مجله مهندسی صنایع
سال:1387 | دوره:1 | شماره:پیش شماره 1 |تعداد مقالات:9

سیستم های موجودی چند سطحی، یکی از زمینه های مهم و مطرح در مدلسازی مدیریت زنجیره تامین در سطح عملیاتی است که تحقیقات بسیار زیادی در رابطه با آن در حال انجام است. در این تحقیق، تابع هزینه سیستم موجودی دو سطحی با یک انبار مرکزی و چندین خرده فروش که از سیاست کنترل موجودی مرور دائم پیروی می کنند، تخمین می شود. در این تخمین فرض می شود تقاضا دارای توزیع پوسون است و در صورتی که تقاضایی به خرده فروشان برسد و برآورده نشود، از دست رفته و تقاضایی که از خرده فروشان به انبار مرکزی می رسد، در صورت کمبود، با تاخیر برآورده می شود. همچنین، زمان حمل و نقل برای خرده فروشان و زمان تحویل کالا برای انبار مرکزی نیز ثابت درنظر گرفته شده است. دقت این تخمین از طریق مثالهای عددی تولید شده، با استفاده از شبیه سازی مورد بررسی قرار گرفته است.

در این مقاله ابتدا روش های کنترل فرآیند آماری که برای پایش همزمان میانگین و واریانس یک مشخصه کیفی طراحی شده اند، مرور می شوند. سپس این روشها، طراحی و اجرای مطالعات مناسب شبیه سازی و با استفاده از معیارهای طول دنباله تحت کنترل و خارج از کنترل با هم مقایسه می شوند.نتایج این مطالعات نشان می دهد که روش های EWMA و EWMS کاملا قادر به تشخیص تغییرات همزمان در میانگین و واریانس فرآیند هستند ولی در حالی که دو روش EWMV مورد بررسی خیلی خوب عمل نمی کنند، روش های max-min EWMA و max EWMA در همه حالات مربوط به تغییرات همزمان میانگین و واریانس بسیار خوب عمل می کنند.

در مسائل برنامه ریزی زمانی ایستا (Static) زمانی که تغییری در شرایط ایجاد نمی شود، چالش اصلی، حل مسائل بزرگ در زمانی کوتاه است. در این مقاله مساله برنامه ریزی زمانی ایستای وسایط نقلیه هدایت شده اتوماتیک در پایانه های باری کانتینر توسط الگوریتم شبکه سیمپلکس حل شده است. این الگوریتم بر اساس مدل گراف بوده و برای مدل های برنامه ریزی خطی حداقل صد برابر سریعتر از الگوریتم های سیمپلکس معمولی می باشد. داده های تصادفی متعددی تولید شده و به مدلی با پنجاه وسیله نقلیه اعمال گردیده است. نتایج حاصله نشانگر سریع و کارا بودن این روش می باشد. بطور عملی، یافته ها نشانگر این هستند که روش الگوریتم شبکه سیمپلکس برای حل مسائل این نوع کاربرد نیاز به زمان چند جمله ای (Polynomial Time) دارند.

توزیع وایبل سه پارامتری یکی از توزیع های مهم در تحلیل های آماری و قابلیت اطمینان است. پیچیدگی تخمین پارامترهای توزیع سه پارامتری وایبل یکی از مباحثی است که محققین در استفاده از این مدل با آن مواجه هستند بهمین دلیل در بسیاری از موارد بمنظور ساده سازی یکی از پارمترهای مدل حذف می شود و مدل دو پارامتری در نظر گرفته می شود. در تخمین پارامترهای وایبل سه پارامتری، استفاده از روشهای متداول تخمین پارامترها مانند روش گشتاورها و روش حداکثر درستنمایی به راحتی امکانپذیر نیست و در این روشها در نهایت مجبور به حل سه معادله عیر خطی پیچیده هستیم. در این تحقیق با استفاده از توانایی های شبکه های عصبی مصنوعی، یک شبکه عصبی پرسپترون برای تخمین همزمان پارامترهای توزیع وایبل سه پارامتری طراحی می شود. شبکه طراحی شده قادر است برای هر نمونه ای بر اساس میانگین، واریانس، میانه، چولگی و تیزی سه پارامتر توزیع وایبل را تخمین بزند.ارزیابی شبکه طراحی شده برای مقادیر مختلف پارامترها به روش مونت کارلو انجام می شود.

این مقاله یک روش تصمیم گیری فازی مرتبط با مساله دسته بندی تامین کنندگان در سیستم زنجیره تامین را ارائه می نماید.در طی سالهای اخیر، تعیین تامین کنندگان مناسب در زنجیره تامین یک استراتژی کلیدی محسوب می شود. از طرفی طبیعت این تصمیم ها معمولا پیچیده بوده و ساختار مشخصی ندارند. بطور کلی باید فاکتورهای کمی و کیفی زیادی نظیر کیفیت، قیمت و انعطاف پذیری و عملکرد تحویل در تعیین تامین کننده مناسب در نظر گرفته شوند. هدف این تحقیق ارائه یک روش جدید مبتنی بر الگوریتم PSO برای دسته بندی تامین کنندگان در محیط فازی بمنظور مدیریت گروه های کوچک با ویژگی های مشابه می باشد. تحلیل های عددی ما نشان می دهند که PSO پیشنهادی عملکرد الگوریتم FCM را بهبود می بخشد.

سیستم های پشتسبانی تصمیم (DSS) از ابزارهای رایج در سیستمهای اطلاعاتی جهت تصمیم گیری در محیط کسب و کار بسیار رقابتی می باشد. یک DSS، فرایند تصمیم گیری است که به بعضی از عواملی که کیفیت سیستم های اطلاعاتی و نتایج مربوط به آن را تعیین می کنند، وابسته است. در روشهای سنتی جهت تحلیل داده ها، عموما نمی توان DSS رادر سازمانهای پیچیده و بزرگ بکار برد، در حالیکه مدیران برای تصمیم گیری سریع تر به ابزارهای دیگری از DSS نیاز دارند. عموما در روشهای سنتی خبره ها برای پشتیبانی از مدیران به تکنیک های آماری نیاز دارند. اما این روش ها قادر به اجرای حجم زیادی از داده های واقعی نیستند و معمولا فرایند های آنها بسیار کند هستند. اخیرا چندین روش ابتکارانه برای فرایند تصمیم گیری در سازمانها ارائه شده است. این تکنیک های جدید برای توسعه پایگاه داده های بزرگ با ترکیب کردن مدل های هیورستیک، قابلیت های DSS را برای پشتیبانی از مدیران در تمام سطوح سازمانی افزایش داده اند. امروزه، داده کاوی و کشف دانش بعنوان ماژول های اصلی در توسعه DSS های پیشرفته در نظر گرفته می شوند. در این مقاله، از تئوری مجموعه همواره برای داده کاوی در یک DSS جهت فرایند تصمیم گیری آن استفاده می شود. در روش پیشنهادی هر شئ بعنوان جمعیتی اشیا در نظر گرفته می شود.در نهایت یک قاعده از مجموعه داده ها استخراج شده و مشخصه های مربوطه، در مدلسازی داده کاوی در نظر گرفته می شوند.

تحقیقات وسیعی در مورد مساله زمان بندی پروژه با محدودیت منبع انجام شده است. البته مواردی که قطع اجرای فعالیت منجر به هزینه می شود کمتر مورد توجه واقع شده است. در این مقاله، مساله زمان بندی پروژه با هدف کمینه کردن جریمه های زودکرد- دیرکرد و هزینه های قطع اجرای فعالیتها با وجود محدودیت منبع در نظر گرفته شده است. در این مساله، هرگاه اجرای یک فعالیت متوقف شود، شروع مجدد اجرای آن فعالیت مستلزم پرداخت یک هزینه ثابت می باشد. یک روش حل بر اساس یک برنامه ریزی عدد صحیح برای مساله مذکور پیشنهاد شده است. نهایتا، تعدادی مساله تست با استفاده از نرم افزار لینگو نسخه 8 حل شده و نتایج محاسباتی گزارش شده است.

یکی از ویژگیهای تجزیه و تحلیل پوششی داده ها (DEA) این است که به هرکدام از واحدهای تصمیم گیرنده (DMU) امکان می دهد تا وزن عوامل را بگونه ای انتخاب نمایند که هنگام محاسبه کارایی، بیشترین امتیاز را عاید خود سازند. از طرف دیگر، این انعطاف پذیری در وزن عوامل، مقایسه واحدهای تصمیم گیرنده را بر اساس یک مجموعه وزنهای مشترک، دشوار می نماید. در این مقاله، برای غلبه بر این مشکل و ارزیابی تمامی DMU ها با یک مقیاس یکسان، رویکرد برنامه ریزی خطی چند هدفی (MOLP) ارائه می گردد که مبتنی بر روش scalarizing function است که برای ارائه مجموعه وزنهای مشترک بکار رفته است و همین امر، مزیت این روش را نسبت به سایر روشهای موجود بیان می کند که همگی بر برنامه ریزی غیرخطی چند هدفی مبتنی می باشند.