ادغام شبکه عصبی کانولوشنی و بهینه سازی چندهدفه برای طراحی شبکه پایدار زنجیره تامین معکوس در صنعت بازیافت

مدیریت پایدار زنجیره تامین معکوس با چالش های پیچیده ای از قبیل عدم قطعیت در حجم بازگشت محصولات، تنوع شرایط کالاها و ضرورت کاهش تاثیرات زیست محیطی مواجه است. پژوهش حاضر با هدف ارائه یک چارچوب یکپارچه و عملی برای بهینه سازی شبکه توزیع در این زنجیره، مدلی ترکیبی از بهینه سازی ریاضی چندهدفه و یادگیری عمیق را پیشنهاد می دهد. نوآوری اصلی این تحقیق، توسعه یک مدل برنامه ریزی خطی عدد صحیح مختلط است که نه تنها اهداف کلاسیک کمینه سازی هزینه و زمان را دنبال می کند، بلکه شاخص های کلیدی زیست محیطی از جمله انتشار کربن و مصرف انرژی را به عنوان اهداف جداگانه در ساختار خود جای داده است. برای غلبه بر عدم قطعیت ذاتی در پیش بینی تقاضا و نرخ بازگشت، یک مدل شبکه عصبی کانولوشنی طراحی شده که با تحلیل داده های تاریخی، ورودی های پویا و دقیقی را برای مدل بهینه سازی فراهم می آورد. این یکپارچه سازی، امکان تصمیم گیری های انطباق پذیر و واقع بینانه تر را فراهم می سازد. برای اعتبارسنجی عملی، چارچوب پیشنهادی در یک مطالعه موردی در صنعت بازیافت بر روی شبکه ای متشکل از مراکز جمع آوری، بازسازی و بازیافت اعمال شد. نتایج کمی حاکی از دستاوردهای قابل توجه مدل بهبودیافته در مقایسه با رویکردهای سنتی بود: کاهش ۱۲.۴ درصدی هزینه های کل، کاهش ۱۵.۷ درصدی انتشار کربن، کاهش ۹.۸ درصدی زمان حمل ونقل و صرفه جویی ۱۱.۲ درصدی در مصرف انرژی.

کلیدواژه ها:

زنجیره تامین معکوس ، بهینه سازی چندهدفه ، شبکه عصبی کانولوشنی(CNN) ، پایداری زیست محیطی ، مدیریت عدم قطعیت