ترکیب جدید برنامه ریزی استوار با محدودیت اعتبار برای شبکه زنجیره تأمین حلقه بسته پاسخگو-پایا تحت عدم قطعیت و اختلالات

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار گروه مهندسی صنایع، دانشگاه خوارزمی، تهران ، ایران

2 دانشجوی دکترای مهندسی صنایع، دانشگاه خوارزمی، تهران، ایران

3 دانشیار گروه مهندسی صنایع،دانشگاه خوارزمی، تهران، ایران

چکیده

امروزه شبکه های زنجیره تامین در فضای کسب و کار رقابتی، با وقوع اختلالات احتمالی، ماهیت غیر قطعی پارامترهای کسب و کار و تغییرات مداوم بازار تقاضا مواجه اند که بر کارایی و عملکرد شبکه تاثیر گذارند بنابراین ضرورت دارد شبکه زنجیره تامین در مقابل وقوع اختلالات پایا، در برابر عدم قطعیت پارامتری استوار و در مواجه با پویایی بازار پاسخگو باشد این پژوهش، ترکیب جدید برنامه ریزی امکانی پایا-استوار را برای طراحی شبکه زنجیره تامین حلقه بسته چند محصولی تحت شرایط عدم قطعیت توسعه داده است برای توسعه رویکرد جدید از برنامه ریزی ریاضی محدودیت اعتبار استفاده شده است شبکه فوق با اهداف ماکزیمم سازی پاسخگویی و پایایی و مینیمم سازی هزینه طراحی شده است و جهت اطمینان یافتن از سطح بالای عملکرد شبکه زنجیره تامین در صورت وقوع اختلال از شاخص استواری با رویکرد مدل سازی مبتنی بر سناریو استفاده شده است. مدل های پایای مبتنی بر برنامه ریزی محدودیت اعتبار و ترکیب جدید استوار-محدودیت اعتبار ارائه گردید و با استفاده از داده های واقعی یک پروژه ملی صنعتی مورد ارزیابی قرار گرفتند نتایج نشان می دهد ترکیب جدید استوار پیشنهاد شده  با متوسط هزینه مطلوب و حداقل انحراف استاندارد ، استواری مدل و اثربخشی آن را ارتقا داده است.

کلیدواژه‌ها


[1] Mohammaddust, F., Rezapour, S., Farahani, R., Mofidfar, M., & Hill, A. (2017). Developing lean 

and responsive supply chains: A robust model for alternative risk mitigation strategies in supply chain designs. International Journal of Production Economics, Vol. 183, pp. 632-653.

[2] Babazadeh, R., Razmi, J., & Ghodsi, R. (2013). Facility location in responsive and flexible supply chain network design (SCND) considering outsourcing. International Journal of Operational Research, Vol. 17, pp. 295.

[3] Tiwari, M., Mahanty, B., Sarmah, S., & Jenamani, M. (2016). Modeling of Responsive Supply Chain. London: CRC Press.

[4] Pishvaee, M., Farahani, R., & Dullaert, W. 2010. A memetic algorithm for bi-objective integrated forward/reverse logistics network design. Computers & Operations Research, 37 (6): 1100-1112.

[5] Hiremath, N., Sahu, S., & Tiwari, M. (2012). Multi objective outbound logistics network design for a manufacturing supply chain. Journal of Intelligent Manufacturing, Vol. 24, pp. 1071-1084.

[6] Langenberg, K., Seifert, R., & Tancrez, J. (2012). Aligning supply chain portfolios with product portfolios. International Journal of Production Economics, Vol. 135, pp. 500-513.

[7] Ramezani, M., Bashiri, M., & Tavakkoli-Moghaddam, R. (2013). A new multi-objective stochastic model for a forward/reverse logistic network design with responsiveness and quality level. Applied Mathematical Modelling, Vol. 37, pp. 328-344.

[8] Ramezani, M., Kimiagari, A., Karimi, B., & Hejazi, T. (2014). Closed-loop supply chain network design under a fuzzy environment. Knowledge-Based Systems, Vol. 59, pp. 108-120.

[9] Mohammed, A., & Wang, Q. (2017). Developing a meat supply chain network design using a multi-objective possibilistic programming approach. British Food Journal, Vol. 119, pp. 690-706.

[10] Mousazadeh, M., Torabi, S., & Zahiri, B. (2015). A robust possibilistic programming approach for pharmaceutical supply chain network design. Computers & Chemical Engineering, Vol. 82, pp. 115-128.

[11] Vahdani, B., Tavakkoli-Moghaddam, R., Modarres, M., & Baboli, A. (2012). Reliable design of a forward/reverse logistics network under uncertainty: A Robust-M/M/c queuing model. Transportation Research Part E: Logistics and Transportation Review, Vol. 48, pp. 1152-1168.

[12] عقیانی، مونا.، جبارزاده، آرمین.، سجادی، سیدجعفر. (1394)، ارائه یک مدل بهینه سازی استوار جهت طراحی شبکه زنجیره تامین خون در شرایط بحران با در نظرگرفتن قابلیت اطمینان، نشریه مهندسی کیفیت، مرکز تحقیقات کیفیت و بهره وری پارسیان، سال 5، شماره 2.

[13] Peng, P., Snyder, L., Lim, A., & Liu, Z. (2011). Reliable logistics networks design with facility disruptions. Transportation Research Part B: Methodological, Vol. 45, pp. 1190-1211.

[14] Pishvaee, M., Razmi, J., & Torabi, S. (2012). Robust possibilistic programming for socially responsible supply chain network design: A new approach. Fuzzy Sets and Systems, Vol. 206, pp. 1-20.

[15] Snyder, L. (2006). Facility location under uncertainty: a review.IIE Transactions, 38(7), 547-564.

[16] Pan, F., & Nagi, R. (2010). Robust supply chain design under uncertain demand in agile manufacturing. Computers & Operations Research, Vol. 37, pp. 668-683.

[17] Baghalian, A., Rezapour, S., & Farahani, R. (2013). Robust supply chain network design with service level against disruptions and demand uncertainties: A real-life case. European Journal of Operational Research, Vol. 227, pp. 199-215.

[18] Klibi, W., & Martel, A. (2013). The design of robust value-creating supply chain networks. OR Spectrum, Vol. 35(4), pp. 867-903.

[19] Hatefi, S., & Jolai, F. (2014). Robust and reliable forward–reverse logistics network design under demand uncertainty and facility disruptions. Applied Mathematical Modelling, Vol. 38, pp. 2630-2647.

[20] Zhang, P., & Zhang, W. (2014). Multiperiod mean absolute deviation fuzzy portfolio selection model with risk control and cardinality constraints. Fuzzy Sets and Systems, Vol. 255, pp. 74-91.

[21] Hamidieh, A., Naderi, B., Mohammadi, M., & Fazli-Khalaf, M. (2017). A robust possibilistic programming model for a responsive closed loop supply chain network design. Cogent Mathematics, Vol. 4.

[22] Farrokh, M., Azar, A., Jandaghi, G., & Ahmadi, E. (2017). A novel robust fuzzy stochastic programming for closed loop supply chain network design under hybrid uncertainty.Fuzzy Sets and Systems.

[23] Snyder, L., & Daskin, M. (2006). Stochastic p-robust location problems. IIE Transactions, Vol. 38, pp. 971-985.

[24] Hasani, A., Zegordi, S., & Nikbakhsh, E. (2012). Robust closed-loop supply chain network design for perishable goods in agile manufacturing under uncertainty. International Journal of Production Research, Vol. 50, pp. 4649-4669.

[25] De Rosa, V., Gebhard, M., Hartmann, E., & Wollenweber, J. (2013). Robust sustainable bi-directional logistics network design under uncertainty. International Journal of Production Economics, Vol. 145, pp. 184-198.

[26] Govindan, K., & Fattahi, M. (2017). Investigating risk and robustness measures for supply chain network design under demand uncertainty: A case study of glass supply chain. International Journal of Production Economics, Vol. 183, pp. 680-699.

[27] Keyvanshokooh, E., Ryan, S., & Kabir, E. (2016). Hybrid robust and stochastic optimization for closed-loop supply chain network design using accelerated Benders decomposition. European Journal of Operational Research, Vol. 249, pp. 76-92.

[28] Baoding Liu, & Yian-Kui Liu. (2002). Expected value of fuzzy variable and fuzzy expected value models. IEEE Transactions on Fuzzy Systems, Vol. 10, pp. 445-450.

[29] Zhang, Y., Huang, G., Lin, Q., & Lu, H. (2012). Integer fuzzy credibility constrained programming for power system management. Energy, Vol. 38, pp. 398-405.

[30] Pishvaee, M., Torabi, S., & Razmi, J. (2012). Credibility-based fuzzy mathematical programming model for green logistics design under uncertainty. Computers & Industrial Engineering, Vol. 62, pp. 624-632.

[31] Hatefi, S., Jolai, F., Torabi, S., & Tavakkoli-Moghaddam, R. (2014). A credibility-constrained programming for reliable forward–reverse logistics network design under uncertainty and facility disruptions. International Journal of Computer Integrated Manufacturing, Vol. 28, pp. 664-678.

 [32] Mavrotas, G. (2009). Effective implementation of the ε-constraint method in Multi-Objective Mathematical Programming problems. Applied Mathematics and Computation, Vol. 213, pp. 455-465.