بهینه‌سازی شبکه زنجیره‌تامین خون با امکان ارسال جانبی

در این پژوهش مدلی جهت توسعه و بهینه سازی میزان درخواست خون بیمارستان ها، کاهش میزان کمبود و اتلاف خون و کاهش سطح موجودی باقیمانده در بیمارستان ها و نیز کمینه سازی زمان سیکل انتقال خون به مراکز درمانی در زنجیره تامین خون طراحی شد. این مدل شامل گروه های اهدایی، ﻣﺮاﮐﺰ ﺛﺎﺑﺖ/ ﻣﺘﺤﺮک، ﻣﺮاﮐﺰ بانک خون و بیمارستان ها می باشد. مدل پیشنهادی دو هدفه، سه سطحی و چند دوره ای و همچنین برای در نظر گرفتن شرایط عدم قطعیت مقدار تقاضا در بیمارستان ها به صورت فازی در نظر گرفته شده است. مساله بیان شده در این تحقیق، پارامترهایی همچون میزان عرضه خون، میزان تقاضا، ظرفیت هر یک از مراکز و هزینه های مرتبط در زنجیره تامین خون و همچنین امکان ارسال جانبی فرآورده های خونی را در بر می گیرد. از این رو مدل طراحی شده از لحاظ پارامترهای مهم با رویکرد بهینه سازی ابتدا با روش محدودیت اپسیلون در اندازه کوچک و با مثال عددی به صورت دقیق در نرم افزارgams بررسی شد و سپس برای جستجوی راه حل بهینه پارتو در ابعاد بزرگ تر، از الگوریتم فراابتکاری nsgaii (الگوریتم ژنتیک با مرتب سازی نامغلوب) استفاده شد که نتایج حل الگوریتم nsgaii نشان می دهد که بهتر از روش محدودیت اپسیلون عمل می کند.

optimization of the blood supply chain network with the possibility of lateral delivery

in this study, a model was designed to develop and optimize the blood demand of hospitals, reduce the shortage and loss of blood and decrease the remaining inventory in hospitals as well as minimizing cycle time of blood transfusion to medical centers in the blood supply chain. this model includes donation groups, tablets; fixed/mobile centers, laboratory centers and hospitals. the proposed model is bi-objective, three-level, multi-period for considering the uncertainty of the amount of demand in hospitals in fuzzy. the model addressed in this study includes parameters such as blood supply, demand, capacity of each center and related costs in the blood supply chain, include the possibility of lateral delivery of blood products. therefore, the designed model was first examined in terms of important parameters with the optimization approach, ε-constraint method in small size and numerical example in gams software and then, to find the optimal pareto solution, nsgaii meta-heuristic algorithm (non-dominated sorting genetic algorithm 2) was used to search the optimal pareto solution, results of nsgaii algorithm show that it works better than ε-constraint method.