دانلود ترجمه مقاله کارایی یک رویکرد برنامه نویسی ریاضیاتی فازی برای برنامه ریزی تولید زنجیره تأمین

1. مقدمه 2. توصیف فرمول بندی مسئله 3. روش برنامه ریزی ریاضیاتی فازی 4. مطالعه موردی برنامه ریزی زنجیره تامین 5. نتیجه گیری

نتیجه گیری: محیط های زنجیره تامین نشان دهنده این هستند که باید تصمیمات برنامه ریزی تولید را تحت شراسط ابهام در پارامترهای مهمی مثل تقاضا، اتخاذ کرد. در این مقاله، یک مسئله برنامه ریزی زنجیره تامین به عنوان یک مدل MILP فازی با تقاضای فازی ارائه شده است. روش برنامه ریزی ریاضی فازی پیشنهادی، در اصل فرمول بندی پیشنهادی توسط مک دونالد و کریمی (1997) را با در نظر گرفتن تقاضای نامشخص، توسعه می دهد. این روش به روش حل مسائل برنامه ریزی خطی چند هدفه با پارامترهای فازی وابسته است که از طریق اعداد فازی مثلثی ارائه شده توسط گن و همکاران ارائه می شود (1992). ما این روش برای برای حل مسائل برنامه ریزی خطی با یک تابع هدف حلقویه و اعداد گوشه راست محدودیت های کمتر یا مساوی و بزرگتر یا مساوی، تطبیق می دهیم. این روش ریاضی فازی باعث ایجاد آزادی عمل در رابطه با مسائل برنامه ریزی تولید زنجیره تامین می شود که در آن ابهام منطقی براساس تقاضا بدون هیچ افازایش از تقاضاهاازذخیره گاه اطلاعات و حد منابع مشخص یکسان از 100 ثانیه CPU ظاهر می شود که توسط فرمول بندی قطعی نیز به کار رفته است. همچنین در مقایسه با روش برنامه ریزی تصادفی، یک راه حل را می توان در یک حالت ساده تر به دست آورد. در نتیجه، به عنوان تیجه تحقیق انجام شده در اینجا، بعضی از رویدادها طوری رخ داده اند که ممکن است احتمالاتی را برای تحقیقات آینده، ایجاد کنند: (1) برای سازگار دیگر روش های مبتنی بر برنامه ریزی ریاضی فازی در جهت اثبات کارایی آنها برای حل مسائل برنامه ریزی تولید زنجیره تامین؛ (2) برای استفاده از محاسبه هم ارزی با بهینه سازی فازی در جهت حل مسائل برنامه ریزی تولید زنجیره تامین فازی به صورت بهینه؛ و (3) مدل های شبیه سازی جمع شده با بهینه سازی فازی و مدل های محاسباتی هم ارزی برای درک بهتر رفتار و نتایج مدل های برنامه ریزی تولید زنجیره تامین فازی.

:Conclusion Supply chain environment simply the production planning decisions have to be made under conditions of uncertainty in parameters a simportantas demand. In this paper,a supply chain planning problem has been presented as a fuzzy MILP model with fuzzy demand. The proposed fuzzy mathematical programming approach extends the for mulation originally presented by McDonald and Karimi(1997) considering uncertain demand. This approach is based on the method for solving multi-objective linear programming problems with fuzzy parameters represented by triangular fuzzy numbers proposed by Gen etal.(1992). We have adapted this approach for solving fuzzy linear programming problems with a crisp objective function and fuzzy right-hand side numbers in less than or equal and greater than or equaltype constraints . This fuzzy mathematical approach has provided freedom of action with regard to supply chain production planning problems where epistemic uncertainty appears in demand with no increment of the require- mentsof in formations to rage and the same specified resource limit of 100 CPU seconds as used by the deterministic for mulation. Also, compared with the stochastic programming approach, a solution can be obtained in an easier manner. Finally, as a result of the research carried out here, some circumstances have a risen that may open up possibilities for further research:(i)to adapt an other fuzzy mathematical programming based approaches in order to prove their effective- ness to solve supply chain production planning problems; (ii) use evolutionary computation with fuzzy optimization in order to solve more efficiently fuzzy supply chain production planning problems; and(iii)to integrate simulation model swith fuzzy optimization and evolutionary computation models to better understand the behaviour and there sults of the fuzzy supply chain production planning models.