شماره ركورد
33666
پديد آورنده
سجاد كاهني
عنوان
طراحي شبكه زنجيره تامين سبز زعفران با مدل چند هدفه مبتني بر يادگيري ماشين
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي صنايع-گرايش بهينه سازي سيستم ها
سال تحصيل
1401
تاريخ دفاع
1404/6/4
استاد راهنما
دكتر محمد سعيد جبل عاملي
استاد مشاور
دكتر احسان دهقاني
دانشكده
مهندسي صنايع
چكيده
افزايش پيچيدگي زنجيرههاي تأمين محصولات كشاورزي و رشد روزافزون تقاضاي جهاني براي محصولات كشاورزي با كيفيت بالا و قيمت مناسب، ضرورت طراحي و بهينهسازي زنجيرههاي تأمين جهاني را برجسته ميكند. زعفران، به عنوان محصولي با ويژگيهاي زيستي منحصربهفرد، نيازمند طراحي شبكه زنجيره تأمين خاص خود است. در اين راستا، اين پژوهش يك رويكرد نوآورانه دو مرحلهاي براي مديريت زنجيره تأمين زعفران ارائه ميدهد. در مرحله نخست، با بهكارگيري روش يادگيري تقويتي، تأمينكننده ترجيحي بر اساس قيمت خريد، كيفيت محصول و سطح خدمات انتخاب ميشود. يادگيري تقويتي ابزاري پيشرفته است كه امكان ارزيابي تأمينكنندگان را در محيطهاي پويا و نامطمئن بازار فراهم ميسازد. در مرحله دوم، از تأمينكننده منتخب در يك مدل بهينهسازي چندهدفه استفاده ميشود. هدف اصلي اين مدل، كاهش هزينههاي زنجيره تأمين و در عين حال، به حداقل رساندن اثرات زيستمحيطي فعاليتهاي زنجيره تأمين است. اين مدل با بهكارگيري روش افزودهي محدوديت اپسيلون بهينهسازي شده و مجموعهاي از راهحلهاي پارتو-بهينه را براي دستيابي به يك راهحل مصالحهاي ارائه ميدهد. همچنين با توجه به محدوديتهاي روشهاي آماري سنتي در پاسخ به پيچيدگيهاي زنجيرههاي تأمين امروزي، اين مطالعه از مدل سريهاي زماني آريما براي پيشبيني تقاضا استفاده كرده است. اين رويكرد پيشبينيهايي دقيقتر و سازگارتر ارائه ميكند كه به بهبود قابل توجه عملكرد زنجيره تأمين منجر ميشود. در نهايت، يك مطالعه موردي براي ارزيابي اثربخشي عملي اين رويكرد دو مرحلهاي انجام شده و نتايج اين پژوهش نشان ميدهد كه رويكرد دو مرحلهاي ارائهشده، با انتخاب بهينه تأمينكننده، پيشبيني دقيق تقاضا با مدل آريما، و طراحي شبكهاي كارآمد براي زنجيره تأمين، موجب كاهش چشمگير هزينهها و آثار زيستمحيطي شده است. اين نتايج، علاوه بر ارائه مجموعهاي از راهحلهاي پارتو-بهينه، بينشهاي مديريتي كليدي و توصيههاي عملياتي ارزشمندي براي تصميمگيرندگان و سياستگذاران فراهم ميكند.
تاريخ ورود اطلاعات
1404/06/26
عنوان به انگليسي
Designing A Green Saffron Supply Chain Network With A Multi-Objective Model Based on Machine Learning
تاريخ بهره برداري
8/26/2026 12:00:00 AM
دانشجوي وارد كننده اطلاعات
سجاد كاهني
چكيده به لاتين
The increasing complexity of agricultural supply chains for food products and the growing global demand for high-quality agricultural products at affordable prices highlight the necessity of designing and optimizing global supply chains. Saffron requires a distinct supply chain network design as a product with unique biological properties. In this regard, this research unveils an innovative two-stage approach to saffron supply chain management. Applying a reinforcement learning approach, the first stage determines the preferred supplier in accordance with the purchase price, product quality, and service level. Reinforcement learning is an advanced tool that enables supplier evaluation in a dynamic and uncertain market environment. The second stage exploits the selected supplier in a multi-objective optimization model. The main goal of this model is to reduce supply chain costs while minimizing the environmental impact of supply chain activities. This model is optimized by implementing the augmented epsilon-constraint method, providing a set of Pareto-optimal solutions to achieve a compromise solution. Likewise, recognizing the limitations of traditional statistical approaches in responding to the complexities of today’s supply chains, this study implements the ARIMA time series model for demand forecasting. This approach enables more accurate and adaptive forecasts, contributing to a substantial improvement in supply chain performance. Eventually, a case study is undertaken to assess the practical effectiveness of the two-stage approach, with its outcomes providing key managerial insights and actionable recommendations.
كليدواژه هاي فارسي
زنجيره تأمين مواد غذايي كشاورزي , سري زماني , زعفران , پيشبيني تقاضا , مدل بهينه سازي چندهدفه
كليدواژه هاي لاتين
Agricultural Food Supply Chain , Time Series , Saffron , Demand Forecasting , Multi-Objective Optimization Model
Author
Sajjad Kaheni
SuperVisor
Mohammad Saeed Jabalameli