دوره 4، شماره 2 - ( 2-1401 )                   جلد 4 شماره 2 صفحات 16-1 | برگشت به فهرست نسخه ها

‎ 10.47176/sjamao.4.2.1

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Modarres S, Javadian N. A Stochastic Optimization Model for Designing a Humanitarian Relief Chain Considering Operational and Disruption Risk. sjamao 2022; 4 (2) :1-16
URL: http://sjamao.srpub.org/article-7-154-fa.html
مدرس سارا، جوادبان نیکبخش. مدل بهینه سازی تصادفی برای طراحی زنجیره امداد بشردوستانه با در نظر گرفتن ریسک عملیاتی و اختلال. نشریه مدیریت کاربردی و چابک سازی سازمانی. 1401; 4 (2) :1-16

URL: http://sjamao.srpub.org/article-7-154-fa.html

مدل بهینه سازی تصادفی برای طراحی زنجیره امداد بشردوستانه با در نظر گرفتن ریسک عملیاتی و اختلال
سارا مدرس ، نیکبخش جوادبان*
دانشگاه علم و صنعت مازندران، مازندران، بابل، ایران.
چکیده:   (628 مشاهده)
با توجه به افزایش تعداد بلایای طبیعی مانند زلزله و سیل و بلایای غیرطبیعی مانند جنگ و حملات تروریستی، زنجیره امداد بشردوستانه (HRC) مورد توجه اکثر کشورها قرار گرفته است. لذا هدف این مطالعه کمک به زنجیره‌های امداد بشردوستانه در شرایط عدم اطمینان است. در این مقاله، ما به یک مشکل طراحی شبکه لجستیک بشردوستانه شامل مراکز توزیع محلی (LDC) و انبارهای مرکزی چندگانه (CWs) پرداخته و یک رویکرد برنامه‌ریزی تصادفی مبتنی بر سناریو (SBSP) را توسعه می‌دهیم. همچنین عدم قطعیت مرتبط با اطلاعات تقاضا و عرضه و همچنین در دسترس بودن سطح مسیرهای شبکه حمل و نقل پس از وقوع زلزله با استفاده از بهینه سازی تصادفی در نظر گرفته شد. در حالی که مدل پیشنهادی تلاش می‌کند تا کل هزینه‌های زنجیره امداد را به حداقل برساند، به طور ضمنی حداکثر زمان سفر بین هر جفت نقطه امداد و تقاضای اقلام را به حداقل می‌رساند. علاوه بر این، برای حل مدل پیشنهادی از روش دقیقی به نام ɛ-محدودیت در ابعاد پایین همراه با برخی از الگوریتم‌های تکاملی شناخته شده استفاده گردید. برای دستیابی به عملکرد خوب، پارامترهای این الگوریتم ها با استفاده از روش تاگوچی تنظیم شد و الگوریتم‌های پیشنهادی با استفاده از چهار معیار چندهدفه و روش آماری مقایسه گردید . بر اساس نتایج ، نشان داده شد که NSGA-II از نظر زمان SNS و CPU عملکرد بهتری را نشان می‌دهد، در حالی که برای NPS و MID، MRGA عملکرد بهتری دارد. 
واژه‌های کلیدی: زنجیره تامین بشردوستانه، برنامه ریزی تصادفی، الگوریتم های تکاملی، خطر اختلال
متن کامل [PDF 1282 kb]   (261 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مدیریت فناوری و نوآوری
دریافت: 1400/10/25 | ویرایش نهایی: 1400/12/7 | پذیرش: 1400/12/19 | انتشار: 1401/2/10
فهرست منابع
1. Nayeri S, Tavakkoli-Moghaddam R, Sazvar Z, Heydari J. A heuristic-based simulated annealing algorithm for the scheduling of relief teams in natural disasters. Soft Comput. 2021; 1-19. [DOI:10.1007/s00500-021-06425-6]
2. Amali A, Ranjbar A, Heydari J, Nayeri S. A multi-objective stochastic programming model to configure a sustainable humanitarian logistics considering deprivation cost and patient severity. Ann Oper Res. 2021; 1-36. [DOI:10.1007/s10479-021-04014-2]
3. Mamashli Z, Bozorgi-Amiri A, Dadashpour I, et al. A heuristic-based multi-choice goal programming for the stochastic sustainable-resilient routing-allocation problem in relief logistics. Neural Comput Appl. 2021; 1-27. [DOI:10.1007/s00521-021-06074-8]
4. Nayeri S, Asadi-Gangraj E, Emami S, Rezaeian J. Designing a bi-objective decision support model for the disaster management. RAIRO-Operations Res. 2021; https://doi.org/10.1051/ro/2021144 [DOI:https://doi.org/10.1051/ro/2021144]
5. Hasani A, Mokhtari H. An integrated relief network design model under uncertainty: A case of Iran. Saf Sci. 2019; 111: 22-36. [DOI:10.1016/j.ssci.2018.09.004]
6. Abazari SR, Aghsami A, Rabbani M. Prepositioning and distributing relief items in humanitarian logistics with uncertain parameters. Socioecon Plann Sci. 2021; 74: 100933. https://doi.org/10.1016/j.seps.2020.100933 [DOI:https://doi.org/10.1016/j.seps.2020.100933]
7. Caunhye AM, Nie X, Pokharel S. Optimization models in emergency logistics: A literature review. Socioecon Plann Sci. 2012; 46: 4-13. [DOI:10.1016/j.seps.2011.04.004]
8. Özdamar L, Ertem MA. Models, solutions and enabling technologies in humanitarian logistics. Eur J Oper Res. 2015; 244: 55-65. [DOI:10.1016/j.ejor.2014.11.030]
9. Zokaee S, Bozorgi-Amiri A, Sadjadi SJ. A robust optimization model for humanitarian relief chain design under uncertainty. Appl Math Model. 2016; 40: 7996-8016. [DOI:10.1016/j.apm.2016.04.005]
10. Sahebjamnia N, Torabi SA, Mansouri SA. A hybrid decision support system for managing humanitarian relief chains. Decis Support Syst. 2016; [DOI:10.1016/j.dss.2016.11.006]
11. Santana Robles F, Hernández-Gress ES, Hernández-Gress N, Granillo Macias R. Metaheuristics in the humanitarian supply chain. Algorithms. 2021; 14: 364. [DOI:10.3390/a14120364]
12. Malmir B, Zobel CW. An applied approach to multi-criteria humanitarian supply chain planning for pandemic response. J Humanit Logist Supply Chain Manag. 2021. [DOI:10.1108/JHLSCM-08-2020-0064]
13. Rad MD, Sadeh E, Sabegh ZA, Rasi RE. Developing a fuzzy goal programming model for optimizing humanitarian supply chain operations. Int J Supply Oper Manag. 2021; 8: 439-457.
14. Ismail I. A possibilistic mathematical programming model to control the flow of relief commodities in humanitarian supply chains. Comput Ind Eng. 2021; 157: 107305. [DOI:10.1016/j.cie.2021.107305]
15. Cheraghalipour A, Hajiaghaei-keshteli M. Tree Growth Algorithm (TGA): An effective metaheuristic algorithm inspired by trees behavior. In: 13th International Conference on Industrial Engineering. Scientific Information Databases, Babolsar, 2017; 1-8.
16. Deb K, Pratap A, Agarwal S, Meyarivan T. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans Evol Comput. 2002; 6: 182-197. [DOI:10.1109/4235.996017]
17. Al Jadaan O, Rao CR, Rajamani L. Non-dominated ranked genetic Algorithm for solving multi-objective optimization problems: NRGA. J Theor Appl Inf Technol. 2008; 4: 60-67.
18. Karimi N, Zandieh M, Karamooz HR. Bi-objective group scheduling in hybrid flexible flowshop: A multi-phase approach. Expert Syst Appl. 2010; 37: 4024-4032. [DOI:10.1016/j.eswa.2009.09.005]
19. Taguchi G. Introduction to quality engineering: designing quality into products and processes. 1986.
20. Maghsoudlou H, Kahag MR, Niaki STA, Pourvaziri H. Bi-objective optimization of a three-echelon multi-server supply-chain problem in congested systems: Modeling and solution. Comput Ind Eng. 2016; 99: 41-62. [DOI:10.1016/j.cie.2016.07.008]
21. Sarrafha K, Rahmati SHA, Niaki STA, Zaretalab A. A bi-objective integrated procurement, production, and distribution problem of a multi-echelon supply chain network design: A new tuned MOEA. Comput Oper Res. 2015; 54: 35-51. [DOI:10.1016/j.cor.2014.08.010]
22. Rahmati SHA, Hajipour V, Niaki STA. A soft-computing Pareto-based meta-heuristic algorithm for a multi-objective multi-server facility location problem. Appl Soft Comput. 2013; 13: 1728-1740. [DOI:10.1016/j.asoc.2012.12.016]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.