امروز : دوشنبه, ۴ تیر , ۱۴۰۳
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 […]
۱٫ معرفی
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
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
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
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
۴٫۱٫ نمایندگی راه حل
- (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 = 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 ، 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 نشان دهنده علائم سازنده است، در حالی که مقادیر کمتر از 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 ۱: شبه کد VNS | |
۱ | مقداردهی اولیه |
تنظیم پارامترها (حداکثر تکرار ساختارهای محله ) | |
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 | |
۲ | برای ک به Vmax_it انجام دادن: |
۳ | برای من به انجام دادن |
۴ | اس |
۵ | به طور تصادفی یک راه حل را انتخاب کنید از جانب // تکان دادن |
۶ | جستجوی محله را اعمال کنید به برای به دست آوردن راه حل بهبود یافته |
۷ | ارزیابی کنید |
۸ | اگر f f |
۹ | و شکستن |
۱۰ | در غیر این صورت اگر f f |
۱۱ | یکی از آنها را به صورت تصادفی انتخاب کنید |
۱۲ | پایان اگر |
۱۳ | پایان برای |
۱۴ | پایان برای |
۱۵ | گزارش |
۱۶ | پایان |
۴٫۳٫ الگوریتم HBA-VNS
جایی که فرکانس پالس ساطع شده توسط خفاش را نشان می دهد من که به طور یکنواخت توزیع شده است U (، ). عددی است که به طور تصادفی بین ۰ و ۱ ایجاد می شود. نشان دهنده موقعیت بهینه جهانی فعلی در آن زمان است تی
جایی که و ثابت های مثبت هستند برای هرچی و ، نشان داده شده است که وقتی ، بلندی صدا و طول موج 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 و |
۳ | مقادیر اولیه ضربان نبض را تنظیم کنید و بلندی صدا |
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 |
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 |
۱۳ | راه حل جدید را بپذیرید |
۱۴ | افزایش پارامترها و کاهش دهد 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 |
۱۸ | راه حل بهینه را انتخاب کنید 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
الگوریتم ۳: شبه کد HSFLA-VNS | |
۱ | تنظیم پارامترها ( (شماره تکرار جهانی)، (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 انجام دادن |
۶ | قورباغه ها را در ممپلکس ها مرتب کنید j |
۷ | به روز رسانی تولید می کنند |
۸ | اگر |
۹ | ، ادامه هید |
۱۰ | جایگزین می کند برای به روز رسانی |
۱۱ | اگر |
۱۲ | ، ادامه هید |
۱۳ | 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 |
۱۹ | راه حل بهینه را انتخاب کنید 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 |
۴٫۵٫ الگوریتم HCS-VNS
الگوریتم ۴: شبه کد HCS-VNS | |
۱ | پارامترها را تنظیم کنید Popsize (نت های میزبان)، MaxIter (حداکثر تعداد تکرار)، (احتمال تشخیص میزبان) |
۲ | ایجاد جمعیتی از Popsize شبکه های میزبان |
۳ | ارزش تناسب اندام را ارزیابی کنید، از هر لانه من |
۴ | بهترین راه حل جهانی اولیه را به عنوان ضبط کنید |
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 |
۸ | یک لانه انتخاب کنید به صورت تصادفی |
۹ | اگر |
۱۰ | محلول را جایگزین کنید ل با محلول من |
۱۱ | پایان اگر |
۱۲ | یک کسری 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 |
۱۶ | راه حل بهینه را انتخاب کنید 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 |
۱۹ | خروجی: |
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
۵٫۲٫ روش تاگوچی برای تنظیم پارامتر
جایی که نشان دهنده مقدار پاسخ برای آرایه متعامد، و n تعداد کل آرایه های متعامد را نشان می دهد.
شرایط و 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.
۵٫۳٫ مقایسه نتایج
۵٫۴٫ معیارهای ارزیابی
جایی که نشان دهنده ارزش عینی است، و مقادیر حداکثر و حداقل برای هر معیار عملکرد به ترتیب و نشان دهنده بهترین راه حل در الگوریتم (یا یا بسته به ماهیت متریک). لازم به ذکر است که مقدار RDI کمتر نشان دهنده عملکرد بهتر است.
۵٫۵٫ تجزیه و تحلیل و بحث
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
برای , بهینه , پایدار , پایداری , تامین , رایگان , زنجیره , سازی , شبکه , شدنی , فاسد , کامل , متن , محصولات
- 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.