ارائه مدل و حل مسئله مکان‌یابی انبارهای متقاطع و زمان‌بندی وسایل نقلیه در زنجیره تامین چندمحصولی با امکان برداشت و تحویل گسسته

در این پژوهش مسائل مکان‌یابی انبارهای متقاطع، مسیریابی و زمان‌بندی وسایل نقلیه را به‌طور هم‌زمان در یک زنجیره تامین سه‌ سطحی با امکان برداشت و تحویل گسسته، با هدف کمینه‌سازی مجموع هزینه‌ها (هزینه احداث انبارهای متقاطع، هزینه‌های ثابت و متغیر حمل‌ونقل و جریمه تاخیر و تعجیل)، موردمطالعه قرار گرفته و یک مدل برنامه‌ریزی ترکیبی عدد صحیح غیرخطی برای آن ارائه شده است. در این مدل تصمیم‌گیری در خصوص تخصیص وسایل نقلیه ناهمگن به فرآیند برداشت و تحویل و انتخاب مکان و تعداد انبارهای متقاطع برای احداث از میان مکان‌های بالقوه موجود پس از حل مدل صورت می‌گیرد. فرض چندمحصولی‌ بودن شامل تک‌تک تامین‌کنندگان، انبارهای متقاطع و مشتریان می‌شود. برای تحویل هر نوع از کالاها در محل هر یک از مشتریان یک پنجره زمانی نرم در نظر گرفته شده است و علاوه بر جریمه تاخیر، جریمه تعجیل در تحویل کالاها متناسب با مدت‌زمان و مقدار کالای مواجه‌ شده با تاخیر/ تعجیل محاسبه می شود. سه دسته مسئله در ابعاد کوچک، متوسط و بزرگ به‌صورت تصادفی تولید و با استفاده از الگوریتم شبیه‌سازی تبرید حل شده‌اند. برای مسائل کوچک، جواب حاصل از روش‌های حل دقیق با نتایج الگوریتم شبیه‌سازی تبرید مقایسه شده است.

Modeling and Solving the Cross-Docking Centers Location and Vehicle Scheduling Problem in a Multi-Product Supply Chain with Discrete Pick-up and Delivery

This research studies crossdocking centers location and vehicles routing scheduling problems simultaneously in a threelevel supply chain with discrete pickup and delivery. The proposed problem is formulated as a mixedinteger nonlinear programming model with the aim of reducing total cost includes crossdocking centers construction cost, transportation fixed and variable costs, earliness and tardiness penalty costs. In this supply chain model, vehicles start from a crossdocking center and pick up different products from various suppliers and after classifying and preparing products at crossdocking centers, a different group of vehicles are sent to deliver products to customers. For delivering any kind of product to each customer, a soft time window is considered. Herein, three types of small, medium and large size instances have been generated randomly and solved by using the proposed simulated annealing algorithm. For small problems, the results from simulated annealing algorithm are compared with the solutions obtained by the exact methods.