طراحي و حل يك مدل يكپارچه توزيع و موجودي در حالت پس‌افت

DESIGNING ANDSOLVINGAN INTEGRATED MODEL FOR INVENTORY and DISTRIBUTION WITH TARDINESS

هدف از اين تحقيق طراحي و حل يك مدل براي برنامه‌ريزي توزيع و موجودي در زنجيره تامين است. يك مدل برنامه‌ريزي رياضي مختلط عدد صحيح براي يك شبكه توزيع سه سطحي توسعه داده شده است كه هزينه‌هاي معمول در مديريت زنجيره تامين و هزينه‌هاي ديركرد و زودكرد را در نظر مي‌گيرد. مدل توسعه داده شده همچنين تقاضاي با محدوديت زماني در ارضا، محدوديت در ظرفيت حمل، تحويل و ذخيره را در نظر مي‌گيرد و به عنوان خروجي نوع وسيله حمل را نيز مشخص مي‌كند. حل اين مدل چند دوره‌اي، چند كالايي، با چند مد حمل به‌دليل تعداد زياد متغيرهاي عدد صحيح، براي ابعاد واقعي در زمان منطقي قابل حصول نيست لذا يك الگوريتم ممتيك توسعه داده شده است. الگوريتم ممتيك توسعه داده شده از آن رو كه بر چارچوب الگوريتم ژنتيك بنا شده است، از مزاياي الگوريتم ژنتيك سود مي‌برد و از سوي ديگر چون در مرحله ارزيابي كروموزوم‌ها با استفاده از جستجوي محلي كيفيت كروموزوم‌ها ارتقا مي‌يابد، به‌طور متوسط انتظار مي‌رود جواب‌هايي به مراتب بهتر از الگوريتم ژنتيك به‌دست آيد. نتايج محاسباتي برتري كارايي روش حل توسعه داده شده را نسبت به روش عمومي حل مسايل برنامه‌ريزي رياضي مختلط نشان مي‌دهد.

The aim of this research is to design and solve a model for inventory and distribution planning in supply chain. A mixed integer programming (MIP) model is developed in which not only the traditional supply chain costs are considered but also lateness and earliness is considered. Developed model is also capable of satisfying time windowed demand with capacity limits on shipment, delivery and storage by assigning transportation mode to each rout. Since solving this multi commodity, multi period for mode selection requires excessive time so a memetic algorithm is developed. Developed memetic algorithm benefits from fast local searches executed via optimally solving a relaxed version of developed MIP model as good as diverse search property by imitating genetic algorithm behavior. Experimental results exhibit the dominance of developed memetic algorithm over the standard genetic algorithm as good as the general solution approach or MIPs.