آمار

تعداد نشریات36
تعداد شماره‌ها1,192
تعداد مقالات8,579
تعداد مشاهده مقاله6,988,711
تعداد دریافت فایل اصل مقاله4,032,562
حسن پور, حسینعلی, غفاری توران, حسین, زارعی, مصطفی, محمدی, علی. (1401). مدل ترکیبی انتخاب تأمین‌کننده و تخصیص سفارش در شرایط عدم قطعیت تصادفی و حل با رویکرد بهینه‌سازی فازی استوار (مطالعه موردی: شرکت پشتیبانی اقلام عمومی ایثار). پدافند الکترونیکی و سایبری, 24(75), 13-33.
حسینعلی حسن پور; حسین غفاری توران; مصطفی زارعی; علی محمدی. "مدل ترکیبی انتخاب تأمین‌کننده و تخصیص سفارش در شرایط عدم قطعیت تصادفی و حل با رویکرد بهینه‌سازی فازی استوار (مطالعه موردی: شرکت پشتیبانی اقلام عمومی ایثار)". پدافند الکترونیکی و سایبری, 24, 75, 1401, 13-33.
حسن پور, حسینعلی, غفاری توران, حسین, زارعی, مصطفی, محمدی, علی. (1401). 'مدل ترکیبی انتخاب تأمین‌کننده و تخصیص سفارش در شرایط عدم قطعیت تصادفی و حل با رویکرد بهینه‌سازی فازی استوار (مطالعه موردی: شرکت پشتیبانی اقلام عمومی ایثار)', پدافند الکترونیکی و سایبری, 24(75), pp. 13-33.
حسن پور, حسینعلی, غفاری توران, حسین, زارعی, مصطفی, محمدی, علی. مدل ترکیبی انتخاب تأمین‌کننده و تخصیص سفارش در شرایط عدم قطعیت تصادفی و حل با رویکرد بهینه‌سازی فازی استوار (مطالعه موردی: شرکت پشتیبانی اقلام عمومی ایثار). پدافند الکترونیکی و سایبری, 1401; 24(75): 13-33.

مدل ترکیبی انتخاب تأمین‌کننده و تخصیص سفارش در شرایط عدم قطعیت تصادفی و حل با رویکرد بهینه‌سازی فازی استوار (مطالعه موردی: شرکت پشتیبانی اقلام عمومی ایثار)

مدیریت زنجیره تأمین
دوره 24، شماره 75، آذر 1401، صفحه 13-33    اصل مقاله (948.27 K)
نوع مقاله: پژوهشی
نویسندگان
حسینعلی حسن پور* 1؛ حسین غفاری توران2؛ مصطفی زارعی3؛ علی محمدی4
1استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین ‌(ع)، تهران، ایران
2استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین ‌(ع)، تهران، ایران
3دانشجوی دکتری گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین ‌(ع)، تهران، ایران
4کارشناسی ارشد گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه جامع امام حسین ‌(ع)، تهران، ایران
تاریخ دریافت: 09 بهمن 1399،  تاریخ بازنگری: 24 مرداد 1400،  تاریخ پذیرش: 14 شهریور 1400 
چکیده
هدف تحقیق ارائه یک مدل برنامه‌‌ریزی عدد صحیح غیرخطی دوهدفه‌‌ شامل کمینه کردن هزینه‌های خرید و زمان تأخیر در تحویل و بیشینه کردن میزان تاب‌‌آوری برای بهینه‌‌سازی زنجیره تأمین اقلام عمومی به‌طوری‌که تمام پارامترهای توابع هدف و محدودیت‌‌ها غیرقطعی می­باشد، است. برای حل مدل، ابتدا اوزان مناسب معیارهای مرتبط برای تولیدکنندگان از طریق روش تصمیم‌‌گیری چندمعیاره به دست آمده که این اوزان ورودی مدل ریاضی پیشنهادی می‌‌باشند. ازآنجاکه این مسئله جزو مسائل بهینه­سازی ترکیبی در خانوادۀ مسائل NP-hard محسوب    می­شود، برای حل مدل از الگوریتم­های تکاملی چندهدفه NSGA-II  و MOPSO استفاده شد. برای مقایسه نتایج حاصل از الگوریتم­ها با کمک شاخص‌‌های مقایسه‌‌ای استفاده ­گردید. در این تحقیق برای تبدیل مدل فازی به مدل قطعی از برنامه‌ریزی محدودیت شانس امکانی استفاده شده که این روش دو مدل تخمین  LAMو UAM را به‌طور مناسبی بر روی تغییرات بدبینانه-خوشبینانه ناشی از تفاوت نگرش تصمیم‌گیرندگان فیت می­کند. یافته­های حاصل از مقایسه این الگوریتم‌‌ها بیانگر این امر است که در حالت­های خوش­بینانه، الگوریتم ژنتیک عملکرد بهتری داشته و در حالت­های بدبینانه، الگوریتم MOPSO عملکرد بهتری ارائه می­دهد. به‌طور نمونه در زمان حل و معیار فاصله از نقطه ایدئال در تمام مسائل عملکرد بهتری نسبت به الگوریتم دیگر دارد.
کلیدواژه‌ها
زنجیره تأمین تاب‌‌آور؛ عدم قطعیت تصادفی؛ بهینه‌سازی فازی استوار؛ NSGA-II؛ MOSPO؛ شاخص‌های مقایسه‌ای
عنوان مقاله [English]
Providing a Combined Model of Supplier Selection and Order Allocation in Random Uncertainty Conditions and Solution with the Robust Fuzzy Optimization Approach (Case Study: Isar General Commodities Company)
نویسندگان [English]
Hossein-ali Hassan-pour1؛ Hossein Ghaffari Turan2؛ M. Zareei3؛ ali mohamadi4
1Industrial Eng Group/ Imam Hussein Comprehensive University
2Assistant professor, Industrial Engineering, Imam Hussein University of Technology, Tehran
3ihu
4ull
چکیده [English]
The purpose of this research is to present a two-objective nonlinear integer programming model for optimization of a general commodities supply chain, minimizing the purchase costs and delivery delays and maximizing the resilience with uncertain constraints and parameters of the objective functions. To solve the model, the weights of relevant metrics and sub-criteria for producers are obtained through multi-criteria decision making. These metrics are used as the input data to the proposed mathematical model. Since this is classified as a hybrid optimization problem in the NP-hard problem family, NSGA-II and MOPSO multi-objective evolutionary algorithms are used to solve the proposed model. Comparing the results of the algorithm is done with the help of comparative indices. In this study, the probability constraint programming is used for the fuzzy to deterministic conversion of models. This method fits the LAM and UAM estimation models appropriately to the pessimistic-optimistic changes due to the differences in the decision makers' attitudes. Results of comparing these algorithms indicate that the genetic algorithm performs better in the optimistic view, whilst the MOPSO algorithm performs better in the pessimistic case. The results of NSGA-II and MOPSO algorithm for the designed sample problem show that NSGA-II algorithm performs better than MOPSO algorithm in different criteria. For instance, better performance regarding the solution time and the criterion of the distance from the ideal point, is observed in all problems.
کلیدواژه‌ها [English]
Resilient Supply Chain, Random uncertainty, Robust Fuzzy Optimization, NSGA-II, MOSPO, Comparative Indicators
مراجع
  • M. Hatefi and F. July, “Design of reliable and stable direct reverse inbound networks in conditions of uncertainty,” PhD Thesis, University of Tehran, 2013. (In Persian)
  • ghesmati and M. S. pishvahy, “Supply chain network design with simultaneous consideration of reliability and stability under conditions of uncertainty and disruption risk,” M.Sc. Thesis, Iran University of Science and Technology, 2014. (In Persian)
  • Chopra, “Designing the distribution network in a supply chain,” Transp. Res, vol. 39, pp. 123-140, 2003.
  • A. Torabi, M. Baghersad, and S. Mansouri, “Resilient supplier selection and order allocation under operational and disruption risks,” Transportation Research Part E, vol. 79, pp. 22-48, 2015.
  • S. Pishvaee and R. Zanjirani Farahani, “A model for integrated design of direct and reverse logistics network in a supply chain of master's thesis,” Master's thesis-Amirkabir University, Tehran, 2008.
  • E A. Wafa, et al., “Supply chain optimization of petroleum organization under uncertainty in market demands and prices,” European Journal of Operational Research, vol. 189, no. 3, pp. 822-840, 2008.
  • S. R, A. P. B.-P. Leão José Fernandesa, “Downstream Petroleum Supply Chain Planning under Uncertainty,” Computer Aided Chemical Engineering, vol. 37, pp. 1889–1894, 2015.
  • Hasani, S. H. Zegordi and E. Nikbakhsh, “Robust closed-loop supply chain network design for perishable goods in agile manufacturing under uncertainty,” International Journal of Production Research, vol. 50, no. 16, pp. 4649–4669, 2012.
  • Jabbarzadeh, B. Fahimnia, “Marrying supply chain sustainability and resilience: A match made in heaven,” Transportation Research Part E: Logistics and Transportation Review, vol. 91, pp. 306–324, 2016.
  • Kristianto, et al., “A model of resilient supply chain network design: A two-stage programming with fuzzy shortest path,” Expert Systems with Applications, vol. 41, pp. 39-49, 2014.
  • S. Pishvaee, S.A. Torabi, and J. Razmi, “Credibility-based fuzzy mathematical programming model for green logistics design under uncertainty,” Comput. Ind. Eng, vol. 62, pp. 624-632, 2012.
  • Farshbaf Granmayeh, M. Rabbani, and N. Manavizadeh, “Multi-objective design of supply chain taking into account the risk of disruption of facilities, supply and demand in the uncertainty of economic parameters,” Journal of Industrial Management Studies, vol. 13(37), pp. 5-34, 1394. (In Persian)
  • M. Hatefi and F. July, “Design of reliable and stable inverse direct logistics networks in conditions of uncertainty,” PhD Thesis, University of Tehran, 2013. (In Persian)
  • Khalili, F. Jolai, and S. A. Torabi, “In Integrated production–distribution planning two-echelon systems: a resilience view,” International Journal of Production Research, vol. 55(4), 2017.
  • A. Torabi, M. Baghersad, and S. Mansouri, “Resilient supplier selection and order allocation under operational and disruption risks,” Transportation Research Part E, vol. 79, pp. 22-48, 2015.
  • Shojaei and S. J. Sajjadi, “Presenting a stable and elastic supply chain model under conditions of risk uncertainty and disruption,” Iran University of Science and Technology-Master Thesis, Tehran, 2014. (In Persian)
  • Khalili Nasr, M. Tavana, B. Alavi, and H. Mina, “A novel fuzzy multi-objective circular supplier selection and order allocation model for sustainable closed-loop supply chains,” Journal of Cleaner Production, vol. 287, 2021.
  • M. Hosseini, N. Morshedlou, D. Ivanov, M. D. Sarder, K. Barker, and A. A. Khaled, “Resilient supplier selection and optimal order allocation under disruption risks,” International Journal of Production Economics, vol. 213, pp. 124-137, 2019.
  • Esmaeili-Najafabadi, N. Azad, and M. S. Fallah Nezhad, “Risk-averse supplier selection and order allocation in the centralized supply chains under disruption risks,” Expert Systems with Applications, vol. 175, 2021.
  • Firouzia and O. Jadidi, “Multi-objective model for supplier selection and order allocation problem with fuzzy parameters,” Expert Systems with Applications, vol. 180, pp. 115-121, 2021.
  • Xu and X. Zhou, “Approximation based fuzzy multi-objective models with expected objectives & chance constraints,” Application to earth-rock work allocation,” Inf. Sci, vol. 238, pp.75–95, 2013.
  • Khalili, F. Jolai, S. A. Torabi, “In Integrated production–distribution planning two-echelon systems: a resilience view,” International Journal of Production Research, 2016.
  • Chan, T. A. Jha, and M. K. Tiwari, “Bi-Objective Optimization of Three Echelon Supply Chain involving Truck Selection and Loading using NSGA-II with Heuristics algorithm,” Applied Soft Computing, vol. 38, pp. 978-987, 2016.
  • Notash, M. Zandieh, B. Dari, “Multi-objective design of supply chain network with the approach of genetic algorithm,” Management Research in Iran, vol. 4(18), p. 183, 2014. (In Persian)
  • Moghaddam, “Introduction to communication management system with SRM suppliers in Sash,” Samen Asr Communication Company, Tehran, 2017. (In Persian)
  • H. Amin and G. Zhang, “A multi-objective facility location model for closed-loop supply chain network under uncertain demand and return,” Applied Mathematical Modelling, vol. 37(6), pp. 4165-4176, 2013.
  • R. Kennedy, “Particle Swarm Optimization,” IEEE Transactions On, vol. 8, no. 3, pp. 1942-1948, 1995.
  • Zareei and H. A. Hassanpour, “Time-Cost Balance to Maximize Contractor's Current Net Value with Fee and Resource Constraint Patterns Using Evolutionary Algorithms (Case Study: Limited Part of Bandar Abbas Gas Condensate Refinery Construction Project,” Industrial Management, Faculty of Management, University of Tehran, Vol. 1(7), pp. 41-19, 2015. (In Persian)
آمار
تعداد مشاهده مقاله: 172
تعداد دریافت فایل اصل مقاله: 202