کاربرد رویکرد فازی- استوار در مکان یابی تسهیلات با هدف حداقل کردن هزینه‌های حمل و نقل و سوخت

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد، دانشکده مهندسی صنایع دانشگاه یزد- یزد- ایران

2 کارشناسی ارشد مهندسی صنایع، دانشگاه یزد- یزد- ایران

چکیده

امروزه علم تحقیق در عملیات در زمینه‌های گوناگون، به طور گسترده استفاده می شود. یکی از حوزه‌های کاربردی تحقیق در عملیات مسائل مکان یابی تسهیلات است. در این پژوهش، یک مدل برنامه ریزی ریاضی برای مکان یابی و تخصیص بهینه توسعه داده شده است. این مدل شامل دو تابع هدف است. تابع هدف اول برای مینیمم سازی مجموع هزینه‌های حمل و نقل، به اضافه هزینه ثابت استقرار تسهیلات به کار می‌رود. به علت اهمیت انرژی و نقش اساسی سوخت‌های فسیلی در حمل و نقل، در تابع هدف دوم به مینیمم سازی مجموع هزینه‌های سوخت مصرفی پرداخته می‌شود. برای هم‌خوانی مدل مربوطه با شرایط واقعی، هزینه‌های سوخت در این مدل به شکل پلکانی در نظر گرفته می‌شود. در این مدل ضرایب تابع هدف به شکل غیر قطعی فرض شده‌اند. همچنین، بعضی از محدودیت‌ها نیز فازی هستند. با ارائه یک رویکرد جدید این مدل به مدلی قطعی تک هدفه تبدیل می‌شود. برای اثبات کاربردی بودن مدل، این مدل برای مکان یابی در شرایط واقعی به کار برده شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Using Fuzzy-Robust approach for Minimizing Transportation and Fuel Costs in Location Problem

نویسندگان [English]

  • Hasan Hosseini Nasab 1
  • Ehsan Izadpanahi 2
1 Professor Dept. of Industrial Engineering, University of Yazd, Yazd, Iran
2 M.Sc of Industrial Engineering, University of Yazd, Yazd, Iran
چکیده [English]

Nowadays, operations research is a commonly used method in many subjects. One applicable domain of operations research is the problem of facility layout and location. In this paper, a new mathematical programing model is developed for an optimal facility location and assignment. The model includes two objective functions. The first one minimizes the total material handling and fixed costs of facility location. Because of the importance of energy and the main role of fossil fuel in transportation, the second objective function minimizes the total cost of fuel consumption. To consider the real condition in the proposed model, the cost of fuel is considered to increase stepwise gradually. In the proposed model, the coefficients of objective function are considered to be probabilistic and some of constraints are fuzzy variables. Using a new approach, this model can be transformed to a robust model. To prove the applicability of the model, it is examined for a real condition of facility location.

کلیدواژه‌ها [English]

  • Facility Location
  • Fuzzy Logic
  • Multi-objective planning
  • Robust Optimization

1- مقدمه

امروزه، علم تحقیق در عملیات در زمینه‌های گوناگون کاربرد فراوانی پیدا کرده است. یکی از حوزه‌های کاربردی تحقیق در عملیات مسائل مکان یابی تسهیلات است (نیکل و سالدانا[1]، 2008) (درنزر و هماچر[2]، 2004، نیکل و پرتو[3]، 2005). مسائل کلی مکان یابی تسهیلات شامل مجموعه‌ای از مشتریان و تسهیلات است؛ که از این تسهیلات برای برآورده کردن تقاضای مشتریان استفاده می‌شود.  مکان‌یابی یکی از علوم مهندسی صنایع است که توجه به آن سبب کاهش هزینه‌ها و موفقیت واحدهای صنعتی می شود. مکان یابی مراکز(مکان‌یابی ساختمانها و مراکز) را انتخاب مکان برای یک یا چند مرکز، با در نظر گرفتن سایر مراکز و محدودیت‌های موجود می‌دانند، به‌گونه‌ای ‌که هدف ویژه‌ای بهینه شود. این هدف می‌تواند هزینه حمل و نقل، ارائه خدمات عادلانه به مشتریان، در دست گرفتن بزرگترین بازار و غیره باشد. برای ضرورت انجام مطالعات مکان‌یابی می توان گفت تعیین محل کارخانه، یکی از کلیدی‌ترین گام‏های تأسیس کارخانه است، چرا که نتایج این تصمیم در دراز مدت ظاهر شده، تأثیرات بسزایی از بعد اقتصادی، محیط زیست، مسایل اجتماعی و غیره دارد. یکی از جنبه‌های تاثیرات درون سازمانی، تاثیر مستقیم آن در سود‌دهی کارخانه خواهد بود و از بعد برون سازمانی، ساخت کارخانه­های بزرگ در یک منطقه می‌تواند شرایط گوناگون اقتصادی، اجتماعی، فرهنگی، محیط زیست و غیره را تحت تاثیر خود قرار دهد. تعیین محل کارخانه از نظر اقتصادی نقش مهمی در میزان سرمایه گذاری اولیه به هنگام تاسیس کارخانه دارد. همچنین، هنگام بهره برداری طرح، این تصمیم گیری، تاثیر کلیدی در قیمت تمام شده کالا/خدمت دارد. احداث یک یا چند واحد صنعتی در مکانهای بهینه و در بهترین وضعیت ممکن، نه تنها گردش مواد و خدمات به مشتریان را بهبود می‌بخشد، بلکه کارخانه را در یک وضعیت مطلوب قرار می‌دهد و هزینه های جانبی مانند مصرف سوخت را کاهش می دهد.

مسائل مکان یابی برای جواب به دو سوال اساسی به کار می‌روند. 1) کدامیک از تسهیلات بایداستفاده شود؟ 2) کدام مشتری از کدام تسهیل سرویس می‌گیرد؟ (نیکل و سالدانا، 2008). کخمن و کالوم[4](1981) مدلی را برای یافتن ارتباط بهینه بین ایالات متحده و اروپا ارائه کردند. آنها با فرضیه های خود تأثیرات تکنولوژی بر هزینه‌های حمل و نقل را بررسی کردند. کلینسیویس[5] و همکاران(1986) یک مدل مکان یابی تسهیلات را توسعه دادند که در آن تقاضای مشتریان به شکل چند محصول متفاوت بود. آنها هزینه‌های ثابت را برای انواع محصولات و به شکل جداگانه در نظر گرفتند. برای حل مدل از یک رویکرد انشعاب و تحدید ابتکاری استفاده کردند و نتیجه کار خود را با نتایج پیش مقایسه نموده و برتری روش خود را نشان دادند. دسروچرز و همکاران[6] (1995) مفاهیم توابع دیرکرد را در مدل‌های مکان یابی تسهیلات گنجاندند. آنها در مدل خود به مینیمم سازی مجموع هزینه‌های حمل و نقل، زمان انتظار و هزینه‌های ثابت و متغیر تسهیلات پرداختند. آنها از تکنیک‌های صف برای تقریب بعضی پارامترهای مدل مانند زمان انتظار استفاده نموده و در نهایت با استفاده از روش انشعاب و تحدید مدل خود را حل کردند. کنفورتی و تامیر[7] (1997) به مکان یابی تک تسهیلی بین نقاط تقاضا پرداختند. آنها در اطراف نقاط تقاضا محدودیت ناحیه ممنوعه را لحاظ کردند. آنها در کار خود دو رویکرد را با یکدیگر مقایسه کردند. در رویکرد اول مجموع فاصله مستقیم مراکز تقاضا و تسهیلات مینیمم می‌شد و در رویکرد دوم ماکزیمم فاصله‌های بین این مراکز مینیمم می‌گردید. آنها در نهایت این دو رویکرد را با یکدیگر مقایسه کرده و نقاط ضعف و قوت هر یک را بیان نمودند.

 سان[8] (2006) مدلی را ارائه کرد که در آن برای جابه‌جایی تسهیلات تصمیم‌گیری می‌شد. در واقع در این رویکرد با استقرار یا جابه‌جایی تسهیلات نسبت به بهبود کیفیت سرویس‌دهی با توجه به نظر تصمیم‌گیرنده اقدام می‌شد. او برای حل مدل خود از الگوریتم فرا ابتکاری جستجو ممنوع استفاده کرد. رودریگوئز[9]  و همکاران (2012) یک مدل دو هدفه را برای مساله مکان یابی بسط دادند. در تابع هدف اول مجموع هزینه‌های سرمایه‌گذاری و در تابع هدف دوم عدم رضایتمندی مشتری مینیمم می‌شد.  در واقع آنها رویکرد کششی و فشاری را در مباحث مکان‌یابی تسهیلات شهری وارد کردند. آنها فرض کردند مشتریان علاقه ندارند که به تسهیلات شهری خیلی دور و یا خیلی نزدیک باشند؛ لذا برای هر دو حالت در توابع هدف جریمه‌هایی را در نظر گرفته و نهایتاً مدل را با استفاده از یک روش ابتکاری حل کردند. با توجه به ماهیت مدل‌های مکان یابی تسهیلات، وجود عدم قطعیت در این مدل‌ها در بعضی از موارد اجتناب ناپذیر به نظر می‌رسد. ساهینیدیس[10] (2004) عدم قطعیت را در 4 رویکرد دسته بندی کرد. 1) رویکرد برنامه ریزی تصادفی2) رویکرد فازی 3) رویکرد برنامه ریزی پویای تصادفی 4) رویکرد استوار. در سال 1970 لطفی زاده و بلمن[11] روش‌های تصمیم گیری فازی را ارائه کردند. آنها تابع عضویت خطی را برای مدل خود استفاده کردند. زیمرمن[12] (1976) مفهوم فازی را در مباحث برنامه ریزی خطی وارد کرد. در مدل او تابع هدف و محدودیت‌ها فازی فرض شده بودند. باتاچاریا[13] و همکاران (1993) از برنامه‌ریزی آرمانی فازی برای مکان یابی یک تسهیل استفاده کردند. آنها در یکی از اهداف به مینیمم سازی مجموع هزینه‌های حمل و نقل پرداختند. و مینیمم سازی ماکزیمم فاصله نقاط تقاضا از تسهیلات را در هدف دیگری دنبال کردند. وانگ و همکاران[14] (2004) با ارائه یک مدل تصمیم گیری چند ضابطه‌ای در محیط فازی به یافتن مکان بهینه برای ارائه خدمات الکترونیکی پرداختند. پروسه انتخاب بهینه نقاط شامل دو مرحله بود. مرحله اول انتخاب مشخصه‌های لازم برای مکان یابی بود؛ و در مرحله دوم اطلاعات به دست آمده یکپارچه می‌شد. به رویکرد دیگری که برای مقابله با عدم قطعیت باید توجه شود، رویکرد بهینه سازی استوار است. رویکرد بهینه سازی استوار را برای نخستین بار سویستر (1973) برای یک مدل برنامه ریزی خطی به کار برد. مدل او بسیار محافظه کارانه بود و در بدترین حالت ممکن به بهینه سازی مدل می‌پرداخت.

در دو دهه گذشته به مساله بهینه سازی استوار از نگاه دیگری نیز توجه شده است. بن تال و نمیروفسکی[15]  (1998و 2000) با ارائه مفهوم استوار، همتای استوار مدلی محدب را در فرم مسائل کانونی درجه دو ارائه کردند. تفاوت این رویکرد با رویکرد سویستر، در نظر گرفتن سطح عدم قطعیت در مدل همتای استوار بود. در واقع سطح عدم قطعیت با توجه به نظر تصمیم‏گیرنده در مدل لحاظ می‌شد. در سال 2004 برتسیمس[16] و سیم با ارائه یک روش جدید، مسائل استوار را به شدت متاثر ساختند. آنها رویکردی را ارائه کردند که در آن علاوه بر سطح عدم قطعیت، بودجه عدم قطعیت نیز در نظر گرفته می‌شد و در آن بودجه عدم قطعیت نیز قابل کنترل بود. آنها همتای استوار مدل خود را به شکل خطی ارائه کردند.

در سال‌های اخیر، عدم قطعیت در مدل‌های مکان یابی مد نظر بسیاری از پژوهشگران است. سونمز و لیم[17] (2012) یک مدل ریاضی در مسائل مکان یابی ارائه دادند که تعداد تسهیلات در آن غیر قطعی فرض شده بود. آنها در مدل خود تغییرات تقاضا را در نظر گرفته و مدل را طوری طراحی کردند که در برابر این تغییرات انعطاف بیشتری داشته باشد. آنها با استفاده از تکنیک‌های تجزیه روشی را ارائه دادند که سریع‌تر به جواب می‌رسید. آشتیانی و همکاران ( 2012) بهینه سازی استوار را برای مسائل مکان یابی در محیط گسسته به کار بردند.

در این پژوهش، در بخش 2 مدل ریاضی مکان یابی و تخصیص ارائه شده است. سپس در بخش 3 یک رویکرد جدید برای مواجهه با عدم قطعیت مدل ارائه می‌گردد. در بخش 4 برای نشان دادن قابلیت پیاده سازی مدل برای مسائل واقعی، مدل برای یک مساله واقعی به کار برده می‌شود. 

 

2- فرمول‌بندی مدل

در این قسمت یک مدل ریاضی برای مسائل مکان یابی ارائه شده است. این مدل برای تعیین مکان مناسب برای احداث چند انبار به کار می‌رود، به طوری که هزینه‌های حمل و نقل از کارخانه‌ها به انبار و انبار به خرده فروشان مینیمم گردد. این مدل شامل دو تابع هدف است. تابع هدف اول برای مینیمم سازی مجموع هزینه‌های حمل و نقل و هزینه ثابت استقرار انبارها به کار می‌رود. تابع هدف دوم به مینیمم سازی هزینه‌های سوخت انتقال محصولات از کارخانه‌ها به انبار می‌پردازد.

 در اینجا فرض بر این است که هزینه‌های سوخت به شکل پلکانی محاسبه می‌شود. یعنی با افزایش مصرف سوخت، هزینه آن فقط برای میزان مصرف مازاد افزایش می‌یابد. اهمیت سوخت و انرژی در چند سال گذشته در کشور ما بهترین توجیه برای وارد کردن این مؤلفه در محاسبات است. امروزه هزینه سوخت در ایران به مهم‌ترین مساله در زمینه حمل و نقل تبدیل شده است.

در مدل فوق  هزینه انتقال یک واحد محصول از کارخانه kام به انبار jام را نشان می‌دهد. در این مدل xkj میزان محصولی است که از کارخانه kام به انبار jام حمل شده است. di تقاضای خرده فروش iام را نشان می‌دهد.  بیانگر هزینه انتقال یک واحد محصول از انبار jام به خرده فروش iام است.  یک متغیر صفر و یک است که مقدار یک را در شکلی می‌گیرد که خرده فروش iام از انبار jام سرویس بگیرد، و در غیر این شکل مقدار صفر را به خود اختصاص می‌دهد. در این مدل fi هزینه ثابت برای احداث انبار در مکان iام است؛ و yi نیز یک متغیر صفر و یک است که در شکلی یک می‌شود که در مکان iام انباری احداث شود. ekj بیانگر میزان مصرف سوختی است که برای انتقال یک واحد محصول از کارخانه kام به انبار jام مصرف می‌شود. همان‌طور که قبلا بیان شد، تابع هدف دوم به مینیمم‏سازی سوخت مصرف شده می‌پردازد. اگر سوخت مصرف شده کمتر از uallow  باشد (پارامترuallow بر اساس بالاترین میزان مجاز مصرف سوخت و بر اساس قوانین داخلی مانند ستاد سوخت کشور تعیین می شود) پس متغیر های k1,k2,k3,k4 صفر هستند (چرا که ضریب آنها در تابع هدف بزرگ‌تر است). 

 

          (8)

حال اگر سوخت مصرف شده بیشتر از uallow باشد، آنگاه k1 مثبت می‌شود. البته در اینجا هنوز k2,k3,k4 صفر هستند. اما k1 محدود است، و اگر میزان تجاوز از uallow حتی بیشتر شود آنگاه k1 مقدار حداکثر خود یعنی kh را می‌گیرد و k2 مثبت می‌شود. باید توجه کرد که در اینجا k4 نامحدود است. محدودیت شماره 3 تضمین می‌کند که تقاضای مرکز iام فقط توسط یکی از انبارها تأمین شود. در محدودیت 4 نشان دهنده ماکزیمم حجم انبار jام است. این محدودیت بیان می‌کند که مجموع تقاضایی که از انبار jام تأمین می‌شود نباید بیشتر از ظرفیت آن انبار باشد. مجموع محصول منتقل شده به انبار jام باید برابر با تقاضاهایی باشد که از این انبار تأمین می‌شود. این موضوع در محدودیت 5 نشان داده شده است. محدودیت 6 در ارتباط با تابع هدف دوم است. این محدودیت در واقع مکمل تابع هدف دوم است. محدودیت آخر تضمین می‌کند که میزان محصولی که از کارخانه ای حمل می‌شود نباید از ظرفیت آن کارخانه بیشتر شود. یکی از خصوصیات این مدل این است که در آن برای لحاظ کردن هزینه‌های سوخت به شکل پلکانی از هیچ متغیر صفر و یک استفاده نشده است. یعنی می‌توانستیم با استفاده از متغیر های صفر و یک این مدل را بسازیم اما وجود متغیرهای صفر و یک در مسائلی که مقیاس بزرگی دارند ممکن است باعث سنگین شدن مساله و افزایش مدت زمان حل آن گردد.

 

3- رویکرد فازی- استوار

در مدل ارائه شده در قسمت پیش، پارامترها و محدودیت‌ها به شکل غیر قطعی فرض می‌شوند. عدم قطعیت پارامترها از جنس احتمالی بوده که در یک مکعب بسته تغییر می‌کنند. اما محدودیت‌های 4 و 7 این مدل به شکل فازی در نظر گرفته می‌شوند. یعنی در این مدل بعضی از اجزاء مدل فازی فرض شده‌اند و بعضی اجزای دیگر احتمالی هستند؛ که برای پارامتر های احتمالی آن، از رویکرد استوار استفاده می‌شود که نسبت به پارامترهای احتمالی دید بدبینانه‌ای دارد. برای محدودیت‌های فازی نیز از رویکرد Th method استفاده شده است. در اینجا ابتدا رویکرد استوار توضیح داده می‌شود.

 

3-1- رویکرد استوار 

مدل بهینه سازی را در حالت کلی می‌توان به شکل زیر نوشت:

 

(9)                           

که در آنx بردارn .1 ، cT بردار1.n  ضرایب تابع هدف، Aماتریس ضرایب محدودیت‌ها وb  بردار اعداد سمت راست محدودیت‌ها هستند. طبق تعریف بن تال و نمیروفسکی (1998و 2000) مدل بهینه سازی خطی غیر قطعی به مجموعه‌ای از مدل‌های بهینه سازی خطی اطلاق می‌شود که داده‌های آن به مجموعه عدم قطعیت U تعلق دارند.

 

           (10)

 

  بن تال و نمیرفسکی(1999) همتای استوار مدل فوق را به شکل زیر تعریف کردند.

 

 (11) 

مجموعه عدم قطعیت در تحقیقات گوناگون به شکل‌های متفاوتی در نظر گرفته شده است. در این پژوهش، مجموعه عدم قطعیت به شکل مکعبی (بن تال و همکاران 2009و 2005 ) در نظر گرفته شده است. شکل کلی این عدم قطعیت به شکل زیر است

. (12)   

 

 

در اینجا  مقدار اسمی پارامتر  ،  سطح عدم قطعیت و Gt مقیاس عدم قطعیت را نشان می‌دهد.

فرض کنید در رابطه زیر ضرایب  aغیر قطعی بوده و در یک مکعب بسته تغییر می‌کند.

 

                                    (13)

 

بن تال (2005) ثابت کرد که می‌توان مجموعه عدم قطعیت را با جایگزین کردن نقاط غائی به جای پارامترهای غیر قطعی، به یک مدل قطعی تبدیل کرد. با استفاده از متغیر جدید η، همتای استوار رابطه فوق به شکل زیر ارائه می‌شود:

 

                            (14)

 با استفاده از این روش می‌توان پارامترهای غیر قطعی در مدل ارائه شده را به شکل بدبینانه با پارامترهای قطعی جایگزین کرد.

 

3-2- رویکرد فازی

اکنون بدون آنکه چیزی از کلیت مساله کم شود فرض می‌کنیم با مدل چند هدفه زیر روبرو هستیم:

 

        15))

اما در این مدل بعضی از محدودیت‌ها به شکل فازی در نظر گرفته شده است. برای دی فازی کردن مدل فوق از رویکرد برنامه ریزی متقارن زیمرمن استفاده می‌کنیم. بدین منظور، ابتدا برای هر یک از توابع هدف یک سطح دلخواه قرار می‌دهیم. محدودیت‌ها نیز به شکل مجموعه‌های فازی در نظر گرفته می‌شوند. آنگاه مدل برنامه ریزی خطی به شکل زیر تبدیل می‌شود.

 

 

                                    

 

این مدل کاملاً متقارن است و هیچ تفاوتی بین تابع هدف و محدودیت‌ها وجود ندارد. بنابراین اگر قرار دهیم:

         

آنگاه می‌توان مدل فوق را به شکل زیر نوشت:

 

(16)                         

 

هر یک از سطر های مدل فوق یک مجموعه فازی با تابع عضویت μ هستند. μ بیانگر درجه‌ای است که نامساوی‌های فازی مدل فوق را اقناع کند. تابع عضویت محدودیت‌های گوناگون در شکل 1 نشان داده شده است. در شکل1aنقطه  diاقناع کامل محدودیت iام،  piانحراف مجاز از محدودیت iام وBixمقدار محدودیت iام بر حسب جوابxاست. همان‌طور که مشاهده می‌شود، اگر مقدار محدودیت کوچک‌تر ازdi باشد، درجه اقناع محدودیت، کامل (برابر یک) است و اگر مقدار محدودیت بزرگ‌تر از di+pi باشد این مقدار برابر صفر خواهد بود. همچنین اگر مقدار محدودیت در فاصله[di,di+pi] قرار گیرد، درجه اقناع محدودیت را می‌توان از تشابه مثلث‌های ترسیم شده در نمودار به دست آورد.

 

    (17)

برای فرموله سازی محدودیت‌های بزرگ‌تر یا مساوی نیز می‌توان به طریق مشابه عمل کرد. تابع عضویت محدودیت‌های بزرگ‌تر یا مساوی و محدودیت مساوی به ترتیب در شکل های1b و1c ارائه شده است.

متغیر iλ را به شکل زیر تعریف می‌کنیم:

 

(18)         

λ بیانگر درجه اقناع محدودیت iام است، که سعی در ماکزیمم کردن آن داریم. حال متغیر λ  را به شکل زیر تعریف می‌کنیم:

 

 

 

 بنابراین مدل برنامه ریزی خطی مسأله فوق به شکل زیر تبدیل خواهد شد:

 

                   (19)        

البته می‌توان مجموع موزون درجه عضویت‌ها را نیز ماکزیمم کرد، یعنی:

 (20)   

در نظر گرفتن مینیمم درجه عضویت‌ها و یا میانگین موزون آنها در تابع هدف ممکن است منجر به جواب مناسبی نشود. در واقع جواب حاصل کارایی بالایی ندارد (لیا و هوانگ[18]، 1993 اوزکاراهان[19]،  2007، ورنرز[20]، 1998، لی و زانگ، 2006). روش‌های گوناگونی برای ساختن تابع هدف مدل وجود دارد که برای بررسی آنها می‌توان به مراجع (لیو هوانگ، 1994، سلیم و اوزکاراهان، 2007، ورنرز، 1998، لی و زانگ، 2006) مراجعه نمود.

  

 

 


شکل 1- نمایش محدودیت‌های فازی

 

در این مقاله از رویکرد دیگری استفاده می‌شود که TH methodنام دارد. با توجه به بررسی‌های انجام شده توسط ترابی و حسینی، استفاده از روشTHmethod جواب‌های کاراتری را در پی خواهد داشت. در این روش به جای ماکزیمم کردن مینیمم درجه عضویت‌ها، ترکیب محدبی از مجموع موزون درجه عضویت‌ها و مینیمم درجه عضویت‌ها ماکزیمم می‌شود.با توجه به رویکرد فازی- استوار ارائه شده، مدل قطعی به صورت زیر خواهد بود.

 

 

 

 

 

 

4 -کاربرد مدل

4-1- تعریف مساله

در این قسمت مدل ارائه شده را برای مکان یابی چندین انبار در سطح شهر شیراز به کار می‌بریم. یک کارخانه لبنیاتی محصولات گوناگون از قبیل ماست، بستنی، شیر و دیگر فرآورده‌ها را تولید و آنها را در سطح شهر شیراز توزیع می‌کند. در اینجا فرآورده‌های لبنی به عنوان محصولات در نظر گرفته شده‌اند.

 

اما نکته بسیار مهمی که باید به آن توجه کرد این است که انتقال فرآورده‌های لبنی نسبت به سایر محصولات مصرف سوخت و انرژی بالاتری دارد. در انتقال این محصولات از یک طرف باید سوخت مصرفی برای حمل و نقل و از طرف دیگر انرژی مصرفی برای پایین نگه داشتن دمای محصولات را در نظر گرفت. یعنی استفاده از ماشین‌های یخچال دار برای حمل و نقل محصولات باعث افزایش مصرف سوخت و انرژی می‌گردد و به همین دلیل نیز تابع هدف دوم برای مینیمم کردن سوخت مصرف شده در نظر این هفت مکان با توجه به شرایط موجود و امکانات مورد نیاز انتخاب شده‌اند. با توجه به توزیع این نقاط، هزینه ثابت استقرار در این مراکز متفاوت است. 35 خرده فروش در سطح شهر با این انبارها در ارتباط هستند. این 35 خرده فروش از مهم‌ترین مراکزی هستند که سهم قابل توجهی از فروش را به خود اختصاص می‌دهند. هدف تعیین این است که در چند مکان و کدام یک از آنها انبار دایر شود و همچنین، تعیین میزان محصولاتی است که از هر انبار به خرده فروش‌ها منتقل می‌شود، به طوری که هزینه‌های توزیع و همچنین، هزینه‌های سوخت مصرف شده مینیمم گردد. تقاضای هر یک از خرده فروش‌ها در جدول1 ارائه شده است. به علت در دست نبودن بعضی از اطلاعات مربوط به هزینه‌های توزیع و حمل و نقل اعداد مربوط به آنها به شکل تقریبی، تخمین زده شد و در مدل جایگذاری شده است. شایان ذکر است که این اعداد با توجه به دامنه تغییرشان به شکل تصادفی تولید شدند.

 

4-2- ارزیابی مدل ویافته‌ها

برای ارزیابی مدل ارائه شده، ابتدا مدل قطعی و مدل فازی-استوار را جداگانه با استفاده از داده‌های قسمت پیش حل می‌کنیم. برای حل مدل از نرم‌افزار GAMS استفاده شده است. حال باید برای حالات گوناگون عملکرد این دو بردار جواب را با هم مقایسه کنیم. بدین منظور، ابتدا پارامترهایی را که غیر قطعی هستند، به شکل تصادفی در بازه مربوطه تولید می‌کنیم. بازه مورد نظر بازه‌ای متقارن در اطراف داده‌های اسمی است که شعاع همسایگی -استوار در آن همان Gρاست. توجه شود که در بازه فوق اعداد به شکل یکنواخت تولید می‌شود. شایان ذکر است که تلرانس محدودیت‌های فازی نیز به شکل تصادفی تولید شده و در نتیجه محدودیت فازی به یک محدودیت قطعی تبدیل می‌شود. حال بردارهای جواب را در مدلی قرار می‌دهیم که پارامترهای آن همان اعداد تصادفی تولید شده، هستند؛ یعنی در این مدل هم بردارهای جواب و هم پارامترها ثابت هستند.

 

 

جدول 1- تقاضای محصولات

9

8

7

6

5

4

3

2

1

مرکز

1300

1200

1500

1500

1500

1400

1200

1200

1000

تقاضا

 

 

 

 

 

 

 

 

 

 

18

17

16

15

14

13

12

11

10

مرکز

2200

2000

2000

1800

1800

1700

1500

1500

1400

تقاضا

 

 

 

 

 

 

 

 

 

 

27

26

25

24

23

22

21

20

19

مرکز

1100

1400

1200

1300

1100

1200

1000

2500

2300

تقاضا

 

 

 

 

 

 

 

 

 

 

 

35

34

33

32

31

30

29

28

مرکز

 

1000

1100

1000

1000

1200

1100

1300

1000

تقاضا

 

 

 

این پارامترها و تلرانس محدودیت‌ها، 5 بار به شکل جداگانه برای سطوح گوناگون عدم قطعیت تولید شده و مدل را 5 بار برای جواب قطعی و 5 بار برای جواب فازی حل می‌کنیم. متغیرهای این مدل شامل متغیرهای صفر و یک و متغیرهای کمکی مانند متغیرهایی که برای محاسبه هزینه سوخت به کار می‌روند، است. در واقع، حل هر یک از این مدل‌ها یک آزمایش است که باید برای معیارهایی که در ادامه آمده است با هم مقایسه شوند. نتایج حاصل از حل مدل در جداول 3و4 ارائه شده است. جدول 3 نتایج مدل را در حالتی نشان می‌دهد که پارامترهای آن قطعی هستند و جدول 4 نتایج را برای حالتی که پارامترها غیر قطعی هستند ارائه می‌کند. میانگین و انحراف استاندارد کل هزینه‌ها تحت آزمایشات گوناگون، دو معیاری است که برای مقایسه مدل‌های قطعی و فازی-استوار به کار می‌رود. جدول 2 مقادیر این دو معیار را برای مدل‌های گوناگون نشان می‌دهد.

 

 

جدول2- نتایج حاصل از آزمایشات گوناگون برای مدل قطعی و فازی-استوار با تغییر سطح عدم قطعیت

میانگین هزینه کل

انحراف استاندارد هزینه کل

سطح عدم قطعیت

 

مدل استوار

مدل قطعی

مدل استوار

مدل قطعی

 

2900000

2890000

368972

387650

2/0

2920000

2910000

294554

326621

3/0

3170000

315000

132686

183760

4/0

2870000

2910000

674296

783021

5/0

3120000

3120000

424608

438917

6/0

 

 

 

 

 

 

 

 

 

 

جدول 3-  نتایج حاصل از حل مدل در شرایط قطعی     جدول 4- نتایج حاصل از حل مدل در شرایط غیرطعی

هزینه کل

X2j

X1j

fi

انبار

 

هزینه کل

X2j

X1j

fj

انبار

3128900

0

14800

1

1

 

3090800

0

15000

1

1

 

0

14300

1

2

 

 

0

13700

1

2

 

0

0

0

3

 

 

0

0

0

3

 

0

0

0

4

 

 

0

0

0

4

 

0

0

0

5

 

 

0

0

0

5

 

6200

0

1

6

 

 

5900

0

1

6

 

14300

0

1

7

 

 

15000

0

1

7

 

 


4-3-بحث

همان‌طور که در جدول 2 مشاهده می‌شود، میانگین مجموع توابع هدف تحت آزمایش‌های گوناگون برای مدل فازی-استوار و مدل قطعی به یکدیگر نزدیک است. در بعضی موارد میانگین تابع هدف مدل غیر قطعی بیشتر است و در بعضی از موارد برعکس. اما انحراف استاندارد مدل فازی-رباست، همواره و به ازای سطوح عدم قطعیت گوناگون از مدل قطعی کمتر است. این مهم‌ترین ویژگی مدل فازی-استوار است. یعنی تغییرات مدل فازی-استوار در برابر تغییرات اجزاء گوناگون مدل، کمتر از تغییرات مدل قطعی خواهد بود. یکی از مهم‌ترین پارامترهای این مدل سطوح عدم قطعیت است. فرض کنیدρ c =ρ e =ρ. شکل2 تغییرات هزینه کل را در برابر تغییرات پارامتر ρ نشان می‌دهد.

 

 

 

شکل 2- تغییرات هزینه کل به ازای تغییر سطح عدم قطعیت

 

 

 

شکل 3- تغییرات هزینه سوخت با ازای افزایش گام پله‌ها

 

شکل 4- تغییرات هزینه سوخت به ازای تغیر سطح مصرف مجاز سوخت

 

همان‌طور که از شکل مشخص است افزایش سطح ρ باعث افزایش هزینه‌ی کل می‌شود. علت آن این است که وقتی ρ افزایش می‌یابد، پارامتر های مدل در بازه بزرگ‌تری تغییر می‌کنند. از آنجا که باید جواب استوار را در نظر بگیریم، این بزرگ‌تر شدن دامنه تغییرات باعث افزایش هزینه‌ها می‌شود. شکل3 تأثیر گام پله‌های افزایش هزینه سوخت را بر میزان هزینه سوخت نمایش می‌دهد. واضح است که اگر طول این گام افزایش یابد باعث کاهش هزینه سوخت می‌شود. این افزایش هزینه‌ها با تغییر پارامتر ρ رابطه معناداری دارد. شکل 2 این تغییرات را توأمان برای دو مقدار متفاوت kh نشان می‌دهد. شکل 4 تغییرات هزینه سوخت را در ازای تغییر سطح uallow نشان می‌دهد. این پارامتر مهم‌ترین پارامتر مصرف سوخت است. افزایش این پارامتر می‌تواند باعث کاهش هزینه‌های سوخت گردد. شکل3 این پارامتر را در 2 سطح گوناگون بررسی کرده و تأثیر آن روی هزینه سوخت را نشان می‌دهد. در این شکل نیز سطوح گوناگون ρ در نظر گرفته شده است.

 

5- نتیجه گیری

مکان یابی تسهیلات از جمله مهم‌ترین مسائلی است که می‌تواند باعث کاهش چشم گیر هزینه‌ها گردد. در بسیاری از مدل‌های مکان یابی تسهیلات فرض عدم قطعیت بعضی از پارامترها یک فرض اجتناب ناپذیر به نظر می‌رسد. در این پژوهش، یک رویکرد کاملاً جدید برای مواجهه با عدم قطعیت مدل‌های مکان یابی ارائه شده است که با اعمال آن در مدل‌های قطعی می‌توان آنها را هرچه بیشتر به مسائل واقعی نزدیک کرد. مدل ارائه شده در اینجا شامل دو تابع هدف است که برای مکان یابی و تخصیص بهینه به کار می‌رود. همان گونه که در بخش 4.3 مشخص گردید عدم قطعیت و دید بدبینانه نسبت به پارامترهای مدل می‌تواند هزینه‌های سیستم را به شدت تحت تأثیر قرار دهد. به طوری که باعث افزایش 40 تا 60 درصدی هزینه‌ها می شود. با تعیین دقیق سطح عدم قطعیت می‌توان نسبت به میزان ریسک مدل با امنیت و اطمینان بهتری تصمیم گیری کرد.



 

 

Ashtiani, M. G. Makui, A. Ramezanian, R. (2012). “A robust model for a leader-follower competitive facility location problem in a discrete space. Applied Mathematical Modeling”, In Press, Corrected Proof.

Bellman, R. E.  Zadeh, L. A. (1970).”Decision-making in a fuzzy environment”. Management Science, l7, 141–164.

Ben-Tal, A. El-Ghaoui, L. Nemirovski, A.(2009) Robust Optimization, Princeton University Press.

Ben-Tal, A. Golany, B.  Nemirovski, A. Vial, J.P. (2005).”Retailer-supplier flexible commitments contracts: a robust optimization approach”. Manuf. Service Oper. Manage, 7, 248–271.

Ben-Tal, A. Nemirovski, A. (1998). “Robust convex optimization”, Math. Oper. Res. 2, 769–805.

Ben-Tal, A. Nemirovski, A. (1999). “Robust solutions to uncertain linear programs”. Oper. Res. Lett. 25, 1–13

Ben-Tal, A. Nemirovski, A. (2000). “Robust solutions of linear programming problems contaminated with uncertain data”. Math Program. 88, 411–424.

Bertsimas, D. pachamanova, D. Sim, M. (2004). “Robust linear optimization under general norms”. Operations Research Letters, 32(4), 510-516

Bhattacharya, U. Rao, J.R. Tiwari. R.N. (1993). “Bi-criteria multi facility location problem in fuzzy environment”. Fuzzy Sets and Systems, 56(2), 145-153.

Desrochers, M. Marcotte, P.  Stan, M. (1995). “The congested facility location problem”. Location Science, 3(1), 9-23.

Drezner, Z. Hamacher, H.W. (2004). Facility Location: Applications and Theory springer, New York,.

Durukan Sonmez, A. Gino J. Lim. (2012).”  A decomposition approach for facility location and relocation problem with uncertain number of future”. European Journal of Operational Research, 218(2), 327-338.

Hwang, k. (2004). “Facility location in fuzzy environment”. Fuzzy sets and systems”, 18(3), 68-82.

Klincewicz, J. G.  Luss, H. Rosenberg, E. (1986). “Optimal and heuristic algorithm for multiproduct un-capacitated facility location”. European Journal of Operational Research, 26(2), 251-258.

Kochman, G.A. McCallum Jr, C.J.  (1981). “Facility location models for planning a transatlantic communication network”. European Journal of Operational Research, 6(2), 205-211.

Konforty, Y. Tamir. A. (1997). “The single facility location problem with minimum distance constraints”. Location Science, 5(3), 147-163

Lai, Y.J. Hwang, C.L.(1993). “probabilistic linear programming for managing interest rate risk”. Fuzzy Sets and Systems, 54, 135–146.

Lai, Y.J. Hwang, C.L.(1994). Fuzzy Multiple Objective Decision Making, Methods and Applications, Springer, Berlin,.

Li, X.Q.  Zhang, B. Li, H. (2006). “Computing efficient solutions to fuzzy multiple objective linear programming problems”.  Fuzzy Sets and Systems 157, 1328–1332.

Li, X.Q.  Zhang, B. Li, H. (2006). “Computing efficient solutions to fuzzy multiple objective linear programming problems”.  Fuzzy Sets and Systems, 157, 1328–1332.

Nickel, M.T. Meo, S. Saldanha-da-Gama,  F. (2008). “Facility location and supply chain management – A review”. European Journal of Operational Research, 196(1), 401-412.

Nickel, S. Puerto, J. (2005). “Location Theory: A Unified Approach, Springer”, New York.

Pishvaee, M.S., Razmi J., Torabi S.A., (2012) ، “Robust probabilistic programming for socially responsible supply chain network design: A new approach”. Fuzzy Sets and Systems  206, 1 – 20

Rodrigues, J.C, Tralhao,L. Alcada-Almeida, L(2012).“A bi-objective modeling approach to an urban semi-desirable facility location problem”. European Journal Of Operation Research, 223(1), 203-213

Sahinidis, N.V.  (2004). “Optimization under uncertainty: state-of-the-art and oppor-tunities”. Computers and Chemical Engineering, 28 (6–7), 971–983.

Selim, H. Ozkarahan, I. (2007). “A supply chain distribution network design model: an interactive fuzzy goal programming-based solution approach, Internat”. J. Adv. Manuf. Technol, in press.

Soyster A.L, (1973). “Convex programming  with set-inclusive constraints and applications to inexact linear programming”, Oper. Res 21, 1154-1157.

Sun, M. .(2006). “Solving the un-capacitated facility location problem using tabu search”, computer & operations Research. 33(9), 2563-2589.