مدل سازی ریاضی شبکه زنجیره تامین حلقه بسته با درنظر گرفتن اثرات زیست محیطی و اجتماعی

مقدمه: با گسترش و تشدید فضای رقابتی در دنیای امروزی، مدیریت زنجیرة تامین به یکی از مسائل اساسی پیش روی بنگاه های اقتصادی تبدیل شده است. طوری که همة فعالیت های سازمان ها را به منظور تولید محصولات، بهبود کیفیت، کاهش هزینه ها و ارائه خدمات مورد نیاز مشتریان تحت تاثیر داده است. از طرف دیگر، با افزایش حجم آلاینده ها، محققان در پی طراحی شبکه هایی برآمدند که علاوه بر بهینه سازی اقتصادی بر عوامل زیست محیطی در همة بخش ها تمرکزی ویژه ای داشته باشند. طراحی شبکه زنجیره تامین یک مسئله استراتژیک و بحرانی است که یک چارچوب بهینه را برای مدیریت زنجیره تامین موثر و کارآمد فراهم می کند. یکی از زمینه های مناسب برای یکپارچه سازی در شبکه های زنجیره تامین، طراحی شبکه زنجیره تامین حلقه بسته است که می تواند باعث جلوگیری از زیربهینگی ناشی از طراحی جدا از هم شبکه مستقیم و معکوس شود.مواد و روش ها: در این پژوهش، یک مدل برنامه ریزی خطی عدد صحیح آمیخته برای طراحی شبکه زنجیره تامین حلقه بسته ارائه شده است. این مدل به دنبال حداقل سازی هزینه ها، حداقل سازی اثرات زیست محیطی، حداکثر کردن میزان محصول فرسوده جمع آوری شده و حداکثر کردن پاسخگویی اجتماعی زنجیره تامین می باشد. مدل پیشنهادی در شرکت صبا باتری که به تولید انواع باتری می پردازد، پیاده سازی شده است. با توجه به این که مدل ارائه شده به دسته np-hard تعلق دارند، یک روش حل دقیق و دو الگوریتم ژنتیک چندهدفه و ازدحام ذرات چندهدفه جهت حل مدل استفاده شدند و مقایسات لازم بین نتایج صورت گرفت.نتایج: براساس نتایج تحقیق، تابع هدف هزینه برای رسیدن به هزینه کم تر تمایل به ایجاد شبکه زنجیره تامین با ساختار متمرکز دارد. تابع هدف زیست محیطی تمایل به ایجاد شبکه با ساختار غیرمتمرکز جهت کاهش اثرات زیست محیطی را دارد. مدل های پیشنهادی قادر هستند به خوبی طیفی از جواب های بهینه پارتو را با توجه به میزان مختلف برقرای محدودیت های فازی، جهت تعیین تصمیم نهایی ارائه نمایند. دو الگوریتم در معیار زمان با هم تفاوت دارند که nsga-ii بر mopso برتری دارد. هم چنین دو الگوریتم در معیار mid با هم تفاوت دارند که mopsoبر nsga-ii برتری دارد و در باقی معیارها برتری معنی داری نسبت به هم ندارند.بحث و نتیجه گیری: مدل مطرح شده با رویکرد قطعی سازی خیمنز قطعی شد و مدل کمکی قطعی مطرح شد. این مدل با استفاده از روش محدودیت اپسیلون و دو الگوریتم ژنتیک چندهدفه و ازدحام ذرات چندهدفه حل شد.

mathematical modeling of closed-loop supply chain network based onenvironmental and social impacts

introduction: with the expansion and intensification of competitive environment intoday's world, supply chain management has become one of the key issues facingbusinesses. it has influenced all the activities of organizations to produce products,improve quality, reduce costs and provide the services required by customers. on theother hand, as the volume of pollutants increased, the researchers sought to designnetworks that, in addition to economic optimization, focused on environmental factorsin all sectors. supply chain network design is a strategic and critical issue that providesan optimal framework for effective and efficient supply chain management. one of themost suitable areas for integration in supply chain networks is the design of closed-loopsupply chain networks, which can prevent the overlap caused by the design of separatedirect and reverse networks.materials & methods: in this paper, a mixed integer linear programming model forclosed loop supply chain network design is presented. the latter model seeks tominimize costs, minimize environmental impact, maximize the amount of worn-outproduct collected, and maximize supply chain social responsiveness. the proposedmodel is implemented by saba battery company, which produces various types ofbatteries. since the proposed model belongs to the np-hard category, an exact solutionmethod and two multi-objective genetic algorithms and a multicomponent particleswarm were used to solve the model.result: based on the research results, the cost objective function tends to create a supplychain network with a centralized structure in order to achieve a lower cost. theenvironmental objective function tends to create a network with a decentralized structureto reduce environmental impacts. the proposed models are able to provide a range ofpareto optimal solutions according to the different levels of applying fuzzy constraintsto determine the final decision. the two algorithms differ in terms of time; nsga-ii issuperior to mopso. also, two algorithms are different in the mid criterion, mopsois superior to nsga-ii, and in the rest of the criteria, they are not significantly superiorto each other.conclusion: the proposed model was determined with jimenez's deterministicapproach and a deterministic auxiliary model was proposed. this model was solvedusing the epsilon constraint method and two multi-objective genetic algorithms andmulti-objective particle swarm.