OTEKON’14
7. Otomotiv Teknolojileri Kongresi
26 – 27 Mayıs 2014, BURSA
ÖMRÜNÜ TAMAMLAMIŞ ARAÇLAR İÇİN TOPLAMA AĞININ
TASARIMI
Seval Ene, Nursel Öztürk
Uludağ Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği Bölümü, BURSA
ÖZET
Son yıllarda, hızlı gelişen teknolojilerle birlikte ürün yaşam çevrimlerinin kısalması, kullanım ömrünün sonundaki
ürünlerde oluşan artış, bu ürünlerin geri alınması, geri kazanımı ve geri dönüşümü faaliyetleri ile ilgili yasal
düzenlemeler, tersine lojistik alanındaki çalışmaların önemini arttırmıştır. Dünyanın en büyük sektörlerinden olan
otomotiv endüstrisinde de üretici firmalar ömrünü tamamlamış araçlarının sorumluluğunu alarak çevreye verilecek olası
zararları önlemek durumundadırlar. Bu çalışmada, ömrünü tamamlamış araçlar için toplama ağının tasarımı problemi
ele alınmıştır. Çalışmanın amacı, minimum maliyetle toplama ağında açılacak tesislere ve tesisler arası taşıma
miktarlarına karar vermektir. Problemin çözümü için öncelik tabanlı genetik algoritma önerilmiştir. Geliştirilen
algoritma, kısa çözüm sürelerinde optimuma yakın sonuçlar elde etmektedir.
Anahtar kelimeler: Ömrünü tamamlamış araçlar, tersine lojistik, genetik algoritma, ağ tasarımı
COLLECTION NETWORK DESIGN FOR END-OF-LIFE VEHICLES
ABSTRACT
In recent years, the importance of reverse logistics studies has increased due to fast developing technologies, shorter
product life cycles, increment in number of end-of-life products, legislations about recovery and recycling operations
for these products. Also in the automotive industry, companies must have to take responsibility of their end-of-life
vehicles and prevent possible damages to the environment based on their end-of-life products. In this paper collection
network design for end-of-life vehicles is discussed. The objective of the study is to determine number of facilities to be
opened and material flow between these facilities with minimum cost. To solve the problem, priority based genetic
algorithms is proposed. The developed algorithm finds near optimal solutions in short processing times.
Keywords: End-of-life vehicles, reverse logistics, genetic algorithms, network design
yasalar, sürdürülebilirlik gibi konular sebebiyle en çok
etkilenen sektörlerden biridir [1]. Yeni araçların ve
bunlara ait malzeme ve parçaların tasarım ve üretimi, araç
ömrünü tamamladıktan sonra sökümünü, yeniden
kullanımını, geri kazanımını ve geri dönüşümünü
kolaylaştıracak şekilde yapılmalıdır. Ömrünü tamamlamış
araçların ise çevreye olan zararları sebebiyle
kullanılmaması ve bu araçlara ait parçaların geri kazanım,
tekrar kullanım, geri dönüşüm veya bertaraf işlemlerinin
yapılması gerekmektedir. Ömrünü tamamlamış araç
tanımı sadece yararlı ömrünün sonundaki ürünleri
kapsamamaktadır. Garanti ve sigorta dönüşlerini de
içermektedir.
1. GİRİŞ
Çevresel problemlerin arttığı günümüzde, yürürlüğe
giren sürdürülebilirlik ve geri dönüşüm ile ilgili
yönetmelikler, müşteri farkındalığı, sosyal sorumluluklar
ve ekonomik faydalar üretici firmaları çevre dostu ürünler
üretmeye
ve
ömrünün
sonundaki
ürünlerinin
sorumluluğunu almaya zorlamaktadır.
Ürün odaklı yönetmelikler pek çok endüstri alanını
etkilemektedir. Dünyadaki en büyük sektörlerden olan
otomotiv sektörü de çevre dostu ve geri kazanılabilir ürün
üretimi, ömrünü tamamlamış araçların ve araç
bileşenlerinin geri kazanım ve geri dönüşümü ile ilgili
1
Ömrünü tamamlamış araçların geri kazanım, geri
dönüşüm ve bertaraf uygulamalarının yönetilmesi,
planlanması
ve
işlem
akışlarının
tasarlanması
faaliyetlerinin tamamı tersine lojistik başlığı altında
toplanmaktadır. Tersine lojistikte, ağ tasarımı, tersine
lojistik sağlayıcısı seçimi, geri kazanımlı üretim
ortamında üretim planlama ve envanter kontrolü gibi
çeşitli çalışma alanları mevcuttur. Bu çalışmada ömrünü
tamamlamış araçların toplama ağının tasarımı problemine
odaklanılmıştır. Müşterilerden toplanan araçların,
toplama merkezlerine ve buradan da tersine lojistik
merkezlerine gönderilmesi için uygun bir ağ tasarımı
yapılarak hangi tesislerin nereye açılacağına ve tesisler
arası taşınacak araç miktarlarına karar verilecektir.
Problemin çözümü için öncelik tabanlı genetik algoritma
probleme özgü olarak tasarlanmıştır. Çalışmanın ikinci
bölümünde ömrünü tamamlamış ürünler ve tersine
lojistik konusunda literatürde rastlanan çalışmalar
özetlenmiş; üçüncü bölümde ele alınan problem
tanımlanmış; dördüncü bölümde tasarlanan öncelik
tabanlı genetik algoritma ile ilgili bilgiler verilmiş;
beşinci bölümde yapılan örnek uygulama özetlenmiş ve
son olarak altıncı bölümde çalışmanın sonuçlarına yer
verilmiştir.
Literatürde rastlanan tersine lojistik ağ tasarımı
problemlerinde matematiksel model [5, 13, 14, 15, 16
vb.] ve sezgisel algoritmalar [3, 4, 17, 18 vb.] olmak
üzere iki tür çözüm yaklaşımı önerilmektedir. Li ve ark.
[14], Lee ve ark. [19], Tuzkaya ve ark. [4] tersine lojistik
ağ tasarımını konu aldıkları çalışmalarında genetik
algoritma yaklaşımını kullanmışlardır.
Gen ve ark.[20] iki aşamalı ulaştırma probleminde
öncelik tabanlı kromozom gösterimini kullanarak genetik
algoritma uygulamışlardır. Lotfi ve TavakkoliMoghaddam [21] sabit maliyetli taşıma problemleri için
öncelik tabanlı kromozom gösterimini ve genetik
algoritmaları kullanmışlardır. Pishvaee ve ark. [17]
tersine lojistik ağ tasarımı için öncelik tabanlı kromozom
gösterimini kullanarak tavlama benzetimi algoritması
önermişlerdir. Lee ve ark. [19] ise öncelik tabanlı hibrid
genetik algoritma ile tersine lojistik ağ tasarımı
problemini incelemişlerdir.
Bu çalışmada ise literatürden farklı olarak ömrünü
tamamlamış araçların toplama ağı tasarımı problemi için
öncelik tabanlı kromozom gösterimini temel alan genetik
algoritma önerilmiştir.
2. KAYNAK ARAŞTIRMASI
Bu çalışmada ele alınan ömrünü tamamlamış araçlar
için toplama ağı tasarımı problemi, müşteriler, toplama ve
tersine lojistik merkezleri aşamalarından oluşmaktadır.
İncelenen ağın genel yapısı Şekil 1’de gösterilmiştir.
3. PROBLEM TANIMI
Literatürde tersine lojistik ile ilgili kavramlar 1970’li
yıllarda görülmeye başlansa da bilinen ilk tanım
1990’ların başında yapılmıştır [2]. Son yıllarda tersine
lojistik çalışmaları artarak devam etmektedir.
Lee ve Dong [3] çalışmalarında ömrünü tamamlamış
bilgisayar ürünlerini kurtarmak için lojistik ağı tasarlama
problemini incelemişlerdir. Tuzkaya ve ark. [4], Alumur
ve ark. [5] çalışmalarında beyaz eşya sektörüne yönelik
tersine lojistik ağ tasarım problemine odaklanmışlardır.
Dat ve ark. [6], elektrikli ve elektronik ürünlerin tersine
lojistik ağ tasarımı problemine model önermişlerdir.
Sasikumar ve ark. [7] ise kamyon lastiği yeniden üretimi
örnek olayı üzerine geliştirdikleri matematiksel modeli
uygulamışlardır. Chan ve ark. [1] makalelerinde otomotiv
endüstrisinde tersine lojistik aktivitelerini araştırmışlar ve
bu araştırmaya göre otomotiv endüstrisinde tersine
lojistik aktiviteleri için kavramsal bir yapı önermişlerdir.
Cruz-Rivera ve Ertel [8] Meksika'da,
ömrünü
tamamlamış araçların toplanması için ağ tasarımı
yapmışlardır. Tersine lojistik modelini kapasite sınırı
olmayan tesis yerleşim problemi olarak modellemişlerdir.
Schulttman ve ark. [9] ömrünü tamamlamış araçların geri
kazanım
ağında
araç
rotalama
optimizasyonu
gerçekleştirmişlerdir. Lin ve ark. [10], Olugu ve ark. [11],
Zhu ve ark. [12] ise otomotiv endüstrisi için yeşil tedarik
zinciri performans kriterlerini tartışmışlardır. Literatürde,
otomotiv endüstrisine yönelik tersine lojistik ağ
tasarımını inceleyen sınırlı sayıda çalışmaya rastlanmış
ve bu çalışmalarda daha çok kavramsal incelemenin
yapıldığı, uygulama eksiğinin olduğu görülmüştür.
Müşteriler
Araç Akışı
Toplama
Merkezleri
Tersine Lojistik
Merkezleri
Geri Dönüşüm
Tesisleri
Yedek Parça
Mağazaları
Üretim
Tesisleri
Şekil 1. Tersine lojistik ağ yapısı
Parça ve Malzeme Akışı
Bertaraf
Tesisleri
Müşterilerden toplanan araçlar, açılacak toplama
merkezlerine gönderilecek, buradaki ilk incelemenin
ardından da açılacak tersine lojistik merkezlerine
gönderilecektir. Tersine lojistik merkezlerinde ise
demontaj işlemi yapılarak zararlı atıklar uygun muhafaza
ve taşıma yöntemleri ile bertaraf tesislerine gönderilecek;
2
geri kazanılabilir malzemeler geri dönüşüm tesislerine
gönderilecek; kullanılabilir durumdaki iyi kalite parçalar
orijinal üreticilere veya yedek parça mağazalarına
gönderilecektir.
Bu çalışma kapsamında, müşterilerden tersine lojistik
merkezine doğru araç akışını içeren toplama ağının
tasarımına
odaklanılmıştır.
Geliştirilecek
çözüm
yaklaşımı ile hangi merkezlerin nereye açılacağına, hangi
müşterilerin hangi toplama merkezine atanacağına, hangi
toplama merkezlerinin hangi tersine lojistik merkezine
atanacağına ve aşamalar arasında gerçekleşecek taşıma
miktarlarına karar verilecektir. Modelin amacı, en düşük
maliyetle tüm bu faaliyetlerin gerçekleşmesini sağlayacak
ömrünü
tamamlamış
araçların
toplama
ağını
tasarlamaktır.
tasarımı için öncelik tabanlı kromozom gösterimi
kullanılmıştır. Örnek bir kromozom gösterimi Şekil 2’de
sunulmuştur.
Birinci Aşama
Düğümler 1 2
3 4 5 1
İkinci Aşama
2 3 1 2
3 1 2
3
Öncelikler 2 8 3 6 4 7 5 1 2 3 1 6 4 5
Şekil 2. Örnek kromozom gösterimi
Tersine lojistik toplama ağı için oluşturulan örnek
kromozom gösteriminde, birinci aşamada 5 adet müşteri,
3 adet toplama merkezi düğümü bulunmaktadır. Birinci
aşamadaki her bir düğüm 1 ile 8 arasında öncelik
değerine sahip olacaktır. İkinci aşamada ise 3 adet
toplama merkezi, 3 adet de tersine lojistik merkezi
bulunmaktadır. İkinci aşamadaki düğümler 1 ile 6
arasında öncelik değeri alacaktır. Birinci aşama
oluşmadan ikinci aşama oluşturulamayacaktır.
4. GENETİK ALGORİTMA TASARIMI
Genetik algoritmalar, doğal seleksiyon ve genetik
temellerine dayanan arama algoritmalarıdır [22]. Genetik
algoritmalarda problemin karar değişkenleri sonlu
uzunluktaki dizilerle kodlanmaktadır. Her biri bir aday
çözüm
olan
bu
diziler
kromozom
olarak
adlandırılmaktadır. İyi çözümlerin değerlendirilmesi ve
doğal seleksiyonun uygulanabilmesi için uygunluk
fonksiyonu
tanımlanarak
iyi
çözümlerin
kötü
çözümlerden ayırt edilmesi sağlanmaktadır. Geleneksel
arama
algoritmalarından
farklı
olarak
genetik
algoritmalarda aday çözümlerden oluşan popülasyonlar
kullanılmaktadır. Algoritma aday çözümlerden oluşan bir
başlangıç nesliyle başlamakta ve seçim, çaprazlama,
mutasyon gibi genetik işlemleri kullanarak çözümleri
değerlendirmektedir [23].
4.2 Uygunluk Değerlendirmesi
Uygunluk fonksiyonu, toplama ağındaki sabit ve
değişken maliyetlerin toplamının minimizasyonu şeklinde
tanımlanmıştır. Ağdaki sabit maliyetler, toplama
merkezleri ve tersine lojistik merkezleri açmanın
maliyetleridir. Değişken maliyetler ise her aşamadaki
düğümler arasında gerçekleştirilen taşıma miktarlarına
bağlı düğümler arası mesafe ile doğru orantılı
maliyetlerdir. Her aşamada düğümler arasında
gerçekleşecek taşıma atamaları öncelik değerlerine göre
gerçekleştirilmektedir. İlk olarak en yüksek önceliğe
sahip düğüm belirlenmektedir. En yüksek önceliğe sahip
düğüm ile ilişkili olduğu düğümler arasındaki minimum
değişken maliyetli düğüm seçilmekte, düğümlerin
kapasitelerine veya taleplerine göre gönderilecek miktar
belirlenmektedir. İlgili düğümün kapasitesi veya talebi
sıfıra düştüğünde ise kromozomdaki ilgili öncelik değeri
sıfırlanmaktadır. Uygunluk değeri de, açılmasına karar
verilen tesislerin sabit maliyetlerinin ve değişken
maliyetlerin toplamından oluşmaktadır.
4.1 Kromozom Gösterimi
Literatürde, ağ tasarımı problemlerinde genetik
algoritma çözüm yaklaşımının uygulandığı çeşitli
çalışmalar mevcuttur. Bu çalışmalarda üç tip kromozom
gösterimi gözlenmektedir: Min ve ark. [24] tarafından
geliştirilen ikili değişken gösterimi, Michalewicz ve ark.
[25] tarafından geliştirilen ağaç yapısı gösterimi ve Gen
ve ark. [20] tarafından geliştirilen öncelik tabanlı
kromozom gösterimi.
İkili kromozom gösteriminde tesis karar değişkenleri
ve dönemler yer almaktadır. Ağaç yapısı kromozom
gösteriminde, matris yapısı temel alınmıştır. I adet
kaynağın, J adet deponun bulunduğu bir ağ varsayılırsa,
matrisin boyutu ǀIǀ·ǀJǀ olacaktır. Bu yaklaşımda,
kromozom gösterimi basit olmasına rağmen büyük
boyutlu problemlerde gen sayısı oldukça artacak ve özel
mutasyon veya çaprazlama operatörlerine ihtiyaç
duyulacaktır. Öncelik tabanlı gösterimde ise her bir
kromozom I adet kaynak ve J adet deponun önceliklerini
göstermektedir. Kromozomun uzunluğu da ǀIǀ+ǀJǀ
olacaktır.
Bu çalışmada da hesaplamalarda ve kodlamalarda
sağlayacağı hız sebebiyle tersine lojistik toplama ağı
4.3 Çaprazlama Operatörü
Probleme özgü tasarlanan genetik algoritmada
çaprazlama operatörü, kromozom yapısına uygun olarak
düzeltme
gerektirmeyecek
şekilde belirlenmiştir.
Çaprazlama işleminde, seçilen kromozom üzerinde her ağ
aşaması için rastgele iki nokta belirlenmekte ve bu
noktalar arasında kalan genler ters çevrilerek yeni bir
kromozom üretilmektedir. Kullanılan çaprazlama işlemi
örneği Şekil 3’de verilmiştir.
3
1 2
3 4 5 1
2 3 1 2
3 1 2
2 8
3 6
5 1
1 6
1 2
1 2
2 8
4
7
3 4 5 1
3 4 5 1
7 4
6
2
3
2 3 1 2
2 3 1 2
3
5 1
2
3
Tablo 2. Müşteri-toplama merkezi (TM) arası birim
taşıma maliyetleri (pb)
3
4 5
3 1 2
3 1 2
4 6
3
3
1 5
Şekil 3. Çaprazlama işlemi örneği
4.4 Mutasyon Operatörü
3 4 5 1
2 8 3
6
4 7
2 3 1 2
1
5
2 3
3 1 2
3
1 6
5
4
TM1
TM2
TM3
TM4
TM5
TM6
1
2
3
4
5
6
7
8
9
10
312
325
485
246
218
321
74
180
412
246
213
205
377
399
361
135
409
445
72
145
397
438
62
288
97
264
283
250
494
80
349
439
404
375
402
374
372
131
227
205
214
197
212
314
484
277
438
233
158
58
120
220
375
260
105
485
360
315
125
446
Tablo 3. Toplama Merkezi (TM) - Tersine Lojistik
Merkezi (TLM) arası birim taşıma maliyetleri (pb)
Mutasyon işleminde, seçilen kromozom üzerindeki her ağ
aşaması için rastgele iki nokta belirlenmekte ve bu
noktaların yerleri birbirleriyle değiştirilerek kromozom
mutasyona uğratılmaktadır. Kullanılan mutasyon işlemi
örneği Şekil 4’de verilmiştir.
1 2
Müşteri
No
TM No
1
2
3
4
5
6
TLM1
125
300
119
248
55
110
TLM2
431
127
157
119
310
85
TLM3
246
214
166
228
341
240
TLM4
315
185
200
145
295
115
Visual Studio ortamında, C# programlama dilinde
kodlanan öncelik tabanlı genetik algoritmanın örnek
problem verisiyle 100 iterasyon çalıştırılması sonucu elde
edilen en iyi ağ yapısı Şekil 5’de sunulmuştur.
1 2
3 4 5 1
2 5 7
4
6 3
2 3 1 2
1
8
2 5
3 1 2
3
4 6
3
1
1
75
2
Şekil 4. Mutasyon işlemi örneği
52
5. ÖRNEK UYGULAMA
3
Ömrünü tamamlamış araçların toplama ağı tasarımı
problemi için geliştirilen öncelik tabanlı genetik
algoritma, 10 adet müşteri merkezi, 6 adet aday toplama
merkezi ve 4 adet aday tersine lojistik merkezinden
oluşan bir örnek probleme uygulanmıştır. Müşteri
talepleri bilgisi,
müşteri-toplama merkezi arası ve
toplama merkezi-tersine lojistik merkezi arasındaki
mesafeyle orantılı maliyet bilgisi sırasıyla Tablo 1, Tablo
2 ve Tablo 3’de verilmiştir.
4
1
73
78
70
91
5
77
7
3
4
5
6
7
8
9
10
73
75
52
78
70
91
93
73
54
69
58
3
4
255
9
2
60
54
2
64
16
8
1
1
216
45
3
6
Tablo 1. Müşteri talepleri (adet araç)
Müşteri
No.
Talep
Adedi
2
4
5
69
6
10
58
Müşteriler
Toplama merkezi ve tersine lojistik merkezi açmanın
maliyetleri sabit kabul edilmiştir ve sırasıyla 10000 ve
100000 para birimidir.
Toplama
Merkezleri
Tersine
Lojistik
Merkezleri
Şekil 5. Örnek problem için oluşturulan ağ yapısı
4
Şekil 5’de de görülen örnek problem için oluşturulan en
iyi çözüme ait ağ yapısında 1, 2, 3 ve 5 numaralı toplama
merkezlerinin açıldığı 4 ve 6 numaralı merkezlerin ise
açılmadığı görülmektedir. Tersine lojistik merkezlerinden
ise
sadece
4
numaralı
merkezin açılmadığı
gözlenmektedir. Toplama ağında toplam 514208 pb
maliyetle müşterilerin tüm talepleri karşılanmakta ve
merkezlerin kapasitelerine göre aşamalar arası
gönderilecek miktarlar belirlenmektedir.
Algoritmanın performansını test etmek amacıyla,
farklı büyüklükteki veri setleri ile program çalıştırılmıştır.
Farklı büyüklükteki veri setlerinden elde edilen sonuçlar
Tablo 4’te verilmiştir.
2.
3.
4.
Tablo 4. Farklı veri setleri için elde edilen sonuçlar
Veri Müşteri Toplama Tersine En İyi Çözüm
Seti Adedi
Merkezi Lojistik Sonuç
Süresi
Adedi
Merkezi (pb)
(sn)
Adedi
1
10
6
4
514208 4,28
2
25
10
5
649809 9,73
3
35
20
10
850424 26,63
5.
6.
Farklı büyüklükteki veri setleri ile algoritmanın
çalıştırılmasından elde edilen sonuçlar, algoritmanın
büyük problem setlerinde de kısa süre içinde iyi sonuçlar
ürettiğini göstermektedir.
7.
6. SONUÇ
8.
Son yıllarda, çevresel ve sosyal endişelerin artmasıyla
birlikte pek çok endüstri alanına ait ömrünü tamamlamış
ürünlerle ilgili yönetmelikler yürürlüğe girmektedir.
Ömrünü tamamlamış ürünlerin çevreye zarar vermeyecek
şekilde bertaraf işlemlerinin yapılması ve ömrünü
tamamlamış ürünlerden elde edilecek değeri arttıracak
şekilde geri kazanım-geri dönüşüm faaliyetlerinin
yönetilmesi gerekmektedir. Bu faaliyetlerin etkin bir
şekilde planlanması tersine lojistiğin başlıca çalışma
alanıdır. Bu çalışmada ömrünü tamamlamış araçların
tersine lojistik faaliyetlerinden toplama ağının tasarımı
problemine odaklanılmıştır. İki aşamalı toplama ağının
minimum maliyetle tasarlanması amacıyla öncelik tabanlı
genetik algoritma probleme özgü olarak geliştirilmiştir.
Tasarlanan algoritma önce örnek bir problem ile test
edilmiş, ardından farklı büyüklükteki veri setlerine
uygulanmıştır. Elde edilen sonuçlar algoritmanın başarılı
sonuçlar ürettiğini göstermiştir. Bu çalışmanın devamı
olarak ömrünü tamamlamış araçların tüm tersine lojistik
aşamalarını içeren ağın tasarlanması problemine
odaklanılarak problem genişletilebilir ve algoritma yeni
probleme özgü olarak yeniden düzenlenebilir.
9.
10.
11.
12.
13.
KAYNAKLAR
1. Chan, F.T.S., Chan, H.K., Jain, V., 2012, “A
framework of reverse logistics for the automobile
5
industry”, International Journal of Production
Research, Vol. 50, No. 5, pp. 1318-1331.
Brito, M.P., Dekker, R., 2002, “Reverse logistics:
A framework”, Econometric Institute Report EI
2002-38.
Lee, D.H., Dong, M., 2008, “A heuristic approach
to logistics network design for end of leaese
computer products recovery”, Transportation
Research Part E, Vol. 44, pp. 455-474.
Tuzkaya, G., Gülsün, B., Önsel, Ş., 2010, “A
methodology for the strategic design of reverse
logistics networks and its application in the
Turkish white goods industry”, International
Journal of Production Research, Vol. 49, No.15, pp.
4543-4571.
Alumur, S.A., Nickel, S., Saldanha-da-Gama, F.,
Verter, V., 2012, “Multi-period reverse logistics
network design”, European Journal of Operational
Research, Vol. 220, pp. 67-78.
Dat, L.Q., Linh, D.T.T., Chou, S.Y., Yu, V.F., 2012,
“Optimizing reverse logistics costs for recycling
end-of-life electrical and electronic products”,
Expert Systems with Applications, Vol. 39, pp.
6380-6387.
Sasikumar, P., Kannan, G., Haq, N., 2010, “A
multi-echelon reverse logistics network design
for product recovery - a case of truck tire
remanufacturing”, International Journal of
Advanced Manufacturing Technology, Vol. 49, pp.
1223-1234.
Cruz-Rivera, R., Ertel, J., 2009, “Reverse logistics
network design for the collection of end-of-life
vehicles in Mexico”, European Journal of
Operational Research, Vol. 196, pp. 930-939.
Schultmann, F., Zumkeller, M., Rentz, O., 2006,
“Modelling reverse logistics tasks within closedloop supply chains: An example from the
automotive industry”, European Journal of
Operational Research, Vol. 171, pp. 1033-1050.
Lin, R.J., Chen, R.H., Nguyen, T.H., 2011, “Green
supply
chain
management
performance
automobile manufacturing industry under
uncertainty”, Procedia-Social and Behavioral
Sciences, Vol. 25, pp. 233-245.
Olugu, E.U., Wong, K.Y., Shaharoun, A.M., 2011,
“Development of key performance measures for
the automobile green supply chain”, Resources,
Conservation and Recycling,, Vol. 55, pp. 567-579.
Zhu, Q., Sarkis, J., Lai, K.H., 2007, “Green supply
chain management: pressures, practices and
performance
within
Chinese
automobile
industry”, Journal of Cleaner Production, Vol. 15,
pp. 1041-1052.
Jayaraman, V., Patterson, R.A., Rolland, E., 2003,
“The design of reverse distribution networks:
Models and solution procedures”, European
Journal of Operational Research, Vol. 150, pp. 128149.
14. Li, J., Wang, J., Hu, Z., 2006, “A Reverse logistics
network design method using genetic algorithm”,
Proceedings of the 6th World Congress on
Intelligent Control and Automation, 21 - 23 June,
2006, Dalian, China.
15. Mutha, A., Pokharel, S., 2009, “Strategic network
design for reverse logistics and remanufacturing
using new and old product modules”, Computers
& Industrial Engineering, Vol. 56, pp. 334-346.
16. Ramezani, M., Bashiri, M., Tavakkoli-Moghaddam,
R., 2013, “A new multi-objective stochastic model
for a forward/reverse logistic network design
with responsiveness and quality level”, Applied
Mathematical Modelling, Vol. 37, pp. 328-344.
17. Pishvaee, M.S., Kianfar, K., Karimi, B., 2010,
“Reverse logistics network design using
simulated annealing”, International Journal of
Advanced Manufacturing Technology, Vol. 47, pp.
269-281.
18. Lee, D.H., Dong, M., 2009, “Dynamic network
design for reverse logistics operations under
uncertainty”, Transportation Research Part E, Vol.
45, pp. 61-71.
19. Lee, J.E., Gen, M., Rhee, K.G., 2009, “Network
model and optimization of reverse logistics by
hybrid genetic algorithm”, Computers and
Industrial Engineering, Vol. 56, pp. 951-964.
20. Gen, M., Altiparmak, F., Lin, L., 2006, A genetic
algorithm for two-stage transportation problem
using priority-based encoding”, OR Spectrum,
Vol. 28, pp. 337–354.
21. Lotfi, M.M., Tavakkoli-Moghaddam, R., 2013, “A
genetic algorithm using priority-based encoding
with new operators for fixed charge
transportation
problems”,
Applied
Soft
Computing, Vol. 13, pp. 2711–2726.
22. Goldberg, D. E., 1989, “Genetic algorithms in
search, optimization and machine learning”,
Addison Wesley Longman Inc. 412p.
23. Sastry, K., Goldberg, D., Kendall, G., 2005, Search
methodologies, Springer, pp. 97-125.
24. Min, H., Ko, H.J., Ko, C.S., 2006, “A genetic
algorithm approach developing the multi-echelon
reverse logistics network for product returns”,
Omega, Vol. 34, No. 1, pp. 56–69.
25. Michalewicz, Z., Vignaux, G. A., Hobbs, M., 1991,
“A non-standard genetic algorithm for the
nonlinear transportation problem”, ORSA
Journal on Computing, Vol. 3, No. 4, pp. 307–316.
6
7
Download

ömrünü tamamlamış araçlar için toplama ağının tasarımı