پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,578 |
| تعداد مقالات | 71,072 |
| تعداد مشاهده مقاله | 125,684,334 |
| تعداد دریافت فایل اصل مقاله | 98,913,828 |
Genetic Algorithm and Hybrid Method to Minimize Total Distribution Cost in Multi-level Supply Chain | ||
| Advances in Industrial Engineering | ||
| مقاله 2، دوره 46، شماره 1 - شماره پیاپی 1311261، تیر 2012، صفحه 15-26 اصل مقاله (366.8 K) | ||
| شناسه دیجیتال (DOI): 10.22059/jieng.2012.29617 | ||
| نویسندگان | ||
| Mohammad Jafar Tarokh؛ A. Naseri | ||
| چکیده | ||
| In this paper, the distribution network for multi-level supply chain has been studied. Products produced in factories are sent to customers through warehouses and distribution centers based on specific demands. Warehouses as holding inventory facilities are located close to factories and the distribution centers are placed in the most accessible locations for services near customers. Each item is sent from factories to customers through warehouses and distribution centers. Therefore, a model was designed to minimize the total distribution costs in a multi-level supply chain network. The main goal of this paper is offering a model to determine a replenishment program, to determine the values of inventory distributed to reduce the cost of lost sales, and also to determine delivery routes to reduce transport costs and determine the values stored to reduce the holding costs. A mixed integer programming for the suggested model is formulated. Therefore, the objective function of this model is to minimize the total costs of distribution network including holding cost, lost sale cost, replenishment cost and transportation costs. The model shows that the problem is Np-Hard and thus cannot be solved by LINGO for large size problems. Hence, two Meta-heuristics methods for solving the model have been used. In the first part, we have used the genetic algorithm that according to the specification of the suggested model was programmed to earn high quality solution in short run time. Secondly we have used a hybrid algorithm that simultaneously takes advantage of genetic and simulation annealing algorithms. For the hybrid algorithm, the initial solution was earned through the implementation of genetic algorithms and then this solution was improved using simulated annealing algorithm. Computational results indicate the superiority of the hybrid algorithm for small and medium size problems but for larger problems it is recommended to use the genetic algorithm alone. | ||
| کلیدواژه‌ها | ||
| Facility capacity؛ Hybrid Genetic–Simulated annealing algorithm؛ Inventory - distribution models؛ Lost sale cost؛ Supply Chain Management | ||
| عنوان مقاله [English] | ||
| حداقل‌کردن هزینه‌های توزیع زنجیره تأمین چندسطحی با رویکرد الگوریتم ژنتیک و روش هیبریدی | ||
| نویسندگان [English] | ||
| محمد جعفر تارخ؛ امیر ناصری | ||
| چکیده [English] | ||
| در این مقاله، شبکه توزیع برای زنجیره تأمین چندسطحی مورد مطالعه قرار گرفته است. محصولات در کارخانجات تولید و از طریق انبارها و مراکز توزیع بر اساس تقاضاهای معین به مشتریان ارسال می‌شوند. در همین راستا مدلی طراحی شده است که هزینه‌های شبکه توزیع را در زنجیره تأمین چندسطحی حداقل کند. یک برنامه‌ریزی عدد صحیح مختلط برای مدل فرموله شده است. با توجه به Np-Hard مدل پایه، مدل پیشنهادی ارائه‌شده این مقاله نیز در این طبقه جای می‌گیرد. بنابراین برای حل مدل از دو روش فراابتکاری کمک گرفته شده است. در روش اول از الگوریتم ژنتیک استفاده شده است تا جواب‌های مناسب کیفیت داشته و همچنین از نظر زمانی سرعت حل افزایش یابد. در ادامه با استفاده از الگوریتم ترکیبی پیشنهادی، دو الگوریتم ژنتیک و شبیه‌سازی تبرید با هم ترکیب شده است تا جواب‌های نزدیک‌تری به جواب بهینه حاصل شود. نتایج محاسباتی، حاکی از برتری الگوریتم ترکیبی برای مدل‌های با ابعاد متوسط و کوچک است، ولی برای مدل‌های با ابعاد بزرگ، استفاده از الگوریتم ژنتیک توصیه می‌شود. | ||
| کلیدواژه‌ها [English] | ||
| الگوریتم هیبریدی ژنتیک- شبییه‌سازی تبرید, ظرفیت تسهیلات, مدل‌های موجودی- توزیع, مدیریت زنجیره تأمین, هزینه فروش از دست رفته | ||
|
آمار تعداد مشاهده مقاله: 3,836 تعداد دریافت فایل اصل مقاله: 4,298 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب