بهینه‌سازی چندهدفه مسیریابی حرکت خودرو تحت شرایط عدم قطعیت با تأکید بر اقدامات سبز-ناب و رضایت مشتری (موردمطالعه: شرکت شهد پاک)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار، گروه مدیریت صنعتی، دانشکده اقتصاد و مدیریت، دانشگاه سمنان، سمنان، ایران

2 استادیار، گروه مدیریت صنعتی، موسسه آموزش عالی بینالود مشهد، مشهد، ایران

3 دانش آموخته کارشناسی ارشد، موسسه آموزش عالی بینالود مشهد، مشهد، ایران

10.22034/tri.2021.82820

چکیده

با توجه به اهمیت برنامه‌ریزی توزیع در میان حلقه‌های زنجیره توزیع یک بنگاه اقتصادی، در این پژوهش مسئله مسیریابی ناوگان حمل‌ونقل کالا تحت عنوان مسئله مسیریابی حمل‌ونقل (VRP) موردتوجه قرارگرفته است. از طرفی در محیط رقابتی امروزی، سرعت‌بالای تغییر و تحولات بر عدم اطمینان و ابهام حاکم بر تصمیم‌گیری‌ها تا حدی افزوده است که سطح بالای عدم اطمینان در زنجیره تأمین، توانایی آن را در پیش‌بینی شرایط آینده با مشکل مواجه می‌کند. لذا به‌منظور برنامه‌ریزی بهتر و صحیح‌تر باید به برنامه‌ریزی قابل‌اتکا در فضای عدم اطمینان و ابهام پرداخته شود. در این مقاله به‌منظور حل مسئله مذکور یک مدل پنج هدفه سبز-ناب تحت عدم قطعیت با تأکید بر رضایت مشتری در نظر گرفته‌شده است. در این پژوهش با در نظر گرفتن شرکت شهد پاک به‌عنوان مطالعه موردی، عملیات توزیع محصول از انبار به مصرف‌کننده به‌صورت یک زنجیره تأمین مدل‌سازی می‌گردد.
با توجه به NP-HARD بودن این مسئله به‌منظور پیدا کردن جواب‌های نزدیک بهینه، پس از تنظیم پارامتر به روش
جستجوی فراگیر ، مدل در حالت تک هدفه و چند هدفه با استفاده از نرم‌افزار پایتون توسط الگوریتم‌های فرا ابتکاری چندهدفه ژنتیک با رتبه‌بندی نامغلوب نسخه-2 (NSGAII) و بهینه‌سازی ازدحام ذرات (MOPSO) حل گردید. در پایان این الگوریتم‌ها با معیارهای ارزیابی عملکرد همچون زمان اجرا و کیفیت جواب‌ها با یکدیگر مقایسه شده و الگوریتم برتر در هر معیار مشخص گردید نتایج حاصل حاکی از کارایی مدل پیشنهادی و برتری استفاده از روش تحلیل استوار نسبت به قطعی می‌باشد که منجر به بهینه‌سازی مسیر حمل‌ونقل، کاهش هزینه‌ها و درنهایت رضایت مشتری است و همچنین با مقایسه‌ی معیارهای ارزیابی عملکرد و مدت‌زمان اجرای مدل، مشخص گردید که الگوریتم MOPSO نسبت به NSGAII کاراتر می‌باشد.

با توجه به اهمیت برنامه‌ریزی توزیع در میان حلقه‌های زنجیره توزیع یک بنگاه اقتصادی، در این پژوهش مسئله مسیریابی ناوگان حمل‌ونقل کالا تحت عنوان مسئله مسیریابی حمل‌ونقل[i](VRP)­ موردتوجه قرارگرفته است. از نوآوری‌های این مدل می‌توان به تعریف جریمه‌ی نقض محدودیت پنجره زمانی (دیرکرد و زود کرد تحویل محصول) در جهت تأمین رضایت مشتری، در نظر گرفتن رابطه‌ی مستقیم وزن و مصرف سوخت که کاهش وزن علاوه بر کاهش هزینه‌ها، باعث کاهش اثرات مخرب گازهای گلخانه‌ای، آلودگی هوا و کربن‌دی‌اکسید می‌گردد، کاهش هزینه‌های رانندگان که درنهایت موجب کاهش هزینه‌های کل می‌گردد و علاوه بر ناب‌سازی موجب افزایش رضایت مشتری می‌شود، استفاده از مفهوم استوار برای زمان سرویس‌دهی در شرایط متفاوت در حالت چندمحصولی و تغییر در نظر گرفتن هزینه‌های توزیع اشاره کرد. در این پژوهش با در نظر گرفتن شرکت شهد پاک به‌عنوان مطالعه موردی، عملیات توزیع محصول از انبار به مصرف‌کننده به‌صورت یک زنجیره تأمین مدل‌سازی می‌گردد. با توجه بهNP-HARD بودن این مسئله به‌منظور پیدا کردن جواب‌های نزدیک بهینه، پس از تنظیم پارامتر به روش جستجوی فراگیر[ii]، مدل در حالت تک هدفه و چند هدفه با استفاده از نرم‌افزار پایتون توسط الگوریتم‌های فرا ابتکاری چندهدفهژنتیک با رتبه‌بندی نامغلوب نسخه-2 (NSGAII) و بهینه‌سازی ازدحام ذرات (MOPSO) حل گردید. در پایان این الگوریتم‌ها با معیارهای ارزیابی عملکرد همچون زمان اجرا و کیفیت جواب‌ها با یکدیگر مقایسه شده و الگوریتم برتر در هر معیار مشخص گردید نتایج حاصل حاکی از کارایی مدل پیشنهادی و برتری استفاده از روش تحلیل استوار نسبت به قطعی هست که منجر به بهینه‌سازی مسیر حمل‌ونقل، کاهش هزینه‌ها و درنهایت رضایت مشتری است و همچنین با مقایسه‌ی معیارهای ارزیابی عملکرد و مدت‌زمان اجرای مدل، مشخص گردید که الگوریتم MOPSO نسبت به NSGAII کاراتر هست.



[i]Vehicle Routing Problem


[ii]Brute-Force

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Optimization of Vehicle Routing Problem under Uncertainty with emphasis on Green - Lean Practices and Customer Satisfaction

نویسندگان [English]

  • Mohsen Shafiei Nikabadi 1
  • Ehsan Molayi 2
  • Mahsa Aakhavan rad 3
1 Associate Professor, Department of Industrial Management, Faculty of Economics and Management, Semnan University, Semnan, Iran.
2 Head of Industrial Management Department, Binalood Higher Education Institute, Mashad, Iran.
3 MSc. in Industrial Management, Binalood Higher education Institute, Mashad, Iran
چکیده [English]

Given the importance of distribution planning among the chain loops of a firm, in this research, the routing problem of cargo transport fleet is considered as the issue of transportation routing (­VRP­). Among the innovations of this model one can point, it is possible to define the penalty for violating the time window (delay and rush to delivery of the product) to ensure customer satisfaction, considering the direct relationship between weight and fuel consumption, which reducing weight, in addition to reducing costs, reduces the destructive effects of Greenhouse gas, air pollution and carbon dioxide. Reducing drivers costs, which eventually leads to lower total costs, in addition to make lean leads to Increase customer satisfaction, makes use of the concept of service time in a variety of multi product and variable conditions, taking into account the cost of product distribution .In this research, considering the
Shahd-e-Pak as a case study, the distribution of product from warehouse to the consumer is modeled as a supply chain. Considering the NP-HARD problem in order to find the near optimal solutions, after setting the parameter in a comprehensive search method, the model is modeled in single-objective and
multi-objective mode using Python software using heterogeneous genetic multi-objective algorithms,
2 (NSGAII) and Particle Swarm Optimization (MOPSO). At the end, these algorithms were compared with performance evaluation criteria such as runtime and the quality of the answers, and the highest algorithm was determined for each criterion. The results indicate the effectiveness of the proposed model and the superiority of using a steady-to-definitive analysis method that leads to optimization Transportation path, cost reduction and ultimately customer satisfaction. Also, by comparing the performance evaluation criteria and the duration of the implementation of the model, it was found that the MOPSO algorithm is more efficient than NSGAII.

کلیدواژه‌ها [English]

  • Optimizing Multi-Threading
  • Vehicle Routing
  • Customer Satisfaction
  • Green-Lean Approach
  • Strong Analysis

مراجع

-آذر، ع.، ربیعه، م.، مدرس یزدی، م.، فطانت فرد حقیقی، م.، (1389)، "مدل ریاضی منبع­یابی چند هدفه استوار-  فازی رویکردی در مدیریت ریسک زنجیره ایران خودرو"،
پژوهش­های مدیریت در ایران.
-پویا، ع.ر.، (1383)، "طراحی مدل ریاضی برنامه­ریزی تولید و توزیع شرکت آزمایش (رویکرد زنجیره تأمین) "، پایان­نامه کارشناسی ارشد مدیریت، دانشگاه تربیت مدرس.
- توکلی مقدم، ر.، صالحیان، ف.، نوروزی، ن.، (1396)،
"حل مسئله مسیریابی وسایط نقلیه با در نظر گرفتن رضایتمندی مشتریان و کاهش انرژی مصرفی با الگوریتم زنبورعسل"، فصلنامه علمی - پژوهشی مهندسی حمل‌ونقل، دوره 8، مهر 96.
-رجبی، م.، خالوزاده، ح.، (1393)، "بهینه‌سازی و مقایسۀ سبد سهام در بورس اوراق بهادار تهران با بهره‎ مندی از الگوریتم‌های بهینه‌سازی تکاملی چندهدفه، فصلنامه
علمی-پژوهشی تحقیقات مالی 16(2)، ص.253-270.
-زمانی، م.، علینقیان، م.، (1394)، "مساله مسیریابی موجودی سبز با ناوگان ناهمگن، کنفرانس بین­المللی انجمن ایرانی تحقیق در عملیات"، تهران.
-ساحل‌گزین، م.ر.، و علی‌محمدی. ع.، (2016)، "بهینه‌سازی زمان‌بندی حرکت و توقف قطارهای مترو با استفاده از الگوریتم NSGA-II برای کاهش زمان سفر و افزایش کارایی اقتصادی و زیست‌محیطی سیستم"، فصلنامه علمی-پژوهشی مهندسی حمل‌ونقل 1(8)، ص. 29-51.
-علینقیان، م. و بهروزی، م.، (1385)­، "ارائه یک مدل برنامه ریزی ریاضی به منظور مکان یابی انبارها در مسیریابی وسایل نقلیه یک واحد تولیدی با ارائه حل مدل"، دومین کنفرانس لجستیک و زنجیره تامین، تهران، انجمن لجستیک ایران.
-عیدی، ع.ر.، قاسمی­نژاد، ع.، محققی، حنیف، (1392)، "مسیریابی وسایل نقلیه چند هدفه با کالاهای مناسبتی"، نشریه مهندسی صنایع 47 (2)، ص. 215-228.
-مرندی، ف. ذگردی، س.ح.، (1396)، "یکپارچگی زمانبندی تولید و توزیع در زنجیره تأمین فرآورده‌های لبنی با استفاده از الگوریتم بهبودیافته بهینه‌سازی انبوه ذرات"، فصلنامه
علمی - پژوهشی مهندسی حمل‌ونقل 8 (4)، ص. 545-565.
-نوروزی، ن.، رزمی، ج.، عمل نیک، م.، (2013)، "مسئله مسیریابی وسایط نقلیه باهدف کاهش سوخت مصرفی و تعداد وسایط نقلیه توسط الگوریتم بهبودیافته بهینه‌سازی انبوه ذرات"، نشریه مهندسی صنایع 47 (1)، ص. 105-122.
-Afshar-Bakeshloo, M., Mehrabi, A., Safari, H., Maleki, M., & Jolai, F., (2016), “A green vehicle routing problem with customer satisfaction criteria”, Journal of Industrial Engineering International, 12(4), pp.529-544.
-Alinaghian, M., & Zamani, M., (2016), “Three New Heuristic Algorithms for the Fleet Size and Mix Green Vehicle Routing Problem”, Journal of Industrial and Systems Engineering, 9(2), pp.88-101.
-Andelmin, J., & Bartolini, E., (2017), “An Exact algorithm for the green vehicle routing problem”, Transportation Science, 51(4), pp.1288-1303.
-Archetti, C., Jabali, O., & Speranza, M. G., (2015), “Multi-period vehicle routing problem with due dates, Computers & Operations Research”, 61, pp.122-134.
-Barkaoui M., Berger J., Boukhtouta A. (2015), “Customer satisfaction in dynamic vehicle routing problem with time windows”, Appl Soft Comput 35, pp.423–432.
-Bashiri, M., (2016), “Green Vehicle Routing Problem with Safety and Social Concerns”, Journal of Optimization in Industrial Engineering, 10(21), pp.93-100.
-Bell, J. E., McMullen, P. R., (2004), “Ant colony optimization techniques for the vehicle routing problem”, Advanced Engineering informatics, 1 (8), pp.41-48.
-Ben-Tal, A., & Nemirovski, A., (2000), “Robust solutions of linear programming problems contaminated with uncertain data. Mathematical programming”, 88(3), pp.411-424.
-Bertsimas, D., Sim, M., (2004), “The Price of Robustness. Operations research, 52(1),
pp.35–53.
-Clarke G, Wright JW, (1964), “Scheduling of vehicles from a central depot to a number of delivery points. Oper Res 12, pp.568–81.
-Coello, C. A. C., Pulido, G. T., & Lechuga, M. S., (2004), “Handling multiple objectives with particle swarm optimization, IEEE Transactions on evolutionary computation, 8(3), pp.256-279.
-Dantzig, G. and Ramser, J. H., (1959), "The truck dispatching problem", Management Science, Vol.6, pp. 80-91.
-Deb, K., & Gupta, H., (2006), “Introducing robustness in multi-objective optimization”, Evolutionary computation, 14(4), pp.463-494.
-Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. A. M. T. (2002), “A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE transactions on evolutionary computation, 6(2), pp.182-197.
-Dehghan Nasiri, Saeideh, (2014), "Vehicle routing on real road networks." Ph.D. diss., Lancaster University, 2014.
-Eshtehadi, R., Fathian, M., Pishvaee, M. S., & Demir, E., (2018), “A hybrid metaheuristic algorithm for the robust pollution-routing problem”, Journal of Industrial and Systems Engineering, 11(1).
-Habibi, F., Barzinpour, F., & Sadjadi, S. J. (2017), “A Multi-objective optimization model for project scheduling with time-varying resource requirements and capacities” Journal of Industrial and Systems Engineering, 10, pp.92-118.
-Hiassat, A., Diabat, A., & Rahwan, I., (2017), “A genetic algorithm approach for location-inventory-routing problem with perishable products”, Journal of manufacturing systems, 42, pp.93-103.
-Hites R., De Smet Y., Risse N., Salazar-Neumann M., Vincke P., (2006), “About the applicability of MCDA to some robustness problems”, European Journal of Operational Research 174, pp.322-332.
-JohariM.HosseiniMotlag, M., Nematollahi M., (2016), “Coordinating pricing and periodic review replenishment decisions in a two-echelon supply chain using quantity discount contract, Journal of Industrial Engineering and Management Studies 3 (2), pp.58-87.
-Koç, Ç., Bektaş, T., Jabali, O., & Laporte, G., (2016), “Thirty years of heterogeneous vehicle routing”, European Journal of Operational Research, 249(1), pp.1-21.
-Laskari, E. C., Parsopoulos, K. E., & Vrahatis, M. N., (2002), “Particle swarm optimization for integer programming”, In Evolutionary Computation, 2002. CEC'02. Proceedings of the 2002 Congress on Vol. 2, pp. 1582-1587.
-Milne, R., Salari, M., & Kattan, L., (2018), “Robust Optimization of Airplane Passenger Seating Assignments Aerospace”, 5(3),
pp.80-81.
-Mohammed, F., Selim, S. Z., Hassan, A., & Syed, M. N., (2017), “Multi-period planning of closed-loop supply chain with carbon policies under uncertainty”, Transportation Research Part D: Transport and Environment, 51, pp.146-172.
-Moore, J and R. Chapman, (1999), “Application of particle swarm to multiobjective optimization”, Technical report, Departament of Computer Science and Software Engineering, Auburn University.
-Nikabadi, M., & Naderi, R., (2016), “A hybrid algorithm for unrelated parallel machines scheduling”, International Journal of Industrial Engineering Computations, 7(4), pp.681-702.
-Olfat, L., Amiri, M., & Jafarian, A. (2017), “Vehicle Routing Problem In Cross-Dock Using Genetic Algorithm”, Case: Iran Khodro Company.
-Palmer, A., (2007), “The Development of an integrated routing and carbon dioxide emissions model for goods vehicles”, Ph. D. Thesis, Cranfield University, School of Management.
-Saif, Y., Rizwan, M., Almansoori, A., & Elkamel, A., (2017), “A circular economy solid waste supply chain management based approach under uncertainty”, Energy Procedia, 142, pp.2971-2976.
-Schneider, M., Stenger, A., & Goeke, D. (2014), “The electric vehicle-routing problem with time windows and recharging stations”, Transportation Science, 48(4), pp.500-520.
-Schutze, O., Talbi, E. G., Pulido, G. T., Coello, C. C., & Santana-Quintero, L. V. (2007), “A memetic PSO algorithm for scalar optimization problems. In Swarm Intelligence Symposium”, SIS 2007, IEEE, pp. 128-134.
-Shari, M., Salari, M., A., (2015), “GRASP algorithm for a humanitarian relief transportation problem”, EN­, Engineering Applications of Artificial Intelligence­, Volume (41), pp. 259-269.
 
 
 
 
 
 
 
 
-Stefan Bauer, Stefan Bauer, (2010), Christof Seiler, Thibaut Bardyn, Thibaut Bardyn, Philippe Buechler, Philippe Buechler, Mauricio Reyes and Mauricio Reyes. Atlas-Based Segmentation of Brain Tumor Images Using a Markov Random Field-Based Tumor Growth Model and NonRigid Registration. EMBC, Vol. 2010, pp. 4080–4083.
-Srinivas, N. and Deb, K., (1994), “Muiltiobjective Optimization Using Non-Dominated Sorting in Genetic Algorithms”, Evolutionary Computation, 2, pp.221-248.
-Subramanyam, A., Mufalli, F., Pinto, J. M., & Gounaris, C. E., (2017), “Robust Multi-Period Vehicle Routing under Customer Order Uncertainty”.
-Talarico, L., Sörensen, K., & Springael, J. (2015), “Metaheuristics for the risk-constrained cash-in-transit vehicle routing problem”, European Journal of Operational Research, 244(2), pp.457-470.
-Vahdani, B., M. Zandieh­, and Reza Tavakkoli-Moghaddam, (2011), "Two novel FMCDM methods for alternative fuel buses selection", Applied Mathematical Modelling 35, No. 3, pp.139-1412.
-Zhu, Ruiqi and Zhai, Yunkai, (2017), "Research on the application of VRP theory in logistics transportation", MATEC Web Conference article.
-Zitzler, E. and L. Thiele, (1999), “Multiobjective evolutionary algorithms: A comparative case study and the strength pareto approach”, IEEE Transactions on Evolutionary Computation 3(4), pp.257–271.
پژوهشنامه حمل و نقل
دوره 18، شماره 1 - شماره پیاپی 66
فروردین 1400
صفحه 113-134

فایل ها

هم رسانی

ارجاع به این مقاله

آمار