زمان‌بندی حمل و نقل کامیون‌ها در سیستم‌های بارانداز متقاطع چندگانه با پنجره زمانی نرم با در نظر گرفتن عدم قطعیت در پارامترهای زمانی

راهبرد لجستیک، یک برتری مهم برای عملیات مدیریت زنجیره تامین است که نیاز به برنامه‌ریزی متمرکز عملیات برای کاهش زمان و تحویل به موقع محصول برای افزایش سطح رضایتمندی مشتریان را به دنبال دارد. در این مقاله هدف کم کردن زمان کل عملیات با لحاظ پارامترهای زمانی غیر قطعی و با رویکرد پنجره زمانی نرم در کل زنجیره تامین می‌باشد و با استفاده از مدل برنامه‌ریزی خطی امکانی مدل برنامه ریزی ریاضی فازی را به مدل قطعی تبدیل می‌نماید. از آنجا که مدل مقاله از نوع برنامه‌ریزی خطی عدد صحیح صفر و یک بوده و متعلق به مسائل با پیچیدگی np-hard است زمان حل مسئله با افزایش ابعاد مساله به شدت و به صورت نمایی افزایش می‌یابد. لذا برای پیدا کردن جواب‌های نزدیک بهینه مساله از الگوریتم های ژنتیک ، الگوریتم شبیه‌سازی تبرید استفاده شده است.سپس این الگوریتم‌ها با معیارهایی با یکدیگر مقایسه شده و الگوریتم برتر در هر معیار مشخص شده است.

Truck transportation scheduling in multi crossdock systems with a soft time window with considering to uncertainty in time parameters

Logistics strategy is an important advantage for supply chain management operations, which requires centralized planning of operations to reduce time and timely delivery of the product to increase the level of customer satisfaction. Crossdock is an efficient method to control inventory flow that is essential in supply chain management. The other objectives of the cross dock are inventory reduction, increased levels of customer responsiveness and better control of the distribution operation. This paper focuses on the optimization of the transportation scheduling and the planning of the movement inbound and outbound trucks with a soft window, where time parameters are considered uncertain. Therefore, a mathematical model is presented with the goal of minimizing the total time of operation in the supply chain and using the possibility Linear programming model converts the mathematical model into a definite mathematical model. Since the article model is zero and one linear programming type of the integer and belongs to NPhard issues, the time to solve them increases with increasing problem dimensions. Therefore, genetic algorithm and Simulated Annealing algorithm are used to find optimal solution problems. The parameters used in meta_ heuristic algorithms were determined by Taguchi method with minitab software and their optimal values were extracted. Then, according to constant parameters including the number of suppliers, customers, crossdock, inbound and outbound trucks, and product types, sample problems were generated at three small, meddle and large production levels, and at each level, seven problem samples were generated and total of twenty one issues were solved.