ارائه مدل جدید مکان‌یابی- مسیریابی- موجودی سبز تحت عدم قطعیت

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد مهندسی صنایع، دانشگاه تهران، دانشکده فنی فومن، گیلان، ایران

2 عضو هیات علمی گروه مهندسی صنایع، دانشگاه گلستان، گرگان، ایران

3 عضو هیئت علمی دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه تهران، تهران، ایران.

چکیده

اکثر پژوهشهای انجام شده در زمینه لجستیک و برنامه‌ریزی توزیع، نگرش یکسانی به مولفههای موجودی نظیر مقدار سفارش، تعداد دفعات سفارش و مقدار ذخیره اطمینان مراکز ذخیرهسازی موجودی دارند. در صورتیکه با توجه به مشتریان هر مرکز، مولفه‌های موجودی میتواند برای هر مرکز متفاوت باشد. پژوهش حاضر، صورت جدیدی از مسأله مکانیابی- مسیریابی- موجودی تحت عدم قطعیت با در نظر گرفتن ملاحظات زیستمحیطی ارائه میدهد که بهطور همزمان تعداد و موقعیت مراکز توزیع، تخصیص خردهفروشان به این مراکز و مسیرهای فعال و ترتیب برآورده سازی تقاضای آنها در هر مسیر، مقدار بهینه هر بار سفارش، تعداد دفعات سفارش هر یک از مراکز توزیع و نیز سطح ذخیره اطمینانی که در هر مرکز توزیع باید نگهداری شود را به‌طور همزمان تعیین میکند بهطوریکه هزینه مورد انتظار سالانه و همچنین میزان انتشار گازهای آلاینده ناشی از ناوگان حمل و نقل طی فرآیند تحویل در کل شبکه کمینه شود. ماهیت پیچیده مدل پیشنهادی و قرار گرفتن آن در زمره مسائل NP-hard، لزوم بهره‌گیری از رویکردهای فراابتکاری را جهت رسیدن به جواب‌های بهینه ایجاب می‌کند. لذا الگوریتم‌ ژنتیک با مرتب‌سازی نامغلوب (NSGA_II)، الگوریتم بهینهسازی ازدحام ذرات چندهدفه (MOPSO) و الگوریتم تکاملی قدرت پارتو ((SPEA-II برای حل مسئله استفاده شده‌اند. در پایان، نتایج حاصل از عملکرد الگوریتم‌ها بر اساس شاخص‌های استاندارد مورد مقایسه و تجزیه‌وتحلیل قرار گرفته است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

A New Model for Green Location- Routing- Inventory Problem under Uncertainty

نویسندگان [English]

  • Meysam Mahjoon Nia 1
  • Nooraddin Dabiri 2
  • Ali Bozorgi-Amiri 3
1 MSc in Industrial Engineering, University of Tehran, Fouman Faculty of Engineering
2 Assistant Professor, Department of Industrial Engineering, Golestan University, Gorgan, Iran
3 Assistant Professor, Department of Industrial and Systems Engineering, Tehran University,Tehran, Iran.
چکیده [English]

The most studies carried out in the logistics have had the same attitude towards inventory control components such as the optimal order quantity, order frequency and the amount of safety stock of inventory storage centers. For instance, they consider the number of inventory orders for all inventory storage centers as the same during the whole period of planning while according to customers of each distribution center, it may vary. In addition, we may determine the safety stock from different scenarios in each center. The present study offers a new model for location-routing-inventory under uncertainty with regard to environmental considerations. This model simultaneously determines the number and location of distribution centers, allocation of retailers to distribution centers and active routes and the order of visiting the retailers in each route, optimal order quantities, and optimal number of ordering times for each distribution center as well as the level of safety stock for each distribution center. Another aim of the study is minimizing the annual expected cost and the amount of carbon emissions from transport fleet during the delivery process in the entire network.
Since the proposed model is NP-hard problem, we recommend meta-heuristic approaches to obtain optimal solutions. Therefore, Non-dominated sorting genetic algorithm II (NSGA- II), multi-objective particle swarm optimization (MOPSO) and strength Pareto evolutionary algorithm II (SPEA-II) have been developed to solve the problem. Finally, we compare the performance of the proposed algorithms using standard measures. The results show the MOPSO is more efficient than both NSGA-II and SPEA-II.

کلیدواژه‌ها [English]

  • Distribution network design
  • Green supply chain
  • Carbon emission
  • Location-Routing-Inventory
  • Multi-objective optimization
[1]       Liu, S., Lee, S., (2003). “A two-phase heuristic method for the multi-depot location routing problem taking inventory control decisions into consideration”, International Journal of Advanced Manufacturing Technology, 22(11-12): 941-950.
[2]       Liu, S., Lin, C., (2005). “A heuristic method for the combined location routing and inventory problem”, International Journal of Advanced Manufacturing Technology, 26(4): 372-381.
[3]       Ambrosino, D., Grazia Scutellà, M., (2005) “Distribution network design: new problems and related models”, European journal of operational research, 165(3): 610-624.
[4]       Ma, Z., Dai, Y., (2007). “A Stochastic Location-Routing-Inventory Problem in Logistics Distribution Systems”, International Conference on Transportation Engineering, ASCE.
[5]       Ahmadi-Javid, A., Azad, N., (2010). “Incorporating location, routing and inventory decisions in supply chain network design”, Transportation Research Part E: Logistics and Transportation Review, 46(5): 582-597.
[6]       Yang, X., Ma, H., Zhang, D., (2010). “Research into ILRIP for Logistics Distribution Network of Deteriorating Item Based on JITD”, Information Computing and Applications. Springer, 152-160.
[7]       Ma, Z., Dai, Y., (2010). “Stochastic Dynamic Location-Routing-Inventory Problem in Two-Echelon Multi-Product Distribution Systems, Logistics for Sustained Economic Development: Infrastructure”, Information, Integration, (ICLEM), 2559-2565.
[8]       Reza Sajjadi, S., Hossein Cheraghi, S., (2011). “Multi-products location? routing problem integrated with inventory under stochastic demand”, International Journal of Industrial and Systems Engineering, 7(4): 454-476.
[9]       Ahmadi-Javid, A., Seddighi, A.H., (2012). “A location-routing-inventory model for designing multisource distribution networks”, Engineering Optimization, 44(6): 637-656.
[10]   Tavakkoli-Moghaddam, R., Forouzanfar, F., Ebrahimnejad, S., (2013). “Incorporating location, routing, and inventory decisions in a bi-objective supply chain design problem with risk-pooling”, Journal of Industrial Engineering International, 9(1): 1-6.
[11]   Xiao, Y., et al., (2012). Development of a fuel consumption optimization model for the capacitated vehicle routing problem. Computers & Operations Research, 39(7): 1419-1431.
[12]   Zitzler, E., (1999). “Evolutionary algorithms for multiobjective optimization: Methods and applications”, A dissertation submitted to the Swiss Federal Institute of Technology Zurich.
[13]   Zitzler, E., Marco, L., and Lothar T., (2001). “SPEA2: Improving the strength Pareto evolutionary algorithm, Eidgenössische Technische Hochschule Zürich (ETH)”, Institut für Technische Informatik und Kommunikationsnetze (TIK).
[14]   Deb, K., Amrit, P., Sameer A., Meyarivan, T., (2002). “A fast and elitist multiobjective genetic algorithm: NSGA-II”, IEEE Transactions on Evolutionary Computation, 6(2): 182-197.
[15]   Coello, C.A.C., Pulido, G.T.,  Lechuga, M.S. (2004). “Handling multiple objectives with particle swarm optimization”, IEEE Transactions on Evolutionary Computation, 8(3): 256-279.
[16]   Deb, K., Jain, S., (2002). “Running performance metrics for Evolutionary Multiobjective Optimization, KanGAL Report No. 2002004, Kanpur Genetic Algorithms Laborator”, Indian Institute of Technology Kanpur, India.