چکیده:
اﻣﺮوزه ﻣﺤﯿﻂ ﺗﺠﺎری رﻗﺎﺑﺘﯽ ﻣﻨﺠﺮ ﺑﻪ ﻫﻤﮑﺎری ﻓﺰاﯾﻨﺪه ﻣﯿﺎن ﺷﺮﮐﺖﻫﺎ ﺑﻪ ﻋﻨﻮان اﻋﻀﺎی شبکه زﻧﺠﯿﺮه ﺗﺄﻣﯿﻦ ﺷﺪه اﺳﺖ. در اﯾﻦ زﻣﯿﻨﻪ، طراحیﺷﺒﮑﻪ ﻟﺠﺴﺘﯿﮏ زﻧﺠﯿﺮهﺗـﺄﻣﯿﻦ ﺑـﺎ ﺗﻮﺟـﻪ ﺑـه ﺗﺄﺛﯿﺮ آن ﺑﺮﮐﺎراﯾﯽ و ﭘﺎﺳﺨﮕﻮﯾﯽ زﻧﺠﯿﺮه از موضوعات مهم استراتژیک به شمار می رود. ﻋﻼوه ﺑﺮ اﯾﻦ، در ﺳﺎلﻫﺎی اﺧﯿﺮ ﺗﻮﺟﻪ ﺑﻪ ﻣﺴـﺎﺋﻞ زﯾﺴﺖﻣﺤﯿﻄﯽ، اﻟﺰاﻣﺎت ﻗﺎﻧﻮﻧﯽ و ﻧﯿﺰﻣﻨﺎﻓﻊ اﻗﺘﺼـﺎدی توجه خاصی بر لجستیک معکوس صورت گرفته است. در این مقاله ﺑـﻪ اراﺋﻪ ﯾﮏ ﻣﺪل مکان یابی- موجودی و از نوع ﺑﺮﻧﺎﻣﻪرﯾﺰی ﺧﻄﯽ ﻋﺪد ﺻـﺤﯿﺢ آﻣﯿﺨﺘـﻪ احتمالی ﺑـﺮایﻃﺮاﺣـﯽ ﯾﮑﭙﺎرﭼـﻪ ﺷـﺒﮑﻪ ﯾـﮏ زﻧﺠﯿﺮهﺗﺄﻣﯿﻦ حلقه بسته ﭼﻨﺪ کالایی و چند دورهای با در نظر گرفتن سطوح ظرفیت چندگانه پرداخته می شود. همچنین برای انطباق شبکه لجستیک مورد نظر با دنیای واقعی، مقدار تقاضای مشتریان و بالتبع مقدار برگشتی تحت عدم قطعیت و به صورت تصادفی در نظر گرفته شدهاند. با توجه به اینکه مسئله مکانیابی تسهیلات با ظرفیت محدود در این تحقیق به دستهی مسائل سخت تعلق دارد، لذا برای حل آن به ارائه دو روش فراابتکاری مبتنی بر الگوریتم زنبورها و الگوریتم ژنتیک پرداخته و مقایسه جوابهای این دو روش بر اساس مسائل عددی طراحی شده صورت گرفته است. از نظر مقدار تابع هدف، عملکرد الگوریتم ژنتیک به طور متوسط 11.6 درصد پایین تر از زنبور عسل بوده و از منظر زمان حل عملکرد الگوریتم زنبور عسل به میزان قابل ملاحظه ای (به طور متوسط نزدیک به 5 برابر) پایین تر از الگوریتم ژنتیک است.
Today, the competitive business environment has led to increasing cooperation among companies as the members of supply chain networks. In this area, supply chain logistics network design is of important subjects due to its effect on the responsiveness and efficiency. Over the past few years, due to environmental issues, their legal requirements and economic benefits, a great attention has been paid to inverse logistics. In this paper, a mixed integer stochastic location-inventory model has been proposed for integrated designing the network of a multi-period multi-product closed loop supply chain considering multiple capacity levels for facilities. The market demand and correspondingly the return value are considered to be uncertain in order to make the model closer to the real life conditions. Since the capacitated facility location problem belongs to NP-hard problems, we have used two meta-heuristic algorithms including genetic algorithm (GA) and Bees algorithms (BA) for solving this problem. Some numerical problems are designed and solved to assess the performance of the model and solution heuristics. From the viewpoint of solution quality, the BA outperforms the GA and from the viewpoint of solution time, the GA outperforms the BA.