طراحی مدل ریاضی زنجیره‌تامین قطعات یدکی در یک سازمان دفاعی در شرایط عدم قطعیت

نویسندگان

  • حسن فتاحی * گروه هوش مصنوعی و رباتیک، دانشکده و پژوهشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین(ع)، تهران، ایران.
  • محمدعلی جوادزاده گروه هوش مصنوعی و رباتیک، دانشکده و پژوهشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین(ع)، تهران، ایران. https://orcid.org/0000-0002-0723-3769

https://doi.org/10.22105/mmaa.vi.76

چکیده

هدف: تامین به‌موقع قطعات یدکی یکی از الزامات آماده به‌کاربودن سیستم‌های دفاعی و راهکارهای افزایش سطح خدمت در یگان‌های عملیاتی است. این تحقیق، مدلی برای زنجیره‌تامین قطعات یدکی در یک سازمان دفاعی در شرایط عدم قطعیت ارایه و حل می­‌کند.

روش‌شناسی پژوهش: با توجه به این‌که مدل ریاضی پیشنهادی برای زنجیره‌تامین قطعات یدکی در سازمان دفاعی، از نوع مسایل پیچیده (NP-hard)‌ می‌باشد، از روش‌های فراابتکاری برای حل آن استفاده می‌شود که در زمان معقولی نسبت به روش‌های دقیق، جواب‌های نزدیک به بهینه تولید می‌کنند. در این پژوهش، از الگوریتم‌های فراابتکاری ژنتیک رتبه‌بندی نامغلوب برای حل این مدل استفاده شده است.

یافته‌ها: برای اثبات کارایی الگوریتم ‌ NSGA-II، نتایج آن با نتایج حل مدل ریاضی توسط روش دقیق ایمز مقایسه شده است که نتایج نشان می‌دهد متوسط درصد اختلاف جواب الگوریتم‌ پیشنهادی با روش دقیق، کمتر از %1 می‌باشد. در ضمن زمان رسیدن به جواب در الگوریتم­ پیشنهادی نسبت به روش دقیق، به‌مراتب پایین‌تر است. بنابراین الگوریتم‌ پیشنهادی، همگرا به جواب بهینه و کارا می‌باشد.

اصالت/ارزش افزوده علمی: از آن‌جا که در مدل ریاضی مساله زنجیره‌تامین قطعات یدکی یک سازمان دفاعی، محدودیت­‌های بسیاری وجود دارد و اهداف چندگانه ازجمله کمینه‌سازی هزینه و افزایش سطح پاسخ‌گویی دنبال می‌­شود، ابعاد این مساله دنیای واقعی بزرگ می­‌باشد و رسیدن به جواب بهینه با روش‌های دقیق (در زمان معقول) امکان‌­پذیر نیست. این موضوع، ضرورت به‌کارگیری روش‌­های فراابتکاری در چنین مسایلی را نشان می‌­دهد. نتایج نشان می‌دهد که متوسط زمان اجرای P31-P39 توسط نرم‌افزار ایمز حدود 2510 و توسط الگوریتم فراابتکاری NSGA-II در حدود 479 می‌باشد که نشان از کارایی بالای الگوریتم فراابتکاری نسبت به روش حل دقیق دارد.

کلمات کلیدی:

زنجیره‌تامین، قطعات یدکی، عدم قطعیت، الگوریتم‌های فراابتکاری، الگوریتم ژنتیک چندهدفه

مراجع

  1. [1] Ameri, E., Ebadi, S. T., & Teymouri, E. (2021). Presenting an inventory management model for critical spare parts considering supplier disruption conditions under uncertainty. 18th international conference on industrial engineering. (In Persian). Tehran, Iran, Civilica. https://civilica.com/doc/1354248/
  2. [2] Hosseinzadeh, M., & Ramezani, S. (2023). Provide integrated MRO-iREAM spare parts supply chain management framework. Scientific journal of supply chain management, 25(78), 71-88. (In Persian). https://dor.isc.ac/dor/20.1001.1.20089198.1402.25.78.6.8
  3. [3] Saeedi Souq, Y., Ahmadi, A., & Ramezani, S. (2020). Joint optimization of spare parts and condition based maintenance using monte carlo approach. Supply chain management, 17(49), 36-53. (In Persian). https://scmj.ihu.ac.ir/article_203571.html?lang=en
  4. [4] Teymouri, E., & Ahmadi, M. (2019). Supply chain management. Iran University of Science and Technology Publications. (In Persian). https://b2n.ir/qu9753
  5. [5] Rahmati, H., & Ramezani, S. (2021). Inventory management system and spare parts warehouse assessment framework and roadmap (MRO-iREAM). Supply chain management, 23(70), 71-90. (In Persian). https://scmj.ihu.ac.ir/article_206295.html?lang=en
  6. [6] Jayaraman, V., Guide Jr, V. D. R., & Srivastava, R. (1999). A closed-loop logistics model for remanufacturing. Journal of the operational research society, 50(5), 497–508. https://doi.org/10.1057/palgrave.jors.2600716
  7. [7] Kumar, S., & Craig, S. (2007). Dell, Inc.’s closed loop supply chain for computer assembly plants. Information knowledge systems management, 6(3), 197–214. https://doi.org/10.3233/IKS-2007-00100
  8. [8] Cavalieri, S., Garetti, M., Macchi, M., & Pinto, R. (2008). A decision-making framework for managing maintenance spare parts. Production planning & control, 19(4), 379–396. https://doi.org/10.1080/09537280802034471
  9. [9] García-Benito, J. C., & Martín-Peña, M. L. (2021). A redistribution model with minimum backorders of spare parts: A proposal for the defence sector. European journal of operational research, 291(1), 178–193. https://doi.org/10.1016/j.ejor.2020.09.014
  10. [10] Cantini, A., Peron, M., De Carlo, F., & Sgarbossa, F. (2024). A decision support system for configuring spare parts supply chains considering different manufacturing technologies. International journal of production research, 62(8), 3023–3043. https://doi.org/10.1080/00207543.2022.2041757
  11. [11] Bashiri, M., & Sherafti, M. (2013). Advanced Bi-objective closed loop supply chain network design considering correlated criteria in fuzzy environment. Journal of industrial engineering research in production systems, 1(1), 25-36. (In Persian). https://ier.basu.ac.ir/article_494.html?lang=en
  12. [12] Dehnad, H., & Bagheri, M. (2015). A review of the factors affecting the implementation of reverse logistics in the Iranian automotive industry. International conference on modern research in industrial management and engineering. (In Persian). Tehran, Iran. Civilica. https://civilica.com/doc/435358/
  13. [13] Zareian Jahromi, H., Fallahnejad, M. S., Sadeghieh, A., & Ahmadi Yazdi, A. (2014). Robust multi-objective optimization model in sustainable closed-loop supply chain design. Journal of industrial engineering research in production systems, 2(3), 93-111. (In Persian). https://journals.basu.ac.ir/article_816.html
  14. [14] Saffar, M. M., Shakuri Ganjavi, H., & Razmi, J. (2015). A green closed loop supply chain network design considering operational risks under uncertainty and solving the model with NSGA II algorithm. Industrial engineering journal, 49(1), 55-68. (In Persian). https://www.sid.ir/paper/166498/en
  15. [15] Demirel, N., Özceylan, E., Paksoy, T., & Gökçen, H. (2014). A genetic algorithm approach for optimising a closed-loop supply chain network with crisp and fuzzy objectives. International journal of production research, 52(12), 3637–3664. https://doi.org/10.1080/00207543.2013.879616
  16. [16] Govindan, K., Soleimani, H., & Kannan, D. (2015). Reverse logistics and closed-loop supply chain: A comprehensive review to explore the future. European journal of operational research, 240(3), 603–626. https://doi.org/10.1016/j.ejor.2014.07.012
  17. [17] Ye, F., Zhao, X., Prahinski, C., & Li, Y. (2013). The impact of institutional pressures, top managers’ posture and reverse logistics on performance—Evidence from China. International journal of production economics, 143(1), 132–143. https://doi.org/10.1016/j.ijpe.2012.12.021
  18. [18] Omidi-Rekavandi, M., Tavakkoli-Moghaddam, R., & Ghodratnama, A. (2021). Mathematical modeling for the forward and reverse logistics network design. Management research in Iran, 17(4), 43-63. (In Persian). https://mri.modares.ac.ir/article_3.html?lang=en
  19. [19] Pishvaee, M. S., & Torabi, S. A. (2010). A possibilistic programming approach for closed-loop supply chain network design under uncertainty. Fuzzy sets and systems, 161(20), 2668–2683. https://doi.org/10.1016/j.fss.2010.04.010
  20. [20] Jiménez, M., Arenas, M., Bilbao, A., & Rodríguez, M. V. (2007). Linear programming with fuzzy parameters: An interactive method resolution. European journal of operational research, 177(3), 1599–1609. https://doi.org/10.1016/j.ejor.2005.10.002
  21. [21] Keramaty, A., Esmaelian, M., & Rabieh, M. (2015). A new model for the multi-mode resource-constrained project scheduling problem with discount cash flows. Industrial management studies, 13(39), 63-90. (In Persian). https://jims.atu.ac.ir/article_1979.html

دانلود

چاپ شده

2024-10-23

شماره

دوره 1 شماره 4 (1403): مدیریت: مدلسازی، تحلیل‌ها و کاربردها

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

فتاحی ح., & جوادزاده م. (2024). طراحی مدل ریاضی زنجیره‌تامین قطعات یدکی در یک سازمان دفاعی در شرایط عدم قطعیت. مدیریت: مدلسازی، تحلیل‌ها و کاربرد, 1(4), 227-243. https://doi.org/10.22105/mmaa.vi.76
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.