UN DISEO ROBUSTO PARA UNA RED DE CADENA DE SUMINISTRO DE CICLO CERRADO

BAJO UN AMBIENTE INCIERTO

Resumen:

Este artculo presenta un diseo robusto para un multiproducto, multinivel, de circuito cerrado
modelo de red logstica en un entorno incierto. El modelo incluye un general estructura de la
red teniendo en cuenta tanto hacia adelante y marcha atrs procesos que se pueden utilizar en
diversas industrias, tales como la electrnica, equipos digitales y vehculos. Porque diseo de la
red logstica es una prdida de tiempo y costoso proyecto, as como una decisin estratgica y
sensible (Es decir, el cambio de tal decisin es difcil en el futuro), Se adopta un enfoque de
optimizacin robusta como para hacer frente a la incertidumbre de la demanda y la tasa de
retorno descrita por un conjunto finito de posibles escenarios. Por lo tanto, para obtener
robusta soluciones con un mejor tiempo, el algoritmo de relajacin escenario se emplea para
el modelo propuesto. Numrico ejemplos y un anlisis de sensibilidad se presentan para
demostrar el significado y la aplicabilidad de la presentada modelo. Se muestra que el
resultado de la soluciones sugerido enfoque asegura ms situaciones, especialmente en el
peor los casos. Los resultados muestran que aunque los valores de ganancia de la
configuracin robusta son menos de la determinista configuracin, la configuracin robusta es
ms fiable que el determinista porque la configuracin determinista es inviable bajo alguna
demanda y rentabilidad tasas (es decir, en el peor de los casos). Por otra parte, los resultados
muestran la superioridad tiempo de clculo del algoritmo de comparacin el modelo extensivo
formulario, as como optimizacin de la dado como resultado soluciones.

Palabras clave de gestin de la cadena de suministro:

Logstica de circuito cerrado red. Incertidumbre. Optimizacin robusta. Guin algoritmo de

relajacin.

1. Introduccin

Gestin de la cadena de suministro (SCM) surgi a principios del 1990 y ha ganado

recientemente el inters de los investigadores debido a que la gestin integrada de una
manera eficaz y cadena de suministro eficiente puede reducir inesperado / negativo
ocurrencias y puede afectar definitivamente la rentabilidad de una empresa entera. Una de las
actividades de planificacin cruciales de SMC es disear la configuracin de la red de la cadena
de suministro.

En SMC, tres niveles de planificacin (es decir, estratgico, tctico y operacional) suelen
distinguirse en funcin de el horizonte de tiempo (es decir, a largo, mediano y corto plazo,
respectivamente) [1]. La planificacin de nivel estratgico incluye la determinacin del
nmero, ubicacin, capacidad y Tipo de tecnologa de las instalaciones, y del cuerpo tcnico /
operativo nivel implica determinar las cantidades de compra, produccin, distribucin y
tenencia de inventarios, as ya que los envos transferidos entre instalaciones establecidas. La
configuracin de la cadena de suministro es una clave estratgica decisin que influye en las
actividades en una tctica / operacional nivel y tiene un efecto de larga duracin en la red [2].

Por lo tanto, el hecho de que un diseo de red cadena de suministro (SCND) problema invierte
una gran cantidad de capital en nuevas instalaciones durante un perodo de tiempo
prolongado hace que el Problema SCND una cuestin extremadamente importante. Ejemplos

de modelos y procedimientos de solucin de problemas SCND se pueden encontrar en [3-6].

En los ltimos 10 aos, debido al calentamiento global, en particular, Se ha prestado creciente
atencin a la logstica inversa, que se refiere a las actividades que se dedican a la recogida,
reparacin, recuperacin, reciclado y / o eliminacin de los productos devueltos dentro de
SMC. Muchas compaas, como Kodak y Xerox, se han concentrado en actividades de
refabricacin y reciclaje y ha logrado xitos importantes en este mbito [7]. Los diversos
aspectos de estas actividades pueden dar cuenta de reutilizacin actividades que incluyen la
reduccin de la utilizacin de primaria recursos, prevencin de la contaminacin, gestin de
residuos, medio ambiente preocupacin, responsabilidad social y gobierno directivas, por
ejemplo, la Directiva RAEE de la Unin Europea y las presiones de los clientes.

La literatura dedicada a las redes de logstica inversa se puede dividir en problemas que se
enfocan totalmente hacia atrs en el red (es decir, red de recuperacin) y aquellos en los que
la red hacia atrs est integrado con la red hacia adelante (Es decir, la red de bucle cerrado)
[1]. Debido a que el diseo de la adelante y logstica inversa resultados por separado en
subptimo diseos con respecto a los objetivos de la cadena de suministro, la cadena de
suministro de ciclo cerrado (CLSC) de la red es de importancia crtica [8-10]. Gestin logstica
de circuito cerrado puede garantizar el menor desperdicio de materiales siguiendo las leyes de
conservacin durante el ciclo de vida de los materiales [11]. Para ms detalles sobre la
importancia de la cadena de suministro de ciclo cerrado, los lectores podrn consulte [12, 13].

En la cadena de suministro de ciclo cerrado, pocos estudios tienen representaron los niveles
de capacidad como variables de decisin [14, 15], mientras que la mayora de los estudios han
considerado slo un nico nivel de capacidad de cada instalacin (ver Tabla 1). Sin embargo, el
nivel de capacidad es una variable de decisin importante en la vida real aplicaciones debido a
su potente efecto sobre la red logstica la eficiencia. Por otra parte, como seal Sabri y
Beamon [16], la incertidumbre es uno de los ms difciles y significativo problemas en SMC. Sin
embargo, la literatura integrar la incertidumbre con las decisiones de localizacin de la SMC y
CLSC zonas sigue siendo susto (vase la Tabla 1 y [1, 2]). Diversas fuentes de incertidumbre se
puede encontrar en la literatura relacionada, a saber, demandas de los clientes, los costos de
produccin, costos de transporte, las tasas de retorno, los plazos de entrega de alimentacin y
tipos de cambio. Por otra parte, la mayora de los enfoques de diseo de la red logstica
problemas en la literatura han utilizado la programacin estocstica aplicando el efecto
esperado y la realizacin parcial de la la incertidumbre de los parmetros. Debido a la
dificultad de cambiar la configuracin de red en el futuro (es decir estratgica decisiones), el
impacto duradero en la cadena total y el la gran inversin en el proyecto SCND, la optimizacin
robusta enfoque empleando el efecto peor de los casos es ms fiable en comparacin con el
enfoque de programacin estocstica.

Por lo tanto, este trabajo adopta el enfoque de optimizacin robusta para lograr la
configuracin robusta de una cadena de suministro diseo de red. Sobre la base de las
discusiones anteriormente mencionadas, este trabajo presenta un multi-producto, de circuito
cerrado diseo de la red logstica modelo en el que la demanda y la tasa de retorno son
incierto y se describen por un conjunto de escenarios finitos. El modelo presentado intenta
determinar la capacidad nivel de una ubicacin de la instalacin y la cantidad de productos a
ser enviados entre las entidades de red. La estructura de la red de bucle cerrado incluye tres
escalones en la direccin hacia adelante (es decir, escalones constituida por el flujo de arcos
entre las entidades de los proveedores, las plantas, la distribucin centros y clientes) y tres
escalones en el revs direccin (es decir, los escalones constituido por los arcos de flujo entre
las entidades de los clientes, los centros de recogida, reparacin centros y centros de
eliminacin). A pesar de la basado caso-modelos, el modelo propuesto se compone de una red
general, estructura teniendo en cuenta tanto el avance y retroceso procesos; por lo tanto,
puede ser utilizado en diversas industrias, tales como la electrnica, equipos digitales y
vehculos. Porque del alto impacto y decisiones crticas requerida en un diseo de red de la
cadena de suministro, la optimizacin robusta se aplica enfoque para hacer frente a la
incertidumbre. Por lo tanto, un algoritmo de relajacin escenario se emplea para determinar
una configuracin robusta con un clculo ms rpido hora. En resumen, las principales
contribuciones de este trabajo son como de la siguiente manera:

La introduccin de un nuevo modelo para varios productos de circuito cerrado diseo de la red
logstica que integra las decisiones estratgicas (Es decir, la ubicacin de las instalaciones), con
decisiones tcticas (es decir, las actividades relacionadas con la obtencin, produccin /
reproduccin y distribucin / redistribucin) para extender la modelos existentes encontrados
hasta ahora en la literatura. La obtencin y la aplicabilidad y eficacia del escenario algoritmo
de relajacin en comparacin con la forma extensiva modelo para resolver el modelo SCND
que contempla la la incertidumbre de la demanda y la tasa de retorno como finita nmero de
posibles escenarios.

La estructura de este estudio es como sigue. Seccin 2 ofrece un estado-of-the-art de trabajo

existente en un bucle cerrado cadena de suministro y luego revisa el enfoque de optimizacin
robusta.

La seccin 3 presenta los supuestos del modelo y limitaciones. En la seccin 4, se presenta un

lineal entera mixta modelo de programacin (MILP) de una slida logstica de circuito cerrado
diseo de red. Para obtener una configuracin robusta de la modelo propuesto, el algoritmo
de relajacin escenario se describe En la Seccin 5 Seccin 6 presenta y analiza la resultados
computacionales. Por ltimo, damos las conclusiones de este trabajo en la Seccin 7.

2. Revisin de la literatura

En esta seccin, indagamos en la literatura y clasificar los estudios en dos grupos. El primer
grupo es el estudios relacionados con la cadena de suministro de ciclo cerrado, y el segundo
contiene los estudios relacionados con la robusta optimizacin.

Cadena de suministro 2.1 Closed-loop

En los ltimos aos, el problema SCND ha recibido una gran parte de la atencin debido a la
cada vez mayor desarrollo del entorno competitivo. Esta competitividad provoca que las
empresas estn bajo una presin de suministro, producen, y distribuir los productos para
sobrevivir en la actualidad 'Mercado de se impone a las empresas a asegurar a sus clientes una
alto nivel de servicio y, al mismo tiempo, para controlar costos y maximizar los beneficios. El
problema SCND tiene una importancia clave en el nivel estratgico a largo plazo requiere para
ser optimizado para la eficiencia de toda la cadena de suministro. Las decisiones en este
problema tienen por objeto de alguna forma de aumentar el valor para los accionistas. Una
corriente de la literatura la investigacin en este campo con el foco en las redes de circuito
cerrado se revisa en esta seccin. El suministro de ciclo cerrado red de la cadena se compone
de dos secciones, a saber, las hacia adelante y hacia atrs la logstica. En la logstica hacia atrs,
cuando los productos usados se envan al delantero instalaciones, deben permitir tanto hacia
adelante y hacia atrs fluye bajo la misma capacidad. Como la tabla1 indica, la un gran nmero
de modelos son deterministas en comparacin con los problemas de incertidumbre. Estos
modelos incluyen el amplio alcance de las formulaciones que van desde una sencilla lineal,
uncapacitated, ubicacin de la instalacin de un solo producto modelo a lo complejo, no lineal,
capacitado, multiproducto modelos.

Fleischmann et al. [8] present un diseo de la cadena de suministro modelo que optimiza el
flujo hacia adelante junto con el regreso fluya sin considerar el lmite de capacidad. Salema et
al. [17] ampli el modelo de Fleischmann [11] a un capacitado, multi-producto, avance /
retroceso red logstica con la incertidumbre en las demandas y declaraciones se aplica a un
Ibrica compaa. Sin embargo, cuando la suspensin de la logstica entre desmanteladores e
instalaciones de fabricacin, tanto de la modelos mencionados no representan el lado
proveedor y no incluye la relacin entre el delantero y fluye de regreso. Uster et al. [7]
present una multi-producto, de bucle cerrado, suministro de modelo de red de la cadena y lo
resolvi mediante el Bender tcnica de descomposicin. A su juicio, la fabricacin y
remanufactura separado y asumi un nico abastecimiento para los clientes. Ko y Evan [18]
desarrollaron una dinmica, red integrada, de circuito cerrado operado por la tercera logstica
(3PL) proveedor de servicios. Se aplicaron un gentica algoritmo (GA) para resolver su modelo.
Min y Ko [19] presentado un diseo dinmico de una red logstica de bucle cerrado y propuso
un AG para resolver su problema, incluyendo la ubicacin y la asignacin de los 3PL. Lee y
Dong [20] propuesto una, de circuito cerrado dinmico, red logstica bajo exigir la
incertidumbre. Un enfoque integrando un poco Mtodo de muestreo propuesto con un
Altable recocido simulado algoritmo se desarroll para obtener soluciones.

El-Sayed et al. [4] present un multi-periodo, multiechelon, modelo de diseo de la red

logstica de circuito cerrado. Ellos considerados tres escalones en la direccin de avance (es
decir, proveedores, plantas de fabricacin y centros de distribucin) y dos escalones en la
direccin de retorno (es decir, desmontaje y centros de redistribucin). El objetivo de su
modelo era maximizar el beneficio de una cadena de suministro. Wang y Hsu [11] desarrollado
un diseo generalizado cadena de suministro de ciclo cerrado modelo que determina la
ubicacin de las fbricas, distribucin, y desmanteladores donde el avance y retroceso flujos
utilizan las distribuciones como instalaciones de procesamiento hbrido. LA revisada-rbol de
expansin basada GA determinante el empleo representacin de codificacin se present para
resolver el modelo. Pishvaee et al. [21] sugiere un bi-objetivo, integrado, modelo de diseo de
la cadena de suministro de ciclo cerrado en el que los costes y la capacidad de respuesta de la
red logstica se consideran como objetivos del modelo. Ellos desarrollaron un eficiente multi-
objetivo, el algoritmo mimtica mediante la aplicacin de tres diferentes bsquedas locales
para determinar el conjunto de no-dominada soluciones. Ramezani et al. [22] present una
multi-objetivo enfoque de programacin estocstica para disear un avance / retroceso
cadena de suministro con tres medidas de rendimiento: el beneficio, el cliente capacidad de
respuesta y la calidad de los proveedores (con seis Sigma concepto). Las soluciones ptimas de
Pareto, junto con la riesgo financiero correspondiente se calculan para ilustrar disyuntiva de
objetivos. Los resultados dan una visin adecuada para tener una mejor Toma de decisiones.

Para revisar los estudios existentes sobre la oferta de circuito cerrado diseo de la red de la
cadena y para especificar el carcter distintivo de este trabajo de otros en la literatura,
categorizamos los modelos de acuerdo con cuatro caractersticas, a saber, escalones red
logstica, caractersticas modelo, decisin variables y objetivos. Como se muestra en la Tabla 1,
la gran parte de los modelos en el diseo de la red CLSC es investigadores deterministas y
pocos consideran la incertidumbre. Por otra parte, las investigaciones pertinentes a la
incertidumbre tienen utilizado programacin estocstica y no representan la cuestin
robustez. Aunque la idea de optimizacin robusta ha sido considerado en otras reas, para el
mejor de nuestro conocimiento, esta es la primera vez que la robustez aspecto se considera en
la red logstica de bucle cerrado contexto bajo un entorno incierto. Adems, el Caractersticas
del modelo se muestran en la Tabla 1 se distinguen este artculo de los dems en la literatura.
Por lo tanto, nos dirigimos a la literatura relevante del enfoque de optimizacin robusta en la
siguiente subseccin.

2.2 optimizacin robusta

Se proponen los modelos considerados en diversos contextos y se resuelven por los enfoques
de soluciones relacionadas; sin embargo, el fluctuaciones de los parmetros de estos sistemas
son bsicamente inevitable por las siguientes razones. En primer lugar, la imprecisin hace que
el valor real de los parmetros se desvan de su valor terico. En segundo lugar, los parmetros
pueden gradualmente desviarse debido a los factores ambientales en el sistema est en uso. Si
estos parmetros se describen simplemente como valores deterministas, algunas estrategias
pueden ser poco prcticas creado, lo que da lugar a la prdida de recursos y la baja eficiencia
de todo el sistema [23]. La incertidumbre se puede definir a travs del concepto de un
escenario que asigna valores plausibles de los parmetros del modelo.

La determinacin de los valores de las variables utilizando el efecto esperado de un conjunto

de escenarios no es completamente suficiente, ya que el tema de cmo protegerse contra
potencialmente eventos de alto impacto se llevan a cabo slo en parte. Por lo tanto, los
enfoques convencionales, tales como determinista y enfoques estocsticos, no protegen
contra problemas de alto impacto, como la creacin de una costosa Proyecto SCND. Por otra
parte, los tomadores de decisiones se encuentran con problemas para los que estn
disponibles para datos histricos adecuados la estimacin de los parmetros inciertos, y la
estimacin fiable probabilidades de escenario puede ser difcil. En otro Es decir, el enfoque de
optimizacin robusta est motivado como de la siguiente manera:

La realizacin de la incertidumbre y la fiabilidad mediante el worstcase escenario para

proteger contra potencialmente de alto impacto eventos, tales como problemas SCND. Y hacer
frente a los problemas para los que la informacin no es adecuado para estimar la funcin de
distribucin de la parmetros inciertos o las probabilidades de escenarios. Por lo tanto, el
enfoque de optimizacin robusta es apropiada En este contexto, mediante la bsqueda en la
robusta decisin a largo plazo ajuste que funciona en todas las realizaciones posibles sin
asignar una probabilidad supone que cualquier imprecisin parmetro.

La optimizacin robusta comprende min-max y minera enfoques mximo arrepentimiento

definidos por Kouvelis y Yu [24]. Dejar S denotan un conjunto finito de escenarios y X el posible
solucin de un problema determinado. Para un problema de minimizacin, sSs, Zs, (x) y Z *
s denotan el objetivo y la ptima objetivo de un problema bajo el escenario s,
respectivamente. Los min-max versin incluye encontrar una solucin con la mejor valor peor
de los casos a travs de todos los escenarios posibles, que puede ser formulado por:
En la versin pesar min-max, el valor del arrepentimiento cada escenario se define por la
diferencia entre el valor objetivo de una solucin factible (es decir, Zs (x)) y la valor objetivo
ptimo (es decir, Z * s). Esta diferencia puede ser denotado por el remordimiento o
arrepentimiento absoluta relativa. Los lamento min-max y el pesar relativa mn-mx consistir
de encontrar una solucin slida que minimiza su mximo arrepentirs y su mxima pesar
relativa, respectivamente, lo que se puede afirmar por:

En efecto, la correspondiente max-min y pesar min-max versin puede ser denotado por
problemas de maximizacin. Aissi et al. [25] examin el estado de la tcnica en min-max
arrepentir y pesar relativa optimizacin robusta min-max y presentado una discusin
exhaustiva de los incentivos para estos enfoques y diferentes aspectos de emplear robusto
optimizacin en la prctica. Ben-Tal y Nemirovski [26, 27] y Ben-Tal et al. [28] dedica a la
optimizacin robusta permitiendo que los datos sean elipsoides y sugirieron algoritmos
eficientes para resolver problemas de optimizacin convexa bajo ambigedad de datos.
Bertsimas y Sim [29, 30] presentan un enfoque para la discreta problemas de optimizacin y de
flujo de red que proporciona la grado de conservadurismo de una solucin. Ellos demostraron
que el equivalente de un robusto NP-duro, un approximable, 0-1 problema de optimizacin
discreta sigue siendo un-approximable. Los aplicacin de programacin semi-infinita en la
solucin de la minera problemas de optimizacin max se pueden observar en una obra de
Zakovic y Rustem [31]. Adems, Rustem y Howe [32] present algoritmos para el diseo del
peor caso y algunos aplicaciones para la gestin de riesgos.

Algunos enfoques han sido diseados para reducir el nmero de escenarios. Daskin et al. [33]
propuso un a-fiable, modelo pesar min-max y encontr una solucin que minimice funcin
objetivo con respecto a un subconjunto seleccionado de escenarios cuya probabilidad de
ocurrencia es mayor que el userspecified valorar a. Kalai et al. [34] present otro enfoque
llamado lexicogrfico -robustez que, en lugar de teniendo en cuenta el peor de los casos,
considera todos los escenarios en lexicogrfico orden de peor a mejor y tambin incorpora un
umbral de tolerancia para que no permitan una diferencia entre las soluciones con valores
similares. Assavapokee et al. [35] propuso un algoritmo de relajacin escenario de
arrepentimiento min-max y lamento relativa min-max optimizacin robusta. El algoritmo
iterativamente y actualiza resuelve una serie de problemas de relajacin como una
aproximacin a la formulacin del problema completo hasta tanto las condiciones de
viabilidad y de optimalidad de todo el problema estan satisfechos. Al principio, el algoritmo
resuelve el problema para un subconjunto de escenarios y luego se aplica secuencialmente
una bsqueda enumerativa para examinar todos los escenarios posibles. Finalmente, el
algoritmo aade esos escenarios inquietantes optimalidad y / o en condiciones de viabilidad
para el problema de relajacin. Los autores mostraron que el algoritmo termina en una ptima
min-max lamento solucin robusta (si existe) en una finita nmero de iteraciones. Aparte de la
min-max y min-max versiones arrepentimiento, el modelo de variabilidad es otra formulacin
que se considera en la literatura para ser una optimizacin robusta. Se utiliza el estndar
desviacin, varianza, y otros criterios para manejar la distribucin del valor objetivo [36]. El
propsito de este enfoque es optimizar el promedio total de costo / beneficio y minimizar la
varianza de funciones objetivo bajo diferentes escenarios, lo cual es a menudo difcil de
resolver debido a su caractersticas no lineales.

3 supuestos modelos y limitaciones

Desde el concepto anteriormente discutido, desarrollamos una closedloop modelo de diseo

de la red logstica que es ms complejo y requiere ms esfuerzo de analizar que tanto hacia
delante como logstica hacia atrs simultneamente. El objetivo de este estudio es para
disear un sistema de logstica robusta, de bucle cerrado que maximiza beneficio total
determinando los lugares de las instalaciones y los flujos entre las instalaciones a lo largo de
cada uno de capacidad limitada etapa en la que las demandas de los clientes y las tasas de
retorno de productos son inciertos. El modelo propuesto considera la siguiente supuestos y
limitaciones.

1. El modelo es multi-producto.

2. El proveedor, ubicaciones de los clientes y eliminacin son conocidos y fija.

3. Las posibles ubicaciones de las instalaciones de fabricacin, distribucin centros, centros de

recogida y centros de reparacin son conocidos.

4. El flujo slo est permitido para ser transportados entre dos etapas consecutivas. Por otra
parte, no hay flujos entre instalaciones en el mismo escenario.

5. El nmero de instalaciones que se puede abrir y su las capacidades estn restringidas.

6. La cantidad de demandas y las tasas de retorno son inciertos y se describen por el conjunto
de escenarios. La tasa de retorno para cada cliente depende de la demanda de los clientes.

7. Los valores de costo fijo (es decir, materiales, fabricacin, operacin, prueba e inspeccin,
reparacin, refabricacin y costes de reciclaje) se conocen.

Formulacin 4 Modelo

En esta seccin, primero presentamos un modelo determinista MILP para el diseo de la red
logstica de circuito cerrado y luego extender a una situacin de incertidumbre en los
apartados siguientes.

4.1 modelo determinista

El modelo incluye los siguientes conjuntos, parmetros y variables de decisin.

La estructura general de la logstica de bucle cerrado propuesto la red se ilustra en la Fig. 1. En
el delantero direccin, los proveedores son responsables de proporcionar la materia prima
para las instalaciones de fabricacin. Los nuevos productos son transportados desde las
plantas a los clientes a travs de la distribucin centros para satisfacer la demanda del cliente.
En el revs direccin, los productos devueltos por los clientes se transfieren a la recogida de
los centros para la prueba y la inspeccin.

Despus de las pruebas en los centros de recogida, el reciclado, remanufactureable, productos

reparables y desechables se envan a proveedores, plantas, centros de reparacin y centros de
eliminacin, respectivamente. Utilizando esta estrategia, el transporte excesivo de regresar
productos se reduce, y los productos devueltos son directamente transferidos a las
instalaciones pertinentes. Adems, el reparado los productos son enviados a centros de
distribucin a travs de la reparacin centros.

Debido a que el proceso de remanufactura y redistribucin se cumplen en las instalaciones

hacia adelante, y la reciclables y productos reparados tambin se insertan en las instalaciones
a plazo, la modelo propuesto es una red logstica de bucle cerrado. Este modelo no es una red
logstica basado en casos debido a su general la naturaleza; sin embargo, puede abarcar
diversas industrias (por ejemplo, equipos electrnicos, digitales y las industrias de vehculos).
En trminos de las anotaciones mencionadas, la logstica de circuito cerrado problema de
diseo de red se puede formular como sigue.

4.1.1 Funcin objetivo

El objetivo del modelo presentado es maximizar la beneficio total de la red de circuito cerrado
de la siguiente manera.

El beneficio total = total de los ingresos - totales cos t

El ingreso total se calcula multiplicando el nmero de los productos enviados a los clientes por
el precio unitario de cada producto de la siguiente manera.

Restriccin (15) muestra que, para cada producto, la suma de el flujo que entra en cada planta
de todos los proveedores y la coleccin centros es igual al flujo de salir de las instalaciones.
Restriccin (16) asegura que, para cada producto, la suma del flujo de que entra en cada
centro de distribucin de todas las plantas y reparacin centros es igual al flujo de dejar este
centro de distribucin. Restriccin (17) establece que, para cada producto, el flujo que sale los
centros de distribucin deben satisfacer la demanda de todos los clientes. Restriccin (18)
describe la relacin del cliente exige con el flujo de los productos devueltos que se transfieren
de los clientes a los centros de recogida. Restriccin (19) impone que, para cada producto, el
flujo que sale la ubicacin de recogida a todos los centros de reparacin para ser reparado es
igual al flujo que entra en cada centro de recogida de todo clientes multiplican por la relacin
de reparacin. Restriccin (20) muestra que, para cada producto, el flujo que sale de la
coleccin centro de todas las plantas que deben recuperarse es igual al flujo entrar a cada
lugar de recogida de todos los clientes se multiplicaron por la relacin de remanufactura.
Restriccin (21) asegura que, para cada producto, el flujo que sale de la ubicacin de recogida
a todos los proveedores para ser reciclado es igual al flujo de que entra en cada centro de
acopio de todos los clientes se multiplicaron por la proporcin de reciclado. Restriccin (22)
muestra que, para cada producto, el flujo que entra en cada ubicacin de coleccin de todos
los clientes es igual a la suma del flujo va a cada centro de reparacin para la reparacin, a
cada planta de remanufactura, a cada proveedor para su reciclaje, y para cada disposicin
ubicacin para su eliminacin. Restriccin (23) asegura que, para cada producto, el flujo que
entra en cada centro de reparacin de toda la coleccin centros es igual al flujo que va de esta
instalacin para centros de distribucin.

Las limitaciones de capacidad:

Restriccin (24) asegura que, para cada producto, la suma del flujo que sale cada proveedor a
todas las plantas hace No exceda la capacidad del proveedor. Restriccin (25) estados que la
suma del flujo de salida de cada planta a todos centros de distribucin no exceda la capacidad
de la planta. Restriccin (26) muestra que la suma del flujo que sale de cada centro de
distribucin para todos los clientes no lo hace exceder la capacidad del distribuidor. Restriccin
(27) asegura que la suma del flujo de salida de cada centro de recogida a todos los
proveedores, plantas, centros de reparacin y lugares de eliminacin no exceda la capacidad
del colector. Restriccin (28) establece que la suma de la corriente que sale de cada reparacin
centro a todos los redistribuidores no exceda de la reparacin la capacidad del centro.
Restriccin (29) asegura que la suma del flujo que entra en cada planta de toda la coleccin
centros no exceda la capacidad remanufactura de la planta. Restriccin (30) establece que,
para cada producto, la suma del flujo que entra en cada proveedor de todo centros de acopio
no exceda la capacidad de reciclaje del proveedor.

Nmero mximo de las ubicaciones de las restricciones activadas:

.
Restricciones (31) a (34) restringen el nmero de instalaciones plantas, distribuidores, centros
de acopio y centros de reparacin que se puede abrir, respectivamente.

Capacidad restricciones de nivel y otros:

Restricciones (35) a (38) aseguran que cada planta, centro de distribucin, centro de acopio, y
reparacin se pueden asignar como mximo un nivel de capacidad, respectivamente.
Restricciones (39) y (40) imponer restricciones binarias y no negatividad de las variables de
decisin correspondientes, respectivamente.

4.2 formulacin robusta

Para extender el modelo determinista mencionado a un entorno incierto, suponemos que la

demanda de productos y la tasa de retorno en las zonas de los clientes son inciertos y puede
tomar valores de un conjunto finito de posibles escenarios con una distribucin de
probabilidad conjunta desconocido. El objetivo de la red logstica de bucle cerrado intentado
bajo la incertidumbre es encontrar una solucin robusta que reduce al mnimo la mximo
arrepentimiento entre la funcin objetivo ptimo el valor y la funcin objetivo resultante para
que sea posible escenarios. Para obtener el arrepentimiento de cada escenario, el ptimo
funciones objetivo se determinan mediante la resolucin de la siguiente modelo.

donde fs y Qs son la funcin y el flujo objetivo resultando cantidad entre los nodos de la red
logstica menores escenario s S. Cuando el escenario establecido S es un conjunto finito, la
enfoque arrepentimiento-max min intenta encontrar eleccin binaria decisiones de manera
que el arrepentimiento mximo del ptimo los valores de la funcin objetivo se reduce al
mnimo. Modelo (41) se compone de dos tipos de variables de decisin. Variables de decisin
especificando la configuracin de la red, a saber, los binaria variables que representan la
ubicacin de las plantas, la distribucin centros, centros de acopio y centros de reparacin, son
considerado como variables de primera etapa, que debe ser tener en cuenta antes de la
realizacin de la incertidumbre. Las variables de segunda etapa son las variables continuas que
estn relacionados con la cantidad de productos para ser enviados entre las entidades de la
red, los cuales se pueden hacer despus los parmetros inciertos se han determinado. La
robusta solucin de las variables de decisin se puede obtener resolver el siguiente modelo.
Este modelo se denomina el modelo extensivo forma de el problema bajo la desviacin
robusta definicin. Desafortunadamente, el tamao de la extensa modelo de forma
presentada en (42) puede llegar a ser inmanejable grande cuando un gran nmero de se
consideran escenarios. La implementacin de este modelo requiere un tiempo de clculo largo
para obtener una solucin slida con un gran nmero de escenarios. Por esta razn, se utiliza
el algoritmo de relajacin escenario [35] para obtener una red robusta de configuracin. La
siguiente es una descripcin de este algoritmo.

5. Algoritmo de relajacin Escenario

La idea principal del algoritmo de relajacin escenario es que, en un problema con un gran
nmero de posibles escenarios, a slo pequeo subconjunto de escenarios se utiliza en
realidad para buscar una solucin robusta ptima. El diagrama de flujo del escenario algoritmo
de relajacin se muestra en la Fig. 2. El algoritmo clasifica el escenario establecido en dos tipos
de escenarios. Los primer tipo se compone de escenarios que se requieren para asegurar la
viabilidad de una solucin slida para que sea posible escenarios. El segundo tipo incluye
escenarios que se requieren para satisfacer la optimalidad de la solucin slida. Los algoritmo
de relajacin escenario considera primero el subconjunto de todos escenarios S? S y luego
resuelve el modelo relajado (42) por Slo teniendo en cuenta el escenario establecido S en
lugar de S. Incorporar el segundo subconjunto, una solucin robusta alternativa se aplica a
calcular los remordimientos de mejor objetivo para todos unconsidered escenarios. Si el valor
ptimo de modelo relajado es mayor o igual a todos los pesares, la solucin actual es robusto y
la algoritmo termina. De lo contrario, un subconjunto de escenarios no considerados con valor
arrepentimiento mayor que el valor ptimo de relajada modelo se aadir TOS en la prxima
iteracin. El algoritmo garantiza la terminacin en una solucin robusta ptima, si uno existe.
El procedimiento general del algoritmo de relajacin escenario, propuesto por Assavapokee et
al. [35], se pueden resumir como sigue.

El algoritmo implica dos formulaciones (41) y (42). La formulacin (41) es un modelo para
obtener la solucin ptima bajo cada escenario, que el objetivo resultado se utiliza en
formulacin (42), y el modelo relajado (42) es un estado de el modelo extensivo formulario.

Tenga en cuenta que la regin factible de formulacin (41) incluye la regin factible de la
extensamodelo de formulario. Por lo tanto, cuatro situaciones que debern realizarse:

1. Si el modelo (41) no es factible incluso en uno de los escenarios, el modelo extensivo forma
(problema original) es tambin inviable;

2. Si el modelo relajado (42) no es factible, la extensa modelo de formulario tambin es

factible;

3. bajo la definicin robusto para todas las iteraciones; y

4. La solucin ptima para el modelo extensivo forma es un solucin factible al modelo

relajado (42).
Sobre la base de los puntos antes mencionados, es evidente que Si cualquiera de los modelos
(41) o (42) es no factible, el algoritmo termina y por lo tanto el modelo extensivo forma es
inviable. Ahora se supone que el algoritmo termina en pasos 2 o 4 con UB=LB. Ntese que el
algoritmo puede terminar en estos pasos slo si la solucin robusta actual es factible el
modelo extensivo formulario o S10

Como se puede resultado, la solucin robusta actual es un solucin ptima para el modelo
extensivo forma y desde un nmero finito de posibles escenarios existe, el algoritmo termina
en nmero finito de iteraciones. Por lo tanto, la algoritmo se termina con una solucin robusta
ptima, si existe, o detecta inviabilidad de problema.

6. Resultados computacionales

Para ilustrar la idoneidad y la coherencia de la propuesta enfoque, un ejemplo numrico se

present por primera vez y se analiza para el de circuito cerrado diseo de la red logstica
robusta bajo un entorno incierto. La escala numrica de la experimento es el siguiente: el
nmero de proveedores es de tres; el nmero de lugares posibles para el establecimiento de
las plantas es cinco, y el nmero mximo de plantas que se pueden abierto, es dos; el nmero
de lugares posibles para el establecimiento de los centros de distribucin es de seis, y el
mximo nmero de distribuidores que se pueden abrir es de cuatro; el nmero de las zonas de
los clientes es de 10; el nmero de posibles ubicaciones para el establecimiento de recogida y
reparacin de centros es de cuatro, y el nmero mximo que se puede abrir es de dos; y hay
un centro de eliminacin. Los parmetros de la propuesta problema se da en la Tabla 2. Los
costos de transporte son definida como correspondiente a la distancia entre los nodos de cada
capa de la red de la cadena de suministro. Por otra parte, la fijo costo y capacidad de las
mismas instalaciones son discriminados de acuerdo con los niveles pertinentes. El
comportamiento de la propuesta modelo ha sido estudiado en el caso cuando la demanda de
los clientes y la tasa de devolucin de los productos de los clientes son inciertos. Se asume que
cada parmetro incierto puede tener un valor de 80 a 110% de los valores dados en Tabla 2.
Cada parmetro incierto se define por un finito nmero de posibles escenarios, y los otros
parmetros tienen valores constantes que se muestran en la Tabla 2.

En nuestros supuestos problemas, todos los parmetros inciertos se describen como un

conjunto finito de posibles escenarios. Porque hay una falta de conocimiento completo sobre
la probabilidad distribucin de los parmetros inciertos en este problema, quienes toman las
decisiones no son capaces de buscar la primera etapa valores de decisin (decisiones a largo
plazo) que producen el mejor largo ejecutar desempeo promedio. En esta situacin, los
criterios para las decisiones de primera etapa se puede reducir al mnimo el mximo
arrepentir entre el valor de la funcin objetivo ptimo bajo informacin perfecta y la funcin
objetivo resultante valor bajo las decisiones slidas sobre todas las realizaciones posibles de
los parmetros inciertos (escenarios) en el modelo (Proporciona un valor de la funcin objetivo
razonable). Los la decisin de fijar la primera etapa resultante se conoce como el configuracin
robusta. Tradicionalmente, el arrepentimiento-min max solucin robusta puede ser obtenido
por la resolucin de un modelo extensivo formulario basado en escenarios del problema. El
tamao de este modelo extensivo forma crece sustancialmente con el nmero de escenarios
utilizado para representar incertidumbre. Por lo tanto, el algoritmo de relajacin escenario es
eficiente utilizado para determinar la robusta decisin de primera etapa ajuste cuando la nica
informacin disponible para la toma los responsables en el momento de tomar las decisiones
de la primera etapa es un conjunto finito de posibles escenarios con probabilidad desconocida
distribucin. La idea clave del algoritmo de relajacin escenario es que en un problema con un
gran nmero de posibles escenarios slo un pequeo subconjunto de escenarios realmente
son emplea para obtener una solucin slida, que conduce a una menor tiempo de clculo en
comparacin con el modelo extensivo formulario.

En primer lugar, resolvemos el modelo determinista del primer experimento.La red logstica de
bucle cerrado que es relevante para este modelo determinista se muestra en la Fig. 3. Para
describir mejor la incertidumbre y obtener una configuracin de red de confianza, se aumenta
el nmero de escenarios. Porque el tamao del problema se vuelve inmanejable grande
cuando aumentar el nmero de escenarios, el escenario de relajacin algoritmo se aplica para
obtener una configuracin robusta de la red. El nmero de posibles escenarios vara de 10 a
3000 escenarios. El problema con los diferentes escenarios es resuelto por tanto el modelo
extensivo forma y el escenario algoritmo de relajacin con 00 en un equipo con un
procesador Intel Core2 Duo procesador de 2,00 GHz y 2,00 GB de RAM usando el solucionador
GAMS y CPLEX. Tabla 3 indica el desempeo del modelo extensivo forma y la relajacin
escenario algoritmo para los diversos nmeros de escenarios. Si el algoritmo no puede obtener
una solucin dentro de 10 h, un cmputo momento de "-" se muestra.
El algoritmo de relajacin escenario disminuye el tiempo de clculo en comparacin con la
extensa modelo de la forma, sobre todo cuando el nmero de escenarios es aumentado.

Adems, la Tabla 3 muestra la configuracin de la red cuando se aumenta el nmero de

escenarios. El destacado clulas indican los niveles de capacidad de las instalaciones que no
cambian, aumentando el nmero de escenarios. Como se muestra en la Tabla 3, el nivel de
capacidad y la ubicacin del segundo centro de acopio es desconocido (el ubicacin del Centro
de Recoleccin de c con un nivel de capacidad de 3 no cambia, pero los otros lugares de
recogida, es decir, centros de recogida a, byd, hacer el cambio). Por lo tanto, para seleccionar
una de estas ubicaciones potenciales, fijamos la configuracin de relieve en la Tabla 3 a lo
largo de slo una de centros de recogida a, b, d y con una capacidad nivel de 1 para resolver el
problema dado. Como se observa en Fig. 4, la funcin objetivo del problema incluyendo
Coleccin Centro b es mejor que otros problemas menores diferentes demandas. Por lo tanto,
los ajustes resaltados en Tabla 3 y Centro de Recoleccin de 2 con un nivel de capacidad de 1
son considerados como la configuracin ms robusta de la red logstica de bucle cerrado; este
resultado difiere de la configuracin del modelo determinista se muestra en la Fig. 3.

Para ilustrar la eficacia de la configuracin robusta resultante, un anlisis de sensibilidad de los

parmetros inciertos es llevado a cabo. La Tabla 4 muestra los valores de ganancias resultantes
de la configuracin robusta y determinista con respecto al cambios en la demanda y las tasas
de retorno. El determinista configuracin se muestra en la Fig. 3 y la robusta configuracin se
ilustra en la Tabla 3. Los valores de ganancia de la configuracin robusta son menos de la
determinista configuracin, mientras que la configuracin es ms robusta fiable que el
determinista porque el determinista configuracin no es factible bajo alguna demanda y las
tasas de retorno (es decir, en el peor de los casos). Es decir que cuando las demandas y las
tasas de retorno se incrementan la capacidad de la configuracin determinista no puede ser
responsable de el aumento de las demandas y las tasas de retorno, y as la modelo es inviable
en las condiciones pertinentes. Por el contrario, la configuracin robusta es factible y
responsable de todo condiciones. Por lo tanto, estos resultados justifican la optimizacin
robusta acercarse a este problema, el documento presentado como un confiable herramienta
para la toma de decisiones estratgicas y sensibles, donde satisfacer las demandas de los
clientes y la responsabilidad es muy importante para tal problema en el entorno competitivo
actual.

Se obtiene la configuracin robusta resultante utilizando el criterio max-min, destinado a la

construccin de una solucin de minimizacin la desviacin mxima entre el valor de la
solucin y el valor ptimo de escenario correspondiente sobre todos los escenarios posibles.
Como tambin se ha sealado Aissi et al. [25], el estudio de este criterio est motivada por la
aplicacin donde anticipacin de la peor de los casos es crucial, por ejemplo, el sensor
problema de colocacin, SCND problema, y as sucesivamente.

Por lo tanto, los enfoques estndar fallarn para proteger contra tales de alto impacto eventos
[25]. Por lo tanto, estos debates y el resultado ilustra la importancia de este enfoque donde la
demanda y / u otros parmetros pueden cambiar fcilmente en el mercado actual.

Por otra parte, la tabla 4 muestra resultados consistentes para los cambios de la demanda y la
tasa de retorno, tanto en el configuracin robusta y determinista. Cuando la demanda
aumenta o disminuye, el aumento de las ganancias o disminuciones en de la misma manera.
Por el contrario, si la tasa de retorno aumenta, la beneficio disminuye como se esperaba. Otra
conclusin lleg de la Tabla 4 es que el parmetro de la tasa de retorno es menor sensible que
el parmetro de la demanda en la determinacin el beneficio de la red logstica.

Las figuras 5 y 6 indican la consistencia de salidas entre las localidades de avance y retroceso
de la resultante configuracin robusta bajo diferentes demandas, respectivamente. Es
evidente a partir de la Fig. 5 que las demandas de todos los clientes estn satisfechos (dos
lneas que representan el la demanda total y la salida de los distribuidores a los clientes son
coincidentes entre s). El flujo enviado desde las plantas a los distribuidores es menor que el
total demanda, a partir de la Fig. 5, que la diferencia de estos flujos se justifica por el flujo
enviado desde centros de reparacin de redistribuidores, en la Fig. 6. En una manera similar, la
diferencia de la produccin de las plantas a los distribuidores y de salida de proveedores a las
plantas, a partir de la Fig. 5, se justifica por salida de los colectores a las plantas, a partir de la
Fig. 6. Por otra parte, Fig. La figura 6 muestra que el flujo sale de los clientes a los centros de
recogida es igual a la suma del flujo de expide de colectores para reparar los centros, las
plantas, los proveedores, y centros de eliminacin. Tambin es evidente a partir de la Fig. 6
existe ese equilibrio de flujo en los centros de reparacin (las dos lneas en representacin de
la entrada para reparar los centros de la coleccin centros y salida de los centros de reparacin
de redistribucin centros estn coinciden entre s). Adems, la Fig. 6 muestra que el flujo sale
de los centros de recogida de centros proveedores y eliminacin son idnticos debido la misma
relacin de retorno supone que dos destinos (0,15 de la cantidad de retorno). Los resultados
en las Figs. 5 y 6 verificar las soluciones del modelo propuesto. Para mostrar la optimalidad del
algoritmo de relajacin escenario, los valores de la funcin objetivo del algoritmo son
computado. La Figura 7 muestra el valor de la funcin objetivo de tanto extensa modelo de la
forma y el algoritmo de relajacin escenario. Las soluciones de la extensa modelo de
formulario son ptima debido a que estas soluciones se obtienen por CPLEX.
Como se puede ver en la figura. 7, las dos lneas que representan funcin objetivo del modelo
extensivo forma y el algoritmo de relajacin escenario son coincidentes con cada otra. Este
nmero confirma que las soluciones del escenario algoritmo de relajacin tambin son
ptimas. Adems, para mostrar la validez de la propuesta modelo y la aplicabilidad de la
relajacin escenario algoritmo, cuatro problemas de prueba se presentan y su se reportan
resultados. Tanto el modelo extensivo forma y el algoritmo de relajacin escenario se ponen a
prueba en cuatro pruebas problemas de diferentes tamaos (ver Tabla 5) y los parmetros, de
tal manera reportado en la literatura reciente (por ejemplo, [4, 37]). El nmero de posibles
escenarios para los problemas de prueba vara de se utilizan de 50 a 150. distancias euclidianas
para definir los costos de transporte entre nodos en cada capa de red. La demanda de cada
tipo de producto es basado en U [150, 280]. El precio para cada tipo de producto es generado
por U [100, 140]. El coste unitario de produccin, funcionamiento, inspeccin, reparacin,
reutilizacin, reciclaje, y la eliminacin se generan correspondiente a 25, 8, 2, 4, 10, 5, y 1% del
precio de cada producto. Por otra parte, despus de calcular la capacidad total de las plantas
como 1: 5PP c p mpDcp; la capacidad de las plantas se definen por azar compartir la capacidad
total en las plantas. De una manera similar, el capacidad de proveedores, centros de
distribucin, centros de acopio y centros de reparacin estn definidos. Otros parmetros se
generan por distribucin uniforme con rangos correspondientes de Tabla 2. La Tabla 6 muestra
los resultados correspondientes de la algoritmo de relajacin escenario en comparacin con la
amplia modelo de formulario en problemas de prueba 1-4 con varios nmeros de escenarios.
Si la extensa desde el modelo no alcanza un solucin dentro de 2 h mientras que el algoritmo
logra una solucin, el tiempo de clculo de la "-" Se ha informado de la amplia a partir del
modelo en esta tabla porque el tiempo de la superioridad de computacin de la relajacin
escenario algoritmo es obvio en este caso.

La Tabla 6 muestra que el algoritmo de relajacin escenario disminuye el tiempo de clculo en

comparacin con la extensa modelo de formulario. El nmero de escenarios que son en
realidad empleado por el algoritmo de relajacin escenario a encontrar una solucin robusta
ptima tambin se muestra en la Tabla 6. Los aumentos y disminuciones en algunos de estos
escenarios proporcionalmente afectar el tiempo de clculo del algoritmo. Por otro lado, la
eleccin aleatoria de subconjuntos S ;, Snewapos; 1, y Snewapos; 2 en el algoritmo pueden
tener un efecto sobre el tiempo computacional del algoritmo. En otras palabras, el nmero
total de los escenarios generados, el nmero de escenarios empleados por el algoritmo, y la
eleccin aleatoria de subconjuntos todo afecta al computacional tiempo del algoritmo de
relajacin escenario. El asociado resultados ilustran la superioridad tiempo de clculo de la
algoritmo de relajacin en comparacin con el escenario extensa modelo de forma,
especialmente en la presencia de un gran nmero de escenarios.
En consecuencia, los resultados mostrados en las tablas y figuras confirmar que el modelo da
resultados consistentes. Por lo tanto, se puede considerar como una herramienta fiable para la
fabricacin de decisiones estratgicas y sensibles. Estos resultados tambin demuestran la
aplicabilidad y eficacia de la relajacin escenario algoritmo para resolver max-min optimizacin
robusta Problemas SCND.

7. Conclusin

Hemos propuesto un nuevo enfoque para una red de cadena de suministro diseo en el que la
demanda y la tasa de retorno eran incierto. El modelo propuesto fue un xito en el diseo un
bucle cerrado, red logstica, mientras que cuatro de ellos capas (es decir, proveedores, plantas,
distribuidores y clientes) en la direccin de avance y cuatro capas (es decir, clientes, centros de
acopio, centros de reparacin y centros de disposicin) en la direccin hacia atrs. En el
documento se utiliza la optimizacin robusta enfoque con el criterio pesar mn-mx motivado
por problemas de alto impacto tales como SCND uno en el que la situacin de peor caso es
crtico. Para encontrar un solucin robusta con un tiempo ms rpido, la relajacin escenario
algoritmo se emple. Los resultados mostraron que la configuracin robusta es ms fiable que
el determinista uno porque la configuracin determinista es inviable en algunas tasas de
demanda y de retorno (es decir, en el peor de los casos casos), mientras que la configuracin
robusta es factible y responsable de todas las condiciones, aunque los valores de ganancia de
la configuracin robusta son menos de la determinista de configuracin. Adems, los
resultados demostraron la informtica superioridad momento de la relajacin escenario
algoritmo de comparacin con el modelo extensivo forma, especialmente en presencia de un
gran nmero de escenarios.

Estos resultados verificaron la aplicabilidad y eficacia del algoritmo de relajacin en el

escenario propuesto modelo. Para futuras investigaciones en esta rea, se sugiere el desarrollo
de algunos mtodos heursticos y meta-heursticos para problemas de gran tamao, as como
las tcnicas exactas de descomposicin. Adems, el modelo puede ser mejorado con varios
extensiones, como el riesgo de direccionamiento, las restricciones presupuestarias y
consideraciones financieras o aadiendo algunas caractersticas a hacerlo ms cercano a un
escenario realista.