توسعه یک مدل ریاضی مکان‌یابی موجودی در طراحی شبکه لجستیک یکپارچه مستقیم/ معکوس تحت عدم قطعیت تقاضا و برگشتی با سطوح ظرفیت چندگانه

اﻣﺮوزه ﻣﺤﯿﻂ ﺗﺠﺎری رﻗﺎﺑﺘﯽ ﻣﻨﺠﺮ ﺑﻪ ﻫﻤﮑﺎری ﻓﺰاﯾﻨﺪه ﻣﯿﺎن شرکت‌ها به‌عنوان اﻋﻀﺎی شبکه زﻧﺠﯿﺮه تامین‌ شده اﺳﺖ. در اﯾﻦ زﻣﯿﻨﻪ، طراحی شبکه ﻟﺠﺴﺘﯿﮏ زنجیره تامین ﺑﺎ ﺗﻮﺟﻪ ﺑه ﺗﺄﺛﯿﺮ آن بر کارایی و ﭘﺎﺳﺨﮕﻮﯾﯽ زﻧﺠﯿﺮه از موضوعات مهم استراتژیک به‌شمار می‌رود. ﻋﻼوه‌ﺑﺮ اﯾﻦ، در سال‌های اﺧﯿﺮ ﺗﻮﺟﻪ ﺑﻪ ﻣﺴﺎﺋﻞ زیست‌محیطی، اﻟﺰاﻣﺎت ﻗﺎﻧﻮﻧﯽ و نیز منافع اﻗﺘﺼﺎدی توجه خاصی بر لجستیک معکوس صورت گرفته است. در این مقاله ﺑﻪ اراﺋﻪ ﯾﮏ ﻣﺪل مکان‌یابی موجودی و از نوع برنامه‌ریزی ﺧﻄﯽ ﻋﺪد ﺻﺤﯿﺢ آﻣﯿﺨﺘﻪ احتمالی برای طراحی ﯾﮑﭙﺎرﭼﻪ ﺷﺒﮑﻪ ﯾﮏ زنجیره تامین حلقه بسته ﭼﻨﺪ کالایی و چند دوره ای با در نظر گرفتن سطوح ظرفیت چندگانه پرداخته می‌شود. همچنین برای انطباق شبکه لجستیک مورد نظر با دنیای واقعی، مقدار تقاضای مشتریان و بالطبع مقدار برگشتی تحت عدم قطعیت و به‌‌صورت تصادفی در نظر گرفته ‌شده‌اند. با توجه به اینکه مسئله مکان یابی تسهیلات با ظرفیت محدود در این تحقیق به‌دسته مسائل سخت تعلق دارد، لذا برای حل آن به ارائه دو روش فرا ابتکاری مبتنی‌بر الگوریتم زنبورها و الگوریتم ژنتیک پرداخته و مقایسه جواب های این دو روش بر‌اساس مسائل عددی طراحی ‌شده صورت گرفته است. از نظر مقدار تابع هدف، عملکرد الگوریتم ژنتیک به‌طور متوسط 11.6‌درصد پایین‌تر از زنبور عسل بوده و از منظر زمان حل عملکرد الگوریتم زنبور عسل به میزان قابل ملاحظه ای (به طور متوسط نزدیک به 5 برابر) پایین‌تر از الگوریتم ژنتیک است.

A Mathematical LocationInventory Model for Designing a Forward /Backward Logistic Network under Demand and Return Uncertainty with Multiple Capacity Levels

Today, the competitive business environment has led to increasing cooperation among companies as the members of supply chain networks. In this area, the supply chain logistics network design is an important subject due to its effect on the responsiveness and efficiency. Over the past few years, due to environmental issues, their legal requirements and economic benefits, great attention has been paid to inverse logistics. In this paper, a mixed integer stochastic locationinventory model has been proposed for the integrated design of the network of a multiperiod multiproduct closed loop supply chain considering multiple capacity levels for facilities. The market demand and correspondingly the return value are considered to be uncertain in order to make the model close to the reallife conditions. Since the capacitated facility location problem considered in this research is an NPhard type problem, we have used two metaheuristic algorithms including the genetic algorithm (GA) and the Bees algorithms (BA) for solving this problem. Some numerical problems are designed and solved to assess the performance of the model and solution heuristics. From the viewpoint of solution quality, the BA outperforms the GA (by an average of 11.6%) whilst from the viewpoint of solution time, the GA is five times faster than the BA on average.