وبلاگ

امروزه به دلیل اهمیت کاهش هزینه ها برای سازمان ها و رقابت شدید بین تولیدکنندگان، و در نتیجه اهمیت هماهنگی بین اجزاء یک زنجیره در کاهش هزینه ها، برنامه ریزی یکپارچه زنجیره تامین برای سازمان ها به یک مقوله مهم تبدیل شده است. یکپارچگی زنجیره تامین می تواند ایجاد وقایع غیرمنتظره و نامطلوب را در یک شبکه کاهش دهد و بر بازده کلیه اعضا مؤثر باشد[3].

کیفیت مفهوم وسیعی است که تمام بخشهای سازمان نسبت به آن متعهد هستند و هدف آن افزایش کارائی کل مجموعه است بطوریکه مانع پدید آمدن عوامل مخل کیفیت می شود و هدف نهایی آن مطابقت کامل با مشخصات مورد نیاز مشتری با حداقل هزینه برای سازمان است که منجر به افزایش رضایت می شود[4].

در این پژوهش یک مدل برنامه­ریزی عدد صحیح مختلط دو هدفه برای بررسی اثر متقابل یکپارچگی زنجیره تامین بر کیفیت محصول ارائه

 شده است. هدف اول به ماکزیمم سازی سود می پردازد و هدف دوم به ماکزیمم سازی پاداش ناشی از کیفیت بیشتر از حد انتظار مشتریان در کنار جریمه ناشی عدم کیفیت لازم و همچنین  ارزش کسب نظرات مخاطبان می پردازد. از آنجا که این مسئله از نوع مسائلNP-hard[1] می باشد، برای حل مدل از الگوریتم های فراابتکاری ژنتیک چند هدفه) NSGA-II) [2]و ازدحام ذرات چند هدفه (MOPSO)[3] استفاده می شود.همچنین برای اطمینان از کیفیت جواب­ها، این مسئله با استفاده از روش محدودیت -Ԑ[4] که از جمله روش های دقیق می باشد، نیز حل می شود. در انتها نیز از معیار ارزش بهینه پارتو برای بررسی مقادیرتوابع هدف استفاده شده.

• اهداف تحقیق

مدل ارائه شده در این تحقیق، یک مدل چهار سطحی در زنجیره تامین است که در خلال آن بر خلاف اغلب تحقیقات در این حوزه که تنها به بحث کمیت هزینه/سود اشاره دارند به ضرورت کیفیت و رضایت مشتری نیز پرداخته شده است. لذا یکی از اهداف انجام این پژوهش برقراری ارتباط بین بخش های مختلف زنجیره تأمین یکپارچه و کیفیت محصول می باشد.

به همین سببب در یک مدل ریاضی دو هدفه به بهینه سازی همزمان دو هدف سود و کیفیت پرداخته ایم. این دو گاهی به یکدیگر کمک می نمایند و گاهی نیز در مقابل هم قرار می­گیرند.

همچنین برای این مدل بهینه سازی دو هدفه،  نتایج  دو الگوریتم فراابتکاری ژنتیک چند هدفه و ازدحام ذرات چند هدفه با هم مقایسه می شوند.

1 Non-deterministic Polynomial Hard )NP-hard problem(

[2] Non-dominated Sorting Genetic Algorithm (NSGA, NSGA-II)

[3] Multi-objective Particle Swarm Optimization (MOPSO)

[4] Ԑ -constraint