دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات60
تعداد شماره‌ها2,088
تعداد مقالات16,792
تعداد مشاهده مقاله45,966,280
تعداد دریافت فایل اصل مقاله25,746,628
کاظمی میان گسکری, مینا, مهرگان, محمد رضا, صفری, حسین, کیوان پور, سمیرا, دهقان نیری, محمود. (1402). طراحی مدل بهینه‌سازی چندهدفه فازی زنجیره تامین حلقه بسته با هدف انتخاب تامین‌کننده و تخصیص سفارش (مورد مطالعه: شرکت خرده فروشی موادغذایی در ایران). سامانه مدیریت نشریات علمی, 21(69), 1-42. doi: 10.22054/jims.2023.70278.2815
مینا کاظمی میان گسکری; محمد رضا مهرگان; حسین صفری; سمیرا کیوان پور; محمود دهقان نیری. "طراحی مدل بهینه‌سازی چندهدفه فازی زنجیره تامین حلقه بسته با هدف انتخاب تامین‌کننده و تخصیص سفارش (مورد مطالعه: شرکت خرده فروشی موادغذایی در ایران)". سامانه مدیریت نشریات علمی, 21, 69, 1402, 1-42. doi: 10.22054/jims.2023.70278.2815
کاظمی میان گسکری, مینا, مهرگان, محمد رضا, صفری, حسین, کیوان پور, سمیرا, دهقان نیری, محمود. (1402). 'طراحی مدل بهینه‌سازی چندهدفه فازی زنجیره تامین حلقه بسته با هدف انتخاب تامین‌کننده و تخصیص سفارش (مورد مطالعه: شرکت خرده فروشی موادغذایی در ایران)', سامانه مدیریت نشریات علمی, 21(69), pp. 1-42. doi: 10.22054/jims.2023.70278.2815
کاظمی میان گسکری, مینا, مهرگان, محمد رضا, صفری, حسین, کیوان پور, سمیرا, دهقان نیری, محمود. طراحی مدل بهینه‌سازی چندهدفه فازی زنجیره تامین حلقه بسته با هدف انتخاب تامین‌کننده و تخصیص سفارش (مورد مطالعه: شرکت خرده فروشی موادغذایی در ایران). سامانه مدیریت نشریات علمی, 1402; 21(69): 1-42. doi: 10.22054/jims.2023.70278.2815

طراحی مدل بهینه‌سازی چندهدفه فازی زنجیره تامین حلقه بسته با هدف انتخاب تامین‌کننده و تخصیص سفارش (مورد مطالعه: شرکت خرده فروشی موادغذایی در ایران)

مطالعات مدیریت صنعتی
مقاله 1، دوره 21، شماره 69، تیر 1402، صفحه 1-42    اصل مقاله (1.36 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/jims.2023.70278.2815
نویسندگان
مینا کاظمی میان گسکری1؛ محمد رضا مهرگان2؛ حسین صفری* 3؛ سمیرا کیوان پور4؛ محمود دهقان نیری5
1دانشجوی دکتری مدیریت صنعتی، دانشگاه تهران،تهران،ایران
2استادگروه مدیریت /دانشگاه تهران،تهران ،ایران
3استاد گروه مدیریت ،دانشگاه تهران،تهران،ایران
4استادیار، گروه صنایع، دانشگاه پلیتکنیک مونترال،کبک،کانادا
5دانشیار،گروه مدیریت صنعتی، دانشگاه تربیت مدرس
چکیده
امروزه رقابت از سطح شرکت‌ها به میان زنجیره تامین آنها کشیده شده است و مدیریت مناسب زنجیره تامین، یکی ازمسائل پیش‌روی بنگاه‌های اقتصادی است. در این بین مسئله انتخاب تامین‌کننده و میزان خرید از هریک به عنوان شروع‌کننده این زنجیره و همچنین عامل تاثیرگذار بر معیارهای متعدد همچون کیفیت محصول نهایی، میزان مرجوعی، قیمت تمام شده محصول و ... از اهمیت ویژه‌ای برخورداراست. از طرف دیگر دنیای واقعی با عدم قطعیت بسیار زیادی رو به رو است. در چنین محیطی به منظور در نظر گرفتن عدم قطعیت، استفاده از رویکرد فازی توصیه شده‌است. هدف پژوهش حاضر تعیین میزان بهینه سفارش محصولات پروتئنی فسادپذیر شرکت خرده‌فروش در شرایط عدم قطعیت از تامین-کنندگان خود با درنظرگرفتن معیارهای پایداری است. ازاین رو ابتدا یک مدل چندهدفه تمام فازی برای زنجیره تامین حلقه بسته شرکت خرده فروش به منظور حداقل کردن میزان ضایعات و همچنین حداکثر کردن سود، رضایت مشتری، مقبولیت برند، کیفیت و حایشه سود در شرایط عدم قطعیت طراحی شده، سپس این مدل تمام فازی چندهدفه با استفاده از روش شارما و آگاروال (2018)، به مدل قطعی تک هدفه تبدیل شده و میزان سفارش بهینه هر محصول از هر تامین‌کننده بدست می‌آید. مدل پیشنهادی در یکی از شرکت‌های خرده فروشی ایران برای محصولات پروتئنی (سوسیس، کالباس و...) اجرا شده و بررسی نتایج، عملکرد خوب مدل را نشان می‌دهد.
کلیدواژه‌ها
انتخاب تامین‌کننده؛ ‌ برنامه‌ریزی خطی چندهدفه تمام فازی؛ بهینه‌سازی عملکرد زنجیره تامین؛ زنجیره تامین حلقه بسته
مراجع
  1. باقرزاده آذر، محمد و دری، بهروز. (1389). به‌کارگیری ANP جهت انتخاب بهترین تأمین‌کننده در زنجیره تأمین. پژوهش‌های مدیریت در ایران، 14(4 (پیاپی 69)), 27-47.
  2. تیموری، احسان؛ امیری، مقصود؛ الفت، لعیا و زندیه، مصطفی. (1399). مدل انتخاب تأمین‌کننده، تخصیص سفارش و قیمت‌گذاری در مدیریت زنجیره تأمین‌ چند کالایی تک‌دوره‌ای و چند تأمین‌کننده با رویکرد روش‌های سطح پاسخ و الگوریتم ژنتیک. مدیریت صنعتی، 12(1)،1-23.
  3. جعفرنژادچقوشی، احمد; عرب، علیرضا و قاسمیان صاحبی، ایمن. (1398). ارائه یک مدل ریاضی به‌منظور ارزیابی تأمین‌کنندگان تاب‌آور و تخصیص اندازه سفارش در صنایع وابسته خودروسازی. تحقیق در عملیات در کاربردهای آن (ریاضیات کاربردی)، 16(4 (پیاپی 63))، 55-72.
  4. رزازی، محمدرضا و بانک توکلی، مهسا. (1394). انتخاب تأمین‌کنندگان و تخصیص سفارش به آن‌ها تحت شرایط پویا در زنجیره‌های تأمین. فصلنامه بین المللی مهندسی صنایع و مدیریت تولید،25(4).
  5. سیف برقی، مهدی و بخشی زاده، نسترن. (1401). یکپارچه­سازی ارزیابی تأمین‌کنندگان و طراحی زنجیره تأمین حلقه بسته تاب­آور و رتبه­بندی بر اساس روش فازی-مورا-نقطه مرجع. مطالعات مدیریت صنعتی،20(65)،1-37.
  6. صالح، هیلدا؛ حسین زاده لطفی، فرهاد؛ رستمی مال خلیفه، محسن و شفیعی، مرتضی. (1400). ارائه یک مدل ریاضی برای انتخاب تأمین کننده در زنجیره تأمین بر اساس محاسبه کارایی سود. پژوهش‌های نوین در ریاضی،7(32)، 177-186.
  7. عیدی، علیرضا و بختیاری، مهناز. (1395). ارزیابی و انتخاب تأمین‌کنندگان دو لایه در زنجیره تأمین سبز به روش تاپسیس فازی سلسله‌مراتبی مبتنی بر سطوح آلفا. چشم‌انداز مدیریت صنعتی، (2)6.91-121.
  8. مؤمنی، منصور و حسین زاده، مهرناز. (1391). ارائه رویکردی جدید برای حل مسائل برنامه ریزی خطی تمام فازی با استفاده از مفهوم رتبه بندی فازی. پژوهش‌های مدیریت در ایران، 16(4)، 171–188.
  9. محمدیان، علی اکبر و سیم خواه، مسعود. (1401). توسعه یک مدل انتخاب ترکیبی تأمین‌کنندگان با در نظر گرفتن ریسک عدم تأمین و اثر برند بر تقاضا. مطالعات مدیریت صنعتی،20(67)،203-236.
  10. نیلفروشان، نیما و طحانیان، احمدرضا. (1395). انتخاب تأمین کننده در زنجیره تأمین سبز (پایدار) جهت خرید رنگ موردنیاز خط کشی‌ها مطالعه موردی: معاونت حمل و نقل و شرکت مهندسی نیک اندیش. تصمیم گیری و تحقیق در عملیات،1 (2)،112-131.
  11. همراهی، رضا و موسوی، سیدمیثم. (1400). انتخاب تامین‌کنندگان در شبکه زنجیره تأمین تاب آور با استفاده از برنامه ریزی سازشی توسعه یافته در محیط تصمیم گیری گروهی فازی، چهاردهمین کنفرانس بین‌المللی انجمن ایرانی تحقیق درعملیات، مشهد.
  12. هوشمندی ماهر، مجید و امیری، مقصود. (1397). ارائه‌ی مدل برنامه ریزی استوار یکپارچه برای تخصیص سفارش در زنجیره‌ی تأمین. مطالعات مدیریت صنعتی.16(48)،73-107.
  13. Aghababayi, H., & Shafiei Nikabadi, M. (2021). An Integrated Fuzzy Model for Selecting Resilient Suppliers in Electronics Industry of Iran. Logistics, 5(4), 71.
  14. Aggarwal, S., & Sharma, U. (2013). Fully fuzzy multi-choice multi- objective linear programming solution via deviation degree. Int.J. Pure Appl. Sci. Technol. 19(1), 49–64.
  15. Aggarwal, S., & Sharma, U. (2016). A new approach for solving fully fuzzy multi-choice multi-objective linear programming problem. Ann. Fuzzy Math. Inform. 1, 439–459.
  16. Aggarwal, S., Sharma, U. (2016). Implementing deviation degree of two closed intervals to decode fully fuzzy multi-objective linear programming problem. Intell. Fuzzy Syst. 31, 443–455.
  17. Ada, N. (2022). Sustainable supplier selection in agri-food supply chain management. International Journal of Mathematical, Engineering and Management Sciences, 7(1), 115.
  18. Babbar, C., & Amin, S. H. (2018). A multi-objective mathematical model integrating environmental concerns for supplier selection and order allocation based on fuzzy QFD in beverages industry. Expert Systems with Applications, 92, 27-38.
  19. Bellman, R., & Zadeh, L. (1970). Decision-Making in a Fuzzy Environment Author. Management Science,17(4), 140–164.
  20. Bigdeli, H., Hassanpour, H., & Tayyebi, J. (2019). Multi-objective security game with fuzzy payoffs. Iranian Journal of Fuzzy Systems, 16(1), 89-101.
  21. Cheng, H., Huang, W., Zhou, Q., & Cai, J. (2013). Solving fuzzy multi-objective linear programming problems using deviation degree measure and weighted max-min method. Applied Mathematical Modelling. 37,6855–6869.
  22. Das, K. (2015). An approach to solve fully fuzzy multi- objective linear programming problems. J. New Technol. Sci. Eng. 2(4),227–232.
  23. Dubey, D., & Mehra, A. (2014). A bipolar approach in fuzzy multi- objective linear programming. Fuzzy Sets Syst. 246, 127–141.
  24. Ezzati, R., Khorram, E., & Enayati, R. (2015). A new algorithm to solve fully fuzzy linear programming problems using the MOLP problem. Appl. Math. Modell. 39(12), 3183–3193.
  25. Ghosh, D., & Chakraborty, D. (2015). A method for capturing the entire fuzzy non-dominated set of a fuzzy multi-criteria optimization problem. Fuzzy Sets and Systems, 272, 1-29.
  26. Goli, A., Zare, H. K., Tavakkoli‐Moghaddam, R., & Sadegheih, A.
  27. (2020). Multi-objective fuzzy mathematical model for a financially constrained closed‐loop supply chain with labor employment. Computational Intelligence, 36(1), 4-34.
  28. Grzegorzewski, P. (2002). Nearest interval approximation of a fuzzy number. Fuzzy Sets Syst. 130, 321–330.
  29. Hamdan, S., & Cheaitou, A. (2017). Dynamic green supplier selection and order allocation with quantity discounts and varying supplier availability. Computers & Industrial Engineering, 110, 573-589.
  30. Hernández-Jiménez, B., Ruiz-Garzón, G., Beato-Moreno, A., & Osuna-Gómez, R. (2021). A Better Approach for Solving a Fuzzy Multiobjective Programming Problem by Level Sets. Mathematics, 9(9), 992.
  31. Hadi-Vencheh, A., Rezaei, Z., & Razipour, S. (2014). Solving fully fuzzy multiple objective linear programming problems: a new perspective.J. Soft Comput. Appl. 1–4.
  32. Jayalakshmi, M., & Pandian, P. (2014). Solving fully fuzzy multi- objective linear programming problems. J. Sci. Res. 3(4), 1–6.
  33. Jagan Mohan Reddy, K., Neelakanteswara Rao, A., & Krishnanand, L. (2019). A review on supply chain performance measurement systems. Procedia Manufacturing, 30, 40–47.
  34. Javad, M. O. M., Darvishi, M., & Javad, A. O. M. (2020). Green supplier selection for the steel industry using BWM and fuzzy TOPSIS: a case study of Khouzestan steel company. Sustainable Futures, 2, 100012.
  35. Jamwal, P.K., & Hussain, S. (2020). A fuzzy based multi-objective optimization of multi echelon supply chain network. J. Intell. Fuzzy Syst. 39, 3057–3066.
  36. Ishibuchi, H., & Tanaka, H. (1990). Multi-objective programming in optimization of the interval objective function. J. Oper. Res. 48,219–225.
  37. -Hernández-Jiménez, B., Ruiz-Garzón, G., Beato-Moreno, A., & Osuna- Gómez, R. (2021). A Better Approach for Solving a Fuzzy Multi-objective Programming Problem by Level Sets. Mathematics, 9(9), 992.
  38. Kao, J. C., Wang, C. N., Nguyen, V. T., & Husain, S. T. (2022). A fuzzy mcdm model of supplier selection in supply chain management. Intelligent Automation and Soft Computing, 1451-1466.
  39. -Ketchen, D. J., & Hult, G. T. M. (2007). Bridging organization theory and supply chain management: The case of best value supply chains. Journal of Operations Management, 25(2), 573–580.
  40. Kumar, A., Kaur, J., & Singh, P. (2011). A new method for solving fully fuzzy linear programming problems. Math. Modell. 35,817–823.
  41. Khan, I.U., Ahmad, T., & Maan, N. (2013). A simplified novel technique for solving fully fuzzy linear programming problems. JOTA 159,536–546.
  42. Kaur, J., & Kumar, A. (2013). Mehar’s method for solving fully fuzzy linear programming problems with LR fuzzy parameters. Applied Mathematical Modelling, 37(12-13), 7142-7153.
  43. Lu, K., Liao, H., & Zavadskas, E. K. (2021). An overview of fuzzy techniques in supply chain management: bibliometrics, methodologies, applications and future directions. Technological and Economic Development of Economy, 27(2), 402-458.
  44. Lotfi, F.H., Allahviranloo, T., Jondabeh, M.A., & Alizadeh, L. (2009). Solving a full fuzzy linear programming using lexicography method and fuzzy approximation solution. Applied Mathematical Modelling.33, 3151–3156.
  45. Mohanaselvi, S., & Ganesan, K. (2012). Fuzzy Pareto-optimal solution to fully fuzzy multi-objective linear programming problem. J. Comput. Appl. 52(7), 0975–8887.
  46. Nasseri, S.H., Khalili, F., Nezhad, N.A.T., & Mortezania, S.M. (2014). A novel approach for solving fully fuzzy linear programming problems using membership function concepts. Ann. Fuzzy Math. Inf. 7(3), 355–368.
  47. Pamucar, D., Torkayesh, A. E., & Biswas, S. (2022). Supplier selection in healthcare supply chain management during the COVID-19 pandemic: a novel fuzzy rough decision-making approach. Annals of Operations Research, 1-43
  48. Sufiyan, M., Haleem, A., Khan, S., & Khan, M. I. (2019). Evaluating food supply chain performance using hybrid fuzzy MCDM technique. Sustainable Production and Consumption, 20, 40-57.
  49. Sengupta, A., Pal, T.K., & Chakraborty, D. (2001). Interpretation of inequality constraints involving interval coefficients and a solution to interval linear programming. Fuzzy Sets Syst. 119, 129–138.
  50. -Sharma, U., & Aggarwal, S. (2018). Solving fully fuzzy multi-objective linear programming problem using nearest interval approximation of fuzzy number and interval programming. International Journal of Fuzzy Systems, 20(2), 488-499.
  51. Sun, Y. (2020). A Fuzzy Multi-Objective Routing Model for Managing Hazardous Materials Door-to-Door Transportation in the Road-Rail Multimodal Network with Uncertain Demand and Improved Service Level. IEEE Access, 8, 172808–172828.
  52. Sobhanallahi, M. A., Mahmoodzadeh, A., & Naderi, B. (2020). A novel fuzzy multi-objective method for supplier selection and order allocation problem using NSGA II. Scientia Iranica, 27(1), 481-493.
  53. Tavakolian, M., Ershadi, M., & Azizi, A. (2020). Modeling the problem of selecting and assigning orders to suppliers based on the Goal planning, QFD and ANP combined approach. Journal of New Researches in Mathematics, 6(26), 61-80.
  54. Tavana, M., Shaabani, A., Di Caprio, D., & Amiri, M. (2021). An integrated and comprehensive fuzzy multicriteria model for supplier selection in digital supply chains. Sustainable Operations and Computers, 2, 149-169.
  55. Zimmermann, H. J. (1978). Fuzzy Programming And Linear Programming With Several Objective Functions. Fuzzy Sets and Systems, 1(1), 45–55.
  56. Zekhnini, K., Cherrafi, A., Bouhaddou, I., Benghabrit, Y., & Garza- Reyes, J. A. (2020). Supplier selection for smart supply chain: An adaptive fuzzy-neuro approach.
آمار
تعداد مشاهده مقاله: 1,167
تعداد دریافت فایل اصل مقاله: 747


login