فهرست مطالب

مهندسی صنایع و مدیریت شریف - سال سی و سوم شماره 2 (1396)
  • سال سی و سوم شماره 2 (1396)
  • تاریخ انتشار: 1396/10/20
  • تعداد عناوین: 13
|
  • پژوهشی
  • اسماعیل مهدی زاده*، ناصر پیامی صفحات 3-13
    در این پژوهش مدل ریاضی برای برنامه ریزی تولید در محیط های تولیدی ترکیبی ساخت ذخیره یی و ساخت سفارشی با درنظرگرفتن فعالیت های نگه داری و تعمیرات ارائه می شود. برای حل مدل ارائه شده در ابعاد کوچک از روش شاخه وکران با نرم افزار لینگو ویرایش 8 بهره گرفته می شود. اما به دلیل ماهیت N P-h a r d بودن مسئله، برای حل مسائل با ابعاد متوسط و بزرگ از الگوریتم های فراابتکاری ژنتیک و بهینه سازی ازدحام ذرات بهره گرفته شده است و پارامترهای این الگوریتم ها به روش تاگوچی تنظیم می شوند. نتایج محاسباتی نشان می دهند که الگوریتم های ارائه شده در حل مسئله ی مورد مطاالعه از کارایی مناسبی برخوردار هستند. همچنین دو الگوریتم ژنتیک و بهینه سازی ازدحام ذرات پیشنهادی با هم مقایسه شده اند. از نظر گرافیکی الگوریتم ژنتیک پیشنهادی نسبت به الگوریتم بهینه سازی ازدحام ذرات پیشنهادی برتری نسبی دارد اما از نظر آماری تفاوت معناداری بین الگوریتم های پیشنهادی وجود ندارد. همچنین به منظور اعتبارسنجی مدل و بررسی تاثیر واردکردن، نگه داری و تعمیرات در مدل با کمک یک مثال عددی نشان داده شده است که با تاثیردادن نگه داری و تعمیرات در مدل، به طور چشم گیری هزینه ی کل سیستم کاهش می یابد.
    کلیدواژگان: ساخت ذخیره یی، ساخت سفارشی، نگه داری و تعمیرات، الگوریتم ژنتیک، الگوریتم بهینه سازی ازدحام ذرات
  • مهدی علینقیان*، زهرا کاویانی دزکی، سیدرضا حجازی صفحات 15-25
    لجستیک به دلیل داشتن فعالیت های حمل ونقلی نقش زیادی در تولید گازهای گل خانه یی دارد. از آنجایی که مسیریابی موجودی به دلیل پاسخگویی هم زمان به مسیریابی وسایل نقلیه و سطوح موجودی، نقش مهمی در کاهش هزینه های لجستیک دارد و از سویی دیگر در بسیاری از شرکت های توزیع، وسایل نقلیه اجاره یی هستند و به بازگشت به انبار پس از تخلیه نیاز نیست، در این مقاله مدلی برای مسئله ی مسیریابی موجودی با در نظر گرفتن کاهش مصرف سوخت و کاهش هزینه های موجودی ارائه شده است. برای حل مسئله یک روش فراابتکاری بهبودیافته ی ترکیبی مبتنی بر الگوریتم تکاملی تفاضلی و الگوریتم سازنده ی کلارک و رایت ارائه شده است. به منظور صحه گذاری بر روش حل پیشنهادی در ابعاد کوچک الگوریتم پیشنهادی با جواب حاصل از حل دقیق برای چند مسئله ی نمونه مقایسه شده است. در ابعاد بزرگ نیز به بررسی کارایی الگوریتم پیشنهادی پرداخته شده است.
    کلیدواژگان: مدل های ریزمقیاس انتشار، مسیریابی وسایل نقلیه، هزینه های موجودی، الگوریتم کلارک و رایت، الگوریتم تکاملی تفاضلی
  • نسیم نهاوندی*، میلاد شریفی نیا صفحات 27-37
    با توجه به اهمیت صنعت بیمه در رشد و توسعه ی اقتصادیٓ اجتماعی جوامع، بهبود عملکرد این صنعت که در گرو ارتقای کارایی شرکت های بیمه ی فعال در آن است، از ضروریات اقتصاد هر کشوری به شمار می رود. هدف از انجام این مطالعه، ترکیب دو رویکرد B S C و D E A، به منظور ارائه ی مدلی جامع برای ارزیابی عملکرد شرکت های بیمه است. در این پژوهش، ابتدا بر اساس روش B S C و از طریق مطالعه ی اسنادی و مصاحبه با کارشناسان صنعت بیمه، مهم ترین شاخص های عملکردی در چهار حوزه ی مالی، مشتری، فرایندهای داخلی و رشد و یادگیری شناسایی شده و سپس با استفاده از روش D E A، کارایی یک نمونه 18تایی از شرکت های بیمه ی خصوصی ایران از چهار منظر B S C اندازه گیری شده است. نتایج نشان می دهد که عملکرد شرکت های بیمه مورد نظر از منظرهای B S C قابل قبول است و در رتبه بندی کلی، سه شرکت پارسیان، آرمان و سینا به ترتیب در رتبه های اول تا سوم قرار گرفته اند.
    کلیدواژگان: ارزیابی عملکرد، کارت امتیازی متوازن (B S C)، تحلیل پوششی داده ها(D E A)، شرکت های بیمه
  • سیدمهدی حسینی سرخوش، پیمان اخوان*، مرتضی عباسی صفحات 39-49
    یکی از چالش های عمده در پروژه های توسعه ی محصول جدید از دست دادن دانش کسب شده توسط اعضای تیم پروژه در طول چرخه ی عمر پروژه است. در چنین پروژه هایی معمولا سه نوع تسهیم دانش رخ می دهد: 1. تسهیم دانش بین اعضای تیم پروژه در حوزه های تخصصی خود؛ 2. تسهیم دانش بین اعضای تیم پروژه و همکاران آنها در بخش مربوط در حوزه ی تخصصی؛ 3. تسهیم دانش بین اعضای تیم پروژه و همکاران آنها در بخش مربوط در حوزه های غیرتخصصی. بنابراین، در این تحقیق تلاش شده است با فرمول بندی مسئله ی انتخاب اعضای تیم پروژه در قالب یک مدل برنامه ریزی عدد صحیح غیرخطی مختلط این سه نوع تسهیم دانش بهینه شود. نتایج حاصل از آزمایش مدل پیشنهادی در یک مطالعه ی موردی از صنعت خودروسازی اثربخشی روش پیشنهادی را در انتخاب افراد مناسب برحسب عملکرد مورد انتظار از آنها در تسهیم دانش چه در درون تیم پروژه و چه در خارج از آن تایید کرده است.
    کلیدواژگان: تسهیم دانش، تیم پروژه، توسعه محصول جدید، مدل سازی ریاضی
  • حسین ایزدطلب، علی شاهنده *، مهدی علینقیان صفحات 51-62
    بسیاری از تاسیسات نفت وگاز در دریاها واقع شده اند که به شبکه ی پشتیبانی قابل اعتماد و موثر برای حمل کالاها و اقلام از انبار پشتیبانی به تاسیسات دریایی نیاز دارند. مسئله ی برنامه ریزی شناورهای پشتیبانی یک مسئله ی حمل ونقل دریایی است که شامل مشخص کردن ترکیب بهینه ی ناوگان، سفرها و زمان بندی مربوط به آنها به منظور پشتیبانی تعداد مشخصی از تاسیسات دریایی است. در این پژوهش در راستای برنامه ریزی مناسب شناورهای پشتیبانی مطابق با شرایط دنیای واقعی ویژگی هایی مانند جریان برگشتی و امکان جابه جایی محموله ها بین تاسیسات دریایی ملاحظه و یک روش حل دقیق الف( تولید سفر و ب) حل یک مدل عدد صحیح بر پایه ی سفرهای تولیدشده ارائه شده است. به منظور حل ابعاد بزرگ یک الگوریتم جست وجوی ممنوعه و یک روش حل ابتکاری ارائه شده است.
    کلیدواژگان: حمل ونقل دریایی، مسیریابی دوره یی، تعیین ناوگان بهینه، تحویل و بارگیری هم زمان، جست وجوی ممنوعه
  • محمد همتی *، علی باهو صفحات 63-74
    مدیریت ریسک مهم ترین بخش مدیریت پروژه است که کمتر در سازمان ها به آن پرداخته و به صورت نظام مند اعمال می شود. در این تحقیق یک مدل تلفیقی از روش دیمتل فازی و تحلیل سلسله مراتبی فازی برای شناسایی، رتبه بندی و ارزیابی عوامل ریسک ها در پروژه های نیروگاهی ارائه شده است. از نتایج مهم تحقیق شناسایی عوامل علی و تعیین عوامل اصلی ریسک در پروژه های نیروگاهی است. رتبه بندی این عوامل نشان می دهد که در میان معیارهای اصلی تحقیق، عوامل اجرا و ساخت بالاترین رتبه را کسب کرده اند. ریسک اجرا و ساخت که در وزن دهی با تحلیل سلسله مراتبی دارای رتبه ی اول است، با روش دیمتل نیز بیشترین وزن را دارد و با سایر معیارها در تعامل حداکثری قرار دارد؛ از این رو به دلیل اثرپذیری بیشتر معیاری معلول محسوب می شود.
    کلیدواژگان: رتبه بندی ریسک، تصمیم گیری چندمعیاره، تحلیل سلسله مراتبی فازی، دیمتل فازی
  • رضا رمضانیان *، محمد سعیدی مهرآباد، امین شهامت نادری صفحات 75-83
    امروزه یکی از رویکردهای پیشنهادشده برای کاهش زمان پاسخ در عملیات امدادرسانی سازمان های بشردوستانه استفاده از تفاهم نامه های همکاری برای تامین اقلام حیاتی است. تامین کنندگان در طول افق زمانی تفاهم نامه و در صورت نیاز سازمان امدادی موظف به تحویل اقلام حیاتی هستند. در این مقاله، مدلی برای انتخاب تامین کنندگان اقلام امدادی در قالب قراردادهای همکاری، با توجه به عملکرد زمان تحویل (سرعت عمل) تامین کننده، ارائه شده است. در مثال عددی ارائه شده مقدار تابع هدف نسبت به روش های گذشته افزایش یافته است؛ اما با توجه به دخیل شدن پارامتر زمان تحویل عملکرد مورد انتظار کل سامانه نیز پایدارتر شده است. هدف اصلی پژوهش، انتخاب ترکیب بهینه ی تامین کنندگان و تخصیص اقلام موردنظر به آنها در سناریوهای مختلف است که این کیفیت در روش ارائه شده بهبود یافته است. برای بررسی عملکرد مدل در داده هایی با مقیاس واقعی مسئله ی انتخاب تامین کنندگان آب آشامیدنی در سطح استان مازندران در زمان بحران تعریف شد.
    کلیدواژگان: انتخاب تامین کننده، تفاهم نامه ی همکاری، زنجیره ی تامین بشردوستانه، عملکرد تحویل
  • سیدمحمدتقی فاطمی قمی*، واحد اداک، فریبرز جولای صفحات 85-94
    در این مقاله مسئله ی توالی عملیات برروی ماشین های موازی یکسان با معیار کمینه سازی مجموع دیرکرد کل کارها بررسی می شود. مدل برنامه ریزی عدد صحیح مختلط کارایی برای مسئله ی مورد نظر ارائه می شود؛ سپس مدلی پیشنهادی برای به دست آوردن حد پایین بهتر و کاراتر از یکی از حدود پایین موجود در پیشینه ی پژوهش های مسئله ارائه می شود. مسئله ی ماشین های موازی یکسان با تابع هدف کمینه سازی مجموع دیرکرد کل کارها تعمیم یافته ی مسئله ی تک ماشینی است و این مسئله جزء مسائل N P-h a r d دسته بندی می شود. از این رو مدل ارائه شده توانایی حل بهینه ی مسائل با اندازه ی بزرگ در زمان منطقی را ندارد. به همین دلیل برای حل مسئله در اندازه های متوسط و بزرگ و نیز ارزیابی کارایی حدپایین به دست آمده از مدل پیشنهادی و حد پایین موجود در پیشینه، الگوریتم فراابتکاری شبیه سازی تبرید اصلاح شده یی که برای اولین بار از عملگر تقاطع و جهش برای ایجاد جواب همسایگی بهره می برد، ارائه می شود.
    کلیدواژگان: ماشین های موازی، مجموع دیرکرد کل کارها، الگوریتم شبیه سازی تبرید اصلاح شده، برنامه ریزی عدد صحیح مختلط
  • عارفه طاهرخانی، کوروش عشقی*، علی اکبر برومند شریفی صفحات 95-104
    در این مطالعه یک مدل ریاضی برای مسئله ی مکان یابیٓ مسیریابی پیوسته و چند انباره با وجود محدودیت های موجودی ارائه شده است. ساختار مسئله ی پیشنهادی این چنین است که یک زنجیره ی تامین سه سطحی در نظر گرفته شده است که در سطح اول آن یک کارخانه با ظرفیت موجودی نامحدود وجود دارد و یک نوع محصول تولید می کند. در سطح دوم چندین مرکز توزیع وجود دارند که متعلق به کارخانه هستند و به عنوان توزیع کننده ی این محصول عمل می کنند. در سطح سوم مجموعه یی از مشتریان قرار دارند که در نقاط مختلف جغرافیایی پراکنده شده اند. محل مشتریان در سطح سوم از پیش مشخص شده است اما محل مراکز توزیع نیاز به مکان یابی دارد که در این مسئله انبارهای میانی از یک فضای پیوسته انتخاب می شوند. این کارخانه به عنوان رهبر زنجیره به دنبال تعیین برنامه ی توزیع محصولات به گونه یی است که هزینه های کل سیستم کمینه شود. مدل ریاضی این مسئله یک مدل N P-h a r d است. از این رو، برای مسائل با اندازه ی متوسط و بزرگ یک روش فراابتکاری برای حل مسئله ارائه می شود که در آن یک الگوریتم سه مرحله یی توسعه داده می شود؛ مرحله ی اول با استفاده از رویکرد منطقه ی محدود و الگوریتم صرفه جویی اصلاح شده به تولید مکان و مسیریابی اولیه می پردازد. مرحله ی دوم با استفاده از الگوریتم ویزفلد به بهبود مکرر تصمیمات مکان یابی و مسیریابی می پردازد و در مرحله ی آخر الگوریتم با گنجاندن تنوع بخشی و تشدید جست وجو به طور تکرارشونده و موثر به دنبال جواب بهتر می گردد. الگوریتم ارائه شده قادر است بهترین جواب یافت شده به وسیله ی حل کننده ی گمز را در محدوده های زمانی 10800 ثانیه و 18000 ثانیه، به طور متوسط 0٫62 درصد، با تلاش های محاسباتی بسیار کمتر، بهبود بخشد. همچنین، در مسائل با اندازه های متفاوت الگوریتم در طی سه فاز به سمت جواب بهتر حرکت می کند. در اندازه ی کوچک مسئله میانگین درصد انحراف از جواب بهینه در مراحل مختلف تنها 0٫07، 0٫05، 0٫03 و 0٫02 است. در اندازه های متوسط و بزرگ میانگین درصد بهبود در هر مرحله نسبت به مرحله ی قبلی به ترتیب 2٫83، 1٫89 و 1٫29 درصد است که این مقادیر برای اعداد بزرگ بهبود چشم گیری است.
    کلیدواژگان: مکان یابی پیوسته ی تسهیلات، مسیریابی وسایل نقلیه، زنجیره ی عرضه ی سه سطحی، مسئله ی مکان یابی - مسیریابی - موجودی
  • دنیا رحمانی * صفحات 105-115
    درمسائل زمان بندی اختلالات غیرمنتظره یی رخ می دهد که باعث می شود یافتن جواب های باثبات حتی نسبت به یافتن جواب های بهینه کاراتر باشد. تاکنون در مواجهه با چنین اختلالاتی، یا از روش های مبتنی بر شبیه سازی استفاده شده است که بسیار وقت گیرند یا مقیاس های جای گزینی توسعه داده شده اند که تقریبی از شرایط واقعی سیستم بعد از اختلال را پیش بینی می کنند که ضعف های زیادی دارند.
    در این مقاله برای به دست آوردن زمان بندی باثبات، در برابر اختلالاتی که به صورت ورود غیرمنتظره و پیش بینی نشده ی کارهای جدید است، یک رویکرد نوین واکنشی چندهدفه ارائه شده است که بعد از هر اختلال به زمان بندی مجدد سیستم می پردازد و عملکرد آن با یک مطالعه ی موردی در صنعت شیرآلات نفتی بررسی شده است. نتایج محاسباتی حاکی از آن است که رویکرد پیشنهادی در برابر روش های موجود عملکرد بهتری دارد.
    کلیدواژگان: زمان بندی آنی، اختلال، مقیاس های جای گزین، ثبات، زمان بندی واکنشی
  • سمیرا مقدم *، هاشم محلوجی صفحات 117-126
    در این مقاله یک روش جدید برای حل مسئله ی بهینه سازی استوار زمان بندی قطارها در مترو بر مبنای شبیه سازی ارائه شده است. هدف یافتن سرفاصله هاست به نحوی که میانگین مدت انتظار مسافران بهینه و نرخ حمل مشخصی تامین شود. در مدل شبیه سازی محدودیت های مدت توقف قطارها در ایستگاه ها، ظرفیت ایستگاه ها، سبقت گیری و رعایت فاصله ی ایمنی قطارها با توجه به شرایط عمومی شبکه های مترو در نظر گرفته شده است. فرض براین است که پارامترهای نرخ ورود مسافران به ایستگاه ها و زمان طی بلاک ها توسط قطارها غیرقطعی هستند. برای حل مسئله یک روش جدید بهینه سازی شبیه سازی استوار به کمک شبه مدل کرایگینگ تصادفی و با بهره مندی از روش بهینه سازی استوار برتسیماس و سیم ارائه شده است. در پایان مطالعه ی موردی بر روی خط یک شبکه ی متروی تهران انجام و نتایج به دست آمده ارائه شده است.
    کلیدواژگان: خطوط ریلی، زمان بندی، بهینه سازی شبیه سازی، بهینه سازی استوار، شبه مدل کرایگینگ تصادفی
  • یادداشت فنی
  • سعید خلیلی*، یحیی زارع مهرجردی صفحات 127-136
    در این پژوهش سعی شده است تا با رویکردی جدید و با استفاده از یک مدل بهینه سازی مبتنی بر نظریه ی صف، که در واقع یک نوع مدل کوله پشتی دوبعدی محدود فازی است، تعداد بهینه ی انواع اتاق های هتل به دست آید. با توجه به عدم قطعیت موجود در برخی از پارامترهای مسئله، تابع هدف مدل پیشنهادی به صورت یک تابع هدف با ضرایب فازی ارائه شده است. برای حل این مدل، ابتدا تابع تک هدفه ی فازی با استفاده از روش لای و هو آنگ به تابع سه هدفه ی قطعی تبدیل می شود. به کمک روش فازی ترابی و حصینی مدل سه هدفه ی قطعی به دست آمده به مدل تک هدفه ی قطعی تبدیل و در نهایت با کدکردن این مدل تک هدفه در برنامه ی متلب، ظرفیت بهینه ی هتل به دست می آید. بر خلاف روش های پیشین که برای شرایط خاصی قابل استفاده بودند، مدل پیشنهادی برای شرایط مختلف توسعه پذیر است.
    کلیدواژگان: ظرفیت بهینه ی هتل، مسئله ی کوله پشتی، نظریه ی صف، برنامه ریزی فازی، روش لای و هوآنگ، روش ترابی و حصینی
  • مجید رفیعی*، عطیه محمدی طلب صفحات 137-148
    در این نوشتار دو مدل ریاضی مختلط عدد صحیح برای طراحی سیستم تولید سلولی ارائه شده است. در مدل اول به بررسی هزینه های پیکربندی، پیکربندی مجدد، نصب و قطع ابزار، مصرف ابزار و خرابی ماشین آلات در محیطی پویا پرداخته شده است. در مدل دوم هزینه های مربوط به استخدام، اخراج، حقوق و دستمزد اپراتور کمینه می شود. یکی از نوآوری های اساسی این مدل درنظرگرفتن سطوح مختلف مهارتی بر اساس ویژگی یادگیری و فراموشی اپراتور است. همچنین به منظور به دست آوردن جواب بهینه، مدل سومی طراحی شده است که هر دو مدل اول و دوم را دربرمی گیرد. مدل ها در نرم افزار گمز کدنویسی شده اند و نمونه های عددی از آن ها حل شده است. همچنین، به بررسی مقادیر بهینه و زمان حل هر یک از مدل های خطی و غیر خطی و بررسی مقادیر بهینه ی مدل سلسله مراتبی و هم زمان پرداخته شده است.
    کلیدواژگان: سیستم تولید سلولی، تخصیص اپراتور، اثر یادگیری و فراموشی اپراتور، ماشین آلات چندکاره، خرابی ماشین آلات
|
  • N. Payami, E. Mehdizadeh * Pages 3-13
    In this paper, we present a mathematical model in Make to Stock (MTS) and Make to Order (MTO) production environments in order to entry stage. By solving this model, priceandleadtimeoforderswillbefavorablyobtained with respect to the maintenance activities. Also, in this study, scheduled preventive maintenance on assembly resources will be characterized. The proposed mathematical model is a mixed integer linear programmingmodel. Afterpresentingmathematicalmodel,solving methods and various numerical examples in di erent dimensions are given. To solve the proposed model, at rst, we use an exact method. The exact method is applied by optimization software, namely lingo 8.0. After solving the proposed model by Lingo 8.0 software, the results show that lingo software is not able to solve the model in medium- and large- sized problems in a reasonable time. The proposed model is classi ed among the NP-hard problems. In NP- hard problems, by increasing dimension of problems, the time taken for solving the models increases exponentially. It is also appropriate for our model. For solving NP-hard problems at the appropriate time, the metaheuristic algorithms are applied. Therefore, for solving the proposed model in medium and high dimensions, two meta-heuristic algorithms, namely genetic algorithm (GA) and particle swarm optimization (PSO) algorithms have been used. The comparison between the meta-heuristic algorithms and output of Lingo 8.0 software shows that the suit ability of the proposed algorithms for solving the model in medium and high dimensions. Finally, we consider the time and quality of solutions; the two algorithms are comparedbothgraphicallyandstatistically. Thegraphicalcomparisonshowsthatgeneticalgorithmisrelatively better than particle swarm optimization algorithm; and the statistical comparison between two metaheuristic algorithmsshowsthatthereisnodi erentbetweengenetic algorithm and particle swarm optimization algorithm in solving the proposed mathematical model. It is shown that, with the help of a numerical example and with respect to the maintenance in the model, the total system costs are signi cantly reduced.
    Keywords: Make to stock, make to order, maintenance activities, genetic algorithm, particle swarm optimization
  • M. Alinaghian *, Z. Kaviani, S.R. Hejazi Pages 15-25
    Global warming is one of the biggest challenges of industries and organizations. Greenhouse gas emissions are the main cause of global warming. One of the major sources of GHG emissions is transportation equipment. In addition, it plays a major role in the production of these gases due to logistics and transportation activities. Since inventory routing problem solves the vehicle routing problem and inventory levels simultaneously, it has a significant role in reducing costs. So to obtain a model to minimize the cost of fuel for this problem is important. Furthermore, in many distribution companies, vehicles are rented, and there is no need to return to the depot after discharge. In cases where companies do not own a vehicle fleet, or their private fleet is in satisfactory for fully satisfying customer demand, distribution services (or at least a part of them) are either entrusted to external contractors, or assigned to a hired vehicle fleet. In these cases, vehicles are not required to return to the central depot after their deliveries have been satisfied. The above- described distribution model is referred to as the Open Vehicle Routing Problem (OVRP). Therefore, the goal of the OVRP is to design a set of Hamiltonian paths (open routes) to satisfy customer demand. In this paper, a model is provided for inventory routing problem by considering the reduction of fuel consumption and reduction of the costs of inventory, driver and using vehicles in a limited planning horizon. To solve this problem, a combined improved metaheuristic method, based on Differential evolutionary algorithm and constructive Clarke and Wright algorithm, is presented. To validate the proposed solution, in the small size, the proposed algorithm was compared with the exact solution for several problem instances. In the large size, the proposed algorithm was compared with the base algorithm. The result confirms the good performance of the proposed algorithm.
    Keywords: M?i?c?r?o?s?c?o?p?i?c e?m?i?s?s?i?o?n m?o?d?e?l?s, v?e?h?i?c?l?e r?o?u?t?i?n?g p?r?o?b?l?e?m, i?n?v?e?n?t?o?r?y c?o?s?t?s, c?l?a?r?k?e a?n?d w?r?i?g?h?t, d?i?f?f?e?r?e?n?t?i?a?l e?v?o?l?u?t?i?o?n?a?r?y a?l?g?o?r?i?t?h?m
  • N. Nahavandi *, M. Sharifinia Pages 27-37
    In today's competitive environment, performance evaluation plays an important role in developing better strategic plans and improving efficiency of any organization. Due to the importance of insurance industry in socioeconomic growth and development of societies, it is notable to take into account the fact that the improvement in efficiency and effectiveness of the industry relies on the efficiency of the inner active insurance companies, this is one of the major necessities of any country. In addition, over the last decade, Iran insurance industry has implemented significant changes including the involvement of private sector in this industry and departure from government domination. These developments also clarify the necessity and importance of using appropriate methods to assess the effectiveness of different organizational levels. The purpose of this study is to design a comprehensive framework to combine the balanced scorecard (BSC) and data envelopment analysis (DEA) approaches for evaluating performance of insurance companies. The advantages of the proposed model are its weighted evaluation and maintenance of the balance among BSC perspectives, providing a holistic view and flexibility in involving factors and its outstanding power in detecting the efficient and inefficient units. In this study, first by studying the documents and interviewing with experts in insurance industry, the most important performance indexes in four areas were determined based on BSC method, i.e., financial, customer, internal processes, and learning and growth. Subsequently, by applying the DEA technique, the efficiency of a sample of 18 private Iranian insurance companies was measured. The results of the proposed model indicate that the performance of the aforementioned companies is quite satisfactory through BSC perspective. Also, in the performed aggregated ranking, the companies, i.e., Parsian, Arman, and Sina, obtained the highest scores, respectively. Ultimately, using the generated performance scores (in each area of BSC), after determining the reference groups, the optimal solutions for improving the efficiency of the inefficient companies were determined.
    Keywords: P?e?r?f?o?r?m?a?n?c?e e?v?a?l?u?a?t?i?o?n, b?a?l?a?n?c?e?d s?c?o?r?e?d c?a?r?d (B?S?C), d?a?t?a e?n?v?e?l?o?p?m?e?n?t a?n?a?l?y?s?i?s (D?E?A), i?n?s?u?r?a?n?c?e c?o?m?p?a?n?i?e?s
  • S.M. Hosseini Sarkhosh, P. Akhavan *, M. Abbasi Pages 39-49
    As the rate of business change continues to accelerate, organizations face challenging situations like rapid technological developments, corporate restructuring, emerging technologies, and globalization. Hence, the use of project teams in the performance of daily activities is increasingly gaining popularity among many new product development (NPD) projects. Project teams are highly advantageous, because the team members share common project goals and handle technical complexity and change with the assistance of their collective cross-functional knowledge. Additionally, these cross-functional teams are often temporary organizations that are able to respond quickly to changing environmental conditions by adjusting the composition of the team members. In addition, by the use of cross-functional project teams, organizations attempt to improve coordination and integration, span organizational boundaries, improve timing of technology developments, and reduce uncertainty levels. However, a significant challenge remains for project managers or other decision-makers to assemble project teams that are able to effectively preserve acquired knowledge during project lifecycle by project team members. Usually, three types of knowledge sharing take place in such projects: 1) knowledge sharing among team members in their domain of expertise; 2) knowledge sharing between team members and their co-workers in related functional departments in the domain of expertise; 3) knowledge sharing between team members and their co-workers in related functional department in the domains of non-expertise. Therefore, the problem of selecting proper project team's members is formulated in this paper as a mixed-integer nonlinear programming (MINLP) model to optimize these three types of knowledge sharing. We used the model for selecting a NPD project team in automotive industry. The experimental results indicated that the proposed approach is effective in selecting proper members based on their expected performance in knowledge sharing in and outside the project team.
    Keywords: K?n?o?w?l?e?d?g?e s?h?a?r?i?n?g, p?r?o?j?e?c?t t?e?a?m, n?e?w p?r?o?d?u?c?t d?e?v?e?l?o?p?m?e?n?t, m?a?t?h?e?m?a?t?i?c?a?l m?o?d?e?l?i?n?g
  • H. Izedtalab, A. Shahandeh Nookabadi *, M. Alinaghian Pages 51-62
    Many oil and gas producers operate offshore installations that need regular supplies of commodities from land. Specialized offshore supply vessels are used to bring supplies from onshore supply depots out to offshore installations. To achieve a cost-effective supply service, a good planning of supply vessels is required. The supply vessel planning problem is a maritime transportation problem consisting of determining the optimal fleet composition of offshore supply vessels and their corresponding weekly voyages and schedules. Traditionally, the vehicle routing problem is a pure delivery or pickup problem. In many practical situations, however, the vehicle is often required to simultaneously drop off and pick up goods at the same stop points. The objective of the problem is to develop a set of routs to service all customers while minimizing total distance travelled. In addition, some constraints, such as capacity or total durations, must not be violated. In vehicle routing problem with pickup and delivery, customers are divided into two sets. The first set is linehaul customers, each requires pickup goods; the second set consists of customers who require delivery goods. The crucial assumption in this problem is that all delivery customers must be visited before pickup customers. In vehicle routing problem with simultaneous pickup and delivery,all customer's need pickup and delivery goods.
    In this study, in order to obtain an optimal supply vessel planning and propose an efficient model, which is well- adapted to the real- life situations, some additional properties, such as simultaneously pickup and delivery, are considered. In addition, an exact method consisting of two phases is presented.
    Keywords: M?a?r?i?t?i?m?e t?r?a?n?s?p?o?r?t?a?t?i?o?n, o?i?l a?n?d g?a?s u?p?s?t?r?e?a?m l?o?g?i?s?t?i?c?s, f?l?e?e?t c?o?m?p?o?s?i?t?i?o?n, p?e?r?i?o?d?i?c r?o?u?t?i?n?g, s?h?i?p r?o?u?t?i?n?g a?n?d s?c?h?e?d?u?l?i?n?g, s?i?m?u?l?t?a?n?e?o?u?s p?i?c?k?u?p a?n?d d?e?l?i?v?e?r?y, t?a?b?u s?e?a?r?c?h
  • M. Hemati *, A. Bahoo Pages 63-74
    Anxiety for incorrect risks management is the most important obstacle to the development of investment projects. Risk management is the most important part of project management in organizations discussed below, and there is not systematic structural approach to the risk assessment in this study, we use a combination model of Fuzzy Analytic Hierarchy Process (FAHP) and Fuzzy Decision-making Trial and Evaluation Laboratory(FDEMATEL) method to rank and valuate risk factors in Power Plant Projects. Firstly, the risk factors of construction projects are figured out through literature review and expert interview in the second step, the main criteria and sub-criteria are weighted using fuzzy hierarchical analysis is in the third stage, interrelationships among risk factors are calculated by fuzzy DEMATEL. The results of the research identifying causal factors can determine the main risk factors in the powerhouse projects. The populations of the investigation are managers and experts in the field of research. Eleven experts being familiar with construction project management are selected using judgmental sampling. In this study, for the investigation of the distribution of the type of data, Kolmogorov- smirnov test has been used. The prioritization of these factors show that among the main criteria for research, implementation and construction achieved the highest rank, and other factors are important in the next position. Also, among the 53 sub-criteria research, increasing construction costs, the lack of skilled labor, confiscation of property, and land ownership hold the highest priority and are of utmost importance in the standpoint of respondents. The implementation and construction of risk have the first rank., Also, have the highest weight and have the highest interaction with other criteria by DEMATEL in terms of innovation, in most of the topics of risk management this weakness in the present article has been solved.
    Keywords: R?i?s?k r?a?n?k?i?n?g, F?M?C?D?M, f?u?z?z?y A?H?P, f?u?z?z?y D?E?M?A?T?E?L
  • R. Ramezanian *, M. S?A?I?D?I-M?E?H?R?A?B?A?D, A. Shahamat Naderi Pages 75-83
    Determination of optimum comparison of suppliers with humanitarian supply chain criteria is a main challenge to relief organizations. Although the investigations in this area have ignored the delivery reliability of suppliers up to now, this parameter has a significant effect on humanitarian supply chain performance. In this paper, a mathematical model regarding delivery performance and delivery reliability of suppliers for selecting suppliers of relief items is proposed. The proposed model is formulated in a framework agreement format. We employed time window to deliver the essential items for the purpose of considering the supplier reliability. Also, we assumed that the distribution time of delivery lead time is Gaussian distribution. In the presented numeric example, the value of cost function is increased, but with considering the supplier reliability parameter, the expecting behavior of system becomes more stable. In fact, this increment of cost function is a payoff for increasing the reliability of system. The main goal of the model is to select the optimal combination of suppliers and allocation items in different scenarios. So, in the proposed model, this goal is achieved with higher quality. The real case study of selecting water suppliers in Mazandaran province of Iran with real features and scenarios is considered to evaluate the performance of the presented model. To perform the experiments accurately, we did sensitivity tests on our model's parameters, and also we investigated the scalability of the proposed model.
    Keywords: S?u?p?p?l?i?e?r s?e?l?e?c?t?i?o?n, f?r?a?m?e?w?o?r?k a?g?r?e?e?m?e?n?t, h?u?m?a?n?i?t?a?r?i?a?n s?u?p?p?l?y c?h?a?i?n, d?e?l?i?v?e?r?y p?e?r?f?o?r?m?a?n?c?e, d?e?l?i?v?e?r?y r?e?l?i?a?b?i?l?i?t?y
  • S.M.T. Fatemi Ghomi *, V. Adakb, F. Jolai Pages 85-94
    Determining e ective scheduling in operations sequence is among the important problems of production scheduling. This paper deals with the problem of minimizing total tardiness on a parallel machine with N jobs and m machines. In the literature, there is a lack of suitable mathematical programming of the problem. Hence, this paper presents a mixed integer mathematical model for the problem. Since the problem has been proved as an NP-hard problem, it would be valuable to give a lower bound (LB) with a reasonable computational time. Denoting the processing time of a typical job on the machine, the modi ed processing time would be .With this modi ed processing time, the problem can be seen as a single machine; namely, the original processing time is divided by the number of machines and the division is considered as the modi ed processing time for computations. The problem is reformulated as an assignment problem in which the positions of jobs in the sequence are the locations of the assignment problem. The model presents the lower bound of the problem. To compare thequality(runningtime)oftheintroducedLB,wegeneratedsomerandominstancesoftheproblemfromsmall to large sizes. The optimal solution of the small size instances is obtained through solving the developed mathematical model. To obtain the solution of the medium and large sized instances, a new simulated annealing algorithm is developed. In this algorithm, the crossover operator and mutation have been used to create a neighborhood of simulated annealing algorithm; but for the rst time the crossover operator is used to create neighborhood directly. The results gained from the lower bound are compared with those of lower bound available in the literature. They con rm that the lower bound introduced in this paper gives high quality solutions, and hence, it has superiority to the available LB in the literature.
    Keywords: Parallel machines, total tardiness, improved simulated annealing algorithm, mixed integer programming
  • A. Taherkhani, K. Eshghi *, A. Boroumand Pages 95-104
    In this study a mathematical model has been presented for multi depots, continuous location-routing problem with inventory restrictions. In this problem, a three-echelon supply chain was assumed a factory, producing one product with unlimited capacity, is on the first echelon of supply chain. In the second echelon of supply chain, several distribution centers distribute products. In the third echelon, there is a set of customers who are scattered in different geographical locations. Location of customers is pre-specified, but distribution centers should be located. In this problem, location of distribution centers will be determined in a continuous space.
    As the leader of this supply chain, factory is looking for product distribution planning to minimize the total cost of this system. Model formulation of this problem is NP-hard; so a meta-heuristic algorithm with three phases has been developed for medium and large sizes of this problem. In the first phase of this algorithm, Region-rejection approach and modified saving algorithm are used to generate initial solution. In the second phase, we apply the Weiszfeld algorithm in order to improve location-routing decisions repeatedly. In the last phase, diversification and intensification mechanisms are incorporated into the search.
    The proposed algorithm is able to improve even the best solution implemented by GAMS solver with time limits of 10800 seconds and 18000 seconds, 0.62 percent in average, with much less computational effort. Also it can be seen that this algorithm is moving toward the best solution during three phases. For this small sized problem, each of the three main phases, the average percentage deviation from optimal solution is only % 0.07, % 0.05, % 0.03 and % 0.02, respectively. For medium and large size of this problem, % 2.83, %1.89 and %1.29 improvement can be seen in each phase compared to the previous phase, respectively. This improvement is impressive for the large size of this problem.
    Keywords: C?o?n?t?i?n?u?o?u?s f?a?c?i?l?i?t?y l?o?c?a?t?i?o?n, v?e?h?i?c?l?e r?o?u?t?i?n?g, t?h?r?e?e-e?c?h?e?l?o?n s?u?p?p?l?y c?h?a?i?n, l?o?c?a?t?i?o?n-r?o?u?t?i?n?g a?n?d i?n?v?e?n?t?o?r?y p?r?o?b?l?e?m
  • D. Rahmani * Pages 105-115
    In industrial environments, scheduling systems often operate under dynamic and random circumstances. In these conditions, it is inevitable to encounter some disruptions and breakdowns which are inherently unexpected events. These disruptions bring about the initial schedule to quickly become infeasible and non-optimal and in need of appropriate revisions and rescheduling methods. We consider a flexible flow shop (FFS) system with stochastic or unexpected disruptions such as the arrival of new unpredicted jobs into the process. The occurrence of disruptions and unexpected events in scheduling problems makes the obtaining of robust and stable solutions more valuable than the finding of optimal solutions that ignore these disruptions. In the literature, for achieving stable solutions, either iteration-based time-consuming simulation methods or surrogate measures (SMs) have been developed; they proactively provide an approximation of the system's real conditions following the occurrence of a disruption due to of the discrepancies of these measures with their true values; however, they may not show the true performance of the system. In this paper, a new reactive approach is considered to achieve a stable scheduling despite unpredicted disruptions, such as unexpected arrivals of new jobs. In this approach, a multi-objective reactive method based on classical and new performance measures is used to control the effects of disruptions that reschedule the initial plans after any unexpected event. An innovative concept called the ``Stability'' is introduced to reduce the effects of the unexpected disruptions. As the FFS problem is NP-hard, considering that stochastic disruptions increase its complexity, the non-dominated Sorting GA-II algorithm or NSGA-II, which is a very famous 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 algorithm, is then applied to solve it. To show 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 approach, a case study in petrochemical industry is considered. 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is method produces better solutions compared to the classical scheduling approaches used in this company.
    Keywords: O?n?l?i?n?e s?c?h?e?d?u?l?i?n?g, d?i?s?r?u?p?t?i?o?n, s?u?r?r?o?g?a?t?e m?e?a?s?u?r?e?s, s?t?a?b?i?l?i?t?y, r?e?a?c?t?i?v?e s?c?h?e?d?u?l?i?n?g
  • S. Moghaddam *, H. Mahlooji Pages 117-126
    The train timetabling in a railway network is one of the most critical problems in passenger or freight transportation systems. With uncontrollable noises affecting the system, finding a schedule whose performance does not significantly reduce under various disturbances is vital. A train timetable is considered robust when it has the ability to absorb small disturbances, and its performance does not reduce under the situation of recurring disturbances.
    The integer programming problem of robust train timetabling problem with a decision variable and constraint for every train and every block in a railway network takes one an unreasonably long time to solve, and this may be possible after adopting numerous simplifying assumptions. To move around these disadvantages, discrete event simulation is a more appropriate approach. The methodology that combines simulation modeling and optimization techniques for solving optimization problems is commonly referred to as simulation optimization.
    In this paper, we introduce a new simulation optimization method to solve the robust optimization of train timetabling problem in metro lines. We aim to minimize the expected value of the passenger's waiting time with a satisfactory rate of carriage fullness. Headways, which are the time intervals between arrivals of two consecutive trains into one station, are considered as the decision variables. It is assumed that the rate of passenger arrival to stations and travel times is stochastic. We first develop the simulation model in a way that the constraints, such as the train waiting times in stations, station capacities, overtaking, and the safe distance between trains, are satisfied. Then, using the inputs/outputs combination of simulation model, two stochastic Kriging metamodels are fitted as one for the objective function and one for the constraint. To write the robust counterpart problem, we use the Bertsimas and Sim methodology for the resulting mathematical model. The final 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 is solved by PSO metaheuristic. This methodology is applied to a particular line within Tehran railway system. Our approach generates satisfactory solutions to different levels of conservatism factor at moderately few number of experiments.
    Keywords: R?a?i?l?w?a?y, t?i?m?e?t?a?b?l?i?n?g, s?i?m?u?l?a?t?i?o?n o?p?t?i?m?i?z?a?t?i?o?n, r?o?b?u?s?t o?p?t?i?m?i?z?a?t?i?o?n, k?r?i?g?i?n?g m?e?t?a?m?o?d?e?l
  • S. Khalili *, Y. Zare Mehrjerdi Pages 127-136
    Decision making regarding the hotel optimal capac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 strategic decisions for the hotel industry executives and investors. This importance arises from the fact that after determining hotel capacity and execution of construction operations, it is not possible to change the capacity of hotel, or the changes will involve much higher costs.
    Considerable capacity of hotels and residential centers that are located in a tourist town is empty of passengers and unused in relatively many periods of the year. However, in some limited time periods, number of travelers and tourists is increased due to holidays or various occasions and hotels are encountered with lack of capacity for the accommodation of travelers. In this article, to determine the optimal capacity of the hotel, using a novel approach, an attempt is made to present a mathematical optimization model based upon the queueing theory. To achieve this goal, first the reception system is simulated using the queueing models. Then, the capacity and optimal room numbers of various types using bounded multi-dimensional knapsack model are determined. The objective function of the proposed knapsack model is cost minimization. This cost function is developed by taking into account the time value of money and the sum of two different costs associated with the hotel construction. Due to the uncertainty of some parameters of the problem, the objective function of the model is presented as an objective function with fuzzy coefficients. To solve this model, a single-objective function is converted into three objective functions using the techniques of Lai and Hwang.
    Then using fuzzy technique of Torabi and Hassini these three objective function problem was converted into a single objective deterministic model. This single objective programming problem was coded in MATLAB to determine the optimal capacity of hotel. The results confirm that the proposed model, unlike other approaches, can be easily and efficiently matched with different situations.
    Keywords: O?p?t?i?m?a?l h?o?t?e?l c?a?p?a?c?i?t?y, k?n?a?p?s?a?c?k p?r?o?b?l?e?m, q?u?e?u?e?i?n?g t?h?e?o?r?y, f?u?z?z?y p?r?o?g?r?a?m?m?i?n?g, l?a?i a?n?d h?w?a?n?g, T?o?r?a?b?i a?n?d H?a?s?s?i?n?i
  • M. Ra E. *, A. Mohamaditalab Pages 137-148
    Manufacturing exibility is a basic requirement in order to increase both the revenue and customer satisfaction level. Group technology concept can be implemented in such cases. One of the most important applications of group technology concept in a production environment is Cellular Manufacturing System which includes four main sub problems; Cell formation, Group layout, SchedulingandResourceassignment. Thecellformation (CF) is for assigning the machines into cells. The Group layout (GL) tries to nd the optimal layout of machines within the cells and cells within the production oors. The group scheduling (GS) problem tries to minimize the total production time and ultimately resource assignment (RA) is to assign the manufacturing resources, such as operators into cells, optimally. Accordingly, in thispapertwomathematicalmodelshavebeenproposed in order to solve the cell formation and human resource assignment problems. The rst mode is to minimize the inter/intra cell part trips, system recon guration cost, installing/uninstalling costs of tools on/from different machines and machine breakdown cost, respectively. The second model tries to minimize the operator related issues such as hiring, ring, salary and the training costs. One of the main contributions of this paper is toconsidertheoperatorskilllevel. Actually,thetraining and forgetting e ect of an operator determines his/her work skill level. So, in this paper, this issue is regarded in more details. These two nonlinear models have been linearizedand solvedusing the Gams optimization pack age.Some numerical examples are generated randomly in order to the performance of proposed models. Moreover, in order to analyze nd the optimal solution, the third model, which integrates two mentioned models, has been proposed. Based on the sensitivity analysis of the proposed models, the optimal assignment of operators can signi cantly improve the solution quality. Also, using the numerical example's results, the linear model can obtain the optimal solutions in less computational e ort in comparison to the nonlinear models.
    Keywords: Cellular manufacturing system, operator assignment, operator learning-forgetting e ect, multifunctional machines, machine breakdown