توصيفگر ها :
مسيريابي وسيله نقليه , تحويل با جمع سپاري , جمع سپاري مبتني بر كارمندان , گزين هاي تحويل , سفارشات مرجوعي , الگوريتم ژنتيك , الگوريتم شبيه سازي تبريد مبتني بر جمعيت
چكيده فارسي :
شركتهاي بزرگ خردهفروشي دنيا ، امروزه به دنبال ايدههاي نوآورانه و خلاقانهاي هستند تا بتوانند گام آخر زنجيره تأمين خود را بهبود ببخشند. در ميان ايدههاي جديد، مدلي وجود دارد كه ناوگان تحويل بار حرفهاي با انبوهي از افراد عادي كه مايل به ادغام وظايف حملونقل با برنامه سفر خود هستند، تكميل يا جايگزين ميشود. انجام وظايف تحويل توسط اين افراد، تحويل با جمعسپاري ناميده ميشود. در تمامي مدلهاي ارائه شده از تحويل با جمعسپاري فقط يك مكان براي تحويل سفارش به هر مشتري در نظر گرفته شده است. همچنين هيچ تحقيقي به انجام سفارشات مرجوعي از طريق جمعسپاري نپرداخته است. با توجه به اهميت رضايت مشتريان در راستاي بهبود كيفيت سرويسدهي و خدمات، در مدل برنامهريزي رياضي پاياننامه حاضر فرض شده است كه هر مشتري ميتواند چندين مكان ترجيحي را براي دريافت سفارش خود انتخاب كند. همچنين سفارشات مربوط به كالاهاي مرجوعي نيز در مدل اعمال ميشوند. رانندگان جمعسپاري از كارمندان سازمان هستند كه براي انجام سفارشها در قبال پاداش اندكي داوطلب ميشوند. رانندگاني كه براي جمعسپاري داوطلب ميشوند در ابتداي شيفت كاري كه
دارند، از طريق يك سامانه متصل به تلفن هوشمند، تمايل خود را اعلام ميكنند. تخصيص قسمتي از سفارشات به كارمندان از اين طريق، هزينههاي انجام سفارشات آنلاين سازمان را كاهش ميدهد. همچنين در نظر گرفتن چندين مكان براي انجام سفارشات، رضايت مشتريان را افزايش ميدهد و ميتواند تعداد تخصيص سفارشات به كارمندان را بيشتر كند كه كاهش هزينهها را در پي دارد. در انتها نيز براي دستيابي به جوابهاي باكيفيت در زماني معقول، الگوريتمهاي فراابتكاري ژنتيك و شبيهسازي تبريد مبتني بر جمعيت براي حل اين مسئله ارائه ميشوند. نتايج محاسباتي از حل 60نمونه مسئله در سه دسته پيچيدگي محاسباتي كوچك، متوسط و بزرگ، نشان ميدهند كه الگوريتمهاي ارائه شده، عملكرد مناسبي در زمان حل و كيفيت جواب دارد. در دسته نمونه مسائل كوچك، هر دو الگوريتم در 4نمونه مسئله به جواب بهينه رسيدهاند. بهطور متوسط الگوريتم ژنتيك در نمونه مسائل كوچك، متوسط و بزرگ به ترتيب 27.35 ،12.76و 497.5ثانيه و الگوريتم شبيهسازي تبريد
مبتني بر جمعيت، به ترتيب 43.67 ،14.68و 386.9ثانيه صرف رسيدن به جواب در اين نمونه مسائل كردهاند. اين دو الگوريتم در نمونه مسائل كوچك و متوسط عملكرد تقريباً مشابهي در جوابهاي بدست آمده دارند، اما در دسته نمونه مسائل بزرگ، جوابهاي بدست آمده از الگوريتم شبيهسازي تبريد مبتني بر جمعيت، بهطور متوسط 7.62درصد نسبت به جوابهاي بدست آمده از الگوريتم ژنتيك، بهتر هستند.
چكيده انگليسي :
Today, the world's major retail companies are looking for innovative and creative ideas to improve the last step of their supply chain. Among the new ideas is a model where the professional delivery fleet is supplemented or replaced by a multitude of ordinary people willing to integrate transport duties with their travel plans. Performing delivery tasks by these people is called crowdsourcing delivery. In all the offered models of delivery with crowdsourcing, only one place is considered to deliver the order to each customer. Also, no research has been done on return orders through crowdsourcing. Considering the importance
of customer satisfaction in order to improve the quality of service and services, it is assumed in the mathematical programming model of this thesis that each customer can choose several preferred places to receive their order. Also, orders related to returned goods are also applied in the model. Crowdsourcing drivers are organization employees who volunteer to carry out orders for a small reward. Drivers who volunteer for crowdsourcing declare their desire at the beginning of their shift through a smartphone-connected system. Allocating a part of orders to employees in this way reduces the costs of making online orders of the organization. Also, considering several places to fulfill orders increases customer satisfaction and can increase the number of orders assigned to employees, which leads to cost reduction. Finally, in order to achieve high-quality solutions in a reasonable time, genetic meta-heuristic algorithms and population-based simulated annealing algorithm are presented to solve this problem. Computational results of solving 60 examples of problems in three categories of small, medium and large computational complexity show that the presented algorithms have a good performance in solving time and the quality of the answer. In the sample category of small problems, both algorithms have reached the optimal solution in 4 sample problems. On average, the genetic algorithm spent 12.76, 27.35, and 497.5 seconds in the sample of small, medium, and large problems, and the population-based simulated annealing algorithm spent 14.68, 43.67, and 386.9 seconds, respectively, to reach the solution in this sample of problems. These two algorithms have almost the same performance in the obtained answers in the sample of small and medium problems, but in the sample category of large problems, the answers obtained from the population-based simulated annealing algorithm are, on average, 7.62% better than the answers obtained from the genetic algorithm.
