت، تمرکز بر به حداکثر رساندن تأثیرات اجتماعی با ایجاد فرصت‌های شغلی در تولیدکنندگان و DCها تا بیشترین حد ممکن است.

در تحقیق ما، هزینه کل، اثرات زیست محیطی و اثرات اجتماعی را به عنوان اهداف متمایز بهینه سازی در نظر می گیریم.

برای واقعی سازی مسئله، مطالعه ما از مفروضات زیر پشتیبانی می کند:

  • مواد اولیه و محصولات فاسد شدنی هستند و هر دو مدت ماندگاری محدودی دارند.

  • هر محصول به چندین نوع و سطوح ضریب مصرف مواد اولیه نیاز دارد.

  • ظرفیت تولید هر تولید کننده محدود است.

  • مکان ها و مقادیر نامزد DC مشخص است.

  • تقاضای خرده فروشان نامشخص است و از توزیع های احتمالی خاصی پیروی می کند.

این بخش ممکن است بر اساس عناوین فرعی تقسیم شود. اینها باید توصیف مختصر و دقیقی از نتایج تجربی، تفسیر آنها، و همچنین نتیجه گیری های تجربی قابل استخراج ارائه دهد.

مدل ریاضی

پارامترها و متغیرهای مورد استفاده در این مقاله در شرح داده شده است میز ۱.
با توجه به نمادهای ارائه شده، مدل چند هدفه پیشنهادی (۱) – (۱۷) به صورت زیر فرموله شده است:

م من n f ۱ = من ، j ، r ، تی r ج من r q من j r تی ۱ + من ، j ، r ، تی تی ج من j r ۱ q من j r تی ۱ + j f j ۱ + j ، r ، تی ساعت ج j r ۱ q j r تی ۲ + j ، پ ، تی پ ج j پ q j پ تی ۳ + j ، r ، تی ل ج j r ۱ q j r تی ۴ + j ، ک ، پ ، تی تی ج j ک پ ۲ w j ک پ تی ۱ + ک f ک ۲ ایکس ک + ک ، پ ، تی ساعت ج ک پ ۲ w ک پ تی ۲ + ک ، پ ، تی ل ج ک پ ۲ w ک پ تی ۳ + ک ، ل ، پ ، تی تی ج ک ل پ ۳ د ل پ تی y ک ل پ تی ۳

م من n f ۲ = من ، j ، r ، تی ه تی من j r ۱ q من j r تی ۱ + j ه f j ۱ + j ، r ، تی ه ساعت j r ۱ q j r تی ۲ + j ، پ ، تی ه پ j پ q j پ تی ۳ + j ، ک ، پ ، تی ه تی j ک پ ۲ w j ک پ تی ۱ + ک ه f ک ۲ ایکس ک + ک ، پ ، تی ه ساعت ک پ ۲ w ک پ تی ۲ + ک ، ل ، پ ، تی ه تی ک ل پ ۳ د ل پ تی y ک ل پ تی ۳

م آ ایکس f ۳ = j ، پ ، تی آ j ۱ + آ j پ ۲ q j پ تی ۳ + ک ، پ ، تی ب ک ۱ ایکس ک + ب ک پ ۲ د ل پ تی y ک ل پ تی ۳

با رعایت موارد زیر:

من y من j r تی ۱ = ۱ j ، r ، تی

من ، تی q من j r تی ۱ = پ ، تی آ r پ q j پ تی ۳ + تی q j r تی ۲ + تی q j r تی ۴ j ، r

q j r تی ۲ = من q من j r تی ۱ پ آ r پ q j پ تی ۳ q j r تی ۴ j ، r ، تی = ۱

q j r تی ۲ = q j r تی ۱ ۲ + من q من j r تی ۱ پ آ r پ q j پ تی ۳ q j r تی ۴ j ، r ، تی ۲

q j پ تی ۳ متر j پ تی ج آ پ j ، پ ، تی

q j پ تی ۳ = ک w j ک پ تی ۱ j ، پ ، تی

q j r تی ۴ = من q من j r تی تی r ۱ ۱ تی تی r ۱ پ تی آ r پ q j پ پ ۳ j ، r ، تی ، تی > تی r ۱

q j r تی ۴ = ۰ j ، r ، تی ، تی تی r ۱

j y j ک پ تی ۲ ایکس ک ک ، پ ، تی

j ، تی w j ک پ تی ۱ = تی w ک پ تی ۲ + تی w ک پ تی ۳ + ل ، تی د ل پ تی y ک ل پ تی ۳ ک ، پ

w ک پ تی ۲ = j w j ک پ تی ۱ w ک پ تی ۳ تی د ل پ تی y ک ل پ تی ۳ ک ، پ ، تی = ۱

w ک پ تی ۲ = w ک پ تی ۱ ۲ + j w j ک پ تی ۱ w ک پ تی ۳ تی د ل پ تی y ک ل پ تی ۳ ک ، پ ، تی ۲

ک y ک ل پ تی ۳ = ۱ ل ، پ ، تی

y ک ل پ تی ۳ ایکس ک ک ، ل ، پ ، تی

w ک پ تی ۳ = j w j ک پ تی تی پ ۲ ۱ ل ، تی تی پ ۲ پ تی د ل پ تی y ک ل پ تی ۳ ک ، پ ، تی ، تی > تی پ ۲

w ک پ تی ۳ = ۰ ک ، پ ، تی ، تی > تی پ ۲

ایکس ک ، y من j r تی ۱ ، y j ک پ تی ۲ ، y ک ل پ تی ۳ ۰,۱

q من j r تی ۱ ، q j پ تی ۲ ، q j پ تی ۳ ، q j پ تی ۴ ، w j ک پ تی ۱ ، w ک پ تی ۲ ، w ک پ تی ۳ ۰

تابع هدف (۱) هزینه های کل سیستم را کاهش می دهد که شامل تهیه مواد خام، تولید کننده و عملیات DC، موجودی، تولید، فرسودگی و هزینه های حمل و نقل می شود. تابع هدف (۲) اثرات زیست محیطی SCN مرتبط با عملیات، تولید، موجودی، و فعالیت های حمل و نقل را به حداقل می رساند. تابع هدف (۳) ایجاد شغل را برای ترویج عوامل اجتماعی توسعه پایدار به حداکثر می رساند. محدودیت (۴) نشان می دهد که یک نوع ماده خام را می توان تنها به یک تامین کننده اختصاص داد. محدودیت (۵) تعداد کل مواد خام تهیه شده توسط تولیدکنندگان را در افق برنامه ریزی محاسبه می کند. محدودیت (۶) مقادیر موجودی مواد خام در تولیدکنندگان را نشان می دهد. محدودیت (۷) ظرفیت تولید سازنده را مشخص می کند. محدودیت (۸) سفارشات تولید را در هر دوره محاسبه می کند. محدودیت (۹) بدتر شدن تعداد مواد خام در تولیدکنندگان را نشان می دهد. محدودیت (۱۰) تحمیل می‌کند که تولیدکنندگان فقط می‌توانند به DCهای عملیاتی سرویس دهند. محدودیت (۱۱) تعداد کل محصولات فاسد شدنی خریداری شده توسط DCها را در افق برنامه ریزی محاسبه می کند. محدودیت (۱۲) نشان دهنده مقدار موجودی محصولات فاسد شدنی در DCها است. محدودیت‌های (۱۳) و (۱۴) بیان می‌کنند که یک خرده‌فروش باید تنها توسط یک DC فعال خدمات رسانی کند. محدودیت (۱۵) تعداد محصولات خراب شده در DCها را محاسبه می کند. در نهایت، محدودیت های (۱۶) و (۱۷) مرتب سازی و محدوده متغیر تصمیم را نشان می دهند.

۴٫ تکنیک حل

مدل ریاضی پیشنهادی، همانطور که قبلا ذکر شد، در ابتدا برای رسیدگی به اهداف چندگانه طراحی شده است. برای پرداختن مؤثر به مشکل، از روش حل چند هدفه با الهام از گودرزیان، طالعی زاده، قاسمی و ابراهیم استفاده می کنیم. [۱۳]، که مدل را به یک فرمول تک هدفه تبدیل می کند. متعاقبا، ما سه الگوریتم فراابتکاری ترکیبی را برای مقابله با مشکل پیشنهاد می‌کنیم. برای اطمینان از مقایسه منصفانه، همه الگوریتم ها الگوریتم جستجوی همسایگی متغیر (VNS) را به عنوان یک جزء جستجوی محلی ترکیب می کنند. این الگوریتم‌ها عبارتند از HBA-VNS (ترکیبی از الگوریتم خفاش (BA) و VNS)، HSFLA-VNS (ترکیبی از الگوریتم جهش قورباغه به هم ریخته (SFLA) و VNS) و HCS-VNS (ترکیبی از جستجوی فاخته (CS) و VNS). علاوه بر این، ما این رویکردها را در بین خود ارزیابی و مقایسه می کنیم و نتایج آنها را با روش مرجع، یک الگوریتم ژنتیک ترکیبی با VNS (HGV-VNS) محک می زنیم. در بخش‌های فرعی زیر، مروری بر چارچوب مورد استفاده الگوریتم‌های ارائه‌شده ارائه می‌کنیم. ابتدا، ما در مورد نمایش راه حل و ترکیبی از VNS به عنوان یک جزء حیاتی در ساختار الگوریتم بحث می کنیم. در ادامه الگوریتم های ارائه شده را به تفصیل شرح می دهیم.

۴٫۱٫ نمایندگی راه حل

برای توانمندسازی الگوریتم‌های فراابتکاری ترکیبی که برای مقابله با مسائل گسسته ایجاد شده‌اند، از تکنیک کلید تصادفی (RK) برای نمایش راه‌حل استفاده می‌شود. این تکنیک برای رمزگذاری راه‌حل اصلی عمل می‌کند و در نتیجه الگوریتم‌های پیوسته را با توانایی پرداختن مؤثر به مسائل گسسته مجهز می‌کند. [۴۱]. در چارچوب مسئله توسعه‌یافته، راه‌حل‌های فرعی به دو نوع مجزا طبقه‌بندی می‌شوند:
(۱)

طرح راه حل اول شامل روشی برای تعیین DCهای عامل است. برای شروع فرآیند، ماتریسی شامل |J| عناصر با استفاده از توزیع یکنواخت U (0،۱) تولید می شوند. پس از آن، اولین واحدهای Max J با بالاترین مقادیر به عنوان DCهای عامل انتخاب می شوند. به عنوان مثال، راه حل {۰٫۵۱، ۰٫۳۹، ۰٫۸۹، ۰٫۲۱، ۰٫۴۳} با جی متر آ ایکس = ۳ راه حل رمزگشایی شده {۱، ۰، ۱، ۰، ۱} را نشان می دهد.

(۲)
طرح راه حل دوم شامل رابطه تخصیص است که هدف آن تخصیص تامین کنندگان به تولیدکنندگان است. همانطور که در نشان داده شده است شکل ۱، یک بردار، حداکثر ۱ × من متر آ ایکس + j ۱ ، با توزیع یکنواخت در U (0، ۱) تولید می شود. این بردار به عنوان یک ماتریس جایگشت عمل می کند و درجه هر مقدار را نشان می دهد. ارزش های بیشتر از من متر آ ایکس نشان دهنده علائم سازنده است، در حالی که مقادیر کمتر از من متر آ ایکس مربوط به تامین کنندگان موجود در ماتریس جایگشت است. علائم سازنده به عنوان تقسیم کننده عمل می کند و تامین کنندگان مختلف را متمایز می کند. بنابراین، توالی تامین کنندگان در میان این تقسیم کننده ها، نقاط تخصیص را برای یک سازنده تعیین می کند.

۴٫۲٫ الگوریتم جستجوی محله متغیر

الگوریتم VNS یک روش جستجوی محلی محبوب است که برای بهینه سازی مسائل مختلف استفاده می شود. از یک ساختار همسایگی (NS) استفاده می کند و به طور سیستماتیک آن را برای دستیابی به یک راه حل تقریباً بهینه اصلاح می کند. [۱۳,۴۱,۴۲]. الگوریتم VNS عملکرد و کارایی قابل توجهی را در حل مسائل مختلف بهینه سازی در مدیریت زنجیره تامین مانند مکان-توزیع نشان داده است. [۴۳]، تولید – توزیع – موجودی – تخصیص – مکان [۱۳]و طراحی شبکه [۴۴]. الگوریتم VNS از یک روش اولیه پیروی می کند و مجموعه ای از ساختارهای همسایگی (NSs) را به کار می گیرد که به صورت ن n س ( n س = ۱، ۲، … n س متر آ ایکس )، جایی که n س متر آ ایکس نشان دهنده حداکثر تعداد NS با یک توالی از پیش تعیین شده است. الگوریتم ۱ شبه کد الگوریتم VNS را تشریح می کند.

الگوریتم ۱: شبه کد VNS
۱ مقداردهی اولیه
تنظیم پارامترها (حداکثر تکرار م من V ن اس ) ، ساختارهای محله ن n س n س = ۱،۲ ، ۳ ، ، n س متر آ ایکس )
جمعیتی به اندازه تولید یا دریافت کنید nPop و فردی را ارزیابی کنید
بهترین راه حل را از بین افراد ارزیابی شده به عنوان راه حل اولیه انتخاب کنید اس *
۲ برای ک به Vmax_it انجام دادن:
۳ برای من به n س متر آ ایکس انجام دادن
۴ اس اس *
۵ به طور تصادفی یک راه حل را انتخاب کنید اس از جانب ن n س // تکان دادن
۶ جستجوی محله را اعمال کنید ن n س به اس برای به دست آوردن راه حل بهبود یافته اس
۷ ارزیابی کنید اس
۸    اگر f اس < f اس *
۹       اس * اس و شکستن
۱۰    در غیر این صورت اگر f اس = f اس *
۱۱      یکی از آنها را به صورت تصادفی انتخاب کنید
۱۲    پایان اگر
۱۳ پایان برای
۱۴ پایان برای
۱۵ گزارش
اس *
۱۶ پایان

۴٫۳٫ الگوریتم HBA-VNS

BA یک تکنیک ابتکاری هوش ازدحام است که به طور خاص برای تقلید از سیستم پژواک مکانی خفاش ها طراحی شده است. اولین بار توسط یانگ معرفی شد [۴۵]، BA یک الگوریتم تصادفی است که بر اساس یک رویکرد مبتنی بر جمعیت عمل می کند. در طول چند سال گذشته، BA کاربردهای موفقی را در حوزه های مختلف بهینه سازی ترکیبی از جمله مشکلات موجودی نشان داده است. [۴۶]، SCND [47]، مشکلات مسیریابی خودرو [۴۸]، و پحداکثر موقعیت مکانی تسهیلات [۴۹]. در طول فرآیند بهینه سازی، به روز رسانی یک خفاش من ، واقع در ایکس من تی ، با یک سرعت v من تی ، در زمان تی ، توسط معادلات (۱۸) – (۲۰) اداره می شود.

f من = f متر من n + f متر آ ایکس f متر من n × آ

v من تی = v من تی ۱ + ایکس من تی ایکس * × f من

ایکس من تی = ایکس من تی ۱ + v من تی

جایی که f من فرکانس پالس ساطع شده توسط خفاش را نشان می دهد من که به طور یکنواخت توزیع شده است U ( f متر من n ، f متر آ ایکس ). آ عددی است که به طور تصادفی بین ۰ و ۱ ایجاد می شود. ایکس * نشان دهنده موقعیت بهینه جهانی فعلی در آن زمان است تی

به طور معمول، در طول فرآیند جستجو، صدای خفاش کاهش می‌یابد در حالی که وقتی طعمه‌ای را پیدا می‌کند، نبض آن به تدریج افزایش می‌یابد، همانطور که در معادلات (۲۱) و (۲۲) نشان داده شده است.

آ من تی = ب × آ من تی ۱

r من تی = r من ۰ × ۱ ه ایکس پ ج تی

جایی که ب و ج ثابت های مثبت هستند برای هرچی ۰ < ب < ۱ و ج > ۰ ، نشان داده شده است که وقتی تی + ، بلندی صدا آ من تی ۰ و طول موج r من تی r من ۰ . VNS روشی است که به طور گسترده مورد استفاده قرار می گیرد که به دلیل قابلیت های بهینه سازی محلی موثر آن شناخته شده است که اغلب در الگوریتم های فراابتکاری ترکیبی ادغام می شود. الگوریتم VNS از اصلاحات محلی برای کشف فضای راه حل استفاده می کند و به طور مکرر از راه حل فعلی به راه حل جدید برای شناسایی یک راه حل بهینه محلی حرکت می کند. الگوریتم ۲ شبه کد الگوریتم HBA-VNS را ارائه می کند.

الگوریتم ۲: شبه کد HBA-VNS
۱ پارامتر اولیه را تعریف کنید Popsize (اندازه جمعیت) و MaxIter (حداکثر تکرار)
۲ ایجاد جمعیت اولیه خفاش ها ایکس من و v من
۳ مقادیر اولیه ضربان نبض را تنظیم کنید r من ۰ و بلندی صدا آ من ۰
۴ در حالی که الگوریتم به معیار پایانی نمی رسد (MaxIter) انجام دادن
۵ برای هر خفاش من در جمعیت انجام دادن
۶ با استفاده از معادلات (۱۸) – (۲۰) یک راه حل جدید ایجاد کنید.
۷   اگر r آ n د > r من
۸ راه حلی را از بین بهترین افراد در جمعیت فعلی انتخاب کنید
۹ یک راه حل محلی پیرامون بهترین راه حل انتخاب شده ایجاد کنید
۱۰   پایان اگر
۱۱ با پرواز تصادفی راه حل جدیدی ایجاد کنید
۱۲   اگر r آ n د < آ من آ n د f ایکس من < f ایکس *
۱۳ راه حل جدید را بپذیرید
۱۴ افزایش پارامترها r من و کاهش دهد آ من با توجه به معادلات (۲۱) و (۲۲).
۱۵   پایان اگر
۱۶ پایان برای
۱۷ جمعیت فعلی را رتبه بندی کنید و به راه حل بهینه برگردید ایکس *
۱۸ راه حل بهینه را انتخاب کنید ایکس * به عنوان راه حل اولیه، VNS را برای جستجوی محلی/اجرای الگوریتم ۱ اعمال کنید
۱۹ پایان در حالی که

۴٫۴٫ الگوریتم HSFLA-VNS

SFLA، یک الگوریتم الهام گرفته از طبیعت، رفتار جستجوی علوفه قورباغه ها را تقلید می کند و اولین بار توسط Eusuff و Lansey معرفی شد. [۵۰] برای بهینه سازی طراحی شبکه های توزیع آب SFLA کاربردهای موفقیت آمیزی را در حل مسائل مختلف از جمله مسئله توالی خط مونتاژ نشان داده است. [۵۱]، برنامه ریزی کارگاهی انعطاف پذیر [۵۲]، مشکل مسیریابی خودرو [۵۳,۵۴]و مشکل برنامه ریزی لجستیک [۵۵]. با این حال، SFLA سنتی محدودیت هایی مانند جستجوی محلی ناکارآمد و همگرایی زودرس را نشان می دهد. برای بهینه سازی کارایی روش جستجوی محلی در SFLA، ما ترکیبی از VNS را برای مقابله با مشکل خاص خود پیشنهاد می کنیم. برای کسب اطلاعات دقیق تر در مورد SFLA، به محققان توصیه می شود که به کار آن مراجعه کنند [۵۳]. الگوریتم ۳ شبه کد الگوریتم HSFLA-VNS را ارائه می دهد.

الگوریتم ۳: شبه کد HSFLA-VNS
۱ تنظیم پارامترها ( م آ ایکس من تی ه r (شماره تکرار جهانی)، L من تی ه (شماره تکرارهای محلی)، Popsize (میزان جمعیت)، متر (ممپلکس)
۲ قورباغه ها را به طور تصادفی اولیه کنید و آنها را ارزیابی کنید
۳ در حالی که الگوریتم به معیار پایانی نمی رسد (MaxIter) انجام دادن
۴ برای j = 1 به متر انجام دادن
۵   برای k = 1 به L من تی ه انجام دادن
۶ قورباغه ها را در ممپلکس ها مرتب کنید j
۷ به روز رسانی ایکس w ، تولید می کنند ایکس w n ه w
۸    اگر f ایکس w n ه w < f ایکس w
۹      ایکس w ایکس w n ه w ، ادامه هید
۱۰      ایکس g جایگزین می کند ایکس ب برای به روز رسانی ایکس w
۱۱    اگر f ایکس w n ه w < f ایکس w
۱۲      ایکس w ایکس w n ه w ، ادامه هید
۱۳      ایکس w با راه حل تصادفی جایگزین می شود
۱۴    پایان اگر
۱۵   پایان برای
۱۶ پایان برای
۱۷ همه قورباغه ها را در هر memeplex در یک جمعیت جدید ترکیب کنید
۱۸ جمعیت جدید را رتبه بندی کنید و به راه حل بهینه برگردید ایکس س *
۱۹ راه حل بهینه را انتخاب کنید ایکس س * به عنوان راه حل اولیه، VNS را برای جستجوی محلی اعمال کنید// اجرای الگوریتم ۱
۲۰ پایان در حالی که
۲۱ بازگشت به بهترین راه حل جهانی ایکس g * .

۴٫۵٫ الگوریتم HCS-VNS

الگوریتم CS که توسط یانگ و دب معرفی شد [۵۶]، یک الگوریتم هوش فراابتکاری است که از رفتار پرورش فاخته در طبیعت الهام می گیرد. اصول اصلی آن شامل سبک پرورش انگلی فاخته ها و مکانیسم پرواز Lévy است. CS کاربردهای موفقی را در حوزه های مختلف از جمله مشکل زمان بندی کارگاه جریان نشان داده است [۵۷,۵۸]، مشکل مسیریابی تولید [۵۹]و مشکل مسیریابی تولید – موجودی [۳۷]. برای درک جامع‌تر از CS، محققان تشویق می‌شوند تا با آثار آن مشورت کنند [۵۶,۵۹]. برای افزایش بیشتر کارایی روش جستجوی محلی در CS، ما آن را با VNS ادغام کرده‌ایم تا مشکل خاص خود را برطرف کنیم. الگوریتم ۴ شبه کد الگوریتم HCS-VNS را تشریح می کند.

الگوریتم ۴: شبه کد HCS-VNS
۱ پارامترها را تنظیم کنید Popsize (نت های میزبان)، MaxIter (حداکثر تعداد تکرار)، پ آ (احتمال تشخیص میزبان)
۲ ایجاد جمعیتی از Popsize شبکه های میزبان من ۱ ، ن
۳ ارزش تناسب اندام را ارزیابی کنید، o ب j ایکس من از هر لانه من
۴ بهترین راه حل جهانی اولیه را به عنوان ضبط کنید ایکس ب
۵ در حالی که الگوریتم به معیار پایانی نمی رسد (MaxIter) انجام دادن
۶ پرواز Lévy، موقعیت لانه‌های میزبان را به‌روزرسانی کنید
۷ ارزش عینی آن را ارزیابی کنید o ب j ایکس من
۸ یک لانه انتخاب کنید ل ۱ ، ن به صورت تصادفی
۹ اگر o ب j ایکس من < o ب j ایکس ل
۱۰ محلول را جایگزین کنید ل با محلول من
۱۱ پایان اگر
۱۲ یک کسری پ آ بدترین تورها رها شده اند
۱۳ لانه/راه حل جدید با استفاده از پرواز Lévy ساخته شده است
۱۴ حفظ راه حل های بهینه (یا لانه سازی با راه حل های با کیفیت)
۱۵ ارزیابی راه حل ها و شناسایی راه حل بهینه فعلی به عنوان ایکس ب *
۱۶ راه حل بهینه را انتخاب کنید ایکس ب * به عنوان راه حل اولیه، VNS را برای جستجوی محلی اعمال کنید// اجرای الگوریتم ۱
۱۷ پایان در حالی که
۱۸ بازگشت به بهترین راه حل جهانی ایکس g *
۱۹ خروجی:
ایکس g *

۵٫ آزمایشات محاسباتی

برای ارزیابی کارایی الگوریتم فراابتکاری پیشنهادی، ابتدا فرآیند تولید داده را معرفی می‌کنیم. متعاقباً، توضیح مفصلی از معیارهای ارزیابی و تکنیک‌های مورد استفاده برای تنظیم پارامتر ارائه می‌شود. پس از آن، نتایج به‌دست‌آمده توسط الگوریتم‌های HBA-VNS، HSFLA-VNS، HCS-VNS و الگوریتم معیار HGA-VNS، بر اساس معیارهای ارزیابی مختلف تحلیل و مقایسه می‌شوند. علاوه بر این، الگوریتم های پیشنهادی با توجه به مرز پارتو به دست آمده ارزیابی می شوند. در نهایت، برای اعتبارسنجی مدل SPPSCN، مجموعه‌ای از تحلیل‌های حساسیت به کار گرفته شد. پیاده سازی الگوریتم های پیشنهادی با استفاده از MATLAB انجام شد® نرم افزار ۲۰۲۰a در رایانه شخصی با فرکانس ۲٫۴ گیگاهرتز.

۵٫۱٫ موارد

در این مقاله، یک آزمایش عددی برای مقایسه الگوریتم‌های پیشنهادی با HGA-VNS ابداع شد. جست‌وجوی ادبیات عدم وجود مجموعه داده‌های معیار استاندارد برای مشکل تحقیق ما را نشان داد. نمونه‌های آزمایشی تولید شده به‌طور تصادفی برای نمایش مشکلات عملی مورد نیاز هستند. داده های تولید شده در ارائه شده است جدول ۲. علاوه بر این، ۱۰ نمونه با اندازه های مختلف نشان داده شده است جدول ۳، که شامل تامین کنندگان (من، تولید کنندگان (جی، DCهای نامزد (ک، خرده فروشان (L)، مواد خام (آرمحصول فاسد شدنی (پ، و دوره های (T).

۵٫۲٫ روش تاگوچی برای تنظیم پارامتر

تنظیم پارامترها یا الگوریتم های فراابتکاری بسیار مهم است زیرا مستقیماً بر عملکرد و کارایی آنها تأثیر می گذارد. [۶۰,۶۱]. در این مطالعه از روش تاگوچی برای تنظیم این پارامترها استفاده شد. یک مفهوم کلیدی در روش تاگوچی نسبت سیگنال به نویز است که نسبت بین سیگنال و نویز را اندازه گیری می کند و به عنوان یک شاخص عملکرد مهم برای الگوریتم عمل می کند. به حداکثر رساندن نسبت سیگنال به نویز در طول فرآیند تنظیم پارامتر به شناسایی ترکیب پارامترهای بهینه کمک می‌کند و عملکرد بهینه الگوریتم و نتایج مطلوب را تضمین می‌کند. معادله (۲۳) فرمول مقدار S/N را نشان می دهد.

اس / ن r آ تی من o = ۱۰ × ل o g من = ۱ n Y من ۲ / n

جایی که Y من نشان دهنده مقدار پاسخ برای من آرایه متعامد، و n تعداد کل آرایه های متعامد را نشان می دهد.

با استفاده از آرایه‌های متعامد، روش تاگوچی به طور موثر تعداد کل آزمایش‌های مورد نیاز برای کنترل الگوریتم‌های پیشنهادی را در یک بازه زمانی معقول کاهش می‌دهد. در این مطالعه، آرایه متعامد L27 برای تمامی الگوریتم‌های HBA-VNS، HSFLA-VNS، HCS-VNS و HGA-VNS با استفاده از نرم‌افزار Minitab 19 انتخاب شد. سطوح فاکتورها (مرتبط با پارامترهای الگوریتم) در ارائه شده است جدول ۴، که در آن سه سطح برای فاکتورهای الگوریتم مشخص شده است.
هنگام مقایسه نتایج به‌دست‌آمده از آزمایش‌های علمی، ممکن است چالش‌هایی به دلیل تفاوت در مسئله آزمون یا اندازه تابع هدف ایجاد شود. برای پرداختن به این موضوع، محققان روشی را برای تبدیل داده های تجربی به انحرافات درصد نسبی (RPD) ابداع کرده اند. معادله (۲۴) معمولاً برای محاسبه مقدار RPD داده های تجربی استفاده می شود.

آر پ D = آ ل g س o ل ب ه س تی س o ل ب ه س تی س o ل × ۱۰۰ %

شرایط آ ل g س o ل و ب ه س تی س o ل مقادیر تابع هدف به دست آمده برای هر تکرار الگوریتم و بهترین راه حل کشف شده توسط الگوریتم را نشان دهید. سپس مقادیر تابع هدف برای هر آزمایش به RPD تبدیل می‌شود و میانگین RPD محاسبه می‌شود.

خروجی نسبت S/N توسط نرم افزار Minitab برای شناسایی سطوح بهینه برای هر الگوریتم، همانطور که در نشان داده شده است، تجزیه و تحلیل می شود. شکل ۲. مقادیر بالاتر نسبت S/N نشان‌دهنده الگوریتم‌های قوی‌تر است و این سطوح بهینه در نظر گرفته می‌شوند. همانطور که در شکل ۲سطوح بهینه برای الگوریتم HBA-VNS به شرح زیر است: A3، B3، C2، D3، E2، F2، G1، و H2. برای الگوریتم HSFLA-VNS، سطوح بهینه برای پارامترهای مربوطه به شرح زیر مشخص می‌شوند: A3، B2، C1، D1، E1 و F2. به طور مشابه، برای الگوریتم HCS-VNS، سطوح بهینه برای پارامترهای مربوطه به شرح زیر تنظیم می شود: A3، B2، C2، D1 و E3. در نهایت، برای الگوریتم HGA-VNS، سطوح پارامتر بهینه A3، B3، C1، D3، E3 و F3 تعیین می‌شوند.

۵٫۳٫ مقایسه نتایج

بر اساس داده های پارامتر مدل مربوطه استخراج شده از جدول ۲ و جدول ۳در کنار پیکربندی‌های پارامتر بهینه به‌دست‌آمده از روش تجربی تاگوچی، یک تحلیل مقایسه‌ای روی الگوریتم‌های پیشنهادی انجام شد: HBA-VNS، HSFLA-VNS، HCS-VNS و HGA-VNS. شکل ۳ جبهه‌های پارتو تولید شده توسط این الگوریتم‌ها را برای P3، P6 و P9 به نمایش می‌گذارد و معیارهای مختلفی مانند هزینه کل، اثرات زیست‌محیطی و تاثیر اجتماعی را به تصویر می‌کشد. یافته‌ها بر کارایی برتر HBA-VNS تاکید می‌کنند، که از نزدیک توسط HCS-VNS دنبال می‌شود. دو الگوریتم باقی مانده عملکرد قابل مقایسه ای را با تفاوت های حاشیه ای بین آنها نشان می دهند.

۵٫۴٫ معیارهای ارزیابی

علاوه بر این، معیارهای ارزیابی کارایی مختلف برای تسهیل ارزیابی مقایسه ای کیفیت راه حل های بهینه پارتو به دست آمده توسط الگوریتم ها توضیح داده شده است. مطالعه ما از شش معیار ارزیابی استفاده می‌کند: (الف) تعداد راه‌حل‌های پارتو (NPS)، (ب) میانگین فاصله ایده‌آل (MID)، (ج) گسترش راه‌حل غیر غالب (SNS)، (د) متریک تنوع (DM) ، (ه) تحلیل پوششی داده ها (DEA) و (و) درصد تسلط (POD). این معیارهای ارزیابی در مطالعات قبلی گویندان، جعفریان و نوربخش به کار گرفته شده است. [۴۱] و کامران و همکاران [۶۲].
این معیارها از جبهه های پارتو به دست آمده در تمام سناریوهای آزمایشی مشتق شده اند و ارزیابی جامعی از عملکرد هر روش ارائه می دهند. نتایج این معیارهای ارزیابی به تفصیل در جدول A1 از پیوست اول. برای اطمینان از مقایسه، نتایج ارائه شده در جدول A1 به شاخص انحراف نسبی (RDI) استاندارد شده اند. [۴۱]، همانطور که توسط معادله (۲۵) تعریف شده است.

آر D من = آ ل g س o ل ب ه س تی س o ل م آ ایکس س o ل م من n س o ل × ۱۰۰ %

جایی که آ ل g س o ل نشان دهنده ارزش عینی است، م آ ایکس س o ل و م من n س o ل مقادیر حداکثر و حداقل برای هر معیار عملکرد به ترتیب و ب ه س تی س o ل نشان دهنده بهترین راه حل در الگوریتم (یا م آ ایکس س o ل یا م من n س o ل بسته به ماهیت متریک). لازم به ذکر است که مقدار RDI کمتر نشان دهنده عملکرد بهتر است.

تجزیه و تحلیل آماری اثربخشی الگوریتم با محاسبه فاصله اطمینان ۹۵ درصد برای معیارهای عملکرد همه الگوریتم‌ها انجام شد. شکل ۴ نمودار میانگین و بازه‌های کمترین اختلاف معنی‌دار (LSD) را برای همه الگوریتم‌ها نمایش می‌دهد. شکل ۴a,f تفاوت‌های آماری معنی‌داری را بین روش‌های مربوط به معیارهای NPS و POD نشان می‌دهد که HBA-VNS از سایر روش‌ها بهتر عمل می‌کند. HCS-VNS به دنبال دارد، در حالی که HSFLA-VNS و HGA-VNS تفاوت معنی داری بین آنها نشان نمی دهند، که نشان می دهد HBA-VNS راه حل های غیر غالب بیشتری را به دست می آورد. شکل ۴b,d تفاوت آماری معنی‌داری بین HBA-VNS و HCS-VNS در معیارهای MID و DM نشان نمی‌دهد، اما تفاوت‌های معنی‌داری در مقایسه با HSFLA-VNS و HGA-VNS نشان می‌دهد. این نتایج نشان می‌دهد که HBA-VNS و HCS-VNS مجموعه‌های راه‌حلی را ارائه می‌کنند که به طور یکنواخت‌تر در امتداد جبهه پارتو توزیع شده‌اند، همگرایی بهتری را نشان می‌دهند و تنوع برتر را نشان می‌دهند. شکل ۴c نشان‌دهنده تفاوت آماری معنی‌دار بین HBA-VNS و سه الگوریتم دیگر در متریک SNS است. مجموعه راه حل غیر غالب به دست آمده توسط HBA-VNS گسترده تر و به جبهه پارتو نزدیک تر است، در حالی که سه روش دیگر تفاوت قابل توجهی بین خود نشان نمی دهند. سرانجام، شکل ۴e هیچ تفاوت آماری معنی‌داری بین الگوریتم‌ها نشان نمی‌دهد، که نشان‌دهنده کارایی مشابه در به دست آوردن همه راه‌حل‌های غیر غالب است. به طور کلی، HBA-VNS بهترین عملکرد را نشان می دهد، به دنبال آن HCS-VNS، با HSFLA-VNS و HGA-VNS عملکرد مشابهی دارند.

۵٫۵٫ تجزیه و تحلیل و بحث

برای درک بهتر رفتار مدل SPPSCN و ارزیابی مزایای عملی رویکرد پیشنهادی، چندین تحلیل حساسیت بر روی پارامترهای مدل کلیدی انجام شد. در این راستا، یک مسئله آزمون، P9، انتخاب شد و الگوریتم HBA-VNS به عنوان کارآمدترین الگوریتم فراابتکاری برای این مطالعه شناسایی شد. تغییرات مختلف مدل SPPSCN توسعه یافته، از جمله تقاضا، ماندگاری مواد خام و عمر مفید محصول، مورد بررسی قرار گرفت. نتایج دقیق تجزیه و تحلیل حساسیت را می توان در اینجا یافت شکل ۵، شکل ۶، شکل ۷، شکل ۸ و شکل ۹.
شکل ۵ روابط مستقیم بین تغییر تقاضا و هزینه های کل، اثرات زیست محیطی و اثرات اجتماعی را نشان می دهد. با این حال، این عوامل نرخ های نوسان متفاوتی را نشان می دهند. به طور خاص، زمانی که تقاضا ۴۰ درصد افزایش می یابد، هزینه های کل، اثرات زیست محیطی و نرخ تأثیرات اجتماعی به ترتیب ۴۰ درصد، ۳۹ درصد و ۳۳ درصد افزایش می یابد.
شکل ۶ نشان می دهد که چگونه افزایش ماندگاری مواد خام به طور مستقیم بر هزینه ها، محیط زیست و جامعه تأثیر می گذارد. با این حال، این کاهش ها و تغییرات در بازه های زمانی متفاوت است. در طول انتقال از یک به دو دوره، کاهش قابل توجهی در هزینه های کل (۲۱٪)، اثرات زیست محیطی (۱۲٪) و اثرات اجتماعی (۳٪) وجود دارد. این دوره نرخ نسبتاً بالاتری از کاهش را در مقایسه با کاهش تقریباً ۱۰٪، ۸٪ و ۰٪ مشاهده شده بین دو تا هشت دوره نشان می دهد. قابل ذکر است، بین هشت تا ده دوره، همه عوامل ثابت می مانند.
برای بررسی عوامل زمینه‌ای، ما یک تجزیه و تحلیل حساسیت روی عمر مفید مواد خام در تمام اجزای توابع هدف انجام دادیم. شکل ۷ نشان می دهد که انتقال از یک به دو دوره به طور قابل توجهی بر هزینه زوال اثر می گذارد. هزینه های تهیه، حمل و نقل و موجودی نیز به تغییرات عمر مفید حساس هستند، البته به میزان کمتر. ماندگاری کوتاه‌تر زباله‌ها را افزایش می‌دهد و نیاز به خرید، حمل‌ونقل و مدیریت موجودی بیشتری دارد که منجر به افزایش اثرات زیست‌محیطی می‌شود. با این حال، ایجاد شغل توسط تولیدکنندگان و DCها بی‌تأثیر باقی می‌ماند که نشان‌دهنده تأثیرات اجتماعی محدود است. بین دو تا هشت دوره، عمر مفید در درجه اول بر عملکرد موجودی مواد خام تأثیر می گذارد. پس از هشت دوره، همه عوامل ثابت می مانند.
مشابه تجزیه و تحلیل قبلی در مورد ماندگاری مواد خام، ما تأثیر ماندگاری محصول را بر عملکردهای هدف بررسی کردیم. شکل ۸ نشان می دهد که افزایش عمر مفید محصول هزینه کل و اثرات زیست محیطی را در سیستم زنجیره تامین کاهش می دهد. با این حال، کمیت شغل ممکن است کاهش جزئی را تجربه کند. کاهش ها و تغییرات در فواصل زمانی متفاوت است. انتقال از یک به دو دوره کاهش قابل توجهی در هزینه کل (۴۳٪)، اثرات زیست محیطی (۴۰٪) و اثرات اجتماعی (۲۵٪) به همراه دارد. بین دو تا ده دوره، کاهش‌ها شیب تقریباً ۶، ۵، و ۰ درصد را دنبال می‌کنند.
شکل ۹ تجزیه و تحلیل حساسیت مدت ماندگاری محصول را بر روی عملکردهای مختلف هدف گزارش می کند. از یک تا دو دوره، هزینه زوال حساسیت بالایی به ماندگاری محصول نشان می‌دهد و به دنبال آن هزینه‌های تهیه، تولید، حمل‌ونقل، بهره‌برداری و موجودی. ماندگاری طولانی‌تر ضایعات محصول را کاهش می‌دهد و در نتیجه خرید مواد خام، عملیات تولید و موجودی، استفاده از DC و حمل و نقل درون شبکه را کاهش می‌دهد و در نتیجه اثرات زیست‌محیطی را کاهش می‌دهد. اثرات اجتماعی عمدتاً به کاهش تولید و باز شدن محدود DCهای جدید نسبت داده می شود. بین دو تا ده دوره، عمر مفید در درجه اول بر عملکرد موجودی تاثیر می گذارد، در حالی که سایر عوامل هیچ حساسیتی به ماندگاری محصول نشان نمی دهند.

از طریق تجزیه و تحلیل حساس انجام شده بر روی نمونه P9، مشاهده می شود که افزایش تقاضا تأثیری تقریبا خطی بر اهداف مربوطه دارد. برعکس، تأثیر افزایش عمر مفید مواد خام و ماندگاری محصول بر این اهداف به محدوده خاصی محدود می شود. فراتر از یک آستانه خاص، تأثیر ناچیز می شود.

۵٫۶٫ بینش ها

  • از لحاظ نظری، این مطالعه جنبه های مختلف پایداری از جمله اثرات اقتصادی، زیست محیطی و اجتماعی را در نظر می گیرد. بر اساس ماندگاری مواد اولیه و محصولات نهایی و با در نظر گرفتن عدم قطعیت پارامترهای مختلف در مدل، یک مدل بهینه‌سازی چند هدفه ساخته شد.

  • برای حل مدل پیشنهادی، سه روش اکتشافی مبتنی بر الگوریتم‌های فراابتکاری برای اولین بار بسط داده شد. شش معیار ارزیابی – NPS، MID، SNS، DM، DEA، و POD- برای اعتبارسنجی الگوریتم‌های ترکیبی پیشنهادی استفاده شد. نتایج این معیارها نشان می دهد که الگوریتم HBA-VNS عملکرد و کارایی بالایی را نشان می دهد.

  • مدل بهینه‌سازی مشترک ایجاد شده، تصمیم گیرندگان زنجیره تامین را قادر می‌سازد تا تحت شرایط نامشخص تصمیمات جامع اتخاذ کنند و در نتیجه لجستیک بهینه را در شبکه تعیین کنند.

  • تمرکز بر ماندگاری مواد خام و محصولات نهایی می تواند هزینه های کل و اثرات زیست محیطی را در محدوده خاصی کاهش دهد، اما ممکن است مزایای اجتماعی را نیز کاهش دهد. تصمیم گیرندگان می توانند با طراحی مقادیر محدوده معقول، هزینه ها را با مزایای زیست محیطی و اجتماعی شبکه زنجیره تامین متعادل کنند.

۶٫ نتیجه گیری و کارهای آینده

این مقاله یک مدل جامع برای یک شبکه زنجیره تامین فاسد شدنی ارائه کرده است که سه ستون پایداری را در بر می گیرد. ویژگی های منحصر به فرد محصولات فاسد شدنی را به طور کلی در نظر گرفته است. مدل توسعه‌یافته به مشکل تولید-موقعیت-موجودی چند مرحله‌ای، چند محصولی و چند دوره‌ای در SPPSCN می‌پردازد. برای حل این مدل، سه الگوریتم فراابتکاری ترکیبی (HBA-VNS، HSFLA-VNS، و HCS-VNS) پیشنهاد شده است که هر کدام از آنها ترکیبی از الگوریتم خفاش (BA)، الگوریتم جهش قورباغه به هم ریخته (SFLA) و جستجوی فاخته (CS) است. جستجوی محله متغیر (VNS). با توجه به حساسیت روش های فراابتکاری، از روش تاگوچی برای تنظیم پارامترها استفاده شده است. کیفیت مرز پارتو به دست آمده با مقایسه رویکردهای پیشنهادی با الگوریتم معیار، HGA-VNS، با استفاده از شش معیار ارزیابی شده است. آزمایش‌های عددی عملکرد برتر HBA-VNS را نشان داده‌اند. علاوه بر این، تجزیه و تحلیل حساسیت در مورد P9 نشان می دهد که افزایش تقاضا تأثیر تقریباً خطی بر اهداف مربوطه دارد. در مقابل، افزایش ماندگاری مواد خام و محصولات تنها بر این اهداف در یک محدوده خاص تأثیر می گذارد. فراتر از این نقطه، اثر ناچیز می شود.

تحقیقات آینده می‌تواند تکنیک‌های برنامه‌ریزی عدم قطعیت جایگزین، از جمله بهینه‌سازی قوی و مجموعه فازی را برای افزایش مدل‌سازی عدم قطعیت‌ها بررسی کند. ادغام مفاهیم انعطاف‌پذیر، برنامه‌ریزی مسیریابی وسایل نقلیه، حالت‌های حمل‌ونقل متنوع، و تدارکات زنجیره سرد، مسیری جذاب برای حل مشکل در SCN‌ها ارائه می‌دهد. علاوه بر این، محققان می‌توانند ادغام الگوریتم‌های هوش مصنوعی را در چارچوب الگوریتم‌های فراابتکاری برای بهبود رویکرد حل مسئله پیشنهادی بررسی کنند. در نهایت، استفاده از پتانسیل فناوری بلاک چین و اینترنت اشیا را می توان در مطالعات آینده برای افزایش عملکرد SPPSCN مورد بررسی قرار داد.

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | بهینه سازی شبکه زنجیره تامین پایدار برای محصولات فاسد شدنی
,۲۰۲۴-۰۶-۱۲ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/12/5003

به اشتراک بگذارید
تعداد دیدگاه : 0
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.