چکیده:
هدف این مقاله ارائه مدل بازیابی پایدار محصولات فرسوده با در نظر گرفتن همزمان اثرات اقتصادی، اجتماعی ومحیط زیستی است. تعیین تعداد، محل کارخانهها و جریان مواد بین این کارخانهها در شبکه بازیابی مد نظر است. در فرایند بازیابی و مدیریت ضایعات، بیشینهسازی سود و منافع اجتماعی و کمینهسازی آلودگی در عملیات محصول فرسوده مورد توجه است؛ جهت تجزیه و تحلیل اطلاعات ابتدا از طریق تکنیک فرآیند تحلیل سلسله مراتبی فازی وزن شاخصهای مناسب برای تعریف توابع اجتماعی تعیین شده است. سپس با استفاده از مفاهیم و اصول مدلسازی ریاضی به تعیین مجموعهها، پارامترها، متغیرها، توابع هدف و محدودیتهای مدل ریاضی مکانیابی سایتهای بازیابی ضایعات خودرو پرداخته شده است. به دنبال آن مدل ریاضی ارائه شده به وسیله الگوریتم ژنتیک چندهدفه حل شده است. در این تحقیق دو الگوریتم NSGA-II ترکیبی پیشنهادی و NSGA-II ساده برای حل مدل استفاده و مقایسه شده و تعدادی مساله آزمایشی به صورت تصادفی تولید و توسط دو الگوریتم حل شده است. همچنین یک نمونه موردی با استفاده از دادههای واقعی شرکت سایپا توسط مدل حل شده است.
خلاصه ماشینی:
در این تحقیق دو الگوریتم NSGA-II ترکیبی پیشنهادی و NSGA-II ساده برای حل مدل استفاده و مقایسه شده و تعدادی مسأله آزمایشی به صورت تصادفی تولید و توسط دو الگوریتم حل شده است .
٤-روش حل در این بخش ابتدا با استفاده از فرآیند تحلیل سلسله مراتبی فازی معیارهای تابع اجتماعی برای هریک از مکانهای بالقوه در این تحقیق از منظر کارخانه های پیادهسازی و اوراق کردن و پردازش و فرآوری شناسایی می شود، سپس به حل مدل ریاضی چندهدفه جهت طراحی شبکه لجستیک معکوس در صنعت خودرو پرداخته می شود.
<رجوع شود به تصویر صفحه> </رجوع شود به تصویر صفحه> مراحل حل مدل از طریق روش الگوریتم ژنتیک در این تحقیق از آرشیو پارتو جهت نگهداری پاسخ های غیرمغلوب ٧٥ استفاده شده است که در طول اجرای الگوریتم تولید می شوند.
(2010) A multi-echelon reverse logistics network design for product recovery – a case of truck tire remanufacturing.
(2008) A heuristic approach to logistics network design for end of lease computer products recovery.
(2012) Designing a reverse logistics network for optimal collection, recovery and quality-based product-mix planning.
S. (2006)A genetic algorithm approach to developing the multi-echelon reverse logistics network for product returns, Omega.
, (2009), Designing sustainable recovery network of end-of-life products using genetic algorithm.