مروری جامع بر بهینه سازی چندهدفه زنجیره تامین پایدار با رویکردهای نوین داده محور: یادگیری فدرال و شبکه های عصبی گرافی

این مقاله مروری با هدف بررسی ادبیات موجود در زمینه بهینه سازی چندهدفه و پایداری زنجیره تامین تدوین شده است. در این مطالعه، مفاهیم کلیدی شامل ابعاد اقتصادی، زیست محیطی و اجتماعی پایداری، رویکرد Triple Bottom Line، یادگیری فدرال و شبکه های عصبی گرافی (GNN) مورد توجه قرار گرفته اند. مرور پژوهش های داخلی نشان می دهد که بخش قابل توجهی از مطالعات بر طراحی مدل های چندهدفه برای زنجیره تامین پایدار متمرکز بوده اند، اما اغلب تنها یک یا دو بعد از پایداری را پوشش داده اند و استفاده از فناوری های نوین داده محور در آن ها محدود بوده است. در سطح بین المللی نیز اگرچه چارچوب Triple Bottom Line به طور گسترده به کار گرفته شده، اما ترکیب همزمان سه بعد پایداری با فناوری های نوین کمتر مورد بررسی قرار گرفته است. یافته های مرور نشان می دهد که نقاط قوت مطالعات پیشین شامل توسعه مدل های چندهدفه، استفاده از الگوریتم های فراابتکاری و توجه به تاب آوری و مدیریت عدم قطعیت بوده است. در مقابل، محدودیت ها شامل غفلت از بعد اجتماعی، کمبود مطالعات کاربردی در محیط های صنعتی واقعی و فقدان چارچوب های جامع برای ادغام فناوری های نوین است. شکاف اصلی در ادبیات موجود، نبود مدل هایی است که بتوانند همزمان سه بعد اقتصادی، زیست محیطی و اجتماعی را بهینه کنند و در عین حال محرمانگی داده ها و روابط پیچیده شبکه ای را در نظر بگیرند. این مقاله با مرور جامع ادبیات داخلی و خارجی، جایگاه پژوهش های پیشین را روشن ساخته و ضرورت توسعه مدل های ترکیبی مبتنی بر یادگیری فدرال و شبکه های عصبی گرافی را آشکار می سازد. بدین ترتیب، نتایج این مرور می تواند راهنمایی ارزشمند برای پژوهشگران و مدیران در جهت ارتقای پایداری و تاب آوری زنجیره تامین در شرایط عدم قطعیت باشد.

کلیدواژه ها:

پایداری زنجیره تامین ، بهینه سازی چندهدفه ، یادگیری فدرال ، شبکه های عصبی گرافی ، تاب آوری