مدل‌سازی استراتژی تأمین قطعات توربین گازی با رویکرد بهینه‌سازی مبتنی بر شبیه‌سازی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت واقتصاد، دانشگاه تربیت مدرس، تهران، ایران

2 دانشیار، گروه مدیریت صنعتی، دانشکده مدیریت واقتصاد، دانشگاه تربیت مدرس، تهران، ایران

3 دانشیار، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران

چکیده

زنجیره‌های تأمین، یکی از مهم ترین زیربناهای اقتصاد پیچیده حال حاضر دنیا هستند. مدیریت بهینه موجودی و عملیات در سطح زنجیره تأمین مسئله ای پیچیده است که حل آن نیازمند توسعه روش­های مناسب است. هدف این پژوهش، ارائه یک روش شناسی برای حل مسئله انتخاب تأمین‌کننده، تعیین سیاست کنترل موجودی، تعیین پارامترهای سیاست کنترل موجودی در زنجیره تأمین توربین گازی به صورت توأم است. بدین منظور از رویکرد بهینه‌سازی مبتنی بر شبیه‌سازی گسسته پیشامد استفاده شده است. در ابتدا یک مدل ریاضی برای این مسئله با این فرض که در مرحله بعدی، بسیاری از محاسبات معادلات جبری، جای خود را به مدل شبیه‌سازی می‌دهند، ساخته شد. در ادامه مدل شبیه‌سازی برای زنجیره تأمین توربین گازی شرکت توربو کمپرسور نفت ساخته و اعتبارسنجی شد. در ادامه با پیوستن مدل شبیه‌سازی و مدل ریاضی به یکدیگر، مدل ترکیبی به دست آمد. نوآوری این مدل از این جهت است که برای اولین بار، سیاست های کنترل موجودی مختلف در مدل شبیه سازی تعبیه شده و به صورت متغیر تصمیم در دسترس است و الگوریتم بهینه سازی می تواند سیاست های مختلف را برگزیند. همچنین پارامترهای سیاست ها نیز در کنار خود سیاست ها به عنوان متغیر تصمیم ارائه شده اند. برای حل این مسئله بهینه‌سازی مبتنی بر شبیه‌سازی، الگوریتم بهینه‌سازی عقاب طلایی پیشنهاد شده است. نتایج نشان دهنده آن است که سیاست کنترل موجودی بهینه برای تمام قطعات، مرور دائم است. همچنین در جواب بهینه به دست آمده، سفارشات تأمین قطعات تنها برای دو تأمین‌کننده از پنج تأمین‌کننده در دسترس صادر می‌شود.

کلیدواژه‌ها

عنوان مقاله [English]

Modeling gas turbine parts procurement strategy using simulation-based optimization (Case study: Oil Turbo Compressor company)

نویسندگان [English]

  • Abdolkarim Mohammadi-Balani 1
  • Mahmoud Dehghan-Nayeri 2
  • mohammadreza taghizadeh yazdi 3
1 PhD student, Department of Industrial Management, Faculty of Management and Economics, Tarbiat Modares University, Tehran, Iran
2 Associate Professor, Department of Industrial Management, Faculty of Management and Economics, Tarbiat Modares University, Tehran, Iran
3 Associate Professor, Department of Industrial Management, Faculty of Management, University of Tehran, Tehran, Iran
چکیده [English]

Supply chains are among the most prominent infrastructures of the world’s complex economy. In global supply chains, parts and raw materials are received at warehouses and production lines from suppliers scattered throughout the world to be used for manufacturing products and delivered into sales channels. Optimal control of inventory and operations throughout the supply network is an intricate problem that needs the development of proportional methods. This study aims at providing a method for simultaneous decisions about determining the type and parameters of the inventory control policy, and suppliers. A simulation-based optimization framework is selected for solving this problem. First, a mathematical programming model is developed. Next, a discrete-event simulation model is developed, verified, and embedded into the mathematical model. Finally, the hybrid model is solved using Golden Eagle Optimizer. Results reveal that the continuous review policy is optimal for all of the parts. In addition, all of the parts procurement orders should be submitted to only two of the five suppliers.

کلیدواژه‌ها [English]

  • Simulation-based optimization
  • Supply chain
  • Golden Eagle Optimizer
  • Inventory control
  • Supplier selection

مراجع

[1]    T. L. Friesz, I. Lee, and C.-C. Lin, “Competition and disruption in a dynamic urban supply chain,” Transportation Research Part B: Methodological, vol. 45, no. 8, pp. 1212–1231, Sep. 2011, doi: 10.1016/j.trb.2011.05.005.
[2]    M. Sherafati and S. Najafi Ghobadi, “Provide a novel model for designing a sustainable supply chain network considering development and multi-level environmental decisions,” 2021.
[3]    L. Tiacci, “Coupling a genetic algorithm approach and a discrete event simulator to design mixed-model un-paced assembly lines with parallel workstations and stochastic task times,” International Journal of Production Economics, vol. 159, pp. 319–333, Jan. 2015, doi: 10.1016/j.ijpe.2014.05.005.
[4]    N. Herazo-Padilla, J. R. Montoya-Torres, S. Nieto Isaza, and J. Alvarado-Valencia, “Simulation-optimization approach for the stochastic location-routing problem,” Journal of Simulation, vol. 9, no. 4, pp. 296–311, Nov. 2015, doi: 10.1057/jos.2015.15.
[5]    M. Kouki, O. Cardin, P. Castagna, and C. Cornardeau, “Input data management for energy related discrete event simulation modelling,” Journal of Cleaner Production, vol. 141, pp. 194–207, Jan. 2017, doi: 10.1016/j.jclepro.2016.09.061.
[6]    M. Salehi, F. Atefi, and S. Ahmadiyan, “Capacity Planning For Production and Reproduction In A Closed Loop Supply Chain According to Customer Behavior Using A System Dynamics Approach,” 2019.
[7]    T. C. Lopes, A. S. Michels, C. G. S. Sikora, R. G. Molina, and L. Magatão, “Balancing and cyclically sequencing synchronous, asynchronous, and hybrid unpaced assembly lines,” International Journal of Production Economics, vol. 203, pp. 216–224, Sep. 2018, doi: 10.1016/j.ijpe.2018.06.012.
[8]    R. Shakerin, A. Toloie Eshlaghy, and R. Radfar, “Analysis of the Service Process of Insurance Issuance System Life and Securing the Future with a Discrete Event Simulation Approach and Scenario Writing (Case study: Pasargad Insurance Company),” 2021.
[9]    A. Bhosekar and M. Ierapetritou, “Advances in surrogate based modeling, feasibility analysis, and optimization: A review,” Computers & Chemical Engineering, vol. 108, pp. 250–267, Jan. 2018, doi: 10.1016/j.compchemeng.2017.09.017.
[10]    P. Mehdipour, A. Safaei Ghadikolaee, H. Fallah Lajimi, and H. Aghajani, “To assess digital supply chain in manufacturing industries (Case study: Bedding industry),” 2021.
[11]    D. Ivanov, A. Tsipoulanidis, and J. Schönberger, “Basics of Supply Chain and Operations Management,” in Global Supply Chain and Operations Management: A Decision-Oriented Introduction to the Creation of Value, D. Ivanov, A. Tsipoulanidis, and J. Schönberger, Eds., Cham: Springer International Publishing, 2019, pp. 3–16. doi: 10.1007/978-3-319-94313-8_1.
[12]    J. S. R. Daniel and C. Rajendran, “A simulation-based genetic algorithm for inventory optimization in a serial supply chain,” International Transactions in Operational Research, vol. 12, no. 1, pp. 101–127, Jan. 2005, doi: 10.1111/j.1475-3995.2005.00492.x.
[13]    P. Ming-Bao and M. Ning, “Research into Merchant Logistics Center Scale Determining Based on Supply Chain Management,” in 2006 IEEE International Conference on Management of Innovation and Technology, Jun. 2006, pp. 886–890. doi: 10.1109/ICMIT.2006.262349.
[14]    H. Pierreval and L. Tatou, “Using evolutionary algorithms and simulation for the optimization of manufacturing systems,” IIE Transactions, vol. 29, no. 3, pp. 181–189, Mar. 1997, doi: 10.1080/07408179708966325.
[15]    A. Bhosekar and M. Ierapetritou, “Space mapping based derivative-free optimization framework for supply chain optimization,” in Computer Aided Chemical Engineering, M. R. Eden, M. G. Ierapetritou, and G. P. Towler, Eds., Elsevier, 2018, pp. 985–990. doi: 10.1016/B978-0-444-64241-7.50159-2.
[16]    A. Mohammadi-Balani, M. Dehghan Nayeri, A. Azar, and M. Taghizadeh-Yazdi, “Golden eagle optimizer: A nature-inspired metaheuristic algorithm,” Computers & Industrial Engineering, vol. 152, p. 107050, Feb. 2021, doi: 10.1016/j.cie.2020.107050.
[17]    “CPU performance,” 2022. https://setiathome.berkeley.edu/cpu_list.php (accessed Oct. 11, 2022).
[18]    V. B. Schramm, L. P. B. Cabral, and F. Schramm, “Approaches for supporting sustainable supplier selection - A literature review,” Journal of Cleaner Production, vol. 273, p. 123089, Nov. 2020, doi: 10.1016/j.jclepro.2020.123089.
[19]    M. Godichaud and L. Amodeo, “Efficient multi-objective optimization of supply chain with returned products,” Journal of Manufacturing Systems, vol. 37, pp. 683–691, Oct. 2015, doi: 10.1016/j.jmsy.2014.12.004.
پژوهش های نوین در تصمیم گیری
دوره 8، شماره 2
تیر 1402
صفحه 47-70

فایل ها

هم رسانی

ارجاع به این مقاله

آمار