به‎کارگیری الگوریتم ژنتیک برای برنامه‌ریزی تأمین، تولید و توزیع یکپارچۀ سیستم‌های مونتاژ

ثابت مطلق, محمد; محقر, علی

doi:10.22059/imj.2016.60654

	فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
	فهرست مجلات علمی- پژوهشی دانشگاه تهران
	نحوه ارسال مقاله برای مجله- ثبت نام در سامانه- فراموش کردن رمز عبور

تعداد نشریات	209
تعداد شماره‌ها	5,558
تعداد مقالات	61,170
تعداد مشاهده مقاله	100,369,173
تعداد دریافت فایل اصل مقاله	79,835,986

	به‎کارگیری الگوریتم ژنتیک برای برنامه‌ریزی تأمین، تولید و توزیع یکپارچۀ سیستم‌های مونتاژ
مدیریت صنعتی
مقاله 3، دوره 8، شماره 2، مرداد 1395، صفحه 163-190 اصل مقاله (912.82 K)
نوع مقاله: مقاله علمی پژوهشی
شناسه دیجیتال (DOI): 10.22059/imj.2016.60654
نویسندگان
محمد ثابت مطلق ¹؛ علی محقر ²
¹دانشجوی دکتری مدیریت تولید و عملیات، دانشکدۀ مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
²استاد گروه مدیریت صنعتی، دانشکدۀ مدیریت دانشگاه تهران، تهران، ایران
چکیده
با وجود این حقیقت که در بیشتر پژوهشها، تنها بخشی از زنجیرۀ تأمین مطالعه شده است؛ در این مطالعه تلاش می‎شود به بررسی برنامه‎ریزی‎ای برای تأمین، تولید و توزیع یکپارچه پرداخته ‎شود. بنابراین پژوهش پیش رو، نوعی مدل ریاضی را به‎منظور مدیریت موجودی برای سطوح زنجیرۀ تأمین توسعه داده است؛ به‎گونهای که سیاست سفارشدهی مناسب را برای سطوح تأمین، تولید و توزیع زنجیره مشخص کند و همچنین هزینههای مرتبط با آن را به کمترین حد برساند. مسئلۀ این مطالعه به‎عنوان برنامهریزی عدد صحیح محض فرموله می‎شود و برای حل آن روش الگوریتم ابتکاری ژنتیک به‎کار می‎رود؛ سپس مدل ساخته‎شده در نمونۀ واقعی استفاده می‎شود. نتایج تجربی به‎دست‎آمده نشان میدهد به‎کارگیری این مدل میتواند هزینههای موجودی شرکت نمونه را تا حد 4694/8 درصد کاهش دهد
کلیدواژه‌ها
الگوریتم ژنتیک؛ برنامه‎ریزی عدد صحیح محض؛ مدل‎سازی ریاضی؛ مدیریت زنجیرۀ تأمین؛ مدیریت موجودی
عنوان مقاله [English]
Applying Genetic Algorithm for An integrated Supply and Production/Distribution Planning in assembly systems
نویسندگان [English]
Mohammad Sabet Motlagh¹؛ Ali Mohaghar²
¹PhD Candidate, Faculty of Management and Accounting, Allameh Tabatabaee University, Tehran, Iran
²Prof. Industrial Management, Tehran University, Tehran, Iran
چکیده [English]
Abstract: An efficient supply chain system operates under a strategy to minimize costs by integrating the different functions inside the system and by meeting customer demands in time. In this paper, an integrated supply-production and distribution planning (SPDP) is considered despite the fact that in most of the Papers, Part of the supply chain has been studied, not all parts. Therefore, we develop a mathematical model that calculate the optimal inventory lot sizing for each supplier and minimize the total cost associated in the process of procuring raw material, transferring and holding raw materials, manufacturing and, finally, delivering the finished product. The problem is formulated as a pure integer programming and heuristic genetic algorithm (GA) method applied to solve it. Then we test the proposed model in a case study conducted in Iran. Experimental results show that such a model can reduce the costs of the case study by 8/4694%.
کلیدواژه‌ها [English]
Genetic Algorithm, Inventory management, Mathematical modeling, pure integer programming, Supply Chain Management

مراجع
Agrawal, N., & Cohen, M. A. (2001). Optimal material control in an assembly system with component commonality. Naval Research Logistics, 48(5): 409 – 429. Amiri, M & Jahani, S. (2010). Application of IDEA/AHP for Supplier evaluation and Selection. Journal of industrial management, 2(5): 5-18. (in Persian) Bhakoo, V., Singh, P., & Sohal, A. (2012). Collaborative management of inventory in Australian hospital supply chains: practices and issues. Supply Chain Management: An International Journal, 17(2): 217 – 230. · Farsijani, H, & Abdoos, M.R. (2011). Using the Fuzzy Models for Ordering System in Inventory Control. Journal of industrial management, 3(6): 99-112. (in Persian) Gholamian, N., Mahdavi, I., & Tavakkoli-Moghaddam, R. (2016). Multi-objective multi-product multi-site aggregate production planning in a supply chain under uncertainty: fuzzy multi-objective optimisation. International Journal of Computer Integrated Manufacturing, 29(2), 149-165. · Hooshmandi Maher, M., Amiri, M. & Olfat, L. (2014). A mathemathical model for supplier selection and order allocation in a supply chain considering uncertainty in design variables- for print. Journal of industrial management, 6(1): 151-180. (in Persian) Lee.Y.H, & Kim .S.H. (2002). Production-distribution planning in supply chain considering capacity constraints, computer and industrial engineering. 43: 169-190. Liu, S., & Papageorgiou, L. G. (2013). Multi objective optimization of production, distribution and capacity planning of global supply chains in the process industry. Omega, 41(9): 369–382. Nasiri, G. R., Davoudpour, H., & Karimi, B. (2010). The impact of integrated analysis on supply chain management: a coordinated approach for inventory control policy. Supply Chain Management: An International Journal, 15(4): 277 – 289. Nasiri, G. R., Zolfaghari, R., & Davoudpour, H. (2014). An integrated supply chain production-distribution planning with stochastic demands. Computers & Industrial Engineering, 74(4(:35–45. Nonino, F., & Panizzolo, R. (2007). Integrated production/distribution planning in the supply chain: the Febal case study. Supply Chain Management: An International Journal, 12(2): 150 – 163. Pahl, J., & Voß, S. (2014). Integrating deterioration and lifetime constraints in production and supply chain planning: A survey. European Journal of Operational Research, 238(3): 654–674. Park, M., & Kim, Y. (1999). Heuristic algorithm for a production planning problem in an assembly system. Journal of the Operational Research Society, 50(2): 138 – 147. Park, M., & Kim, Y. (2000). Branch and bound algorithm for a production scheduling problem in an assembly system under due date constraints. European Journal of Operational Research, 123(3), 518-504. Pokharel, Sh. (2008). A two objective model for decision making in a supply chain. Int. J. Production Economics. 111 (2): 378–388. Powell, S., G, & Pyke, D. F. (1998). Buffering unbalanced assembly systems. IIE Transactions, 30(1): 55 – 65. Premaratne, S. (2005). A conceptual framework for supply chain management: a structural integration. Supply Chain Management: An International Journal, 10(1): 47 - 59. Sadeghi Moghadam, M.R., Momeny, M. & Nalchigar, S. (2009). Material Flow Modeling in Supply Chain Management with Genetic Algorithm Approach, Journal of industrial management, 1(2): 71-88. (in Persian) Sahling, F., & Kayser, A. (2016). Strategic supply network planning with vendor selection under consideration of risk and demand uncertainty.Omega, 59, Part B, 201-214. Sainathuni, B., Parikh, P., Zhang, X., & Kong, N. (2014). The warehouse-inventory-transportation problem for supply chains. European Journal of Operational Research, 237(2): 690–700. Sarker, R., & Newton, C. (2002). A genetic algorithm for solving economic lot size scheduling problem. computers and Industrial Engineering, 42(3): 189-198. Simatupang, T. M., Sandroto, I. V., & Lubis, S. B. H. (2004b). Supply chain coordination in a fashion firm", Supply Chain Management. An International Journal, 9(3): 256 – 268. Taxakis, K., & Papadopoulos, C. (2016). A design model and a production–distribution and inventory planning model in multi-product supply chain networks. International Journal of Production Research, 1-22. doi:10.1080/00207543.2016.1158882. T.S, C., S.H, C., & .W, S. (2005). A hybrid genetic algorithm for production and distribution. Omega, 33: 345–355. Validi, S., Bhattacharya, A., & Byrne, P. (2014). A case analysis of a sustainable food supply chain distribution system—A multi-objective approach. International Journal of Production Economics, 152: 71–87. Woarawichai, C., Kullpattaranirun, T., & Rungreunganun, V. (2010). Applying Genetic Algorithms for Inventory Lot-Sizing Problem with Supplier Selection under Storage Space. AIJSTPME, 3(4): 37-45. Zhang, Z.-H., Li, B.-F., Qian, X., & Cai, L.-N. (2014). An integrated supply chain network design problem for bidirectional flows. Expert Systems with Applications, 41(9): 4298–4308. Zhen, L. (2014). A three-stage optimization model for production and outsourcing under China’s export-oriented tax policies. Transportation Research Part E: Logistics and Transportation Review. 69(c): 1–20.
آمار تعداد مشاهده مقاله: 1,581 تعداد دریافت فایل اصل مقاله: 1,036

Journal Management System. Designed by sinaweb.

پیوندهای مفید

اخبار و اعلانات

آمار

به‎کارگیری الگوریتم ژنتیک برای برنامه‌ریزی تأمین، تولید و توزیع یکپارچۀ سیستم‌های مونتاژ

· Farsijani, H, & Abdoos, M.R. (2011). Using the Fuzzy Models for Ordering System in Inventory Control. Journal of industrial management, 3(6): 99-112.
(in Persian)

· Hooshmandi Maher, M., Amiri, M. & Olfat, L. (2014). A mathemathical model for supplier selection and order allocation in a supply chain considering uncertainty in design variables- for print. Journal of industrial management, 6(1): 151-180. (in Persian)

پیوندهای مفید

اخبار و اعلانات

آمار

به‎کارگیری الگوریتم ژنتیک برای برنامه‌ریزی تأمین، تولید و توزیع یکپارچۀ سیستم‌های مونتاژ

· Farsijani, H, & Abdoos, M.R. (2011). Using the Fuzzy Models for Ordering System in Inventory Control. Journal of industrial management, 3(6): 99-112. (in Persian)

· Hooshmandi Maher, M., Amiri, M. & Olfat, L. (2014). A mathemathical model for supplier selection and order allocation in a supply chain considering uncertainty in design variables- for print. Journal of industrial management, 6(1): 151-180. (in Persian)

· Farsijani, H, & Abdoos, M.R. (2011). Using the Fuzzy Models for Ordering System in Inventory Control. Journal of industrial management, 3(6): 99-112.
(in Persian)