پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 152 |
| تعداد شماره‌ها | 5,627 |
| تعداد مقالات | 61,993 |
| تعداد مشاهده مقاله | 102,133,357 |
| تعداد دریافت فایل اصل مقاله | 80,622,602 |
مدل انتخاب تأمینکننده، تخصیص سفارش و قیمت‌گذاری در مدیریت زنجیره تأمین چند کالایی تک‌دوره‌ای و چند تأمینکننده با رویکرد روش‌های سطح پاسخ و الگوریتم ژنتیک | ||
| مدیریت صنعتی | ||
| دوره 12، شماره 1، 1399، صفحه 1-23 اصل مقاله (400.17 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/imj.2020.285737.1007631 | ||
| نویسندگان | ||
احسان تیموری1؛ مقصود امیری  2؛ لعیا الفت2؛ مصطفی زندیه 3
| ||
| 1دانشجوی دکتری، گروه مدیریت تحقیق در عملیات، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران. | ||
| 2استاد، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران. | ||
| 3دانشیار، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران. | ||
| چکیده | ||
| هدف: یکی از موضوع‌های مهمی که خرده‌فروشان با آن مواجه‌اند، مسئله انتخاب تأمینکننده به‌منظور سفارش کالا، تخصیص کالا به تأمین‌کنندگان و قیمت‌گذاری کالاهاست. هدف این مقاله، ارائه مدل انتخاب تأمینکننده، تخصیص سفارش و قیمت‌گذاری چندکالایی، همراه با تقاضای تصادفی و خرید از تأمینکننده با تخفیف کلی است. روش: روش مقاله، مدل‌سازی کمّی از طریق ارائه مدل ریاضی است. در این پژوهش یک مدل مختلط غیرخطی عدد صحیح تک‌هدفه طراحی شده است. تقاضای کالاها مبتنی بر قیمت، به‌صورت تصادفی جمعی است. برای تخمین تابع درآمد، از تکنیک روش‌شناسی سطح پاسخ، برای حل مدل، از الگوریتم ژنتیک متناسب‌سازی و برای تنظیم پارامتر الگوریتم ژنتیک، از روش تاگوچی استفاده شده است. به‌منظور صحت‌بخشیدن به روش پیشنهادی، 9 مسئله با مقادیر مختلف کالا و سطوح مختلف واریانس‌های متغیر تصادفی تقاضا حل شد و مقایسه‌ای میان نتایج آن در مسائل با ابعاد کوچک با نتایج در حل مدل در نرم‌افزار لینگو به عمل آمد تا عملکرد الگوریتم بررسی شود. یافته‌ها: در مقایسه میان نتایج الگوریتم ژنتیک و حل مدل در نرم‌افزار لینگو، اختلاف کمی مشاهده شد. همچنین با حل مدل برای مثال‌های مدنظر با استفاده از روش پیشنهادی، مشخص شد که با افزایش واریانس متغیر تصادفی تقاضا، میزان سود نیز کاهش می‌یابد. نتیجه‌گیری: در نظر گرفتن هم‌زمان مسئله انتخاب تأمینکننده، تخصیص سفارش و قیمت‌گذاری، به خرده‌فروشان برای بهبود تصمیم‌گیری کمک می‌کند. همچنین تقاضای مبتنی بر قیمت و شرایط مختلف تخفیف، مفروض‌هایی هستند که به کاربردی‌تر شدن مدل منجر می‌شوند. پس از حل مدل برای مسائل مختلف، مشخص شد که با افزایش عدم قطعیت در تقاضا، میزان سود کاهش می‌یابد. الگوریتم ژنتیک نیز برای مدل مختلط غیرعددی صحیح انتخاب تأمینکننده، تخصیص سفارش و قیمت‌گذاری، کارایی مناسبی دارد. | ||
| کلیدواژه‌ها | ||
| قیمت‌گذاری؛ انتخاب تأمینکننده؛ الگوریتم ژنتیک؛ روش‌شناسی سطحی پاسخ | ||
| عنوان مقاله [English] | ||
| Presenting a Supplier Selection, Order Allocation, and Pricing Model in Multi-item, Single-Period, and Multi-Supplier Supply Chain Management with Surface Response Methodology and Genetic Algorithm Approach | ||
| نویسندگان [English] | ||
| Ehsan Teymouri1؛ Maghsoud Amiri2؛ Laya Olfat2؛ Mostafa Zandieh3 | ||
| 1Ph.D. Candidate, Department of Operation Research Management, Faculty of Management and Accounting, University of Allameh Tabataba’i, Tehran, Iran. | ||
| 2Prof., Department of Industrial Management, Faculty of Management and Accounting, University of Allameh Tabataba’i, Tehran, Iran. | ||
| 3Associate Prof., Department of Industrial Management, Faculty of Management and Accounting, University of Shahid Beheshti, Tehran, Iran. | ||
| چکیده [English] | ||
| Objective: Selecting the supplier, allocating the goods to the suppliers, and pricing the goods are the important challenges with which retailers are faced. The present study is aimed at providing a multi-item supplier selection, order allocation, and pricing model with stochastic demand and purchase from the suppliers who provide goods with all-unit discount. Methods: The study has used quantitative modeling by presenting mathematical model. The demand functions are price-based with additive uncertainty. In this study, a mixed nonlinear integer single-objective model was developed. To this end, the response surface methodology was used to estimate the income function and the genetic algorithm was applied to solve the model. Further, the Taguchi method was utilized to set the parameter of the genetic algorithm. For verifying the proposed method, nine problems with different product quantities and levels of variance of stochastic variables of demand were solved. In addition, in order to evaluate the performance of the genetic algorithm, the results of the algorithm in solving problems with small dimensions were compared to the results in solving the model in Lingo software. Results: The results of the study indicated that the difference between the results of genetic algorithm and lingo is not significant. After solving the model for the examples using the proposed method, it was determined that increasing the variance of the random variable of demand results in decreasing the profit level. Conclusion: Considering the supplier selection, order allocation, and pricing issues can help retailers to make better decisions. Furthermore, demand based on the price and various conditions of the discount are assumptions which make the model more practical. The results of solving the model for various examples indicated that increasing uncertainty in demand leads to a decrease in the amount of profit. Moreover, the genetic algorithm is considered as an appropriate alternative to solve a mixed nonlinear integer model of supplier selection, order allocation, and pricing. | ||
| کلیدواژه‌ها [English] | ||
| Pricing, Supplier selection, Genetic algorithm, Response surface methodology | ||
| مراجع | ||
|
البرزی، محمود (1388). الگوریتم ژنتیک، تهران: مؤسسه انتشارات علمی دانشگاه صنعتی شریف.
References Alborzi, M. (2009). Genetic Algorithms. Tehran, University of Saneati Sharif press. (in Persian) Alegoz, M., Yapicioglu, H. (2018). Supplier selection and order allocation decision under quantity discount and fast service option, Sustainable Production and Consumption, 18, 179-189. Chopra, S., & Meindl, P. (2007). Supply Chain Management:Strartegy, Planning, and Operation. 4thEdition. New Jersey: Pearson. Gen, M., & Cheng, R. (2000). Genetic algorithms and engineering optimization. first Edition. New York: John Wiley and Sons. Haksever, C. & Moussourakis, J. (2008). Determining order quantities in multi-product inventory systems subject to multiple constraints and incremental discounts. European Journal of Operational Research, 184(3), 930–945. Hassanzadeh Amin, S., Razmi, J., & Zhang, G. (2011). Supplier selection and order allocation based on fuzzy SWOT analysis and fuzzy linear programming. Expert Systems with Applications, 38(1), 334–342. Kellner, F., & Utz, S. (2018). Sustainability in supplier selection and order allocation: combining integer variables with Markowitz portfolio theory. Journal of Cleaner Production, 214, 462-474. Keramatpour, M., Akhavan niki, S.T. & Pasandideh, S. H. R. (2018). A bi-objective two-level newsvendor problem with discount policies and budget constraint. Computers & Industrial Engineering, 120, 192-205. Lee, A.H.I., Kang, H.Y., Lai, Ch.M., & Hong, W.Y. (2013). An integrated model for lot sizing with supplier selection and quantity discounts. Applied Mathematical Modelling, 37(7), 4733–4746. Mafakheri, F., Breton, M.B., & Ghoniem, A. (2011). Supplier selection-order allocation: A two-stage multiple criteria dynamic programming approach. International Journal Production Economics, 132(1), 52–57. Mirzaee, H., Naderi, B., Pasandideh, S.H.R. (2018). A preemptive fuzzy goal programming mode for generalized supplier selection and order allocation with incremental discount. Computers &Industrial Engineering. 122. 292-302 Mohammadivojdan, R. & Geunes, J. (2018). The newsvendor problem with capacitated suppliers and quantity discounts. European Journal of Operational Research, 271(1), 1-11. Moheb-Alizadeh, H., Handfield, R. (2019). Sustainable Supplier Selection and Order Allocation: A Novel Multi-Objective Programming Model with a Hybrid Solution Approach, Computers & Industrial Engineering, 129, 192-209. Myers, H. R., Montgomery, D., & Anderson-Cook, Ch.M. (2009). Responce Surface Methodology: Process and Product Optimization Using Designed Experiments. 3th Edition, New Jersey: Wiley and Sons Inc. Patra , K., & Shyamal Kumar, M. (2015). Multi-item Supplier Selection Model with Fuzzy Risk Analysis Studied by Possibility and Necessity Constraints. Fuzzy Information and Engineering, 7(4), 451-474. Pen, K., Lai, K. K., Liang, L, & Leung, S.C.H. (2009). Two-period pricing and ordering policy for the dominant retailer in a two-echelon supply chain with demand uncertainty. Omega, 37(4), 919 - 929. Petruzzi, N. C., & Dada, M. (1999). Pricing and the newsvendor problem: a review with extensions . OperationsResearch, 47(2), 183–194. PrasannaVenkatesan, Sh., & Goh, M. (2016). Multi-objective supplier selection and order allocation under disruption risk. Transportation Research Part E, 95(1), 124–142. Shi, J., & Zhang, G. (2010). Multi-product budget constrained acquisition and pricing with uncertain demand andsupplierquantitydiscounts. International Journal Production Economics, 128(1), 322–331. Shi, J., Zhang, G., & Sha, J. (2011). Jointly pricing and ordering for a multi-product multi-constraint newsvendor problem with supplier quantity discounts. Applied Mathematical Modelling, 35(6), 3001–3011. Sodenkamp, M.A., Tavana, M., & Di Caprio, D. (2016). Modeling synergies in multi-criteria supplier selection and order allocation: An application to commodity trading. European Journal of Operational Research, 254(3),1–16. Talbi, E. (2009). Metaheuristic:from Design to Impelementation, John Wiley and Sons. Taleizadeh, A., Stojkovska, I., & Pentico, D. W. (2015). An economic order quantity model with partial backordering and incremental discount. Computers & Industrial Engineering, 82(2), 21–32. Tamjidzad, Sh., & Mirmohammadi, S. H. (2016). Optimal (r, Q) policy in a stochastic inventory system with limited resource under incremental quantity discount. Computers & Industrial Engineering, 103, 59–69. Tamjidzad, Sh., & Mirmohammadi, S. H. (2018).A two-stage heuristic approach for a multi-item inventory system with limited budgetary resource and all-units discount. Computers & Industrial Engineering, 124, 293–303. Ventura, J. A., Valdebenito, V.A., & Golany, B. (2013). A dynamic inventory model with supplier selection in a serial supply chain structure. European Journal of Operational Research, 230(2), 258–271. Whitin, T. M. (1955). Inventory control and price theory. Management Science, 2, 61–68. Zhang, G., & Ma, L. (2009). Optimal acquisition policy with quantity discounts and uncertain demand. International Journal of Production Research, 47(9), 2409–2425. Zhang, Y., & Yang, X. (2016). Online ordering policies for a two-product, multi-period stationary newsvendor problem. Computers & Operations Research, 47, 143–151. | ||
|
آمار تعداد مشاهده مقاله: 711 تعداد دریافت فایل اصل مقاله: 558 |
||
