مدل‌سازي‌ رياضي استوار براي مسئله ‌مكان‌يابي-مسيريابي-موجودي چندهدفه در شرايط وقوع بحران با درنظر گرفتن عدم قطعيت تقاضا و قابليت اطمينان تسهيلات

Robust Mathematical Modeling for a Multiobjective Location-Routing-Inventory Problem in Disaster under Demand Uncertainty and Facilities Reliability

پاسخگويي سريع به نيازها و ارسال اقلام مورد نياز به مناطق متأثر از بحران اولويت بسيار بالايي در زمان وقوع آن­‌‌ها دارد. به‌علاوه برنامه‌ريزي با توجه به ذات غيرقطعي شدت بحران و تعداد مناطق آسيب‌ديده براي اين مواقع ضروري است. در اين پژوهش فازهاي آمادگي و پاسخ در چرخه مديريت بحران به كمك مدل­هاي برنامه‌ريزي رياضي چندهدفه تحت شرايط عدم قطعيت مدل‌سازي شده است. اين رويكرد داراي دو گام اصلي است كه در گام اول يعني فاز آمادگي مكان بهينه مراكز توزيع امداد و همچنين مراكز درماني، ميزان موجودي كالاهاي امدادي براي ذخيره­سازي از تأمين­كنندگان را تعيين كرده و در گام دوم يا فاز پاسخ ميزان حمل كالاهاي امدادي از نقاط تأمين به مراكز توزيع امداد و از مراكز توزيع به نقاط آسيب­ديده و ميزان حمل مصدومان از نقاط آسيب­ديده به مراكز درماني و بيمارستان­ها را توسط آمبولانس‌ها و حمل هوايي تعيين مي‌شود. همچنين پارامترهاي اساسي آن مانند تقاضا و تعداد مصدومان با توجه به ماهيت مسئله به‌صورت غيرقطعي مدنظر قرار مي­گيرد. درنهايت نيز خرابي تسهيلات تأمين‌كننده و توزيع‌كننده در اثر وقوع بحران در نظر گرفته مي‌شود كه به‌طور مستقيم در ارائه خدمات آن‌ها تأثيرگذار است. جهت حل مدل رياضي سه‌هدفه از الگوريتم‌هاي ژنتيك بر مبناي رتبه‌بندي نا مغلوب‌ها (NSGA-II) و گرگ خاكستري چندهدفه (MOGWO) استفاده مي‌شود. با مقايسه نتايج الگوريتم‌هاي فرا ابتكاري با حل دقيق مشخص مي‌شود كه اين الگوريتم‌ها در مدت‌زمان مناسب داراي عملكرد قابل قبولي هستند.

At the time of natural disasters occurrence, prompt respondingand providingrequired items to affected areas is the most urgent priority. Moreover, given ش stochastic nature of the crisis severity and the number of the affected areas,effective planning is a crucial task. In this study, two major steps in the disaster management cycle,namely preparation and response phases, are formulated using a multi-objective mathematical model under uncertainty. In the preparation phase, the optimum location of relief distributions, medical centers and inventories of relief goods to storage items received from suppliers are determined. Also, in the second step or response phase, the amount of relief goods transported from supply points to relief distribution centers and from these centers to affected areas as well as the number of injured people transferred to medical centers and hospitals through ambulances and aerial transportationare determined. Moreover, regarding the problem nature, its key parameters (e.g., demand and the number of injured people) are considered to be uncertain. Furthermore, given that the failureof facilities in both supplier and distributor sections can adverselyaffect their service provision, this issueisconsidered in the model. To efficiently solve the model, the non-dominated sorting genetic algorithm II (NSGA-II) and the multi-objective grey wolf optimizer (MOGWO) areused. Comparison of the results obtained from the proposed meta-heuristics with the exact solution method indicates that these algorithms can provide acceptable solutions in a reasonable amount of computational time.