طراحی شبکه زنجیره تامین-بررسی مقاله هشتم

مقدمه:

در این مقاله به بررسی یک شبکه دو سطحی، سیستم تولید و توزیع پرداخته شده است که تعداد و محل مراکز توزیع و کارخانه­ها مشخص است اما تقاضا از مراکز توزیع به عنوان یک متغیر تصادفی در نظر گرفته می­شود. مجموعه­ای از مکان­های بالقوه برای انبار­های جدید نیز در نظر گرفته شده است که برای تاسیس هر یک از این مراکز هزینه ثابتی در نظر گرفته می­شود. چندین کانال حمل و نقل، برای هر جفت از تسهیلات بین سطوح وجود دارد. پیشنهادات متفاوتی توسط عرضه­کنندگان در شرکت­های مختلف بیان می­شود مانند استفاده از حالات مختلف حمل و نقل (راه آهن، کامیون، هواپیما و کشتی). همان طور که مشاهده می­شود کانال حمل و نقل یک عبارت بسیار عمومی است که نه تنها حالات مختلف حمل و نقل بلکه انواع مختلف خدمات حمل و نقل از یک یا چند شرکت را شامل می­شود. پیشنهاد­های ارائه شده توسط عرضه­کنندگان شامل روابط معکوس بین مساله زمان و هزینه است. به عنوان مثال هر چقدر سرعت خدمت رسانی بیشتر باشد هزینه بالاتری را در بر می­گیرد. برای حفظ تعادل بین مسائل اقتصادی به همراه پاسخگویی سریع به تقاضا، هدف این مقاله به حداقل رساندن کل هزینه­ها و زمان انتظار مورد نیاز برای حمل و نقل کالا در سراسر زنجیره تامین است.  

 نسخه قطعی این مساله دو هدفه، اولین بار توسط اولیوارس و همکاران در سال ۲۰۰۷ معرفی شد که تمام پارامتر­های طراحی را قطعی در نظر گرفتند. کاردونا و همکاران( ۲۰۱۱ ) با در نظر گرفتن عدم قطعیت در پارامتر تقاضا و با استفاده از رویکرد مبتنی بر سناریو، کار قبلی را توسعه دادند و یک مدل تصادفی دو مرحله­ای را که مرحله اول تصمیم­گیری درباره مکان احداث انبار­ها و انتخاب کانالهای حمل و نقل است و مرحله دوم شامل تصمیم­گیری در مورد جریان بین تسهیلات و نیاز­های مراکز توزیع برای تحقق سناریو­های مورد نظر می­باشد، را ارائه دادند. تصمیم­گیری­های مربوط به حمل و نقل می­تواند روی زمان حمل و نقل کالا از کارخانه به مراکز توزیع تاثیر بگذارد. در سال ۲۰۱۱ کاردونا و همکاران به حل یک مدل تصادفی دو هدفه دو مرحله ای با استفاده از الگوریتم L-shaped پرداختند. . کار آنها نشان داد که استفاده از یک روش دقیق تنها برای حل برخی از گروهها با نمونه های کوچک امکان پذیر بود و در این مقاله یک روش فرا ابتکاری برای تقریب پارتو با استفاده از )جستجو ممنوعه)در چارچوب MOAMP Multi-objective Metaheuristic using an adaptive Memory Procedure)) ارائه شده است. ساختار مقاله شامل سه بخش است که در بخش اول به توسعه مسائل مطالعه شده قبلی به منظور در نظر گرفتن مفروضات عملی و واقعی­تر پرداخته شده است و در بخش دوم مساله به صورت یک مساله خطی عدد صحیح مختلط تصادفی دو هدفه مدل می­شود و از این مدل برای بدست آوردن مقادیر دقیق پارتو برای نمونه­های کوچک استفاده می­شود. به همین منظور از الگوریتم مبتنی بر روش اپسیلون محدودیت و تکنیک شاخه و کران استفاده می­شود و در بخش آخر یک راه حل بر اساس الگوریتم­های فرا ابتکاری چند هدفه برای یافتن تقریب دقیق مقادیر پارتو برای نمونه­های بزرگ پیشنهاد شده است.

مروری بر پیشینه تحقیق:

مدیریت زنجیره تامین به صورت مستقل از تحقیق در عملیات OR) )، توسعه یافت. محل تعیین انبار­ها در مدیریت زنجیره تامین به صورت گسترده­ای مورد مطالعه قرار گرفته است. در سال ۱۹۹۹ بالوا و همکاران به توسعه مفهوم انبارداری پرداختند و نیز مدت انبارداری منطقه­ای، توزیع منطقه­ای، مراکز جمع­آوری به عنوان امکانات اولیه بین تولید­کننده و مشتری در نظر گرفته می­شود. در سال ۱۹۹۸ طبق نظر لمبرت و همکاران، انبار­ها به بسیاری از ماموریت­های شرکتها کمک می­کنند. به عنوان مثال دستیابی به تولید اقتصادی، حمل و نقل اقتصادی و نیز مکانی برای ذخیره مواد دورریختنی یا قابل بازیافت فراهم می­کنند. از طرف دیگر امکانات اولیه نقش اساسی در پروژه­های لجستیکی شهر­ها بر اساس سیسم توزیع ایفا می­کنند. در زنجیره­های تامین پارامتر­های مهمی از قبیل تقاضا مشتریان، ظرفیت تسهیلات در زمان­های آینده و هزینه­هایی به عنوان پارامتر­هایی که دارای عدم قطعیت هستند در نظر گرفته می­شوند. از آنجایی که  مقدار تقاضا در زمان طراحی شبکه مشخص نیست لذا یک متغیر تصادفی در نطر گرفته می­شود. ارضای تقاضا مشتریان یکی از اهداف مهم هر زنحیره تامینی در نظر گرفته می­شود. مطالعات بسیار زیادی در مورد عدم قطعیت در سطوح مختلف مدیریت زنجیره تامین انجام شده است که یک مطالعه خوب در این زمینه در سال ۲۰۰۶ توسط اشنایدر انجام شد. در سال ۲۰۱۱ کاردونا و همکاران نشان دادند که استفاد ه از رویکرد حل دقیق فقط توانایی حل مسائل با نمونه­های کوچک را دارد، نکات گفته شده در بالا ضرورت استفاده از یک روش ابتکاری برای حل مسائل تصادفی چند هدفه را نشان می­دهد. منصوری و همکاران در سال ۲۰۱۲ به اهمیت استفاده از تکنیک­های بهینه سازی چند هدفه در مدیریت زنجیره تامین پرداختند. از سال ۱۹۹۱ تا ۲۰۱۲ مطالعاتی در زمینه روش­های فرا ابتکاری در لجستیک و مدیریت زنجیره تامین توسط گریفس و همکاران انجام شد. طبق تحقیقات صورت گرفته، مساله دو هدفه ارائه شده در این مقاله، در سایر سیستم­های چند سطحی در نظر گرفته نشده است.

بیان مساله:

هزینه ثابت احتمالی مناسب برای مساله مکان­یابی تسهیلات و گزینه­های حمل و نقل، مبتنی است بر یک سیستم دو سطحی برای توزیع یک محصول واحد در یک دوره زمانی که در اولین سطح کارخانه­های تولیدی، محصولات خود را به انبار­ها می­فرستند و در سطح ۲ محصولات از انبار­ها به سمت مراکز توزیع فرستاده می­شوند. هدف اصلی انتخاب مکان مناسب برای احداث انبار­ها و به حداقل رساندن هزینه­های ساخت، حمل و نقل و زمان حمل و نقل بین کارخانه­ها و مراکز توزیع می­باشد، که این قسمت مشخص می­کند که چه سرویسی باید انتخاب شود تا زمان حمل و نقل در هر سطح از زنجیره تامین کاهش یابد. در این مساله هدف اصلی کم کردن کل هزینه­های مورد انتظار مرتبط با تصمیم­گیری­های بلند مدت و کوتاه مدت است.

مفروضات مساله:

۱-تعداد مراکز توزیع و محل احداث کارخانه­ها و نیز ظرفیت کارخانه­ها مشخص است.

۲-مجموعه­ای از مکان­های بالقوه برای احداث انبار­ها در نظر گرفته می­شود ولی تعداد انبار­های احداث شده مشخص نیست و برای هر مکان کاندید شده به منظور احداث انبار­ها هزینه ثابتی در نظر گرفته می­شود.

۳-انبار­ها موجودی را نگهداری نمی­کنند و به منظور استفاده بهتر از سیستم حمل و نقل به یکپارچه کردن محصولات دریافت شده از کارخانه­ها و سپس توزیع آنها می­پردازند.

۴-هر مرکز توزیع تنها توسط یک انبار تامین می­شود.

۵-میزان تقاضا از قبل مشخص شده نیست. لذا تقاضا به عنوان یک متغیر تصادفی در نظر گرفته می­شود.

۶-زمان پاسخگویی به نیاز مشتری تحت تاثیر انتخاب کانال حمل و نقل بین تسهیلات است.

۷-حمل و نقلی که سریع­تر صورت بگیرد، نیازمند هزینه­های بیشتری است. لذا ایجاد تعادل بین هزینه و زمان روی پیکر­بندی شبکه توزیع تاثیر دارد.

۸-به دلیل تقاضای غیر قطعی مساله مورد نظر، برای انتخاب و تخصیص مکان بین انبار­ها و مراکز توزیع باید قبل از دانستن مقدار واقعی تقاضا به تصمیم­گیری پرداخت. کانالهای حمل و نقل باید قبل از دانستن تقاضا مشخص شوند و نیز ساختار شبکه توزیع باید برای تحقق تمام سناریو­ها، یکسان در نظر گرفته شود.

تابع هدف اول:

تابع هدف دوم:

تابع هدف دوم به حداقل کردن، ماکسیمم زمان مورد نیاز برای حمل و نقل در کل زنجیره می­پردازد.

محدودیت­ها:

محدودیت (۱): نشان دهنده تنها محدودیت تخصیص منابع بین انبار­ها و مراکز توزیع است.

محدودیت (۲) و (۳): تضمین می­کند که حداکثر یک مسیر بین گره i و j و گره j و k  به ترتیب وجود دارد.

محدودیت (۴):محصولات درصورتی از کارخانه i به انبار­ها ارسال می­شوند که انبار j احداث شده باشد.

محدودیت (۵): تضمین می­کند تقاضای هر مرکز توزیع در هر سناریو، برآورده می­شود.

محدودیت (۶):محدودیت ظرفیت در هر انبار را نشان می­دهد.

محدودیت (۷): نشان می­دهد که جریان کالا بیرون رفته از انبار فراتر از ظرفیت تسهیلات نیست.

محدودیت (۸) و (۹): تضمین می­کند که اگر یک مسیر در هر سناریو استفاده شود باید حتما از آن مسیر در طراحی شبکه استفاده کرد.

محدودیت (۱۰)و (۱۱):جریان کالا­ها فقط از مسیر­هایی که فعال شده باشند، استفاده می­کنند.

محدودیت (۱۲): تضمین می­کند جریان کالا در صورتی مجاز است که تخصیصی بین انبار و مرکز توزیع صورت گرفته باشد.

محدودیت (۱۳)و (۱۴) ماهیت متغیر­ها را نشان می­دهد.

رویکرد حل مساله:

روش­های فرا ابتکاری ویژگی­های مطلوبی دارند، که می­تواند یک روش بسیار خوب برای حل مسائل بسیار پیچیده در مدیریت زنجیره تامین باشند. در کل پیاده سازی این روش­ها بسیار ساده است. هدف اصلی توسعه روش حلی است که قادر به تخمین زدن یک مرز مناسب باشد .

روش GRASP:Greedy Randomize Adaptive Search ))

الگوریتم GRASP جزء الگوریتم­های مبتنی بر یک جواب است.

روش MOMAP به دنبال یافتن نقاط موثر با یک فرایند افزایشی در اطراف یک مجموعه اولیه از نقاط موثر است. برای ساخت اولین مجموعه نقاط موثر باید سراغ جستجو ممنوعه رفت به طوریکه نقطه آخر هر جستجو، نقطه ابتدایی برای جستجو بعدی می­شود که در آن هر نقطه بازدید شده می­تواند در مجموعه نقاط موثر نهایی گنجانده شود این نقاط با بررسی معیار­های تسلط برای هر راه حل، در اطراف نقاط همسایگی بدست آمده است. راه حل­هایی که تسلط نداشته باشند به عنوان راه حل­های احتمالا موثر شناسایی شده و به یک لیست به منظور به روز رسانی کردن مجموعه­ای موثر اضافه شده تمام نقاط بازدید شده در طول جستجو به منظور گنجاندن در  بررسی می­شوند جستجو برای جوابهای نامغلوب در سه فاز انجام می­شود مکانیزم روش GRASPبه صورت زیر است

فاز construction (ساختن یک جواب اولیه به صورت مرحله به مرحله)

فاز local search (شروع از جواب ساخته شده در فاز قبل و رسیدن به جواب بهینه محلی)

فاز اول:

برای پیدا کردن جواب موثر که به انتهای مرز پارتو نزدیک باشند (جواب بهینه پارتو: جواب آلفا متعلق به مجموعه S برای مساله بهینه سازی چند هدفه جواب بهینه پارتو نامیده می­شود اگر هیچ بتا متعق به S وجود نداشته باشد که در رابطه زیر صدق کند.

باید راه حل­هایی را در نظر گرفت که به بهترین راه حل برای مساله تک هدفه، که هدفها را به صورت جداگانه بررسی می­کند، نزدیک باشد برای انجام این کار  روش GRASP برای هر تابع هدف به طور جداگانه طراحی شده است این فاز به دنبال پیدا کردن نقاط اضافی در داخل منحنی بهره وری است که از طریق برخی از جستجو­های مرتبط با جستجو ممنوعه انجام می­شود.

گام ۱ از فاز اول به دنبال پیدا کردن جواب بهینه برای مساله زمانبندی است و این کار توسط روش GRASP انجام می­شود GRASP یک فرایند تکراری است و هر تکرار معمولا از یک فاز ساخته شده است که در آن یک جواب شدنی بدست می­آید و سپس loca search به معنی (حرکت از جواب ساخته شده و جستجو در همسایگی تا رسیدن به جواب بهینه محلی ) تا زمانی که جواب بهینه محلی پیدا شود، ادامه دارد.

فاز سوم:

این مرحله براساس اصل میزان تقریبی بهینگی، تعداد جستجو­ها را برای یافتن جواب­های نامغلوب برای پرکردن شکاف در مجموعه  را افزایش می­دهد. این اصل بیان می­کند که جوابهای موثر، مساله ترکیبی چند هدفه بهم مربوط هستند، بطوریکه هر جواب موثر به اندازه کافی به جواب موثر دیگر نزدیک است.”به اندازه کافی” بدین معنا است که در یک همسایگی نه خیلی دور از این جواب موثر، جواب موثر دیگری را می­توان پیدا کرد. مراحل زیر به بررسی عملکرد الگوریتم پیشنهادی، می­پردازد.

در مرحله اول نتایج مربوط به مرز بهینه پارتو است. لذا به ارزیابی سهم هر فاز در MOMAP می­پردازد و در آخر به مقایسه بین مقادیر پارتو تخمین زده شده که با اجرای روش MOMAP بدست آمده، با مقادیر پارتو دقیق می­پردازد. نتایج بدست آمده به طور خلاصه در زیر بیان شده است

در ابتدا نمونه­ها به سه نوع کوچک، بزرگ، متوسط، طبقه بندی می­شوند و برای هر نوع، سه گروه با توجه به تعداد کارخانه­ها، مراکز کاندید شده برای انبار­ها و مراکز توزیع، تولید می­شود. برای هر گروه به طور جداگانه سه نمونه در نظر گرفته می­شود که در نهایت ۲۷ نمونه می­شود و تقاضا در هر سناریو به صورت تصادفی یکنواخت به احتمال به ترتیب ۰.۱و ۰.۷۵.و ۰.۱۵  تولید می­شود.

مقادیر پارتو بر اساس یک چارجوب مبتنی بر روش اپسیلون محدودیت با تکنیک روش شاخه و کران تولید می­شوند نمونه­های متوسط و کوچک مقادیر پارتو دقیق را نمیتوان بدست آورد.

تنظیم پارامترها:

تنظیم پارامتر با استفاده از یک سیستم خودکار به نام کالیبرا انجام می­شود. سیستم کالیبرا از تکنیکهای تجزیه و تحلیل آماری و روش جستجو محلی برای ایجاد یک روش سیستماتیک از الگوریتم­های (fine tuning) یا مقدار سازی دقیق برای بهبود و بهینه­سازی جوابها استفاده می­کنند و کاربر باید یک محدوده مناسب برای پارامتر­های جستجو و عملکرد اندازه گیری مشخص کند.

اندازه گیری سهم هر فاز از عملکرد MOMAP:

این آزمایش سعی در اندازه­گیری سهم هر فاز از عملکرد MOMAP نسبت به کیفیت تقریبی نهایی مجموعه نقاط موثر را دارد. توجه داشته باشید که فاز ۲ و ۳ و از مرز تخمین زده شده در مرحله فاز قبلی و به روز رسانی آن با افزودن یا حذف کردن نقاط، شروع می­شود و نقاط بدست آمده در هر فاز نمی­تواند توسط نقاط پیدا شده در فاز قبلی مشخص شود.

هدف اصلی در فاز اول پیدا کردن دو نقطه با کیفیت خوب به منظور حصول اطمینان از تخمین گسترده مرز پارتو است و علاوه بر این در این بخش برخی از نقاط میانی نیز یافت می­شود هدف فاز ۲و ۳یافتن نقاط غیر تحت سلطه بیشتری است که شکاف مرز پارتو تخمین زده شده در انتهای فاز اول را پر کند

مقایسه مرز دقیق و تخمینی پارتو:

هدف آزمایش بعدی مقایسه نتایج عملکرد MOMAP با مقادیر تقریبی پارتو (کران بالا مجموعه­ها در برخی موارد) می­باشد. برای این کار ابتدا تعداد نقاط مرز موثر تخمین زده شده و سپس به مشخص کردن زمان اجرا (CPU TIME) پرداخته می­شود. شکل ۱ مقایسه میانگین تعداد نقاط بدست آمده توسط دو روش را نشان می­دهد. به عنوان مثال تعداد نقاط بهینه بدست آمده در روش ابتکاری MOAMP برای نمونه­های بزرگ ببشتر از روش اپسیلون محدودیت می­باشد ولی برای تمونه­های کوچک و متوسط با روش اپسیلون محدودیت تعداد نقاط بهینه بیشتری بدست می­آید. 

جدول ۲ به مقایسه زمان حل و تعداد نقاط بهینه روش ابتکاری MOMAP و جواب بهینه پارتو در هر سه نمونه کوچک، متوسط و بزرگ می­پردازد.

مطالعه موردی:

 شکل ۲، شبکه ای با ۵ کارخانه، ۵ انبار، ۸ مرکز توزیع و با هزینه کل معادل ۱۱۶۷۶۸۶.۸۰ و حداکثر زمان مورد انتظار برای جابه جایی را نشان می­دهد.۲ نوع خدمات حمل و نقل وجود دارد که در شکل یکی به صورت خط ثابت و به دیگری به صورت خط چین نشان داده شده است و نیز ۳ سناریو تقاضا با احتمال ۰.۱و ۰.۷۵ و ۰.۱۵ وجود دارد. در این مثال تخصیص بین انبار­ها و مراکز توزیع برای هر ۳ سناریو یکسان است. انبار ۴ به مراکز توزیع ۵و ۷و ۸ اختصاص داده شده است و انبار ۳ به مراکز توزیع ۱و۲و۳و۴و۶ تخصیص داده شده است. کانالهای حمل و نقل و جریان بین تسهیلات در دو سطح زنجیره تامین بستگی به واقع نمایی سناریو­ها دارد.

 نتیجه­گیری و تحقیقات آتی:

در این مقاله به بررسی مساله طراحی زنجیره تامینی پرداخته شد که هدف اصلی آن کمینه کردن هزینه­ها و زمان حمل و نقل است و یک مدل خطی عدد صحیح دو هدفه تصادفی ارائه شد و همچنین مکان انبار­ها (مکان­های کاندید) و تخصیص انبار­ها به مراکز توزیع باید قبل از اینکه مقدار واقعی تقاضا مراکز توزیع مشخص بشود، صورت بگیرد. در این مقاله اشاره شده است که MOMAP سیستم (plug and play) نیست که فقط به تغییرات کلی برای استفاده شدن در مسائل خاصی، نیاز داشته باشد. MOMAP یک ساختار مفهومی است که تعریف می­کند چه کاری انجام دهید. ولی چگونگی کار را مشخص نمی­کند. به طور مثال ۳ فازی که در ابتدای این بخش آورده شده است طبق نتایج محاسباتی بدست آمده از مقادیر پارتو، نشان می­دهد که رویکرد حل مبتنی بر روش فرا ابتکاری، توانایی تولید تخمین خوبی از مقادیر پارتو دارد. نتایج تایید می­کند که مدل تصادفی نتایج خوبی را هنگامیکه هزینه تابع هدف در نظر گرفته می­شود، فراهم می­کند. مدل تصادفی بر اساس هزینه مرحله اول و هزینه مورد انتظار مرحله دوم تصمیم می­گیرد، بنابراین یک رفتار (ریسک گریز یا ریسک پذیر) برای تصمیم­گیرنده به حساب نمی­آید. به عنوان پژوهشهای بیشتر می­توان، این مساله را با در نظر گرفتن مساله تقاضا ارضا نشده با کمک بهینه سازی رباست انجام داد که در این حالت باید جریمه­ای برای تقاضای براورد نشده در نظر گرفت.