بهینه سازی مسئله زمانبندی کامیون ها در انبار متقاطع چنددربی با در نظر گرفتن اثر یادگیری و زوال پذیری کارها

به طور کلی هر زنجیره ی تامین شامل سه مرحله ی اصلی تهیه، تولید و توزیع است. استفاده از سیستم انبار متقاطع یک استراتژی جدید در مرحله توزیع برای بهبود زمان پاسخگویی به مشتریان با انتقال محصولات به طور مستقیم از کامیون های دریافت به کامیون های ارسالی است. به طور کلی برای پردازش یک فعالیت، هر دو منبع ماشین و منابع انسانی مورد نیاز است. بسیاری از محققان تا کنون روشهای برنامه ریزی متعددی برای سیستم های انبار متقاطع توسعه داده اند، اما اکثرا محدودیت های مهم منابع انسانی را نادیده گرفته اند. در این مقاله برای اولین بار به بررسی مسئله زمانبندی کامیون ها در انبار متقاطع چند دربی با در نظر گرفتن اثرات عوامل انسانی و زوال پذیری کارها برای پر کردن شکاف بین مدل های برنامه ریزی نظری و آنچه در دنیای واقعی انجام می گیرد پرداخته ایم و برای این منظور یک مدل برنامه ریزی عدد صحیح مختلط برای مسئله یاد شده ارائه شده است. با توجه به ادبیات تحقیق زمان حل مدل ارائه شده توسط روش های دقیق با افزایش اندازه مساله به سرعت افزایش می یابد تا حدی که روش های دقیق به سختی می تواند به جواب بهینه دست پیدا کنند. برای حل مسائل در مقیاس بزرگ از چهار الگوریتم فراابتکاری شامل الگوریتم های ژنتیک (GA)، رقابت استعماری (ICA)، کشتل (KA) و بهینه سازی مهندسی اجتماعی (SEO) استفاده شده است. در نهایت نتایج عددی بدست آمده از تمامی الگوریتم های فرا ابتکاری مورد بررسی و تحلیل حساسیت قرار گرفته اند. الگوریتم های فراابتکاری را بر اساس معیار های بهترین، میانگین جواب ها، Rpd و زمان مورد مقایسه قرار داده ایم. در نتیجه الگوریتم های SEO و الگوریتم کشتل از نظر کیفیت جواب بهتر از سایر الگوریتم ها عمل نمودند.

کلیدواژه ها:

انبار متقاطع ، زمانبندی ، اثر یادگیری ، زوال پذیری ، الگوریتم فراابتکاری