فهرست مطالب

مهندسی صنایع و مدیریت شریف - سال سی و یکم شماره 2 (1394)
  • سال سی و یکم شماره 2 (1394)
  • تاریخ انتشار: 1394/12/22
  • تعداد عناوین: 14
|
  • مقاله پژوهشی
  • جعفر باقری نژاد، مهدی بشیری*، حمیده نیکزاد صفحات 3-13
    در مدل های مرسوم مکان یابی پوشش، هر نقطه ی تقاضا تنها می تواند با یک وسیله پوشش داده شود. با پوشش اشتراکی که یکی از روش های توسعه ی این مدل هاست، هر نقطه ی تقاضا را می توان با یک یا چند وسیله پوشش داد. در این نوشتار مفهوم «پوشش اشتراکی» به مدل مکان یابی بیشینه پوشش سلسله مراتبی با ارجاع گسسته در دو حالت بدون تخصیص برای سیگنال های فیزیکی و با تخصیص برای سیگنال های غیر فیزیکی توسعه داده شده و سپس مدل پیشنهادی در مثال های عددی تحلیل می شود. در ادامه، الگوریتم فراابتکاری تبرید شبیه سازی شده برای حل مدل پیشنهادی در مثال هایی با ابعاد بزرگ ارائه می شود. الگوریتم ارائه شده، برای جست وجوی چندین استقرار سطح پایین و انتخاب بهترین آنها در هر جابه جایی وسایل سطح
    بالا، قابل تنظیم است. مقایسه ی نتایج الگوریتم با روش حل دقیق نشان می دهد که عملکرد الگوریتم در مسائلی با ابعاد بزرگ مناسب است و در زمانی کوتاه به جواب نزدیک بهینه می رسد.
    کلیدواژگان: مدل بیشینه پوشش سلسله مراتبی، ارجاع، پوشش اشتراکی، مکان یابیٓ، تخصیص، تبرید شبیه سازی شده
  • علی بزرگی امیری*، سید آرمین فتاحی صفحات 15-23
    عملیات توزیع کالاهای امدادی به مناطق آسیب دیده و تخلیه ی مصدومین به مراکز درمانی موقت از فعالیت های اساسی لجستیک امداد بلایاست. لزوم ملاحظه ی عدم قطعیت، سبب ایجاد انگیزه برای توسعه ی ابزارهای تصمیم گیری مناسب برای غلبه بر پارامترهای غیرقطعی و نادقیق در طراحی لجستیک امداد شده است. در این نوشتار یک مدل برنامه ریزی ریاضی فازی چندهدفه، و چند مدل حمل تحت عدم قطعیت پارامترهای ورودی ارائه شده است. مدل شامل دو هدف است: 1. کمینه سازی مجموع هزینه های لجستیکی )شامل هزینه های راه اندازی، حمل و نقل، هزینه ی تخصیص وسایل نقلیه و هزینه های کمبود اقلام امدادی(؛ 2.
    بیشینه سازی تعداد مجروحین منتقل شده. برای حل مدل پیشنهادی، یک رویکرد حل فازی تعاملی پیشنهاد شده است. به منظور اثبات کاربردی بودن مدل برنامه ریزی فازی ارائه شده و سودمندی رویکرد حل پیشنهادی، مطالعه ی موردی مورد بررسی و تجزیه و تحلیل قرار گرفته است.
    کلیدواژگان: لجستیک امداد بلایا، توزیع اقلام امدادی، تخلیه مصدومین، بهینه سازی چندهدفه ی فازی، عدم قطعیت
  • معصومه مهرعلی دهنوی، عبدالله آقایی *، مصطفی ستاک صفحات 25-35
    در سال های اخیر به دلیل رقابت جهانی، افزایش پیچیدگی زنجیره ی تامین،تلاش برای کسب مزیت رقابتی و استفاده از تامین کنندگان جهانی، موضوعمدیریت ریسک زنجیره ی تامین توجهات بسیاری را به خود جلب کرده است.همچنین به دلیل پیچیده شدن زنجیره های تامین، موضوع شبکه ی تامین شکل گرفته است. در این تحقیق به بررسی مدیریت ریسک شبکه ی تامین پرداخته شده و مدلی برای انتخاب تامین کنندگان، تولیدکنندگان ومراکز توزیع از میان گزینه های بالقوه و همچنین تعیین میزان جریانمواد خریداری، تولید و توزیع شده میان آنها، برای کمینه کردن ریسک هایی نظیر ریسک عملیاتی تامین کنندگان، ریسک عملیاتی و مالی تولیدکنندگان و ریسک وقوع حوادث طبیعی برای مراکز توزیع ارائه شده است. برایکمینه کردن این ریسک ها از ابزارهای ارزش در معرض ریسک، نظریه ی مقدار فرین، و جریان نقدی در معرض ریسک استفاده شده و برای بیان عدم قطعیت موجود در اجزاء زنجیره و پارامترهای مسئله، نظریه ی اعداد فازی مورداستفاده قرار گرفته است.
    کلیدواژگان: مدیریت ریسک شبکه ی تامین، ارزش در معرض ریسک، نظریه ی مقدار فرین تعمیم یافته، جریان نقد در معرض ریسک، نظریه ی اعداد فازی
  • علی محتشمی* صفحات 37-48
    چالش اصلی در حل مسائل فرایند تحلیل سلسله مراتبی فازی، محاسبات فازی و رتبه بندی اعداد فازی با استفاده از روش های مختلفی است که برای این کار وجود دارد. از آنجا که در روش تحلیل فراخ وزن های دقیق عناصر استخراج می شود، نیاز به محاسبات اضافی فازی و رتبه بندی اعداد فازی از بین می رود. این روش تاکنون در تحقیقات بسیار زیادی کاربرد داشته است اما در نوشتار حاضر نشان داده می شود که وزن های این روش صحیح نیست. به منظور رفع نقص روش تحلیل فراخ، در این نوشتار یک روش جدید مبتنی بر الگوریتم های فراابتکاری برای استخراج وزن های دقیق از ماتریس های مقایسات زوجی فازی معرفی می شود. همچنین برای نشان دادن اعتبار روش پیشنهادی،این روش با چهار روش موجود در ادبیات موضوع مقایسه شده که نتایج حاصله نشان دهنده ی اعتبار بالای روش پیشنهادی است.
    کلیدواژگان: فرایند تحلیل سلسله مراتبی، بردار وزن، تصمیم گیری چندمعیاره، الگوریتم های فراابتکاری
  • سیدحسین ایرانمنش، حمید رستگار*، محمدحسین مختارانی صفحات 49-59
    خانه ی کیفیت ابزاری کارآمد در کلیه ی مراحل طراحی و توسعه ی یک محصولاست که وظیفه ی اصلی آن، ترجمه ی ندای مشتری به زبان قابل فهم برای تیم طراحی است تا طراحان بتوانند خواسته های مشتریان را شناسایی و نسبت به ارضاء آنها اقدام کنند. از آنجا که هنوز روش منسجمی برای ارزیابی خانه ی کیفیت ارائه نشده، در این نوشتار سعی شده تا سیستمی هوشمند برای ارزیابی خانه ی کیفیت ارائه شود. این سیستم به طراحان کمک می کند تا بتوانند خواسته های واقعی مشتریان را در محصول اعمال کنند و به این طریق رضایت مندی آنان را افزایش دهند. نوشتار حاضر شامل پیشینه یی از خانه ی کیفیت، مروری بر کارهای گذشته در این زمینه، و ارائه ی سیستم هوشمند مورد نظر است. همچنین نمونه یی موردی ارائه شده و نتایج آن مورد ارزیابی قرار گرفته است.
    کلیدواژگان: خانه ی کیفیت، سیستم هوشمند، ندای مشتری، سیستم استنتاج فازی، تیم طراحی
  • مرضیه کریمی، ابوالفضل کاظمی*، مهدی عزیزمحمدی صفحات 61-71
    مسئله ی تخصیص سفارشات خرید به تامین کنندگان، یکی از مهم ترین فعالیت های مدیران خرید در یک زنجیره ی تامین محسوب می شود. در این نوشتار با ارائه ی مدلی در زنجیره ی تامین علاوه بر کمینه کردن کل هزینه های خریدار، به کیفیت و تحویل به موقع نیز توجه شده و از رویکرد پارتو برای حل مسئله ی انتخاب تامین کننده استفاده می شود. علاوه بر این، استراتژی تخفیف تدریجی و همچنین هزینه ی کمبود کالا نیز در نظر گرفته شده است. به منظور حل مدل پیشنهادی انتخاب تامین کننده از دو الگوریتم چندهدفه ی مبتنی بر رویکرد پارتو به نام های الگوریتم ژنتیک مرتب سازی نامغلوب )N S G A-I I( و الگوریتم ژنتیک رتبه بندی نامغلوب )N R G A( بهره گرفته ایم. در نهایت به منظور اثبات عملکرد مناسب روش های حل ارائه شده در مدل پیشنهادی، این روش ها روی مسائل آزمایشی تولیدشده با ابعاد مختلف مورد تجزیه و تحلیل قرار گرفته و پاسخ های به دست آمده نیز با استفاده از روش های آماری مورد تحلیل قرار گرفته اند.
    کلیدواژگان: زنجیره ی تامین، انتخاب تامین کننده، تصمیم گیری چندهدفه، الگوریتم ژنتیک مرتب سازی نامغلوب، الگوریتم ژنتیک رتبه بندی نامغلوب
  • مهدی کرباسیان*، بیژن خیام باشی، ام البنین یوسفی، پوریا ناصری صفحات 73-81
    روند فعلی موجود در صنایع مختلف این نکته را اذعان می دارد که برقراری سیستمی با قابلیت ارجاع سریع میزان خرابی های محصول یا برآورد قابلیت اطمینان آن، از ضروریات هر صنعت است. یکی از محصولات صنایع نظامی گلوله های ضدهوایی است که در برابر تهدیدات دشمن مورد استفاده قرار می گیرد. در این تحقیق برای محاسبه ی قابلیت اطمینان و ارتقاء عملکرد سامانه ی سلاح مهمات، ابتدا با استفاده از نمودار جریان کارکردی محصول F F B D و نمودار کارکردی F B D تمام بخش های محصول، و در ادامه با استفاده از F B D سطوح بالای مربوط به تحلیل درخت خطا F T A شناسایی می شود. پس از آن نمودار قابلیت اطمینان R B D تهیه و با استفاده از تکنیک بیزین فازی قابلیت اطمینان تخمین زده می شود. سپس با استفاده از تجزیه و تحلیل حالات بالقوه خرابی و آثار آن F M E A به صورت فازی خطاهای طراحی را شناسایی کرده و آن را بهبود می بخشند.
    کلیدواژگان: قابلیت اطمینان، جریان کارکردی محصول F F B D، تحلیل درخت خطا F T A، شبکه ی بیزین فازی، تجزیه و تحلیل حالات بالقوه خرابی و آثار آن (F M E A)
  • مهدی بشیری*، حمیده حسن زاده صفحات 83-91
    در طراحی و تحلیل آزمایش ها، پس از تعیین متغیرهای موثر بر متغیر پاسخ، کشف رابطه ی بین آنها و ارائه ی مدل پیش بینی مد نظر است. در روش های کلاسیک لازم است مفروضات اولیه یی برای شناسایی رابطه ی بین متغیرهای پاسخ و متغیرهای کنترلی بررسی و تایید شوند که در دنیای واقعی اغلب متغیرهای پاسخ چنین شرایطی را ندارند. برنامه ریزی ژنتیک G P ازجمله روش های نوین برای پی بردن به رابطه ی بین دسته یی از متغیرهاست و از مزیت های آن می توان به عدم وابستگی آن به نوع توزیع باقی مانده ها اشاره کرد. این روش برخلاف الگوریتم ژنتیک به دنبال کشف رابطه بین متغیرهای اثرگذار است. در این پژوهش، روش برنامه ریزی ژنتیک برای کشف رابطه بین متغیرهای ورودی یک طرح آزمایش که چند متغیر پاسخ دارد پیشنهاد شده و در ادامه از الگوریتم ژنتیک به منظور بهینه سازی استفاده می شود.
    کلیدواژگان: طراحی آزمایشات، متغیرهای چندپاسخه، توزیع نامعین باقی مانده ها، برنامه ریزی ژنتیک، الگوریتم ژنتیک
  • رضا محمدی، سیدمحمدتقی فاطمی قمی *، فریبرز جولای صفحات 93-105
    پس از وقوع هر بحران یا رویداد طبیعی نظیر زلزله، مهم ترین واکنش،حمل ونقل افراد آسیب دیده و توزیع کالاهاست. در این نوشتار یک مدل چندهدفه، چند پریودی برای برنامه ریزی لجستیکی کالا و مصدومانپس از زلزله با در نظر گرفتن مراکز درمانی موقت و مراکز توزیع موقت ارائه شده است. افزون بر این، در این مدل به مکان یابی مراکز توزیع موقت و تعیین ظرفیت مراکز درمانی موقت و بیمارستان ها نیز توجه شده است. با توجه به ماهیت غیرقطعی پارامترهایی همچون میزان تقاضا،مقدار منابع موجود، تعداد افراد آسیب دیده و ظرفیت درمانی منطقه از رویکرد بهینه سازی استوار برای مدل کردن و برخورد با عدم قطعیت استفاده شده است. مدل ارائه شده به دنبال کمینه کردن تعداد افراد سرویس داده نشده، میزان تقاضای برآورده نشده و نیز تعداد کل وسیله ی نقلیه ی استفاده شده است. برای حل مدل نیز با توجه به متفاوت بودن اهمیت اهداف از رویکرد سلسله مراتبی استفاده کرده ایم. در نهایت با استفاده از مدل ارائه شده، برنامه ریزی لجستیکی کالا و مصدومان را پس از زلزله ی فرضی در منطقه 17 شهر تهران مورد مطالعه قرار داده ایم.
    کلیدواژگان: لجستیک بشردوستانه، امداد بحران، بهینه سازی استوار، مراکز توزیع و درمان موقت، واکنش به زلزله
  • یادداشت فنی
  • عبدالحمید اشراق نیای جهرمی*، سیدحسین احمدی، سعید قیسی پور صفحات 107-115
    فرایند نگه داری و تعمیرات، یکی از حیاتی ترین فرایندهای هر سازمان است که وظیفه ی اصلی آن نگه داری و حفظ ماشین آلات در شرایط مطلوب یا بازگرداندن آن ها از شرایط نامطلوب به شرایط مطلوب است. خرابی ماشین آلات منجر به از دست رفتن زمان دسترسی تجهیزات و افزایش هزینه های سازمان می شود، و لذا همواره بهبود عملکرد ماشین آلات و درنتیجه بهبود فرایند نت مورد توجه متخصصین بوده است. تحقیق حاضر با هدف محاسبه ی شاخص های «میانگین مدت زمان بین دوخرابی»، «میانگین زمان تا تعمیر»، «قابلیت اطمینان»، «دسترس پذیری برحسب زمان» و «احتمال خرابی» در واحد صنعتی مهد خودرو انجام گرفته است. همچنین، این پژوهش به بررسی علل توقفات دستگاه ها پرداخته است که با شناسایی دستگاه های بحرانی و مهم و تشخیص خرابی های تاخیردار و وقفه انداز و علل آن ها، به شناسایی واحدهای مرتبط با توقفات پرداخته و تاثیر هر واحد را محاسبه می کند. نتایج مربوط به 4 ماهه اخر سال 88 و 4 ماهه اول سال 89 با 8 ماهه اول سال 88 مقایسه شد که نشان دهنده ی کاهش 200 ساعتی زمان توقفات در ارتباط با واحدهای تولیدی و اداری بود. تاکید اصلی بر توقفاتی است که ناشی از تعمیر نیستند بلکه دلایلی از قبیل ضعف مدیریتی واحد نت، عدم تعهد پیمان کاران، امور مالی و... دارند.
    کلیدواژگان: قابلیت اطمینان، دسترس پذیری، نگه داری و تعمیرات، میانگین مدت زمان بین دو خرابی، میانگین زمان تا تعمیر، احتمال خرابی
  • علی نوروزیان، عبدالحمید اشراق نیای جهرمی* صفحات 117-124
    مهندسی پایایی و متعاقب آن تخصیص پایایی به زیرسیستم ها در فاز طراحی، عوامل مهمی هستند که توجه به آنها در طراحی محصول ضروری است. تخصیص پایایی، موجب دست یابی به محصولی پایا، ارزان و در عین حال مطابق با خواسته های مشتری، رقابت پذیر و سازگار با محدودیت های ما و نیز بهبود روش های طراحی و ساخت می شود. محققین بسیاری از پارامترهای فرایند تخصیص پایایی را با ایده هایی متفاوت ارائه داده اند که با آنالیز آنها، ضعف هایی آشکار شده است. یک جنبه ی مهم در نظر گرفته نشده، میزان اهمیت زیرسیستم ها با توجه به مکان آنها در چیدمان کل سیستم و میزان تاثیر آنها بر پایایی کل سیستم است. در این نوشتار با استفاده از معیارهای تعیین میزان اهمیت در پایایی، بر این ضعف غلبه شده است. با مقایسه ی نتایج اجرای شیوه ی جدید و دو مورد از پرکاربردترین شیوه های موجود در متون علمی بر مثال های آورده شده،برتر بودن نتایج حاصل از شیوه ی جدید مورد تایید قرار گرفته است.
    کلیدواژگان: تخصیص پایایی، معیارهای میزان اهمیت در پایایی، اشکالاتبنیادی، نقش هر زیرسیستم در پایایی سیستم
  • محمدصالح اولیا، فرزانه شاکوهی*، یحیی زارع مهرجردی، محمدصابر فلاح نژاد صفحات 125-133
    در تحقیق حاضر قصد داریم روش عام طراحی محصول و برمبنای متدولوژی طراحی برای 6 ارائه دهیم. در روش ارائه شده، ادغام سه مفهوم بهینه سازی مبتنی بر قابلیت اطمینان، طراحی قوی و بهینه سازی چندهدفه در چهار مرحله صورت می پذیرد: فرمول بندی، بهینه سازی، شبیه سازی و انتخاب. روش مذکور در تعیین بهترین طرح اختلاط بلوک بتنی سبک با در نظرگرفتن نیازهای مشتری در سه حوزه ی وزن، هزینه و استحکام اعمال شد. بدین منظور بعد از مدل سازی ریاضی بلوک با الگوریتم چندهدفه ی تعاملی و با توجه به ترجیحات تصمیم گیرنده، دوازده جواب بهینه ی پارتو در راستای حفظ احتمال رضایت محدودیت تولید شد. سپس با توجه به سه معیار درجه ی مطلوبیت، ضریب تغییرات استحکام، و صرفه جویی نسبت به جواب پایه بهترین طرح اختلاط در سطح 1در هر متر مکعب: سیمان 409 کیلوگرم، الیاف 1٫4 کیلوگرم، سیلیس 12٫14 کیلوگرم و فوم 8٫8 لیتر برای پیاده سازی انتخاب شد.
    کلیدواژگان: طراحی برای 6 سیگما، طراحی قوی، بهینه سازی، قابلیت اطمینان، بلوک بتنی سبک
  • جواد نصیری، پرهام عظیمی* صفحات 135-140
    در این مقاله کاربرد شبیه سازی در بهینه سازی دو هدفه ی یک مسئله ی موجودی تحت سیاست (R،Q)تشریح شده است. در این سیاست هرگاه سطح موجودی به R یا کمتر از آن برسد به اندازه ی Q سفارش صادر می شود.هدف این تحقیق، تعیین مقادیر نقطه ی سفارش مجدد و مقدار سفارش برای این سیاست در سیستم انبارداری شرکت آریاگچ است، به طوری که ضمن کاهش هزینه های نگه داری موجودی در انبارها، زمان انتظار مشتری در سیستم نیز کمینه شود. بدین منظور سیستم انبارداری شرکت که متشکل از سه انبار است، با استفاده از یک مدل شبیه سازی در نرم افزار E D شبیه سازیشده است. پس از طراحی سناریوها و اجرای آنها در مدل شبیه سازی، مقادیر ممکن برای دو متغیر R و Q با کمک روش های سطح پاسخ و الگوریتم ژنتیک به دست آمده و نتایج با وضعیت فعلی شرکت آریاگچ مقایسه شده است.
    کلیدواژگان: بهینه سازی از طریق شبیه سازی، سیاست کنترل موجودی، طراحی آزمایش، رگرسیون، هزینه ی نگه داری
  • مهران سپهری *، میثم آفتابی صفحات 141-152
    یکی از ابزارهای کاربرد بهینه ی دستاوردهای مدیریت دانش که می تواند با ارائه ی راهکار راهبردی از اتلاف زمان و هزینه جلوگیری کند، توسعه و به کارگیری سیستم درس آموخته های مدیریت پروژه است. در این نوشتار با استفاده از مرور ادبیات، مصاحبه و مطالعه ی موردی در شرکت سپانیر، نقشه ی راه سیستم درس آموخته های پروژه در چهار مرحله تبیین شد. مرحله ی اول درک درس آموخته ها و تجربیات در پروژه با استفاده از مرور ادبیات، مرحله ی دوم درک شیوه های معمول و مورد استفاده در ایران از دو منبع اطلاعاتی مصاحبه و موردکاوی، مرحله ی سوم تحلیل اطلاعات به دست آمده و توسعه ی مدل مفهومی با تحلیل محتوای اطلاعات به دست آمده در مراحل اول و دوم، و مرحله ی چهارم توسعه ی نقشه راه با مباحث کلیدی شناسایی شده در مرحله ی سوم و اضافه کردن فعالیت ها و چک لیست ها برای پیگیری آن فعالیت هاست.
    کلیدواژگان: مدیریت پروژه، مدیریت دانش، درس آموخته ها، نقشه راه
|
  • J. BAGHERINEJAD, M. BASHIRI*, H. Nikzad Pages 3-13
    In classic covering location models, each demand point can be covered by only one facility. In cooperative covering problems, each demand point can be covered by one or more facilities. As an application of cooperative models,
    each facility sends signals out so that signal intensity decreases by an increase in distance. In the hierarchical maximal covering location problem (HMCLP), a fixed number of facilities with different servicing levels is located in order to maximize covered demands. In this paper, the cooperative covering concept is developed by the HMCLP with referral (HMCLP(R)) in a discrete space. It is assumed that there are two level facilities and the model is nested, so, high-level facilities provide both types of service. Each demand point is covered if its high-level demands are provided by high-level
    facilities directly or with referral from low-level facilities. The proposed model is presented in two forms: CHMCLP(R) for physical signals and CHMCLAP(R) for non-physical signals, while the second one considers the allocation structure as well.
    The proposed models are analyzed using numerical examples. The analysis shows that the covering radii have important roles to play in the performance of the developed models. For instance, with very small referral covering radius, each
    low level facility is located around and near a high-level facility. So, low level facilities are covered in a non-cooperative manner by the high-level facilities, and, moreover, they cover less demand points. Therefore, covering radii should be determined carefully by considering the problem, facility specifications and other determinant factors.
    A simulated annealing (SA) algorithm was developed and tuned for solving the proposed models in large-scaledinstances. The developed algorithm was implemented using randomly generated problems with different sizes. Comparisons
    between results of the solution algorithm and an exact solution approach show the efficiency of the proposed solution algorithm.
    Keywords: Hierarchical maximal covering, referral, cooperative covering, allocation, simulated annealing
  • A. BOZORGI, AMIRI*, S.A. Fattahi Pages 15-23
    Natural disasters are highly likely to lead to severe problems, including extensive human misery and physical loss or damage. In order to primarily reduce loss of human life, it is vital to respond quickly to natural disasters. One stage of disaster relief operations is in dealing with disaster response, an aspect of which is logistics. Both the distribution of disaster relief to the affected areas and the evacuation process of injured victims to temporary medical facilities are major activities in disaster relief logistics in the disaster response phase. The predictive analysis of natural disasters and their consequences is challenging because of uncertainties and incomplete data. The
    significance of accounting for uncertainty in the context of disaster relief logistics stimulates an interest in developing appropriate decision making tools to cope with uncertain and imprecise parameters in relief logistics design.
    This paper proposes a multi-objective, multi-mode, fuzzy mathematical programming model under the inherent uncertainty of input data in such a problem. The proposed model integrates strategic planning, such as the location
    of relief distribution centers, with tactical support decisions, i.e., the quantity of flow between facilities to avoid separate decision-making processes between strategic and tactical levels. Furthermore, the model considers the
    determination of the location of temporary medical facilities after natural disaster occurrences. In our approach, not only demands, but also supplies and the cost of transportation, are considered as the fuzzy parameters. According to recent studies, the performance of relief operations is measured based on total cost and demand satisfaction levels. Therefore, our multi-objective model contains: (i) minimization of the sumof the setup cost, transportation costs, vehicle assignment costs and shortage costs; (ii) maximization of serving injured people. To solve the proposed fuzzy multi-objective optimization model, an interactive fuzzy solution approach, based on the epsilon-constraint method,
    is proposed, because of its capability of measuring and adjusting the satisfaction levels of each objective function explicitly. A case study is used to demonstrate the significance and applicability of the developed fuzzy optimization model, as well as the usefulness of the proposed solution approach.
    Keywords: Disaster relief logistics, relief distribution, victim evacuation, fuzzy multi, objective optimization, uncertainty
  • M. MEHRALI, A. AAGHAIE*, M. SETAK Pages 25-35
    The risk thematic is not a new concept but a recent and growing subject in supply chain management. Global competition, the increasing complexity of the supply chain, the continuous search for competitive advantage and the use of global suppliers have all motivated the study of risk management in the supply chain. Supply chain risks can arise from multiple sources, including political events, demand fluctuation, technological changes, financial instability and natural disasters, etc. To be able to handle these risks, Supply Chain Risk Management (SCRM) is needed, and specific responses and strategies for the management of risk are required. Supply Chain Risk Management plays a major role in successfully managing business processes in a proactive manner.
    The general trend towards focusing more on core competencies has forced companies to use outsourcing strategies and has led to the appearance of the supply chain. Also, due to the rapid advancement of technology, the basic supply chain is rapidly evolving into what is known as a ``Supply Network''. The Supply Network is also faced with these risks, so it requires specific and adequate responses such as techniques, attitude and strategies for their management. In this article, we focus on supply network risk management and propose a fuzzy mixed-integer linear programming model for designing a supply network, including selection of suppliers, manufacturers and distribution centers among potential choices and the determination of material flow between them. This is done by considering risks in different layers of the network, such as the operational risk of suppliers, the operational and financial risks of manufacturers and the disruption risk of distribution centers. Value at risk (VaR), generalized extreme value theory (EVT) and cash flow at risk (CFaR) methods are used to present a model for quantification of these risks, and the fuzzy set theory is used to represent the uncertainty of parameters. Finally, a numerical example is presented to show the application of this model and some computational results are reported.
    Keywords: Supply network risk management, value at risk, generalized extreme value theory, cash flow at risk, fuzzy theory
  • A. Mohtashami* Pages 37-48
    Different methods are provided to deal with imprecise judgments of decision makers for the analytical hierarchy process. Most previous methods, which allow consideration of imprecise judgments as fuzzy numbers, provide the local and global weights of elements as fuzzy numbers too. Local and global fuzzy numbers need additional aggregation, computation and ranking procedures. The global weights may overlap each other and make the ranking of alternatives difficult. As a result, since there are different methods of fuzzy computation and fuzzy ranking, in some problems, we cannot have a unique ranking of fuzzy numbers. In order to overcome this deficiency, one method for solving fuzzy analytical hierarchy process problems and obtaining the crisp priority vector is called extent analysis. As mentioned, the main challenges of solving such problems are the fuzzy computations and ranking of fuzzy numbers, because different computation and ranking of fuzzy numbers may result in the different ranking of alternatives. Since the extent analysis method derives the crisp priority vector from fuzzy comparison matrices, it eliminates the need for additional computation and ranking of fuzzy numbers. This method is used in much research, but, in this paper, it is indicated that the priority vector of this method is not appropriate. To overcome this defect, in this paper, a new meta-heuristic based algorithm is proposed to derive the crisp priority vector from fuzzy comparison matrices. Furthermore, in order to illustrate the proposed method of this paper, it is compared with four methods available in the literature. The computational results indicate that the proposed method is appropriate for deriving the crisp priority vector from fuzzy comparison matrices.
    Keywords: Analytic hierarchy process, priority vector, multiple criteria decision making, meta, heuristic algorithms
  • S.H. IRANMANESH, H. RASTEGAR*, M.H. MOKHTARANI Pages 49-59
    Global competitiveness has recently become a big challenge for many companies around the world, which are forced to seek lower costs and higher quality for what they produce. The prosperity of manufacturing firms depends on selecting and producing products which provide customer satisfaction to meet multiple objectives. If a company is able to produce customer-oriented products at a low price and in minimum time, it can be successful. So, customer need analysis should be paid attention to in product development and the design phase. Also, the technical capabilities of a manufacturing firm and the restrictions of a company should be considered. In this way, they have one big challenge: How can they respond effectively to different and easily changing customer demands? By focusing on customer opinion, Quality Function Deployment (QFD) has been developed. Quality Function Deployment (QFD) is a robust, efficient and powerful tool in the design, development and planning of products. QFD has been used in many industries and companies over the last few decades. The main function of QFD is conversion of the voice of the customer (VOC) to Technical Characteristics(TCs). However, it is not always easy to prioritize and assess TCs during the total mass of information from the different customer attitudes. This paper provides a methodology for the development of an intelligent Quality Function Deployment (IQFD) and points for developing an intelligent system based on a fuzzy inference system, in order to capture information through the House of Quality (HOQ) matrix. The paper describes the need for development of intelligent QFD to make it easier for engineers and managers to choose between TCs and improve the quality of products and systems. This paper is composed of a background of QFD, a review of related research work, and representation ofan intelligent system for its analysis. Then, it applies the proposed methodology to a case study of House of Quality for the design of a new undergraduate curriculum in the mechanical engineering department of the university of Wisconsin-Madison.
    Keywords: Quality function deployment, house of quality, expert system, fuzzy inference system, technical characteristics
  • M. Karimi, A. Kazemi*, M. Azizmohammadi Pages 61-71
    Supplier selection is one of the most critical activities of purchasing management in a supply chain, because of the key role of supplier performance in cost, quality, delivery and service towards achieving its objectives. Selecting the right supplier signi cantly reduces purchasing costs and improves corporate competitiveness, which is why many experts believe that supplier selection is the most important activity of a purchasing department. Supplier selection is a multiple-criteria decision-making (MCDM) problem that is a ected by several con icting factors. Consequently, a purchasing manager must analyze the trade-o between the several criteria. MCDM techniques support the decision makers (DMS) in evaluating a set of alternatives. In a real situation, for supplier selection problems, the weights of criteriaaredi erentanddependonpurchasingstrategies in a supply chain. It is a common practice for suppliers to o er quantity discounts to encourage the buyer towards larger orders. In this case, the buyer must decide what order quantities to assign to each supplier. This is a complicated multiobjective decision-making problem a ected by several con icting factors. This paper develops a mixed integer nonlinear programming model to coordinate the system of a single buyer and multiple vendors under an incremental quantity discount policy for the vendors. In this paper, in addition to considering incremental discount strategies, the cost of shortages is also considered. In this model, three goals, including minimization of buyer costs, volume of defective produce and delayed received goods, are considered. Two Pareto-based multi-objective meta-heuristic algorithms, namely; the non-dominated sorting genetic algorithm (NSGA-II) and the non-dominated ranking genetic algorithm (NRGA), are proposed to solve the supplier selection proposed model. Since the solution quality of all meta-heuristic algorithms severely depends on their parameters, the Taghuchi method has been utilized to tune the parameters of the algorithms. Finally, computational results obtained by implementing the algorithmsonseveralproblemsofdi erentsizesdemonstrate the performance of the proposed methodologies.
    Keywords: Supply chain, supplier selection, multi objective decision making, non, dominated sorting genetic algorithm, non, dominated ranking genetic algorithm
  • M. KARBASIAN*, B. KHAYAMBASHI, O. YOUSEFI, P. NASERI Pages 73-81
    The process of development and expansion of advanced industries with abundant industrial production in the current era reveals the necessity of the implementation of preventive methods in dealing with possible failures. This necessity becomes more evident in industries whose real value of produce encompasses a large volume of potential assets (e.g. the munitions industry). Reliability is one of the most important qualitative characteristics of components, products, and large, complex systems that play a crucial role in the performance of such equipment.
    Modern engineered products, from each component to large systems, must be designed and produced in such a way as to have the necessary reliability. In every industry, especially the aerospace industry, it would be dangerous and harmful from different economic, human, and political aspects when a system fails or becomes dysfunctional. The current trends in various industries indicate that establishing a system capable of quickly referring the failure rate of a product, or estimating its reliability, is a requirement for each industry. The reliability of a system is the probability that the system will perform a given task under certain conditions and at certain time intervals.
    According to this definition, it is obvious that reliability indicates the continuation of functionality without failure (e.g. in accomplishing a mission). Therefore, reliability is defined as the probability that a system or component remain functional without failure. Reliability is of crucial importance in the arms industry. One of the products of the arms industry is the anti-aircraft missile, which is used against enemy threats. If such a product is functional or becomes functional late, there will be irreparable damage, which itself adds to the importance of the product.
    In this study, first FFBD and FBD are used in order to calculate reliability and improve the functionality of munitions and weapon systems. Then, higher levels of FTA are identified using a FBD. After that, RBD is prepared, and reliability is estimated using the Fuzzy-Bayesian technique. Finally, design errors are identified and improved using a Fuzzy FMEA.
    Keywords: Reliability, function ow block diagram (FBD), fault tree analysis (FTA), fuzzy bayesian networks, failure mode, e ect analysis
  • M. BASHIRI*, H. HASANZADEH Pages 83-91
    In most experiments, the experimenter is interested in identifying effective controllable factors to model their relationship function. The classic approaches of response surface methodology and experimental design need to meet some requirements such as residual normality. However, in many real world applications, the assumptions may be violated. In such cases, data transformation methods can be an alternative. However, the mentioned method may increase total error in multiple response analyses. Genetic programming is a meta-heuristic approach in determination of effective controllable variables, and has been previously applied to many areas. One of the major differences between GP and the GA (Genetic Algorithm) is in the representation of the solution. In addition, GP is used to identify a suitable relationship function between variables, while the GA is used to optimize an objective function and find the near optimal values of decision variables. Therefore, each solution in GP represents one equation of the relationship function between variables. In this paper, genetic programming is applied for determination of the relation function between the response variables and controllable factors for non-deterministic, non-normal distributed responses. In other words, three steps are considered in the proposed method. In the first step, a relation function is estimated for each response according to the GP. Then, all estimated response functions are aggregated to a single response by the desirability function. In the last step, a GA is used for optimization of the extracted integrated function. Moreover, three examples are used to illustrate applications of the proposed method. In the first example, the efficiency of the proposed method in a single response problem is considered. The second example is used to compare the performance of the proposed method with the result of the regression method, while residuals have non-normal distribution. In the last example, the proposed method is applied to a multi-response problem in a real case study from the literature. Finally, the computational results of simulated data and previous studies confirm that the proposed method has a proper performance in determination of a suitable level of controllable factors.
    Keywords: Design of experiments, multi response variables, non, deterministic residuals distribution, genetic programming, genetic algorithm
  • R. Mohammadi, S.M.T. Fatemi Ghomi*, F. Jolai Pages 93-105
    Logistics management is a key issue that should be considered for an appropriate response to earthquakes. The problem of interest is the outgrowth of a recent paper [2], where they focused on the logistics of relief items among distribution centers, and the demand nodes and logisticsofinjuredpersonsamonga ectedareasandhospitals for a prolonged period of time. The main drawback of their approach is that vehicles require to travel long distances among demand points, distribution centers and hospitals. In fact, they did not consider intermediate/temporary nodes to facilitate the logistics operations. In practice, temporary depots and medical centers are also established to facilitate the logistics of commodities and for serving injured people. This paper presents a multi-objective, multi-period model to manage the logistics of both commodities and injured people in the earthquake response phase. In the presented model, the optimal location of temporary distribution centers and the optimal capacity of medical centers are considered. Relief items can either be directly delivered from distribution centers to a ected areas or they can be shipped from distribution centers to temporary depots, and, then, from temporary depots to a ected areas. According to uncertain parameters, such as demand quantity, supply quantity, number of injured persons and capacity of medical centers, a robust optimization method is applied to deal with uncertainties. The presented model attempts to minimize the number of unserved persons, the number of unsatis ed demands and the number of utilized vehicles. The rst two objectives are humanitarian objectives and the third leads to cost e ectiveness. The objective functions are of di erent importance. Humanitarian objectives are naturally more important than the third objective. Therefore, the hierarchical approach proposed in [2] is applied to solve the presented model. This approach achieves the optimal solution if the multi-objective model has a single optimal solution. Otherwise, it attains one of the optimal solutions. Finally, the logistics of commodities and injured persons in region 17 of Tehran are studied using the proposed model.
    Keywords: Humanitarian logistics, disaster relief, robust optimization, temporary distribution, medical center, response to earthquake
  • A. E. JAHROMI*, S.H. AHMADI, S. GHEYSIPOUR Pages 107-115
    The maintenance process is one of the most necessary processes in every organization, whose main task is to maintain machines in desired conditions or restore machines from non-optimal (non-operational) to optimal (operational) conditions. Machine failure results in the loss of availability time of machines and an increase in organizational costs. It increases the time of production causing irreparable damage to the company. Therefore, improving process performance and, as a result, improving the maintenance process, has been considered by many experts. In this paper, first we calculate the maintenance index, such as, ``Mean Time Between Failure'', ``Mean Time To repair'', and ``Mean Time To Failure''. Calculating this index is undertaken by using two approaches; ``time of declaration'' and ``time of repair''. Then, we calculate ``reliability'', and ``availability in time units'' for 3 machines: a 250 ton hydraulic, a 65 ton press and a heckert type. By checking the routine of failure in the past (during the first 8 months of 1388) and forecasting the following 4 months, it is seen that this failure follows an exponential distribution using the chi-square test. In addition, we proposed a new model for reasons behind machine failure, in which the greatest emphasis is on the major delays not due to repair. Also, we used this model to find the rate of delay for more important machines in the system. Finally, a table is created to explain the total rate of units for the delay factor at Mahd Khodro Fesharaki Company. The greatest effect is the lack of commitment of contractors, management weakness of the maintenance unit, and financial issues. It should be noted that the goal of this paper is to identify weakness and delay factors, so a solution is proposed for improving these delay factors and weaknesses.
    Keywords: reliability, availability, maintenance, mean time between failure, mean time to repair, failure probability
  • A. NOROOZIAN, A. E. JAHROMI* Pages 117-124
    In the process of designing a product or a physical system, reliability engineering is an important factor to be considered. Also, as an essential step in reliability evaluation during the design phase, it is necessary to allocate reliability to subsystems, in such a way that full system reliability is satisfied. Performing this process, which is called reliability allocation, creates a more reliable and competitive system, which, at the same time, is compatible with our limitations. The consequences of considering this phase in designing a product are improved design and manufacturing methods, and, as a result, it is possible to gain cheap and reliable products compatible with customer demand. Many parameters that exist in the process of reliability allocation have been generated based on research investigations. These techniques have different attitudes towards performing an allocation process. By analyzing these approaches, the researchers discovered remarkable disorders. These disorders are consequences of weaknesses, some of which all techniques share. One important aspect not considered in these techniques, and considered to be a great weakness, is the importance of subsystems, regarding their place in system configuration and their contribution to full system reliability. In this study, according to the importance and effectiveness of reliability importance measures, we have utilized them as an approach to suggest a new and effective technique. In this process, we use the technique of reliability importance measures to propose a new way to overcome this weakness, and, in two examples, will show the effects of using these measures in the process of reliability allocation. Based on a comparison between the new technique and the two most applicable techniques in literature; ARINC and MAXIMAL ENTROPY, using one hypothetical and one real example, we have shown the preferable results of the new technique.
    Keywords: Reliability allocation, reliability importance measures, fundamental problems, subsystem role in system reliability
  • M. S. OWLIA, F. SHAKOUHI*, Y. Z. MEHRJERDI (Ms) F. NEZHAD Pages 125-133
    Although most companies spend less on product design, experience shows that, these companies have to pay higher costs due to production problems or loss of market. Literature studies show that the Design for Six Sigma is a powerful approach for designing products, processes and services. While the tools used in Six Sigma require a process to be in place and functioning, DFSS has the objective of determining the needs of customers and the business, and driving those needs into the product solution so created. DFSS is relevant to the complex system/product synthesis phase, especially in the context of unprecedented system development The aim of this project is to provide a global method for designing robust products based on the Design for Six Sigma methodology. The methodology integrates three concepts: reliability-based optimization, robust design and multi-objective optimization.The methodology proposed for the design of Six Sigma can be explained in four stages: formulation, optimization, simulation and selection. The algorithm is to generate several Pareto-optimal solutions at the optimization stage. The algorithm was applied to the design of lightweight concrete blocks, with consideration of customer need, in three main areas: weight blocks, cost blocks and strength blocks. First, considering expert preferences, the mathematical modeling of the blocks was determined. Second, interactive multi-objective algorithms, taking the decision maker's preferences into account, were developed to generate twelve Pareto-optimal solutions that maintain a probability of constraint satisfaction. Then, 1 solution optimization (per cubic meter of: 409 kg of cement, 1.4 kg of Polypropylene fibers, 12.14 kg of silica and 8.8l of foam) was adopted for implementation as a compromise between the three criteria (the savings compared to the baseline solution, the coefficient of variance (robustness), and the degrees of desirability). The results show that the variable Polypropylene fibers cause the most variations in cost functions, while Polypropylene fibers, silica, water and foam are the most critical variables for the constraint. Blocks were built and compressive strength was obtained that was consistent with the calculated result.
    Keywords: Design for six sigma, robust design, optimization, reliability, lightweight concrete block
  • J. NASIRI, P. AZIMI* Pages 135-140
    This paper describes the application of simulation in the bi-objective optimization of an inventory control problem, which is based on a (R,Q) policy, in an inventory storage system composed of three stores, for an industrial chalk production company. In this inventory policy, when the inventory level is R or less than R, the order is released in amounts of Q. This policy is placed in an inventory policy group with a fixed order size. In this system, customers enter with a probability distribution function and have a demand with a distinct probability distribution. Customers go to stores for their needs, and the system for accountability to customers replenishes the stores. In this paper, the objective is to determine the amounts of R and Q in order to minimize daily inventory holding costs in each store, and also to minimize customer waiting time in the system. For this purpose, using an optimization approach via simulation, the storage system of a company is simulated using an ED model. The simulation model indicates the structure, manner and operation of the system. In this model, using 4Dscript programming language, the manner of the system is coded. After model validation of the present condition of the system using Mann-Whitneys nonparametric test and through the 2k factorial design, scenarios were designed. By executing them in the simulation model, the amount of customer waiting time in the system and the mean of inventory holding costs in each store for (R,Q) compounds are obtained. Through the amount of objective function for each compound, non-linear regression models for inventory holding cost and customer waiting time in the system were obtained using Minitab. By solving the regression models using a genetic algorithm, possible answers for problem variables were obtained in a Pareto chart and the results were compared to the present condition of the system. In order to improve system operation among the compounds obtained from regression models, shown in the Pareto chart, the management specifies a mixture for determining the policy programming and inventory control of the company.
    Keywords: Inventory policy, optimization, simulation, experiment design, regression, holding cost
  • M. SEPEHRI*, M. AFTABI Pages 141-152
    Progressive developments in economics, society and politics have raised knowledge as a key element in development and competitiveness, and knowledge management is considered to be an essential element in this field. By taking the temporary nature of the project into account, dynamics and competitiveness in project-oriented organizations within the business world make the preservation and management of knowledge in project-based organizations more important. The lesson learned system is a knowledge management tool that proposes strategic solutions that avoid wasting time and money and makes perfect use of knowledge management accomplishments. Lessons learned (LL) systems have been deployed in many military, commercial, and government organizations to disseminate validated experiential lessons. They support organizational LL processes, and implement a knowledge management (KM) approach for collecting, storing, disseminating, and reusing experiential working knowledge that, when applied, can significantly benefit targeted organizational processes. An effective lesson learned process can substantially improve decision processes, thus, representing an essential chapter in knowledge sharing and knowledge management. Unfortunately, these systems typically fail to deliver lessons when and where they are needed.
    In this study, using a literature review, interviews and a case study, a roadmap for implementing the lesson learned system is explained in four stages. First, we illustrate the lesson learned and the learning in the project using a literature review. Second, we detail an understanding of commonly used methods in Iran obtained from two information sources; 1) interviews 2) a case study. Third, the information is analyzed and a conceptual model is developed based on the content analysis of data obtained in the second stage. Finally, we develop a roadmap by identifying key issues in the third stage and by adding activities and checklists to pursue its activities. This project learning roadmap assists business leaders in improving the lesson learned process. This model enables organizations to develop exclusive solutions tailored to the needs of the stakeholders.
    Keywords: Project management, knowledge management, lesson learned, roadmaps