Yeşil Tedarik Zinciri Yönetiminde Ağ Optimizasyonu Problemine Meta-Sezgisel Yaklaşım

Doğal kaynakların azaldığı ve çevresel problemlerin arttığı günümüzde, yürürlüğe giren yasal düzenlemelerin de etkisiyle, iş süreçlerinin çevreye olan olumsuz etkilerini azaltmak amacıyla yürütülen çevreye duyarlı stratejiler ve sürdürülebilirlik ile ilgili çalışmalar önem kazanmıştır. Tedarik zinciri yönetiminde de çevre dostu veya yeşil uygulamalar pek çok endüstri alanı için stratejik bir konudur. Tedarik zincirinde ağ optimizasyonu problemi, yeşil tedarik zincirlerinin uzun vadede veya operasyonel uygulamalarda yaratacağı çevresel etki performansına katkısı sebebiyle önemli bir çalışma alanıdır. Bu çalışmada, yeşil tedarik zincirinde ağ optimizasyonu problemi ele alınmıştır. Çalışmanın amacı, tasarlanacak tedarik zinciri ağında, çevre üzerindeki olumsuz etkiyi minimize edecek şekilde açılacak tesislerin yerine, sayısına ve aşamalar arası ürün akış miktarlarına karar vermektir. Çalışma kapsamında yeşil tedarik zinciri ağ optimizasyonu probleminin çözümü için meta-sezgisel algoritmalardan parçacık sürü algoritması ve genetik algoritmalar önerilmiştir. Probleme özgü tasarlanan algoritmalar öncelikle küçük boyutlu probleme uygulanarak test edilmiştir. Ayrıca, örnek problem üzerinde, toplam maliyet minimizasyonu ve çevresel etki minimizasyonu amaç fonksiyonlarının ağ optimizasyonu kararlarına etkisi analiz edilmiştir. Ardından, önerilen algoritmalar farklı boyutlardaki problem setlerine uygulanarak büyük boyutlu problemlerde algoritmaların performansı incelenmiştir. Problemin çözümü için önerilen meta-sezgisel algoritmalar ile yapılan deneysel çalışmalar sonucunda tasarlanan algoritmaların kısa işlem sürelerinde başarılı sonuçlar ürettiği görülmüştür. Elde edilen sonuçlar, önerilen algoritmaların, farklı endüstrilerin tedarik zincirlerine uyarlanarak uygulanabilir olduğunu göstermektedir.

Meta-Heuristic Approach for Network Optimization Problem in Green Supply Chain Management

The importance of sustainability and environmental friendly business strategies, which aims to minimize negative impact on the environment, is increased recently due to legislation, scarcity in natural resources and increased environmental problems. Environmental and green practices in supply chain management are of strategic importance for many industry fields. Green supply chain network optimization problem is a critical research area regarding the contribution on environmental performance of a chain in long term and operational levels. This paper addresses the green supply chain network optimization problem. The purpose of this paper is determining location and number of facilities and product flow assignment decisions in terms of environmental impact minimization. In the scope of this paper, particle swarm optimization algorithm and genetic algorithm are developed to solve the green supply chain network optimization problem. In numerical experiments, firstly, the proposed algorithms are tested with small sized problem. The effects of objective functions of cost minimization and environmental impact minimization on network decisions are also analysed with the small sized problem. Then, the performance of the algorithms is assessed with larger sized problems. Experimental results of the proposed meta-heuristic algorithms showed that the algorithms give effective solutions to the problem in short processing times. Attained results indicate that the proposed algorithms can be applied to supply chains of several industries successfully.

PDF

___

[1] Srivastava, S.K. Green Supply Chain Management: A State-of-the-Art Literature Review. Int. J. Manag. Rev. 2007; 9(1), 53-80.
[2] Govindan, K.; Khodaverdi R.; Vafadarnikjoo, A. Intuitionistic Fuzzy Based DEMATEL Method for Developing Green Practices and Performances in a Green Supply Chain. Expert Syst. Appl. 2015; 42, 7207-7220.
[3] Wang, F.; Lai, X.; Shi, N. A Multi-Objective Optimization for Green Supply Chain Network Design. Decis. Support Syst. 2011; 51, 262-269.
[4] Eskandarpour, M.; Dejax, P.; Miemczyk, J.; Péton, O. Sustainable Supply Chain Network Design: An Optimization-Oriented Review. Omega-Int. J. Manage. S. 2015; 54, 11-32.
[5] Pishvaee, M.S.; Razmi, J. Environmental Supply Chain Network Design Using Multi-Objective Fuzzy Mathematical Programming. Appl. Math. Model. 2012; 36, 3433-3446.
[6] Jamshidi, R.; Fatemi Ghomi, S.M.T.; Karimi, B. MultiObjective Green Supply Chain Optimization with a New Hybrid Memetic Algorithm Using the Taguchi Method. Sci. Iran. E. 2012; 19(6), 1876-1886.
[7] Elhedhli, S.; Merrick, R. Green Supply Chain Network Design to Reduce Carbon Emissions. Transport. Res. D-Tr. E. 2012; 17, 370-379.
[8] Mallidis, I.; Vlachos, D.; Iakovou, E.; Dekker, R. Design and Planning for Green Global Supply Chains Under Periodic Review Replenishment Policies. Transport. Res. ELog. 2014; 72, 210-235.
[9] Fahimnia, B.; Sarkis, J.; Eshragh, A. A Tradeoff Model for Green Supply Chain Planning: A Leanness-VersusGreenness Analysis. Omega-Int. J. Manage. S. 2015; 54, 173- 190.
[10] Govindan, K.; Jafarian, A.; Nourbakhsh, V. Bi-Objective Integrating Sustainable Order Allocation and Sustainable Supply Chain Network Strategic Design with Stochastic Demand Using a Novel Robust Hybrid Multi-Objective Metaheuristic. Comput. Oper. Res. 2015; 62, 112-130.
[11] Martí, J. M. C.; Tancrez, J-S.; Seifert, R.W. Carbon Footprint and Responsiveness Trade-Offs in Supply Chain Network Design. Int. J. Prod. Econ. 2015; 166, 129-142.
[12] Tognetti, A.; Grosse-Ruyken, P.T.; Wagner, S. M. Green Supply Chain Network Optimization and the Trade-Off Between Environmental and Economic Objectives. Int. J. Prod. Econ. 2015; 170, 385-392.
[13] Coskun, S.; Ozgur, L.; Polat, O.; Gungor, A. A model Proposal for Green Supply Chain Network Design Based on Consumer Segmentation. J. Clean. Prod. 2016; 110, 149-157.
[14] Chibeles-Martins, N.; Pinto-Varela, T.; Barbosa-Póvoa, A.P.; Novais, A.Q. A Multi-Objective Meta-Heuristic Approach for the Design and Planning of Green Supply Chains-MBSA. Expert Syst. Appl. 2016; 47, 71-84.
[15] Eberhart, R.C.; Kennedy, J. A New Optimizer Using Particle Swarm Theory, Sixth Symposium on Micro Machine and Human Science, Nagoya Municipal Industrial Research Institute, Nagoya, Japan. October 4-6, 1995.
[16] Kiranyaz, S.; Ince, T.; Gabbouj, M. Multidimensional Particle Swarm Optimization for Machine Learning and Pattern Recognition; Springer-Verlag, New York, USA, 2014; 321 pp.
[17] Gen, M.; Altiparmak, F.; Lin, L. A Genetic Algorithm for Two-Stage Transportation Problem Using Priority-Based Encoding. OR Spectrum. 2006; 28, 337-354.
[18] Kadadevaramath, R.S.; Chen, J.C.H.; Latha Shankar, B.; Rameshkumar, K. Application of Particle Swarm Intelligence Algorithms in Supply Chain Network Architecture Optimization. Expert Syst. Appl. 2012; 39, 10160-10176.
[19] Latha Shankar, B.; Basavarajappa, S.; Chen, J.C. H.; Kadadevaramath, R.S. Location and Allocation Decisions for Multi-Echelon Supply Chain Network - A MultiObjective Evolutionary Approach. Expert Syst. Appl. 2013; 40, 551-562.
[20] Goldberg, D.E. Genetic Algorithms in Search, Optimization and Machine Learning; Addison Wesley Longman Inc., Boston, USA, 1989; 412 pp.
[21] Sastry, K.; Goldberg, D.E.; Kendall, G. Genetic Algorithms. In The Search Methodologies- Introductory Tutorials in Optimization and Decision Support Techniques; Burke, E.K., Kendall, G., Eds.; Springer Science+Business Media, New York, USA, 2014; 93-117.
[22] Yang, X.S. Nature-Inspired Optimization Algorithms; Elsevier Inc., Waltham, USA, 2014; 300 pp.
[23] Aksoy A.; Küçükoğlu İ.; Ene S.; Öztürk N. Integrated Emission and Fuel Consumption Calculation Model for Green Supply Chain Management. Procedia - Soc. Behav. Sci. 2014; 109, 1106-1109