چکیده:
در میان جریانهای موجود در هر زنجیره تأمین (مالی، اطلاعات و مواد)، جریان مواد با
توجه به سهم آن در بهای تمام شده محصول از اهمیت قابل توجهی برخوردار میباشد. این
مقاله سعی بر آن دارد تا با بهکارگیری روش الگوریتم ژنتیک، مدلی در جهت تخصیص
مناسب سفارشها در سطوح مختلف زنجیره با توجه به حداقل کردن هزینههای مورد نظر
مسأله ارائه کند. جوابهای مدل ارائه شده بر مبنای الگوریتم ژنتیک با سایر روشهای
متداول جستجوی الگو همچون Latin Hypercube، Nelder-Mead در قالب هزینه مقایسه شده
است که شواهد حاکی از برتری روش الگوریتم ژنتیک نسبت به سایر روشها است.
خلاصه ماشینی:
"این مقاله سعی بر آن دارد تا با بهکارگیری روش الگوریتم ژنتیک، مدلی در جهت تخصیص مناسب سفارشها در سطوح مختلف زنجیره با توجه به حداقل کردن هزینههای مورد نظر مسأله ارائه کند.
A : ماتریس هزینههای حمل و نقل براساس واحد از مبدأ i به مقصد j Sik : حداکثر ظرفیت منابع i در سطح k L : میزان تقاضای محصول نهایی Lk : تعداد قطعات مورد نیاز ورودی به سطح k برای تولید یک واحد قطعه خروجی 2g، 1g: هزینه مواجهه با نگهداری و کمبود موجودی k2W، k1W: متغیرهای صفر و یک هر یک از ایستگاهها دارای حداکثر ظرفیتی میباشند که مقدار خروج مواد از آن ایستگاه نباید بیشتر از ظرفیت ایستگاه باشد (محدودیت 1).
در این مقاله، الگوریتم ژنتیک برای مسأله یافتن مسیر جریان مواد و مقدار مواد حمل شده در زنجیره تأمین با تأکید بر حداقل کردن هزینههای موجود در زنجیره بالاخص هزینه حمل و نقل ارائه شده است برای ارائه الگوریتم عملگرهای مختلفی توسعه داده شدهاند و برای بررسی کارایی عملگرها نیز آزمایشهای متعددی بر روی مسائل با اندازههای مختلف انجام گرفته است.
pattern search جدول 3 خروجی الگوریتم ژنتیک و جستجوی الگومتغیرهاالگوریتم ژنتیکLatin HypercubeNelder-Mead111X1/19168/20409/262121X89/20833/19591/137112X38/1322/15675/98122X31/2294/26043/224132X67/211427/19707/463212X25/26189/23744/83222X34/20545/22388/239232X05/16064/12442/90113X43/576/16867/211123X32/8085/6154/29133X49/32324/3098/57143X4/290016/14153X61/8728/2482/51213X85/807/821/419223X73/16676/25072/119233X81/19472/9291/201243X85/18272/20495/139253X06/2448/33694/47313X13/8731/13054/391323X8/13216/17338/426333X85/10843/14787/154342X57/13252/11134/4353X08/28272/8185/129مقدار تابع هدف78/8830845/90397207/96618 جدول 4 مقدار تابع هدف برای روشهای مختلف جستجو الگوروش جستجومقدار تابع هدفالگوریتم ژنتیک78/88308Latin Hypercube45/90397Nelder - Mead207/96618 5- نتیجهگیری با توجه به اهمیت مسأله گردش مواد و هزینههای مربوط به آن در زنجیره تأمین و لزوم تصمیمگیری به موقع و صحیح در جهت سودآوری کل زنجیره، مدلهای فرا ابتکاری به خصوص الگوریتم ژنتیک به کار گرفته شده در این مقاله نسبت به سایر مدلهای کلاسیک قبلی از مزیت قابل توجهی برخوردارند."