روش بهینه‌سازی استوار-امکانی در طراحی شبکه زنجیره تامین دارو در حالت عدم قطعیت و ارائه تخفیف در خرید مواد اولیه

در این مقاله یک شبکه زنجیره تامین دارو 5 سطحی تحت عدم قطعیت مدل‌سازی شده است. سطوح این شبکه زنجیره تامین شامل تامین کنندگان مواد اولیه، مراکز تولیدی، مراکز توزیع کننده، مراکز درمانی و مشتریان است. همچنین، اهداف این مقاله شامل کمینه‌سازی هزینه‌های کل شبکه زنجیره تامین، کمینه کردن حداکثر تقاضای برآورده نشده و بیشینه‌سازی قابلیت اطمینان در تحویل به‌موقع داروها با در نظر گرفتن زمان فسادپذیری دارو و تخفیف کلی در خرید مواد اولیه است. متغیرهای تصمیم گیری مسئله به دو دسته استراتژیکی و تاکتیکی تقسیم شده و به ترتیب شامل تعیین تعداد و مکان بهینه تسهیلات بالقوه و تعیین مقدار بهینه جریان دارو بین تسهیلات انتخاب شده است. برای کنترل پارامترهای غیرقطعی از روش بهینه‌سازی استوار-امکانی بهره گرفته‌شده و از روش ترکیبی معیار جامع و شبیه‌سازی مونت ‌کارلو برای حل مدل چندهدفه استفاده‌شده است. درنهایت با ارائه یک مثال موردی واقعی با الگوریتم nsga ii، خروجی‌های به‌دست‌آمده از حل مدل موردبحث قرارگرفته است.

Robustpossibilistic optimization method at design of a pharmaceutical supply chain network under uncertainty and discount on purchase the raw material

In this paper, a fivelevel pharmaceutical supply chain network is modeled under uncertainty. Levels of this pharmaceutical supply chain network include raw material supplier, production center, distribution center, Health centers and customers. Also, the objectives of this paper include minimizing the costs of the total supply chain network, minimizing the maximum unmet demand, and maximizing reliability in timely delivery of drugs, by considering the perishable time and the discount on the purchase of raw materials. Decisionmaking variables are divided into two strategic and tactical categories and, include determining the optimal number and location of potential facilities and determining the optimal amount of drug flow between the selected facilities, respectively. A robustpossibilistic optimization method has been used to control the uncertain parameters, and the hybrid LPmetric method and Monte Carlo simulation approaches have been used to solve the multiobjective model. Finally, by providing a numerical example, the outputs obtained from the solution of the model have been discussed.