بهینه سازی زنجیره تامین معکوس با رویکرد ترکیبی شبکه عصبی مصنوعی و الگوریتم بهینه سازی ازدحام ذرات (ANN–PSO)

در شرایط کنونی، چالش های زیست محیطی و ضرورت حرکت به سمت اقتصاد چرخشی، مدیریت کارآمد زنجیره تامین معکوس را به یک امر اجتناب ناپذیر تبدیل کرده است. این پژوهش با هدف پاسخگویی به این نیاز، یک چارچوب هوشمند تلفیقی را معرفی می کند که از قابلیت های پیشبینی کننده شبکه عصبی مصنوعی (ANN) و توانایی بهینه یابی الگوریتم ازدحام ذرات (PSO) بهره می برد. در این مدل، شبکه عصبی با تحلیل داده های تاریخی، هزینه های سیستم را با دقت بالا پیش بینی نموده و خروجی آن به عنوان ورودی ارزشمندی در فرآیند بهینه سازی الگوریتم PSO مورد استفاده قرار می گیرد. نوآوری کلیدی این پژوهش در طراحی یک مکانیزم ترکیبی هوشمندانه است که با تلفیق داده های واقعی (با وزن ۰.۷) و داده های پیش بینی شده (با وزن ۰.۳)، پایایی نتایج را به طور قابل ملاحظه ای افزایش داده و از خطاهای محاسباتی متداول می کاهد. ارزیابی عملکرد مدل حاکی از برتری معنادار آن در مقایسه با روش های متعارف است؛ به طوری که منجر به کاهش ۱۵ درصدی در هزینه های کل و افزایش ۲۵ درصدی در سرعت همگرایی الگوریتم شده است. همچنین، نتایج تحلیل حساسیت، اثرپذیری مدل از پارامترهای کلیدی همچون تعداد نورون های لایه پنهان شبکه عصبی و ضرایب الگوریتم PSO را به وضوح تایید می کند. درنتیجه، این پژوهش نه تنها یک ابزار تحلیلی قدرتمند برای مدیران فراهم می آورد، بلکه گامی موثر در جهت عملیاتی سازی هرچه بیشتر مفاهیم پایداری و بهره وری در زنجیره تامین معکوس محسوب می شود.

کلیدواژه ها:

زنجیره تامین معکوس ، بهینه سازی شبکه ، شبکه عصبی مصنوعی (ANN) ، الگوریتم ازدحام ذرات (PSO) ، مدلسازی تلفیقی ، اقتصاد چرخشی