نوع مقاله : مقاله پژوهشی

نویسندگان

• مهدی سیف برقی ¹
• شمیم شیخ قنبری ²

¹ رئیس دانشکده فنی و مهندسی دانشگاه الزهرا

² گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه الزهرا، تهران، ایران

چکیده

یکی از موضوعات کلیدی و مهم در مدیریت زنجیره تامین ارزیابی تأمین‌کنندگان و تخصیص بهینه سفارشات به آن‌ها است. این پژوهش با هدف توسعه یک مدل ترکیبی جامع برای ارزیابی تأمین‌کنندگان، پیش‌بینی تقاضا و تخصیص سفارش‌ها، به حل این مسائل پرداخته است. در گام نخست این تحقیق، از روش نوین محاسبه وزنی ساده به عنوان یک روش موثر در ارزیابی تامین کنندگان استفاده می شود. در گام دوم، از الگوریتم‌های یادگیری ماشین متنوعی استفاده وتقاضای آتی برای اقلام مختلف مورد تامین پیش بینی شده است. در گام پایانی، یک مدل بهینه‌سازی چندهدفه شامل اهداف حداقل سازی هزینه‌های کل تامین، حداکثر نمودن تخصیص سفارشات به تامین کنندگان کارا و حداقل سازی تعداد تامین کنندگان با محدودیتهای احتمالی برای زمان مجاز تاخیر در تحویل سفارشات و میزان مجاز نقائص کیفی در اقلام دریافتی توسعه داده شده است. یافته‌های پژوهش نشان می دهد که روش جنگل تصادفی دارای بهترین عملکرد در پیش‌بینی تقاضا می باشد و مدل ترکیبی ارائه شده می تواند در قالب یک نرم افزار یکپارچه سازمانی به عنوان یک سیستم پشتیبان تصمیم توسعه داده شود.

کلیدواژه‌ها

• ارزیابی تامین کننده
• تخصیص سفارش
• روش محاسبه وزنی ساده
• یادگیری ماشین
• پیش بینی فروش

موضوعات

• مدیریت زنجیره تامین

عنوان مقاله [English]

Supplier Selection and Order Allocation Using Novel Simple Weight Calculation Method and Machine Learning

نویسندگان [English]

• Mehdi Seifbarghy ¹
• Shamim Sheikh Ghanbari ²

¹ Department of Industrial Engineering, Faculty of Engineering, Alzahra University, Tehran, Iran

² Department of Industrial engineering, Faculty of Engineering, Alzahra University, Tehran, Iran.

چکیده [English]

Supplier evaluation and optimal order allocation are central challenges in supply chain management. This research addresses these issues through the development of a comprehensive hybrid model that integrates supplier assessment, demand forecasting, and order allocation. Initially, the simple weighted sum method is applied for supplier evaluation, with a novel generalization by using it for both weighting criteria and ranking suppliers. Subsequently, various machine learning algorithms are employed to accurately forecast future demand for supplied items. Finally, a multi-objective optimization model is developed to minimize total supply costs, maximize order allocation to efficient suppliers, and minimize the number of suppliers, subject to probabilistic constraints on the authorized delivery delays and acceptable quality defect levels. These probabilistic constraints are converted into deterministic form using the chance constraint method, and the resulting three-objective model is solved via fuzzy programming through the assignment of membership degrees. Based on the findings, random forest method has the best performance in demand forecasting and the proposed hybrid model can be effectively implemented as an integrated enterprise decision support system.

کلیدواژه‌ها [English]

• Supplier selection
• Order allocation
• Simple weighted sum
• Machine learning
• Demand forecasting