توسعه مدل مکان‌یابی-مسیریابی با در نظر گرفتن رضایت مشتری و دریافت و تحویل همزمان

در این مطالعه، مساله مکان یابی مسیریابی با در نظر گرفتن چندین انبار و پنجره زمانی سخت برای مشتریان مورد بررسی قرار می‌گیرد. هدف اصلی این مقاله، انتخاب بهترین مکان احداث انبارها با در نظر گرفتن زمانبندی و مسیریابی وسایل نقلیه ناهمگن است. این امر موجب کاهش هزینه احداث انبار در مکان نامطلوب می‌شود و به صورت همزمان مسیر بهینه مسائل نقلیه را پیدا می‌کند. رضایت مشتری از فرایند خدمت رسانی از مهم‌ترین مسائل هر سازمان است. بدین منظور پنجره زمانی سخت برای پاسخ به مشتریان در نظر گرفته شده است. در واقع نوع آوری اصلی این مطالعه را این گونه می توان بیان نمود که در دومساله مسیریابی و مکانیابی به طور همزمان مورد بررسی قرار می گیرند تا هزینه های متقابل بین مسیریابی و مکان یابی لحاظ شده و از این نظر می توان تاثیر بین هزینه های مکان یابی و مسیریابی را در نظر گرفت ، بدین جهت می تواند تاثیر فراوانی از  نقطه نظر کاهش هزینه ها ایفا نماید. به منظور بررسی صحت و دقت مدل، در ابعاد کوچک با روش محدودیت اپسیلون توسعه یافته مورد مقایسه قرار گرفته می‌شود. با توجه به nphard بودن مساله در ابعاد بزرگ، از الگوریتم تکاملی چند هدفه، به نام الگوریتم ژنتیک مرتب شده نامغلوب استفاده شده است. در پایان نتایج به دست آمده، به منظور نمایش کارآیی و اثربخشی مناسب در حل مسائل مختلف با ابعاد بزرگ و در زمان کوتاه مورد تجزیه و تحلیل قرار گرفته اند.

Developing a Mathematical Model for a LocationRouting Vehicle Problem with Customer Satisfaction and Pick up Delivery

This study considers a locationrouting problem (LRP) with multiple depots and hard time windows for customers. The aim of this paper is to select optimal locations for depots and plan scheduling and routing of heterogeneous vehicle fleets. Therefore, it minimizes costs of establishment of depots and reduce transportation time by finding the optimum routs simultaneously. Customer satisfaction is important for each organization; hence, a hard time window is considered for customers. The main approach of this study is considered locationrouting problem simultaneously for reducing locationrouting costs and it work effectively. To validate the model, an augmented epsilonconstraint is used to solve smallsized problems. Because the problem is NPhard, it takes too long time and needs too much space memory to solve largesized problems optimally. Deterministic algorithms cannot solve the largesize problems. Thus, a wellknown multiobjective evolutionary algorithm, namely nondominated sorting genetic algorithm (NSGAII), is proposed. Gap between augmented epsilonconstraint and NSGAII show accuracy. The results are analyzed and compared in order to show the efficiency of the proposed NSGAII.