دانلود رایگان مقاله رویکرد مبتنی بر مقاومت بسیار بهینه برای طراحی شبکه زنجیره تأمین چند مرحله ای

              در این مقاله الگوریتمی نام مقاومت بسیار بهینه (HOT) برای حل مسئله طراحی شبکه کنترل زنجیره تأمین چند محصولی، چندمرحله‌ای ارائه میکنیم. HOT بر مبنای قانون توان و نظریه کنترل است. این رویکرد پیشنهادی ویژگی های خود را از الگوریتم افزایش محلی (LIA) کسب میکند، که ابتدا برای به حداکثر رساندن پارامتر طراحی (مثل محصول)، به ویژه در مدل نفوذ به کار رفت. LIA به نوعی به تکامل از طریق طرح انتخاب طبیعی شباهت دارد. روش شناسی پیشنهادی فضای جستجوی گسترده ای را بررسی کرده و از نظر محاسباتی ماندگار است. الگوریتم HOT تلاش میکند تا این سیستم را در هر مرحله از بهینه سازی قویتر کند. هدف این مقاله کاهش هزینه کلی توزیع زنجیره تأمین با انتخاب تعداد مناسب امکانات در شبکه است. برای بررسی اثربخشی الگوریتم HOT، نتایج حاصل از کاربرد موارد مشابه در مسئله طراحی شبکه زنجیره تأمین را مشکلات مختلف و مجموعه داده های مشابه مقایسه میکنیم.

1. مقدمه

             در بازار رقابتی و جهانی امروز، موفقیت یک صنعت به مدیریت زنجیره تأمین آن بستگی دارد. طراحی شبکه زنجیره تأمین شامل عناصر داخلی و خارجی مدیریت زنجیرۀ تأمین میشود. امروز، مشتریان محصولاتی با حداقل هزینه میخواهند، بنابراین مهم است که یک شرکت کارخانه، خرده فروش، تأمین کننده، مراکز توزیع و منطقه مشتری را به روشی سازماندهی کند که مشتریان بتوانند محصولات را حداقل هزینه ممکن تهیه کنند و این شرکتها باید سود نیز داشته باشند. در سالهای اخیر، تعداد زیادی از محققان مدلهای مختلفی را برای طراحی شبکه زنجیره تأمین ارائه کرده اند. مدل مربوط به طراحی شبکه زنجیره تأمین به خاطر تقاضای مشتری هرازگاهی تغییر میکند. مشکل طراحی شبکه زنجیره تأمین مهمترین مسئله تصمیم گیری است که باید برای عملکرد مؤثر بلندمدت در کل زنجیره تأمین بهینه سازی شود. یک شبکه زنجیره تأمین کارآمد پلتفرمی بهینه برای مدیریت زنجیره تأمین ارائه میکند. مدیریت زنجیره تأمین برای مدیریت هزینه، ریسک، حاشیه سود و مدیریت موجودی به کار میرود و با سایر مؤثر بر شرکت و مشتری همکاری دارد. اطلاعات، محصولات و سرمایه دائماً میان مراحل شبکه زنجیره تأمین جریان دارد. توزیع این محصولات محرکی کلیدی برای سوددهی کلی شرکتها است و مستقیماً بر هزینه های زنجیره تأمین اثر میگذارد.

             مدل توزیع زنجیره تأمین که در اینجا از آن بحث میشود به مسئله طراحی شبکه چند محصولی، چندمرحله‌ای مرتبط است. مسئله پیشنهادی سختی NP است و برای حل روشهای قطعی آسان نیست. ، بنابراین از تکنیکهای AI برای حل این نوع از مسائل استفاده میکنیم. در این مقاله یک رویکرد بهینه سازی جدید را بر مبنای الگوریتم مقاومت بسیار بهینه (HOT) ارائه میکنیم که این الگوریتم توسط کارلسون و دویل (1999) معرفی شده است. الگوریتم HOT فضای جستجوی گستردهای دارد و تلاش دارد تا این سیستم را در هر مرحله از بهینهسازی قویتر کند. بر مینای قانون توان و نظریه کنترل است. الگوریتم HOT نتایجی رضایت بخش را برای مسئله طراحی شبکه پیچیده ارائه میکند و از نظر محاسباتی نیز ماندگار است. بنابراین از الگوریتم HOT که در اینجا از آن بحث شده برای محل مسئله طراحی شبکه استفاده کردیم.

             مابقی مقاله به این صورت است. بخش دوم آثار مرتبط پیشین را ارائه میکند که همۀ ابعاد طراحی شبکه زنجیره تأمین را پوشش میدهد و همچنین در مورد مسئله و روش به کار رفته در این مقاله بحث میکند. بخش سوم مدل ریاضیاتی طراحی شبکه زنجیره تأمین چند محصولی، چندمرحله‌ای را پوشش میدهد. بخش چهارم روش راه حل مبتنی بر الگوریتم HOT را ارائه میکند. بخش پنجم مقایسه ای با موارد مشابه است. بخش ششم روش موارد مشابه را توضیح میدهد و بخش هفتم تحلیل تجربی مسئله پیشنهادی را موردبحث قرار میدهد. بخش هشتم نتایج محاسباتی را گزارش میکند و بخش نهم به نتیجه گیری میپردازد.

2. آثار مرتبط

              طراحی شبکه زنجیره تأمین پلتفرمی بهینه برای مدیریت کارآمد زنجیره تأمین ارائه میکند. امکانات مختلفی مانند تأمین کنندگان، واحدهای صنعتی، مراکز توزیع، خرده فروشان، انبارها و مناطق مشتری را جمع آوری کرده به‌گونه‌ای که مشتریان با کمترین هزینه ممکن سود محصول را دریافت میکنند و شرکت حاشیه سود خود را حفظ میکند. زنجیره تأمین شبکه ای از تأمین کنندگان، تولیدکنندگان، توزیع کنندگان و مشتریانی است که از طریق حمل ونقل، به اشتراک گذاری اطلاعات و زیرساختهای مالی با هم در ارتباط هستند (کاپرا، 2003). تأمین کنندگان در آغاز این شبکه هستند و مواد خام را برای واحد صنعتی فراهم میکنند. هر واحد صنعتی بیش از یک تأمین کننده دارد. این واحد صنعتی محصولاتی تولید شده را در اختیار مراکز توزیع قرار میدهد. هر واحد صنعتی و مراکز توزیع ظرفیتی مشخص دارند و نمیتوانند از آن ظرفیت فراتر روند. مشتریان در انتهای این زنجیره تأمین قرار دارند؛ معمولاً هر مشتری برای یک مرکز توزیع واحد است. در سالهای اخیر، مسئله طراحی زنجیره تأمین اهمیت زیادی را به خود اختصاص داده و این به خاطر افزایش رقابتپذیری موجود در جهانی شدن بازار است (توماس و گریفیت، 1996). شرکتها تقاضای سطوح بهتری از خدمات مشتری را دارند درحالیکه آنها مجبورند هزینه ها را به حداقل برسانند و حاشیه سود را حفظ کنند. زنجیره تأمین شامل سطوح مختلفی مانند تأمین کننده، واحد صنعتی، انبار، خرده فروش، مراکز توزیع و مشتریان می-شود. سورانا و دیگران (2005) یک شبکه زنجیره تأمین را از منظر یک سیستم تطبیقی پیچیده پیشنهاد می-کنند و در مورد ابعاد مختلف یک زنجیره تأمین پیچیده بحث میکنند. 

           معمولاً، سازمانهای بازاریابی، توزیع، برنامه ریزی، تولید و خرید همراه با زنجیره تأمین به صورت مستقل از هم عمل میکنند. اگرچه این شرکتها هرکدام اهداف مخصوص خود را دارند، به مکانیسمی نیاز هست که می-تواند موجب همکاری میان این لایه ها شود. طراحی زنجیره تأمین مکانیسمی که در آن همه شرکتها جمع شده، درحالیکه اهداف کلی آنها مشابه است. در یک زنجیره تأمین، جریان کالاها میان تأمینکننده و مشتری مراحل مختلفی دارد و هر مرحله شامل امکانات مختلفی میشود (صبری و بیمون، 2000). طراحی شبکه زنجیره تأمین (SCN) برای ارائه محیطی کارآمد و مناسب برای مدیریت زنجیره تأمین (SCM) به کار می-رود. یانگ و دیگران (2002) سیستمی را برای مدیریت شبکه زنجیره تأمین ارائه کردند که شامل یک مدل طراحی شبکه زنجیره تأمین بهینه میشود، یک ماژول برنامهر یزی یکپارچه برای عملیات توزیع که تأمین-کنندگان مواد خام را برای مشتریان پوشش میدهد، مدلی مدیریتی که مدلبندی ریاضیاتی منعطف و مدیریت داده ها را پشتیبانی میکند. هانگوی و دیگران (2009) یک شبیه سازی مبتنی بر بهینه سازی را برای طراحی شبکه توزیع تولید چندمنظوره تصادفی ایجاد کردند. یک مدل برنامهریزی چند دورهای، چندمرحله‌ای و چند محصولی برای مقابله اهداف مختلف تناسب ناپذیر در شبکه زنجیره تأمین چند سطحی با تقاضای نامشخص بازار و قیمت محصولات توسط چن و لی (2004) ارائه شده است. پارک (2005) رویکردی یکپارچه برای برنامه ریزی تولید و توزیع در مدیریت زنجیره تأمین ارائه کرد. انریکو و دیگران (1999) بر ادغام برنامه تولید و توزیع در زنجیره تأمین مروری انجام داده است.

             در یک طراحی شبکه زنجیره تأمین کارآمد، باید امکاناتی (واحدهای صنعتی و مراکز توزیع (DCs)) را برای افتتاح انتخاب کرد و برای طراحی این شبکه و تقاضای مشتری با حداقل هزینه برآورده میشود و شرکت حداکثر سود را به دست می آورد. این مسئله تخصیص موقعیت مکانی است. طراحی شبکه زنجیره تأمین یکی از مهمترین مکانیسمهای به کار رفته برای مدیریت بلندمدت زنجیره تأمین کارآمد است. SCN تعداد تأمین-کنندگان، موقعیت مکانی، انواع واحد صنعتی، ظرفیت، انواع انبار و انواع مراکز توزیع مورد استفاده را مشخص میکند. SCN نیز کانالهای توزیع و مقدار مواد و کالاها را برای مصرف، تولید و انتقال از تأمین کننده با مشتری مشخص می‌کند. در مسئله طراحی این شبکه، یک واحد صنعتی مواد را از تأمین کنندگان مختلف دریافت میکند و سپس مراکز توزیع مختلفی (DCs) را تأمین میکند، که در نهایت به مشتری عرضه می-شود.

            از این روی شبکه زنجیره تأمین چندمرحلهای (MSCN) برای توصیف شبکه زنجیره تأمین استفاده میشود. زمانی که این امکانات (واحدهای صنعتی و DCs) ظرفیت مشخصی داشته باشند، مشکل بالا بردن ظرفیت موقعیت مکانی است. ازاین‌رو حل بهینۀ مسئله چندمرحله‌ای دشوار است، به ویژه اگر محدودیتهای ظرفیتی بر واحدهای صنعتی و DCs تحمیل شود، محققان از روشهای اکتشافی زیادی برای حل مسئله طراحی شبکه زنجیره تأمین استفاده کرده اند. ریکاردو و دیگران (2008) مدلی بهینه را برای مسئله تخصیص مکان پویا ارائه کرده اند.

            بسیار از محققان انواع مختلفی از رویکردهای اکتشافی را برای حل مسئله طراحی شبکه زنجیره تأمین تحت شرایط مختلف ارائه کردهاند. جایارمان و پیرکول (2001) رویکردی اکتشافی را بر مبنای آرامش لاگرانژی در مسئله طراحی SCN تک منبع، چند محصولی، چندمرحله‌ای ارائه کردهاند. آلتیپارماک و دیگران (2009) یک رویکرد الگوریتم ژنتیکی حالت پایدار را برای مسئله طراحی شبکه زنجیره تأمین چند محصولی ارائه کردند. رویکرد اکتشافی دیگر بر مبنای الگوریتم ژنتیک برای مسئله طراحی شبکه زنجیره تأمین توسط آلتیپارماک و دیگران (2005) ارائه شده است. جوهر و بالاجی (2007) نیز یک رویکرد اکتشافی را بر مبنای الگوریتم ژنتیک برای مسئله توزیع زنجیره تأمین دومرحله‌ای همراه با یک شارژ ثابت ارائه کرده اند. یه (2006) الگوریتمی را بر مبنای الگوهای رفتاری کارآمد برای مسئله شبکه زنجیره تأمین چندمرحله‌ای ارائه کرد. جایارامان و راس (2003) روش موارد مشابه را برای مدیریت و طراحی شبکه توزیع ارائه کردند. سیاریف و دیگران (2002) مدلی درختی را بر مبنای رویکرد GA برای مسئله طراحی SCN چند منبعی، تک محصولی، تک‌مرحله‌ای پیشنهاد کردهاند. آلتیپارماک و دیگران (2006) راهحل جدیدی را بر مبنای الگوریتم ژنتیک ارائه کرده اند تا مجموعهای از راه حلهای پارتو-بهینه را برای مسئله طراحی SCN چندمنظوره پیدا کنند. ژن و سیاریف (2005) رویکرد الگوریتم ژنتیک ترکیبی را برای برنامهریزی توزیع/تولید در دوره های زمانی چندگانه ارائه کردهاند. میشلویز و دیگران (1991) یک الگوریتم ژنتیک غیراستاندارد را برای حل مسئله انتقال شارژ ثابت ارائه کردند.  هانگ و پارک (2002) مدلی ترکیبی از برنامهریزی توزیع/تولید و طراحی شبکه برای SCN ارائه کردند. چان و دیگران (2005) رویکردی ترکیبی از الگوریتم ژنتیک و AHP (فرایند سلسله مراتبی تحلیلی) برای مسئله تولید و توزیع در مدلهای زنجیره تأمین چند فاکتوره ارائه کردند. بیمون (1998) مدلها و روشهایی برای تحلیل و طراحی زنجیره تأمین ارائه کردند. جانگ و دیگران (2002) مدلی ترکیبی از طراحی شبکه و برنامهریزی توزیع/تولید را برای شبکه زنجیره تأمین ارائه کردند. یک رویکرد چندمنظوره برای برنامهریزی عملیاتی و استراتژیک همزمان در طراحی زنجیره تأمین توسط صبری و بیمون (2000 الف) ارائه شد. آیتوگ و دیگران (2003) از یک الگوریتم ژنتیک برای حل مسئله مدیریت عملیات و تولید استفاده کردند. ژوو و دیگران (2002) یک رویکرد الگوریتم ژنتیک را برای تخصیص متوازن مشتریان به مراکز توزیع چندگانه در شبکه زنجیره تأمین پیشنهاد کردند. کانان و دیگران (2009) یک الگوریتم ژنتیک و بهینه سازی ذرات را برای مسئله زنجیره تأمین حلقه مسدود ارائه کردند. 

          در چند دهه اخیر انواع مختلفی از روشهای AI وجود داشته که برای بهینه سازی مسئله طراحی شبکه زنجیره تأمین استفاده شدهاند. ریویز (1995 ب) روشهای AI مختلفی را برای شیوه های اکتشافی مدرت در مسائل ترکیبی پیشنهاد کرد. در این مقاله، یک رویکرد اکتشافی را بر مبنای HOT برای مسئله طراحی شبکه زنجیره تأمین چندمرحله‌ای، چند محصولی، تک منبع ارائه میکنیم. HOT چهارچوبی جدید برای بررسی رفتار سیستم های پیچیده در محیطی نامشخص است. کارلسون و دویل (1999) HOT را ارائه کردهاند، و در آن از رفتار ارگانیسمهای بیولوژیکی و روشهای مهندسی پیشرفته الهام گرفتهاند. HOT بر مبنای قانون توان و نظریه کنترل است. کارلسون و دویل (2000 الف) نیز یک رویکرد HOT را برای قدرت و طراحی سیستم-های پیچیده پیشنهاد کردند. کارلسون و ژو (2000) نشان دادند که HOT مکانیسمی برای قانون توان در سیستمهای پیچیده و بر مبنای طراحی قوی سیستمهای در محیطهای نامشخص است. ژیانگنینگ و ژیکوین (2008) یک مدل HOT را برای توصیف آمار مجموعه قوی در محیط نامشخص ارائه کردند و از آن برای تحلیل خاموشیهای برقی رخ داده در شبکه برق آمریکای شمالی استفاده کردند. ویکیک (2007) یک مدل الهام گرفته از HOT را برای سیستم های بزرگ مقیاس ارائه کرده است. آنها نشان دادند که قوانین توان چگونه در رویدادها چگونه از حداقل هزینهها در مواجهه با طرح معامله ظاهر میشوند. HOT مکانیسمی برای پیچیدگی است که در آن ویژگیهای غیر کلی مستقیماً و بدون معرفی ظاهر میشوند. HOT به قانون توان برای سیستمها منجر میشود که برای جریانات طراحی شکننده و رایج و آشفتگیهای نادر قوی است. ویژگی اصلی وضعیت HOT حساسیت به آشفتگیهای غیرمنتظره ب تغییرات سیستماتیک در محیط است. رابرت و دیگران (2001) پیامدهای دو ویژگی جدید را در مقاومت بسیار بهینه (HOT) بررسی کردند، مکانیسمی که نشان میدهد چگونه در سیستمهایی که برای عملکرد قوی در حضور یک محیط بیرونی سخت بهینه شدهاند، پیچیدگی به وجود میآید. در ابتدا، HOT در محیطی شامل کاربردهای خاص از جمله اینترنت، شبکه برق، آتشسوزی و شبکه های  بیولوژیکی استفاده شد. لین و بو (2008) از HOT برای تحلیل داده های مربوط به خاموشی شبکه برف آمریکای شمالی استفاده کردند. HOT برای بهینه سازی محلی و جهانی مناسب است.

           In this paper we propose an algorithm called Highly Optimised Tolerance (HOT) for solving a multi-stage, multi-product supply chain network design problem. HOT is based on power law and control theory. The proposed approach takes its traits from the local incremental algorithm (LIA), which was initially employed to maximise the design parameter (i.e. yield), particularly in the percolation model. The LIA is somewhat analogous to the evolution by natural selection schema. The proposed methodology explores a wide search space and is computationally viable. The HOT algorithm tries to make the system more robust at each step of the optimisation. The objective of this paper is to reduce the total cost of supply chain distribution by selecting the optimum number of facilities in the network. To examine the effectiveness of the HOT algorithm we compare the results with those obtained by applying simulated annealing on a supply chain network design problem with different problem sizes and the same data sets.

1. Introduction

           In today’s competitive and global market, the success of an industry is reliant upon the management of its supply chains. Supply chain network design includes all the internal and external components of supply chain management. Nowadays, customers want the product at the minimum possible cost, so it is important that a firm organise the plants, retailer, supplier, distribution centres, and customer zone in such a manner that customers obtain the product at minimum possible cost and the firm should maintain a profit. In recent years, many researchers have proposed different types of models for supply chain network design. The model of supply chain network design changes from time to time due to customer demand. The supply chain network design problem is the most important decision-making problem that needs to be optimised for the long-term effective operation of the whole supply chain. An efficient supply chain network provides an optimal platform for effective supply chain management. Supply chain management is used to manage the cost, risk, profit margin, and inventory management and to collaborate with other factors that affect both the company and the customer. Information, products and funds flow constantly between the stages of the supply chain network. Distribution of the product is a key driver of the overall profitability of firms and directly influences supply chain cost.

          The supply chain distribution model discussed here is related to the multi-product, multi-stage network design problem. The proposed problem is NP hard, and is not easy to solve using deterministic methods, therefore we use AI techniques to solve this type of problem. In this paper we propose a new optimisation approach based on the Highly Optimised Tolerance (HOT) algorithm proposed by Carlson and Doyle (1999). The HOT algorithm has a wide search space, and tries to make the system more robust at each stage of the optimisation. It is based on power law and control theory. The HOT algorithm provides a satisfactory result for the complex network design problem and is also computationally viable. Thus we used the HOT algorithm to solve the network design problem discussed here.

          The remainder of the paper is organised as follows. Section 2 presents the relevant literature, which covers all aspects of supply chain network design, and also discusses the problem and method used in this paper. Section 3 covers the mathematical model of the multi-stage, multi-product supply chain network design. Section 4 presents the solution methodology based on the HOT algorithm. Section 5 makes a comparison with simulated annealing. Section 6 describes the simulated annealing methodology, and Section 7 discusses the experimental analysis of the proposed problem. Section 8 reports the computational results and Section 9 concludes.

2. Relevant literature

          Supply chain network design provides an optimal platform for efficient supply chain management. It colligates various facilities such as suppliers, plants, distribution centres, retailers, warehouses and customer zones such that customers receive the benefit of the product at the minimum possible cost and the firm maintains their profit margin. The supply chain is a network of suppliers, manufactures, distributors and customers interconnected by transportation, information sharing, and financial infrastructure (Chopra 2003). Suppliers are at the start of the network and provide raw material to the plant. Every plant has more than one supplier. The plant provides the manufactured product to the distribution centres. Each plant and distribution centre has a certain capacity and they cannot exceed that capacity. Customers are at the end of the supply chain; usually, each customer is assigned to a single distribution centre. In recent years, the supply chain design problem has gained importance due to the increasing competitiveness introduced by market globalisation (Thomas and Griffin 1996). Firms are demanding a better customer service level while they are forced to minimise cost and maintain the profit margin. The supply chain comprises different echelons, such as suppliers, plants, warehouses, retailer, distribution centre, and customers. Surana et al. (2005) proposed a supply chain network from the perspective of a complex adaptive system, and discuss the various aspects of a complex supply chain.

         Conventionally, marketing, distribution, planning, manufacturing and purchasing organisations along the supply chain have operated independently. Although these firms have their own goals, there is a need for a mechanism that can produce collaboration among these layers. Supply chain design is a mechanism by which all the firms are colligates, while their original objectives remain the same. In a supply chain, the flow of goods between a supplier and the customer passes through several stages, and each stage may consist of many facilities (Sabri and Beamon 2000). Supply chain network design (SCN) is used to provide an effective and expedient site for supply chain management (SCM). Yang et al. (2002) proposed a system for supply chain network management which consists of an optimised supply chain network design model, an integrated planning module for distribution operations covering raw material supplier to customers, a model management supporting flexible mathematical modelling and a data management. Hongwei et al. (2009) developed a simulation-based optimisations for a stochastic multi objective production–distribution network design. A multi-product, multi-stage, and multi-period scheduling model is proposed to deal with multiple incommensurable goals for a multi-echelon supply chain network with uncertain market demands and product prices by Chen and Lee (2004). Park (2005) proposed an integrated approach for production and distribution planning in supply chain management. A review on the integration of production and distribution planning in supply chain is carried out by Erenguc et al. (1999).

          In an effective supply chain network design, it is necessary to choose the facilities (plants and distribution centres (DCs)) to be opened and for the network design to satisfy customer demand at minimum cost and for the firm to obtain maximum profit. It is a facility location allocation problem. Supply chain network design is one the most important mechanisms used for long-term efficient supply chain management. The SCN determines the number of suppliers, the location, types of plant, capacity, types of warehouses and types of distribution centres to be used. The SCN also determines the distribution channels and the amount of material and items to consume, produce, and ship from supplier to customers. In the network design problem, a plant receives material from several suppliers and then supplies several distribution centers (DCs), which finally supply to the customer.

         Hence the multi-stage supply chain network (MSCN) is used to describe the supply chain network. When the facilities (plants and DCs) have a certain capacity, the problem is a capacitated location problem. Since the multi-stage problem is difficult to solve optimally, particularly if capacity constraints are imposed on both plant and DCs, researchers have utilised many heuristic approaches to solve the supply chain network design problem. Riccardo et al. (2008) developed an optimisation model for the dynamic facility location allocation problem.

         Many researchers have proposed various types of heuristic approaches for solving the supply chain network design problem under various circumstances. Jayaraman and Pirkul (2001) proposed a heuristic approach based on Lagrangian relaxation for the single-source, multi-product, multi-stage SCN design problem. Altiparmak et al. (2009) proposed a steady-state genetic algorithm approach for the multi-product supply chain network design problem. Another heuristic approach based on a genetic algorithm for the supply chain network design problem was proposed by Altiparmak et al. (2005). Jawahar and Balaji (2007) also developed a heuristic approach based on a genetic algorithm for the two-stage supply chain distribution problem associated with a fixed charge. Yeh (2006) proposed an efficient memetic algorithm for the multi-stage supply chain network problem. Jayaraman and Ross (2003) developed a simulated annealing methodology for distribution network design and management. Syarif et al. (2002) developed a spanning-tree-based GA approach for the multi-source, single-product, multi-stage SCN design problem. Altimarpark et al. (2006) proposed a new solution procedure based on genetic algorithms to find the set of Pareto-optimal solutions for multi-objective SCN design problems. Gen and Syarif (2005) developed a hybrid genetic algorithm approach for multi-time-period production/distribution planning. Michalewicz et al. (1991) proposed a non-standard genetic algorithm used to solve the fixed charge transportation problem. Hang and Park (2002) presented a combined model of network design and production/distribution planning for a SCN. Chan et al. (2005) proposed a hybrid approach of a genetic algorithm and an AHP (Analytic Hierarch Process) for the production and distribution problem in multi-factory supply chain models. Beamon (1998) proposed models and methods for supply chain design and analysis. Jang et al. (2002) proposed a combined model of network design and production/distribution planning for a supply chain network. A multi-objective approach for simultaneous strategic and operational planning in supply chain design was developed by Sabri and Beamon (2000a). Aytug et al. (2003) used a genetic algorithm to solve the production and operations management problem. Zhou et al. (2002) proposed a genetic algorithm approach for the balanced allocation of customers to multiple distribution centres in the supply chain network. Kannan et al. (2009) proposed a genetic algorithm and particle swarm optimisation for the closedloop supply chain problem.

          In the last few decades there have been various types of AI techniques used to optimise the supply chain network design problem. Reeves (1995b) proposed different AI techniques for modern heuristic techniques for combinatorial problems. In this paper, we propose a heuristic approach based on HOT for a single-source, multi-product, multi-stage supply chain network design problem. HOT is a new framework for studying the behaviour of complex systems in an uncertain environment. It was developed by Carlson and Doyle (1999), taking inspiration from the behaviour of biological organisms and advanced engineering technologies. HOT is based on power law and control theory. Carlson and Doyle (2000a) also proposed a HOT approach for robustness and design in complex systems. Carlson and Zhou (2000) propose that HOT is a mechanism for power laws in complex systems based on the robust design of systems in uncertain environments. Xiangning and Zhiquin (2008) developed an HOT model to describe the statistics of robust complex in uncertain environment and used to analyse the electric blackouts which occurred in the North America Power grid. Wojcik (2007) developed a HOT-inspired model for large-scale systems. They showed how power laws in event size emerge from minimisation of the expected cost in the face of design trade-offs. HOT is a mechanism for complexity, in which non-generic features emerge without being introduced directly. HOT leads to power laws, and, more importantly, to systems that are robust to common and fragile design flaws and rare perturbations. The main feature of the HOT state is the sensitivity to unexpected perturbations or systematic changes in the environment. Robert et al. (2001) investigate the consequences of two new features in highly optimised tolerance (HOT), a mechanism which describes how complexity arises in systems which are optimised for robust performance in the presence of a harsh external environment. Initially, HOT was used in the context of a variety of specific applications, including the Internet, the electric power grid, wildfires and biological networks. Lin and Bo (2008) used HOT for the analysis of blackout data from North American power grids. HOT is suitable for both local and global optimisation.

1. مقدمه

2. آثار مرتبط

3. مدل ریاضیاتی

4. روش بهینه سازی پیشنهادی: روش الهام گرفته از مقاومت بسیار بهینه

4.1 انگیزه

4.2 اطلاعات زمینه ای

4.3 قانون توان

4.4 تکامل وضعیت HOT (الگوریتم افزایشی محلی)

4.5 مدل ریاضیاتی الهام گرفته از HOT

4.6 حداقل احتمال انتخاب 

4.7 معیار توقف

4.8 نمودار بلوک از مقاومت بسیار بهینه

5. مقایسه با موارد مشابه

6. موارد مشابه

6.1 شبه کد موارد مشابه

7. مطالعه تجربی

8. نتایج محاسباتی و بحث

9. نتیجه گیری

منابع

1. Introduction

2. Relevant literature

3. Mathematical model

4. Proposed optimisation methodology: Highly optimised tolerance inspired procedure

4.1 Motivation

4.2 Background information

4.3. Power law

4.4. Evolution to the HOT state (local incremental algorithm)

4.5. HOT-inspired mathematical model

4.6 Minimum selection probability

4.7 Stopping criterion

4.8 Block diagram of highly optimised tolerance

5. Comparison with simulated annealing

6. Simulated annealing

6.1 Pseudo-code of simualated annealing

7. Experimental study

8. Computational result and discussion

9. Conclusion

References