طراحي شبكه لجستيك دارو بر اساس مسئله مسيريابي ناوگان حمل ونقل به كمك الگوريتم گرگ خاكستري بهبود يافته

Drug logistics network design based on the fleet routing by using the improved gray wolf optimizer algorithm

حمل‌‌ونقل مواد دارويي به عنوان يكي از پيچيده‌ترين نوع حمل و نقل‌ها همواره مورد بررسي محققان بوده است. اين مسئله كه زيرمجموعه يك مسئله كليدي به نام حمل‌‌ونقل مواد خطرناك مي‌باشد، يكي از فعاليت‌هاي جدايي‌ناپذير و پرخطر در چرخه فعاليت‌هاي صنعتي محسوب مي‌شود. تلاش براي يافتن جواب بهينه اين مسئله، يكي از موضوعات بسيار كاربردي در لجستيك مي باشد. بر همين مبنا، در اين تحقيق به بهينه‌سازي مسئله طراحي شبكه لجستيك دارو پرداخته شد. در اين راستا از مسئله مسيريابي وسايل نقليه الهام گرفته شده است. به همين منظور، ابتدا يك مدل مفهومي براي اين مسئله بيان و يك مدل رياضي جديد در جهت مسيريابي وسايل نقليه حمل دارو با در نظر گرفتن نقش حساسيت مسير و عدم قطعيت پنجره زماني ارائه شده است. به منظور حل مسئله، از الگوريتم فرا ابتكاري گرگ خاكستري به عنوان يك الگوريتم جديد و كارامد استفاده شده است. براي بررسي كارايي الگوريتم ارائه شده، اين الگوريتم با روش حل دقيق و الگوريتم هاي ژنتيك و ازدحام ذرات مقايسه شده و نتايج بررسي كارايي الگوريتم گرگ خاكستري نشان مي‌دهد كه اين الگوريتم با صرف زمان بسيار اندكي، جواب‌هايي با حداقل خطاي ممكن را ارائه مي‌كند.

Transportation of pharmaceuticals as one of the most complex types of transportation has always been studied by researchers. This issue, which is a subset of a key issue called the transportation of hazardous substances, is one of the most integral and high-risk activities in the industrial activity cycle. Trying to find the optimal solution to this problem is one of the most useful topics in logistics. Accordingly, this study optimized the design of the drug logistics network. In this regard, the issue of vehicle routing (VRP) has been inspired. In this regard, the issue of vehicle routing (VRP) is inspired. To this end, first a conceptual model for this problem and a new mathematical model for routing drug transport vehicles with the role of path sensitivity and time window uncertainty are presented. In order to solve the problem, the Gray Wolf meta-heuristic algorithm has been used as a new and efficient algorithm. To evaluate the performance of the proposed algorithm, this algorithm is compared with the exact solution method and genetic algorithms and particle swarm and the results of the gray wolf algorithm show that this algorithm provides answers with the least possible error in a very short time.