یک مدل برنامه‌ریزی دو هدفه برای یک سیستم تولید- توزیع یکپارچه و حل با استفاده از الگوریتم ژنتیک رتبه‌ای

نوع مقاله: مقاله پژوهشی

نویسندگان

1 باشگاه پژوهشگران جوان، کرج، ایران

2 دانشیار دانشگاه الزهرا، دانشکده فنی و مهندسی، تهران، ایران

چکیده

هدف این مقاله، ارایه یک سیستم تولید- توزیع یکپارچه با مراکز تولید و مراکز توزیع چندگانه در حالت مجاز بودن کمبود است. برای جابجایی محصولات، چند نوع سیستم حمل با قابلیت اطمینان متفاوت در نظر گرفته شده است. مدل پیشنهادی، یک مدل عدد صحیح ترکیبیاتی دو هدفه است. تابع هدف اول، کمینه سازی هزینه سیستم و تابع هدف دوم بیشینه سازی قابلیت اطمینان در حمل و نقل محصولات است. در مدل پیشنهادی، با افزایش اندازه مسائل، زمان حل بسیار افزایش یافته و روش های دقیق در یک زمان معقول، جواب موجهی ارایه نداده اند، به همین دلیل از الگوریتم های فراابتکاری استفاده می شود. در این مقاله، یک الگوریتم ابتکاری بر پایه الگوریتم ژنتیک بنام الگوریتم ژنتیک رتبه ای ارایه شده است. در این روش چند نوع عملگر تقاطع استفاده می شود و پس از بکارگیری آن ها در حل مدل، آن ها از جمعیتی به جمعیت دیگر رتبه بندی می شوند و عملگرهای بهتر، شانس بیشتری در ایجاد جواب های جمعیت بعد دارند. این دو الگوریتم در حل مدل پیشنهادی استفاده شده و نتایج بدست آمده نشان می دهد که الگوریتم ژنتیک رتبه ای نسبت به الگوریتم ژنتیک کلاسیک به خصوص در مثال های بزرگ به جواب های بهتری می رسد

کلیدواژه‌ها


Aliev, R.A., Fazlollahi, B., Guirimov, B.G., Aliev, R.R. (2007). "Fuzzy-genetic approach to aggregate production-distribution planning in supply chain management", International Journal of Information Sciences, 177, pp. 4241–4255.

Amorim, P., Gunther, H.O., Almada-Lobo, B. (2012). “Multi-objective integrated production and distribution planning of perishable products”, International Journal of Production Economics, 138 (1), pp. 89-101.

Archetti, C., Bertazzi, L., Paletta, G., Speranza, M.G. (2011). "Analysis of the maximum level policy in a production-distribution system", International Journal of Computers & Operations Research, 38, pp. 1731-1746.

Armentano, V.A., Shiguemoto, A.L., Lokketangen, A. (2011)."Tabu search with path relinking for an integrated production-distribution problem", international Journal of Computers and Operations Research, 38, pp. 1199–1209.

Boudia, M., Prins, C. (2009). "A memetic algorithm with dynamic population management for an integrated production-distribution problem", European Journal of Operational Research, 195, pp.703–715.

Fahimnia, B., Zanjirani Farahani, R., Marian, R., Luong, L. (2013). “A review and critique on integrated production-distribution planning models and techniques”, Journal of Manufacturing Systems, 32 (1), pp. 1-19.

Haupt, R.L., Haupt, S.E. (2004). “Practical Genetic Algorithm (Second Edition)”, A Wiley-Inter science publication.

Holland, J. H. (1975). "Adaptation in Natural and Artificial Systems". Ann Arbor: University of Michigan Press.

Jolai, F., Razmi, J., Rostami, N.K.M. (2010). "A fuzzy goal programming and meta heuristic algorithms for solving integrated production-distribution planning problem", CEJOR, (DOI: 10.1007/s10100-010-0144-9).

Kazemi, A., Fazel Zarandi, M.H., Moattar Husseini, S.M. (2009)."A multi-agent system to solve the production distribution planning problem for a supply chain: a genetic algorithm approach", International Journal of Manufacturing Technology, 44, pp. 180-193.

Keskin, B.B., Uster, H. (2007). "Meta-heuristic approaches with memory and evolution for a multi-product production-distribution system design problem", European Journal of Operational Research, 182, pp. 663–682.

Lee, S., Kim, D. (2014). “An optimal policy for a single-vendor single-buyer integrated production-distribution model with both deteriorating and defective items”, International Journal of Production Economics, 147, pp. 161-170.

Leung, J.Y.T., Zhi.Long C. (2013). “Integrated production and distribution with fixed delivery departure dates”, Operations Research Letters, 41 (3), pp. 290-293.

LINGO, Release, 8.0., 1415 North Dayton street Chicago, America.

MATLAB, Version, 7.10.0.499, R 2010, a. Math work products, U.S.A.

Mazdeh, M., Zaerpour, F., Zareei, A., Hajinezhad, A. (2010). “Parallel machines scheduling to minimize job tardiness and machine deteriorating cost with deteriorating jobs”, Applied Mathematical Modeling, 34, pp. 1498–1510.

MINITAB, Release, 16.1.1., LEAD Technologies, Inc., America.

Mirzapour, S.M.J., Al-e-hashem, Malekly, H., Aryanezhad, M.B. (2011). “A multi-objective robust optimization model for multi-product multi-site aggregate production planning in a supply chain under uncertainty”, International Journal of Production Economics, CEJOR, (DOI: 10.1016/j.ijpe.2011.01.027.)

Montgomery, D.C. (2004). Response Surface Methodology, New York, Wiley.

Naderi, B., Zandieh, M., Khaleghi Ghoshe Balagh, A., Roshanaei, V. (2009). "An improved simulated annealing for hybrid flow shops with sequence-dependent setup and transportation times to minimize total completion time and total tardiness", Expert Systems with Applications, 36, pp. 9625–9633.

Opricovic, S., Tzeng, G.H. (2004). “Compromise solution by MCDM methods: A comparative analysis of VIKOR and TOPSIS”, European Journal of Operational Research, 156, pp. 445–455.

Park, B., Choi, H., Kang, M. (2007). “Integration of production and distribution planning using a genetic algorithm in supply chain management”. In: Melin, P., Castillo, O., Ramirez, EG., Kacprzyk, J., Pedrycz, W., soft computing techniques. Berlin: Springer, pp. 416–426.

Pokharel, Sh. (2008). "A two objective model for decision making in a supply chain", International Journal of Production Economics, 111, pp. 378-388.

Sakall, U.S. (2010). A note on "fuzzy multi-objective production/distribution planning decisions with multi-product and multi-time period in a supply chain", International Journal of Computers and Industrial Engineering, 59, pp. 1010–1012.