حل مسئله بهینه سازی زمانبندی کامیون ها در انبار متقاطع چنددربی با در نظر گرفتن اثر یادگیری و زوال پذیری کارها با استفاده از روش بهینه سازی مهندسی اجتماعی

به طور کلی هر زنجیره‌ی تامین شامل سه مرحله‌ی اصلی تهیه، تولید و توزیع است. استفاده از سیستم انبار متقاطع یک استراتژی جدید در مرحله توزیع برای بهبود زمان پاسخگویی به مشتریان با انتقال محصولات به طور مستقیم از کامیون های دریافت به کامیون های ارسالی است. به طور کلی برای پردازش یک فعالیت، هر دو منبع ماشین و منابع انسانی مورد نیاز است. بسیاری از محققان تا‌کنون روشهای برنامه ریزی متعددی برای سیستم های انبار متقاطع توسعه داده اند، اما اکثراً محدودیت های مهم منابع انسانی را نادیده گرفته اند. در این مقاله برای اولین بار به بررسی مسئله زمانبندی کامیون‌ها در انبار متقاطع چند دربی با در نظر گرفتن اثرات عوامل انسانی و زوال پذیری کارها برای پر کردن شکاف بین مدل های برنامه‌ریزی نظری و آنچه در دنیای واقعی انجام می گیرد پرداخته‌ایم و برای این منظور یک مدل برنامه‌ریزی عدد صحیح مختلط برای مسئله یاد شده ارائه شده است. با توجه به ادبیات تحقیق زمان حل مدل ارائه شده توسط روش های دقیق با افزایش اندازه مساله به سرعت افزایش می یابد تا حدی که روش‌های دقیق به سختی می‌تواند به جواب بهینه دست پیدا کنند. برای حل مسائل در مقیاس بزرگ از چهار الگوریتم فراابتکاری شامل الگوریتم‌های ژنتیک (ga)، رقابت استعماری (ica)، کشتل (ka) و بهینه سازی مهندسی اجتماعی (seo) استفاده شده است. در نهایت نتایج عددی بدست آمده از تمامی الگوریتم‌های فرا‌ابتکاری مورد بررسی و تحلیل حساسیت قرار گرفته‌اند. الگوریتم‌های فراابتکاری را بر اساس معیار های بهترین، میانگین‌ جواب‌ها، rpd و زمان مورد مقایسه قرار داده‌ایم. در نتیجه الگوریتم‌های seo و الگوریتم کشتل از نظر کیفیت جواب بهتر از سایر الگوریتم‌ها عمل نمودند.

Optimization for a truck scheduling problem in multidoor cross dokcing with learning effect and deteriorating jobs

In general, each supply chain consists of three main stages of procurement, production and distribution. The use of the crossdocking system is a new strategy at the distribution stage to improve customer response time by moving products directly from pickup trucks to delivery trucks. Generally, for an activity to be done both machine and human resources are needed. Many researchers have already developed numerous planning methods for crossdocking systems, but human resource constraints have largely ignored. In this paper, for the first time, we examine the problem of truck scheduling in multidoor crossdock considering the learning effects and the deterioration of tasks to fill the gap between theoretical planning models and what is happening in the real world. We have proposed a mixed integer programming model for this problem. According to the research literature, with increasing the size of the problem, the complexity of integer programming model is expanding rapidly so that the exact methods can hardly achieve the optimal solution. To solve largescale problems, five metaheuristic algorithms are used including Genetic Algorithms (GA), Imperial Competitive Algorithm (ICA), Keshtel Algorithm (KA), and Social Engineering Optimization (SEO). Finally, the numerical results obtained from all metaheuristic algorithms are analyzed. We compare the meta heuristic algorithms based on the best, average, Rpd and time criteria. As a result, the SEO and KA algorithm performed better than the other algorithms in terms of solution quality.