دانشجو: خانم سیده فاطمه عطار
استاد راهنما: دکتر محمد محمدی
زمان: سه شنبه ۲۲ شهریور ماه ۱۴۰۱ ساعت: ۰۹:۰۰
چکیده:
تصمیمگیری همزمان تولید، توزیع و مسیریابی در یک زنجیره تأمین کاربردهای گستردهای در دنیای واقعی دارد که منجر به بهرهوری بیشتر و هزینه کمتر میشود. از سوی دیگر، مقررات و تشویقها برای استفاده از وسایل نقلیه الکتریکی در حال افزایش است تا اثرات زیست محیطی زنجیره تأمین را برطرف کند. همچنین مدیریت عدم قطعیت یک جنبه کلیدی مدیریت تولید-توزیع است و با استفاده از رویکرد شبکههای بیزین (BNs)، میتوان به نتایج تصمیمگیری دقیقتر، بررسی و تجزیه و تحلیل سناریوهای مختلف دست یافت. بنابراین با توجه به اهمیت موضوعات مطروحه، در این رساله سه مدل مرتبط با مسأله تولید- توزیع و مسیریابی (PRP) توسعه، مدلسازی و حل میشود. در مدل اول به مطالعه مسأله تولید- مسیریابی با درنظر گرفتن چند کارخانه، چند محصول (MMMPRP) و در مدل دوم، به مطالعه مسأله تولید- مسیریابی با استفاده از وسایل نقلیه الکتریکی (EVPRP) تحت سیاست "حداکثر سطح" برای بازپرسازی موجودی با هدف دستیابی به تابع هزینه بهینه در افق برنامهریزی چند دورهای میپردازیم. برای MMMPRP، ناوگان حمل و نقل همگن و برای EVPRP ناوگان حمل و نقل وسایل نقلیه الکتریکی همگن و ناهمگن با محدودیت ظرفیت باتری و امکان شارژ جزئی درنظر گرفته میشود. ابتدا برای هر دو مسأله بر اساس مدلهای ارائه شده پیشین، مدل ریاضی خطی عدد صحیح مختلط ارائه میشود و سپس برای هر دو مدل، مجموعه نمونههای جدید سازگار، با الهام از مطالعات قبلی ایجاد میکنیم. از آنجا که مدل MMMPRP و EVPRP نسبت به PRP کلاسیک، پیچیدهتر است، ما رویکرد دقیق تحت عنوان الگوریتم تجزیه بندرز مبتنی بر منطق (LBBD) برای حل نمونههایی در مقیاس بزرگ توسعه میدهیم. مدلها و الگوریتمهای پیشنهادی با استفاده نرمافزار برنامه نویسی Python و موتورحل CPLEX کدنویسی و اجرا میشوند. همچنین مدل ارائه شده برای MMMPRP را با استفاده از نامعادلات معتبرو همچنین کاهش تعداد متغیرها، مدلسازی و تقویت میکنیم و برای تأیید و اثبات کارایی مدل تقویتشده، آزمایشهای محاسباتی بنچمارک با حل نمونههایی از مسأله تولید- مسیریابی تک محصولی با چند وسیله نقلیه (ارائه و حل شده از طریق الگوریتم شاخه و برش (B&C) توسط آدولیاساک و همکاران، a۲۰۱۴) انجام و نتایج حاصله با نتایج به دست آمده از الگوریتم B&C مقایسه میشود. نتایج بنچمارک نشان میدهد که مدل تقویتشده ما میتواند به راهحلهای بهینه یا نزدیک به بهینه برای نمونههای بزرگ با ۵۰مشتری در یک زمان معقول و همچنین به حدود پایین بهتری برای نمونههای ۹دورهای دست یابد. به طور کلی، مدل پیشنهادی حدود ۸.۴ برابر سریعتر از الگوریتم B&C با نتایج تقریبی یکسان عمل میکند. بعلاوه نتایج آزمایشهای عددی تأیید میکنند که LBBD برای نمونههای MMMPRP در ابعاد بزرگ بهتر از مدل عمل میکند. با توجه به اینکه مسائل EVPRP در ابعاد بزرگ توسط نرمافزارهای تجاری قابل حل نیست، ما دو الگوریتم LBBD براساس دو رویکرد تجزیه ساختاری، اولی به تفکیک هر وسیله نقلیه در هر دوره (LBBD_vt) و دومی برای هر دوره (LBBD_t) توسعه میدهیم. سپس بررسی عملکرد مدل و الگوریتمهای LBBD از طریق آزمایشهای محاسباتی، کارایی هر دو الگوریتم را در یافتن راه حلهایی با کیفیت بالا نشان میدهد. در مدل سوم، به مدیریت عدم قطعیت برای مسأله تولید-توزیع با تمرکز بر عوامل علی رایج با استفاده از رویکرد شبکههای بیزین با ویژگی یادگیرنده میپردازیم که به مدیران تولید اجازه میدهد نه تنها تصمیمهای مبتنی بر ریسک اتخاذ کنند، بلکه تحلیلهای Scenario/what-if و دانش خود را در مورد عوامل نامطمئن در پرتو دادههای جدید به روز کنند. مدل پیشنهادی برای یک زنجیره تأمین تولید و توزیع محصولات پزشکی بکار میرود، که نتایج نشان میدهد شرکت در کسب سود شکست میخورد، مگر اینکه هزینهها را کاهش داده، کیفیت کارکنان را بهبود بخشد، یا مشتریان بیشتری با تقاضای بالاتر به دست آورد.
|