پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,578 |
| تعداد مقالات | 71,072 |
| تعداد مشاهده مقاله | 125,681,949 |
| تعداد دریافت فایل اصل مقاله | 98,911,963 |
A Genetic Algorithm for Integration of Vehicle Routing Problem and Production Scheduling in Supply Chain (Case Study: Medical Equipment Supply Chain) | ||
| Advances in Industrial Engineering | ||
| مقاله 3، دوره 51، شماره 2، مهر 2017، صفحه 147-160 اصل مقاله (838.24 K) | ||
| نوع مقاله: Research Paper | ||
| شناسه دیجیتال (DOI): 10.22059/jieng.2017.62209 | ||
| نویسندگان | ||
| Mohammad Ali Beheshtiniya* ؛ Atena Aarabi | ||
| Faculty of Engineering, Semnan University, Iran | ||
| چکیده | ||
| This paper studies a model for integration of vehicle routing problem (VRP) in a supply chain with order assignment to the suppliers and determining their production sequence. The considered supply chain consists of some suppliers, vehicles and a manufacturer. It is assumed that manufacturer purchases identify the raw material demand of suppliers in wholesale all at once. This provides the opportunity of receiving discounts and consequently decreasing final price. A transportation fleet composed of some vehicles, each of which may have a different speed and different transport capacity, is responsible for transporting purchased raw materials to suppliers and gathering completed parts from them aiming at minimizing the total tardiness of all jobs. After presenting the mathematical model of the problem, a dynamic genetic algorithm with two dimensional structures is proposed. The algorithm was applied to the supply chain of a medical equipment manufacturer and the results were compared with real results beforehand. Findings show that applying dynamic genetic algorithm results in improving the average of tardiness from 9.44 days to 2.11 days. Also the comparison of dynamic genetic algorithm with the optimum solution for the small size problems, and the algorithm proposed for the nearest problem in the literature to our problem shows the high efficiency of dynamic genetic algorithm. | ||
| کلیدواژه‌ها | ||
| Genetic Algorithm؛ Medical equipment؛ Router؛ Scheduling؛ Supply Chain | ||
| عنوان مقاله [English] | ||
| ارائۀ یک الگوریتم ژنتیک برای مسئلۀ یکپارچگی مسیریابی وسایل نقلیه و زمان‌بندی تولید در زنجیرۀ تأمین (مطالعۀ موردی: زنجیرۀ تأمین تجهیزات پزشکی) | ||
| نویسندگان [English] | ||
| محمد علی بهشتی نیا؛ آتنا اعرابی | ||
| استادیار دانشکدۀ فنی و مهندسی، دانشگاه سمنان | ||
| چکیده [English] | ||
| این پژوهش، به بررسی مدلی برای یکپارچگی مسئلۀ مسیریابی وسایل نقلیه (VRP) در یک زنجیرۀ تأمین با مسئلۀ تخصیص سفارش‌ها به تأمین‌کنندگان و تعیین توالی تولید در آن‌ها می‌پردازد. زنجیرۀ تأمین مورد بررسی شامل تعدادی تأمین‌کننده، چند وسیلة نقلیه و یک سازندة محصولات نهایی است. فرض بر آن است که شرکت سازنده، مواد اولیة مورد نیاز تأمین‌کنندگان را به‌صورت یکجا خریداری کند. این امر موجب استفاده از فرصت تخفیف و درنتیجه، کاهش قیمت تمام‌شدة محصولات می‌شود. به‌علاوه، شرکت سازنده از کیفیت مواد اولیه اطمینان می‌یابد و قدرت مدیریت بیشتری بر زنجیرۀ تأمین خواهد داشت. یک ناوگان حمل‌ونقل متشکل از وسایل نقلیه با ظرفیت‌ها و سرعت‌های متفاوت، حمل مواد اولیة خریداری‌شده به تأمین‌کنندگان و جمع‌آوری قطعات تکمیل‌شده از آن‌ها را با هدف کاهش میزان دیرکرد در تحویل سفارش‌ها برعهده دارد. پس از ارائة مدل ریاضی، برای حل این مسئله، الگوریتم ژنتیک پویا پیشنهاد شده است. این الگوریتم، بر زنجیرۀ تأمین یک شرکت تولیدکنندۀ تجهیزات پزشکی پیاده شد و مقایسۀ نتایج الگوریتم با نتایج واقعی صورت گرفت. نتایج نشان داد که استفاده از الگوریتم ژنتیک پویا، به کاهش میانگین دیرکرد، از 44/9 روز به 11/2 روز منجر می‌شود. مقایسة عملکرد الگوریتم ژنتیک پویا با جواب بهینه در مسائل با مقیاس کوچک و الگوریتم پیشنهادی برای نزدیک‌ترین مسئله در ادبیات موضوع، نشانگر کارایی بالای الگوریتم ژنتیک پویاست. | ||
| کلیدواژه‌ها [English] | ||
| الگوریتم ژنتیک, تجهیزات پزشکی, زمان‌بندی, زنجیرۀ تأمین, مسیریاب | ||
| مراجع | ||
|
1. Nasiri, M. and PourmohamadZia, N. (2015). “A Hybrid model for supplier selection and order allocation in supply chain”, Journal of Industrial Engineering, Vol. 49, No. 1, PP. 117–128. 2. Omrani, H. and Adabi, F. (2016). “A multi objective planning for supply chain network design with efficient manufacturers and distributers”, Journal of Industrial Engineering, Vol. 50, No. 2, PP. 261–278. 3. Lee, Y. H., Jeong, C. S. and Moon, C. (2002). “Advanced planning and scheduling with outsourcing in manufacturing supply chain”, Computers and Industrial Engineering, Vol. 43, No. 1–2, PP. 351–374. 4. Berning, G., et al. (2004). “Integrating collaborative planning and supply chain optimization for the chemical process industry (I)—methodology”, Computers & Chemical Engineering, Vol. 28, No. 6–7, PP. 913–927. 5. Naso, D. et al. (2007). “Genetic algorithms for supply-chain scheduling: A case study in the distribution of ready-mixed concrete”, European Journal of Operational Research, Vol. 177, No. 3, PP. 2069–2099. 6. Averbakh, I. and Xue, Z. (2007). “On-line supply chain scheduling problems with preemption." European Journal of Operational Research, Vol. 181, No. 1, PP. 500–504. 7. Zegordi, S. and Beheshti Nia, M. (2009). “Integrating production and transportation scheduling in a two-stage supply chain considering order assignment”, The International Journal of Advanced Manufacturing Technology, Vol. 44, No. 9–10, PP. 928–939. 8. Sawik, T. (2009). “Coordinated supply chain scheduling." International Journal of Production Economics, Vol. 120, No. 2, PP. 437–451. 9. Su, C.-S., Pan, J.C.-H. and Hsu, T.-S. (2009). "A new heuristic algorithm for the machine scheduling problem with job delivery coordination”, Theoretical Computer Science, Vol. 410, No. 27–29, PP. 2581–2591. 10. Averbakh, I. (2010). “On-line integrated production–distribution scheduling problems with capacitated deliveries”, European Journal of Operational Research, Vol. 200, No. 2, PP. 377–384. 11. Scholz-Reiter, B., Frazzon, E.M. and Makuschewitz, T. (2010). “Integrating manufacturing and logistic systems along global supply chains”, CIRP Journal of Manufacturing Science and Technology, Vol. 2, No. 3, PP. 216–223. 12. Yimer, A.D. and Demirli, K. (2010). “A genetic approach to two-phase optimization of dynamic supply chain scheduling”, Computers and Industrial Engineering, Vol. 58, No. 3, PP. 411–422. 13. Fahimnia, B., Luong, L.and Marian, R. (2012). “Genetic algorithm optimisation of an integrated aggregate production–distribution plan in supply chains”, International Journal of Production Research, Vol. 50, No. 1, PP. 81–96. 14. Ullrich, C.A. (2013). “Integrated machine scheduling and vehicle routing with time windows”, European Journal of Operational Research, Vol. 227, No. 1, PP. 152–165. 15. Selvarajah, E. and Zhang, R. (2014). “Supply chain scheduling at the manufacturer to minimize inventory holding and delivery costs”, International Journal of Production Economics, Vol. 147, Part A, No. 0, PP. 117–124. 16. Low, C., et al. (2014). “Coordination of production scheduling and delivery problems with heterogeneous fleet”, International Journal of Production Economics, Vol. 153, No. 1, PP. 139–148. 17. Cheng, B., Yang, Y. and Hu, X. (2015). “Supply chain scheduling with batching, production and distribution”, International Journal of Computer Integrated Manufacturing, Vol., No. ahead-of-print, PP. 1–12. 18. Chang, Y.-C., Chang, K.-H. and Kang, T.-C. (2015). “Applied Variable Neighborhood Search-Based Approach to Solve Two-Stage Supply Chain Scheduling Problems”, Journal of Testing and Evaluation, Vol. 44, No. 3, PP. 1337-1349. 19. Tasan, A. S. and Gen, M. (2012). “A genetic algorithm based approach to vehicle routing problem with simultaneous pick-up and deliveries”, Computers and Industrial Engineering, Vol. 62, No. 3, PP. 755–761. | ||
|
آمار تعداد مشاهده مقاله: 1,726 تعداد دریافت فایل اصل مقاله: 1,441 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب