طراحي مدل زمان‌ بندي كاميون‌ ها در سيستم انبار عبوري موقت چند دربه با رويكرد توقف عمليات

Truck Scheduling in Distribution Systems with Multiple Cross Docks and No Intermediate Storage

انبار عبوري موقت يك استراتژي توزيع در زنجيره تأمين است كه در آن، كالاها و محصولات به‌طور مستقيم از قسمت دريافت به قسمت ارسال منتقل مي‌شوند؛ بدون اينكه در مركز توزيع يا انبار نگه‌داري شوند. هدف اين تحقيق، طراحي مدل زمان‌بندي كاميون‌ها در سيستم انبار عبوري موقت چند دربه با رويكرد توقف عمليات است. در اين سناريو از زمان‌بندي انبار عبوري موقت، كاميون‌ها مجاز هستند كه در حين فعاليت تخليه و بارگيري متوقف شوند و درزماني ديگر، فعاليت را از سر بگيرند (رويكرد توقف عمليات ). بنابراين، هم كاميون‌هاي ورودي و هم كاميون‌هاي خروجي مي‌توانند به‌صورت متناوب داخل و خارج انبار شوند. براي اين سناريو، يك مدل برنامه‌ريزي عدد صحيح مختلط خطي توسعه داده شده است. علاوه بر مدل رياضي، با توجه به ماهيت پيچيده اين مسائل، سه الگوريتم فرا‌ابتكاري براي حل آن و ساختار جديدي براي نمايش جواب مسئله پيشنهاد شده است. همچنين به‌منظور افزايش كارايي الگوريتم‌ها، از روش تنظيم پارامتر تاگوچي استفاده شده است. نتايج تجربي نشان مي‌دهند كه الگوريتم ژنتيك از دو الگوريتم ديگر (شبيه‌سازي تبريد و جستجوي ممنوعه ) عملكرد بهتري داشته است.

Cross docking is a new strategy in supply chain management. In a cross docking system, items move directly from receiving dock to shipping dock, without being stored in the warehouse or distribution center. This paper studies the problem of truck scheduling in a distribution system including multiple cross docks with no intermediate storage. In this model of cross docking scenario preemption of trucks is allowed. Therefore, both inbound and outbound trucks can arrive and move out the distribution center intermittently. In this paper a mixed integer linear programming model has been developed. Moreover, to solve the problem we proposed three metaheuristics algorithm based on tabu search, simulated annealing and genetic algorithm. In this regard, we propose a novel solution encoding scheme for the problem. and the algorithms are tuned by Taguchi method. Using numerical experiments, the genetic algorithm outperforms the other two algorithms Besides.