نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، دانشگاه آزاد اسلامی، واحد تهران جنوب، دانشکده‏ مهندسی صنایع، تهران، ایران

2 دانشیار گروه مدیریت صنعتی، دانشگاه علامه طباطبایی، تهران، ایران

3 دانش آموخته کارشناسی ارشد مهندسی صنایع، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران

چکیده

هدف از این مقاله، یافتن برنامه­ریزی بهینه حرکت قطارها در مسیرهای تک ریلی به منظور کمینه کردن تاخیرات و هزینه­های مرتبط با آن است. در این پژوهش دو مسیر تک خطه متقاطع در نظر گرفته شده است که هر مسیر شامل تعداد مشخصی ایستگاه و بلوک است. همچنین قطارها در صورت رسیدن به برخی ایستگاه­ها در بازه زمانی  مشخصی توقف می­کنند. این مساله جزء مسائل برنامه­ریزی عددصحیح مختلط است که حل آن به دلیل تعداد زیاد متغییرها و محدودیت­های در نظر گرفته شده، با استفاده از روش­های حل دقیق، بسیار زمان بربوده و از دسته مسائل NP-Hard محسوب می­شود. به منظور نشان دادن کارایی مدل، مدل در سایز کوچک با استفاده از روش دقیق شاخه و کران توسط نرم افزار LINGO  و الگوریتم شبیه سازی تبرید حل گردیده و نتایج مقایسه شده اند که نشان دهنده کارایی مطلوب مدل و روش حل فراابتکاری ارائه شده است

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.