دانلود ترجمه مقاله الگوریتم ژنتیک برای بهینه سازی چند هدفه شبکه های زنجیره تامین – الزویر 2006

یک روش الگوریتم ژنتیک برای بهینه سازی چند هدفه شبکه های زنجیره تامین

A genetic algorithm approach for multi-objective optimization of supply chain networks

خلاصه

مقدمه

بیان مسأله

الگوریتم ژنتیکی پیشنهادی

نمایش

ارزیابی

عملگرهای ژنتیکی

ساز و کار انتخاب

ارزیابی اجرایی الگوریتم

مقایسه بین GA_A1 و MO_SA

نتیجه گیری

چکیده

طراحی شبکه زنجیره ای عرضه (SCN) به منظور فراهم کردن سکویی بهینه برای مدیریت مفید و موثر زنجیره های عرضه است. در مدیریت زنجیره ای عرضه، مشکل مدیریت مهم و راهبردی عملیاتی است که معمولا اهدافی چندگانه و مناقشه ای را در برمیگیرد مانند هزینه، سطح خدمات، بهره برداری از منابع و غیره. این مقاله راهکاری جدید بر پایه الگوریتم ژنتیکی ارائه می دهد تا رده ای از راه حل های بهینه پارتو را به منظور مشکل طراحی چند منظوره شبکه زنجیره ای عرضه بیابیم. به منظور حل و فصل دیدگاه چند منظوره و همچنین برای قادر ساختن تصمیم گیرندگان برای ارزیابی رقم بالاتری از راه حل های انتخابی، دو دیدگاه وزین متفاوت در فرآیند راه حلهای ارائه شده به اجرا درآمدند. مطالعه ای آزمایشی که از داده های واقعی یک شرکت بهره می برد که در واقع فرآیند تولیدات پلاستیکی در ترکیه بود در دو مرحله به اجرا درامد. در حالی که تاثیر دیدگاه های وزنی در اجرای راه حل های پیشنهادی در مرحله اول بررسی می شوند، پروسه راه حل های انتخابی و بادوام سازی ایجاد شده بر طبق کیقیت راه حل های بهینه پارتو در رحله دوم مقایسه شدند.

5- نتیجه گیری

در این پژوهش ما مدل برنامه نویسی غیر خطی عدد صحیح مختلط را برای بهینه سازی چند منظوره SCN و یک الگوریتم ژنتیکی برای حل مسأله که در یک کمپانی تولید محصولات پلاستیکی در ترکیه با آن مواجه شدیم ارائه کرده ایم . سه هدف در نظر گرفته شدند: (1) به حداقل رساندن هزینه های کلی که شامل هزینه های ثابت کارخانه جات و مراکز توزیع DCs بودند و همچنین هزینه توزیع داخلی و خارجی، (2) به حداکثر رساندن خدمات رسانی به مشتریان بر اساس تحویل به موقع (پوشش دهی)، (3) به حداکثر رساندن برابری نسبت هاب بهره برداری از ظرفیت های موجود توسط مراکز توزیع (برابری در نسبت بهره برداری). به دلایل چند منظوره و همچنین قادر ساختن تصمیم گیرندگان برای ارزیابی طیف گسترده تری از راه حل های انتخابی دو دیدگاه وزنی در GA پیشنهادی به کار گرفته شد. برای ارزیابی عملکرد GA با دو روش متفاوت وزنی، که آن ها را GA_A و GA_A2 می نامیم ما سه مسأله را که از مسأله اصلی نشأت می گیرند ملاحظه کردیم، که بر اساس اهداف انتخابی از یکدیگر متمایز بودند.

Abstract

Supply chain network (SCN) design is to provide an optimal platform for efficient and effective supply chain management. It is an important and strategic operations management problem in supply chain management, and usually involves multiple and conflicting objectives such as cost, service level, resource utilization, etc. This paper proposes a new solution procedure based on genetic algorithms to find the set of Pareto-optimal solutions for multi-objective SCN design problem. To deal with multi-objective and enable the decision maker for evaluating a greater number of alternative solutions, two different weight approaches are implemented in the proposed solution procedure. An experimental study using actual data from a company, which is a producer of plastic products in Turkey, is carried out into two stages. While the effects of weight approaches on the performance of proposed solution procedure are investigated in the first stage, the proposed solution procedure and simulated annealing are compared according to quality of Pareto-optimal solutions in the second stage.

5- Conclusion

In this paper, we presented mixed-integer non-linear programming model for multi-objective optimization of SCN and a genetic algorithm (GA) approach to solve the problem which was met on a producer of the plastic products in Turkey. Three objectives were considered: (1) minimization of total cost comprised of fixed costs of plants and distribution centers (DCs), inbound and outbound distribution costs, (2) maximization of customer services that can be rendered to customers in terms of acceptable delivery time (coverage), and (3) maximization of capacity utilization balance for DCs (i.e. equity on utilization ratios). To deal with multi-objective and enable the decision maker to evaluate a greater number of alternative solutions, two different weight approaches were implemented in the proposed GA. In order to evaluate the performances of the GA with two different weight approach, called as GA_A1 and GA_A2, we considered three problems generated from original problem, which were different from each other according to selected objectives.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

یک روش الگوریتم ژنتیک برای بهینه سازی چند هدفه شبکه های زنجیره تامین

A genetic algorithm approach for multi-objective optimization of supply chain networks