مدل‌سازی‌ ریاضی استوار برای مسئله ‌مکان‌یابی-مسیریابی-موجودی چندهدفه در شرایط وقوع بحران با درنظر گرفتن عدم قطعیت تقاضا و قابلیت اطمینان تسهیلات

پاسخگویی سریع به نیازها و ارسال اقلام مورد نیاز به مناطق متاثر از بحران اولویت بسیار بالایی در زمان وقوع آن ‌‌ها دارد. به‌علاوه برنامه‌ریزی با توجه به ذات غیرقطعی شدت بحران و تعداد مناطق آسیب‌دیده برای این مواقع ضروری است. در این پژوهش فازهای آمادگی و پاسخ در چرخه مدیریت بحران به کمک مدل های برنامه‌ریزی ریاضی چندهدفه تحت شرایط عدم قطعیت مدل‌سازی شده است. این رویکرد دارای دو گام اصلی است که در گام اول یعنی فاز آمادگی مکان بهینه مراکز توزیع امداد و همچنین مراکز درمانی، میزان موجودی کالاهای امدادی برای ذخیره سازی از تامین کنندگان را تعیین کرده و در گام دوم یا فاز پاسخ میزان حمل کالاهای امدادی از نقاط تامین به مراکز توزیع امداد و از مراکز توزیع به نقاط آسیب دیده و میزان حمل مصدومان از نقاط آسیب دیده به مراکز درمانی و بیمارستان ها را توسط آمبولانس‌ها و حمل هوایی تعیین می‌شود. همچنین پارامترهای اساسی آن مانند تقاضا و تعداد مصدومان با توجه به ماهیت مسئله به‌صورت غیرقطعی مدنظر قرار می گیرد. درنهایت نیز خرابی تسهیلات تامین‌کننده و توزیع‌کننده در اثر وقوع بحران در نظر گرفته می‌شود که به‌طور مستقیم در ارائه خدمات آن‌ها تاثیرگذار است. جهت حل مدل ریاضی سه‌هدفه از الگوریتم‌های ژنتیک بر مبنای رتبه‌بندی نا مغلوب‌ها (nsga-ii) و گرگ خاکستری چندهدفه (mogwo) استفاده می‌شود. با مقایسه نتایج الگوریتم‌های فرا ابتکاری با حل دقیق مشخص می‌شود که این الگوریتم‌ها در مدت‌زمان مناسب دارای عملکرد قابل قبولی هستند.

Robust Mathematical Modeling for a Multi-objective Location-Routing-Inventory Problem in Disaster under Demand Uncertainty and Facilities Reliability

At the time of natural disasters occurrence, prompt responding and providing required items to affected areas is the most urgent priority. Moreover, given a stochastic nature of the crisis severity and the number of the affected areas,effective planning is a crucial task. In this study, two major steps in the disaster management cycle,namely preparation and response phases, are formulated using a multiobjective mathematical model under uncertainty. In the preparation phase, the optimum location of relief distributions, medical centers and inventories of relief goods to storage items received from suppliers are determined. Also, in the second step or response phase, the amount of relief goods transported from supply points to relief distribution centers and from these centers to affected areas as well as the number of injured people transferred to medical centers and hospitals through ambulances and aerial transportationare determined. Moreover, regarding the problem nature, its key parameters (e.g., demand and the number of injured people) are considered to be uncertain. Furthermore, given that the failureof facilities in both supplier and distributor sections can adverselyaffect their service provision, this issueisconsidered in the model. To efficiently solve the model, the nondominated sorting genetic algorithm II (NSGAII) and the multiobjective grey wolf optimizer (MOGWO) areused. Comparison of the results obtained from the proposed metaheuristics with the exact solution method indicates that these algorithms can provide acceptable solutions in a reasonable amount of computational time.