طراحی و حل مدل مسیریابی وسایل حمل کالای ارزشمند با در نظر گرفتن ریسک مسیر (مطالعه موردی: بانک شهر)

یکی از فرآیندهای اصلی در سیستم بانکداری، برنامه ریزی و انتقال پول از خزانه به شعبه و برگشت آن به خزانه در بازه زمانی مشخص و محدود است. بر این اساس، هدف اصلی اغلب بانک ها حداقل کردن ریسک مسیر می باشد. زیرا، روزانه حجم بالایی وجه نقد توسط خودروهای پولرسان جابه جا می شود. در این پژوهش، یک مدل ریاضی برای حمل و نقل پول فیزیکی  با در نظر گرفتن ریسک مسیر توسعه داده شده است. در مدل پیشنهادی سه مفهوم ارائه شده است که عبارتند از:1) وسیله نقلیه در سه حرکت اول مسیرهای طولانی را به دلیل اینکه پول بیشتری حمل می کند طی نکند،2) به یک شعبه در دو روز متوالی، در زمان یکسان سرویس دهی نشود، 3) یک مسیر در دو روز متوالی تکرار نشود. این امر امکان تعیین الگویی ثابت برای سرویس دهی را کاهش داده و امنیت سرویس دهی را افزایش می دهد.همچنین، از الگوریتم فراابتکاری ژنتیک برای حل مدل استفاده شده است. برای نشان دادن کیفیت جواب الگوریتم ، مسائل مختلفی در ابعاد متنوع تولید و با نرم افزار گمز و متلب حل شده است.  نتایج نشان می دهد که الگوریتم ژنتیک در این مسائل به طور میانگین 0.93درصد و حداکثر 1.87درصد اختلاف با جواب بهینه دارد.

designing and solving a routing model for transporting valuable goods by considering route risk (case study: shahr bank)

.one of the main processes in the banking system is the planning and transfer of money from the treasury to the branch and its return to the treasury within a specific and limited time frame. accordingly, the main goal of most banks is to minimize route risk. because, daily, a large amount of cash is moved by cash vehicles. in this research, a mathematical model for the transportation of physical money has been developed considering the route risk. in the proposed model, three concepts are presented, which are: 1) the vehicle should not travel long distances in the first three trips because it carries more money, 2) a branch should not be serviced on two consecutive days at the same time 3) a route should not be repeated in two consecutive days. this reduces the possibility of determining a fixed pattern for servicing and increases the security of servicing. also, a genetic meta-heuristic algorithm has been used to solve the model. in order to show the quality of the algorithm’s answer, various problems have been solved in various dimensions of production and with gams and matlab software. the results show that the genetic algorithm has an average of 0.93% and a maximum of 1.87% difference with the optimal solution in these problems.