ارتقای کارآمدی زنجیره‌تامین با استفاده از استراتژی‌های ناب و محاسبات توزیع‎پذیر: یک رویکرد هماهنگ برای کاهش ضایعات و بهینه‌سازی منابع

نویسندگان

  • امین رازانی گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه خوارزمی، تهران، ایران.
  • اشکان مزدگیر * گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه خوارزمی، تهران، ایران.

https://doi.org/10.22105/mmaa.v1i1.70

چکیده

هدف: این پژوهش با هدف ارتقای کارآمدی زنجیره‌تامین به بررسی تلفیق استراتژی‌های ناب با معماری محاسبات توزیع‌پذیر می‌پردازد. هدف اصلی کاهش انواع ضایعات و بهینه‌سازی مصرف منابع از طریق هماهنگ‌سازی فرآیندها و بهره‌گیری از فناوری‌های نوین پردازشی است.

روش‌شناسی پژوهش: در این مطالعه، یک معماری سه‌لایه‌ای برای پیاده‌سازی هم‌زمان مفاهیم ناب و ساختار محاسبات توزیع‌پذیر طراحی شده است. لایه اول به فراهم‌سازی دسترسی آنی به داده‌ها در سراسر زنجیره‌تامین می‌پردازد. لایه دوم وظیفه هماهنگ‌سازی فرآیندهای ناب با تقاضای واقعی را بر عهده دارد و لایه سوم نیز توزیع بهینه داده‌ها با قابلیت مشاهده‌پذیری و کنترل‌پذیری را فراهم می‌سازد. الگوریتم‌هایی برای مدیریت رفتار گره‌ها و جلوگیری از بروز اختلال در شبکه، ارایه شده‌اند.

یافته‌ها: نتایج حاصل از پیاده‌سازی این رویکرد ترکیبی نشان می‌دهد که ساختار پیشنهادی باعث کاهش موثر ضایعات ناشی از تولید بیش از نیاز، نقص در محصول، حمل‌ونقل‌های غیرضروری، زمان‌های انتظار و پردازش‌های زاید می‌شود. همچنین، کاهش سطح موجودی، بهبود جریان اطلاعات، افزایش چابکی و توان پاسخگویی سریع به تغییرات تقاضا از دیگر مزایای سیستم طراحی‌شده، است.

اصالت/ارزش افزوده علمی: نوآوری این پژوهش در ترکیب هم‌زمان مفاهیم ناب با فناوری محاسبات توزیع‌پذیر و ارایه یک معماری لایه‌ای منسجم برای ارتقای عملکرد زنجیره‌تامین است. این چارچوب می‌تواند به‌عنوان مدلی هوشمند و آینده‌نگر برای طراحی زنجیره‌های تامین کارآمد، منعطف و کم‌هزینه در صنایع مختلف مورد استفاده قرار گیرد.

کلمات کلیدی:

کارآمدی، زنجیره‌تامین ناب، محاسبات توزیع‌پذیر، کاهش ضایعات، بهینه‌سازی منابع

مراجع

  1. [1] Wamba, S. F., Dubey, R., Gunasekaran, A., & Akter, S. (2020). The performance effects of big data analytics and supply chain ambidexterity: The moderating effect of environmental dynamism. International journal of production economics, 222, 107498. https://doi.org/10.1016/j.ijpe.2019.09.019
  2. [2] Bortolini, M., Calabrese, F., Galizia, F. G., & Mora, C. (2022). A three-objective optimization model for mid-term sustainable supply chain network design. Computers & industrial engineering, 168, 108131. https://doi.org/10.1016/j.cie.2022.108131
  3. [3] Hashemi-Amiri, O., Ghorbani, F., & Ji, R. (2023). Integrated supplier selection, scheduling, and routing problem for perishable product supply chain: A distributionally robust approach. Computers & industrial engineering, 175, 108845. https://doi.org/10.1016/j.cie.2022.108845
  4. [4] Wu, G., de Carvalho Servia, M. Á., & Mowbray, M. (2023). Distributional reinforcement learning for inventory management in multi-echelon supply chains. Digital chemical engineering, 6, 100073. https://doi.org/10.1016/j.dche.2022.100073
  5. [5] Lee, K. J., Tilling, K. M., Cornish, R. P., Little, R. J. A., Bell, M. L., Goetghebeur, E., … ., & Carpenter, J. R. (2021). Framework for the treatment and reporting of missing data in observational studies: The treatment and reporting of missing data in observational studies framework. Journal of clinical epidemiology, 134, 79–88. https://doi.org/10.1016/j.jclinepi.2021.01.008
  6. [6] Dong, F., Jin, D., Zhao, X., Han, J., & Lu, W. (2022). A non-cooperative game approach to the robust control design for a class of fuzzy dynamical systems. ISA transactions, 125, 119–133. https://doi.org/10.1016/j.isatra.2021.06.031
  7. [7] Decardi-Nelson, B., & Liu, J. (2023). Computing control invariant sets of cascade nonlinear systems: Decomposition and distributed computing. Computers & chemical engineering, 171, 108142. https://doi.org/10.1016/j.compchemeng.2023.108142
  8. [8] Gomes, K. R. R., Perera, H. N., Thibbotuwawa, A., & Sunil-Chandra, N. P. (2023). Comparative analysis of lean and agile supply chain strategies for effective vaccine distribution in pandemics: A case study of COVID-19 in a densely populated developing region. Supply chain analytics, 3, 100022. https://doi.org/10.1016/j.sca.2023.100022
  9. [9] Negi, S. (2021). Supply chain efficiency framework to improve business performance in a competitive era. Management research review, 44(3), 477–508. https://doi.org/10.1108/MRR-05-2020-0272
  10. [10] Strimovskaya, A., Barykin, S., Volkova, E., Tsyplakova, E., Sinko, G., Kuzmenkova, V., & Krasilnikov, A. (2023). Multi-level conceptual model of efficiency control in supply chain management. IFAC-papersonline, 56(2), 1809–1814. https://doi.org/10.1016/j.ifacol.2023.10.1894
  11. [11] Fu, S., Ge, Y., Hao, Y., Peng, J., & Tian, J. (2024). Energy supply chain efficiency in the digital era: Evidence from China’s listed companies. Energy economics, 134, 107597. https://doi.org/10.1016/j.eneco.2024.107597
  12. [12] Kim, C. K., Lee, C., Kim, D., Cha, H., & Cheong, T. (2023). Enhancing supply chain efficiency: A two-stage model for evaluating multiple sourcing and extra procurement strategy optimization. Sustainability, 15(22). https://doi.org/10.3390/su152216122
  13. [13] Madhani, P. M. (2020). Enhancing supply chain efficiency and effectiveness with lean six sigma approach. International journal of project management and productivity assessment (IJPMPA), 8(1), 40–65. https://doi.org/10.4018/IJPMPA.2020010103
  14. [14] Daneshvar, M., Hajiagha, S. H. R., Tupėnaitė, L., & Khoshkheslat, F. (2020). Effective factors of implementing efficient supply chain strategy on supply chain performance. Technological and economic development of economy, 26(4), 947–969. https://doi.org/10.3846/tede.2020.12827
  15. [15] Fischer, J. H., Pfeiffer, D., Hellingrath, B., Scavarda, L. F., & Martins, R. A. (2014). Robust parameter setting of supply chain flexibility measures using distributed evolutionary computing. Procedia cirp, 19, 75–80. https://doi.org/10.1016/j.procir.2014.05.023
  16. [16] Delporte, C., Fauconnier, H., Rajsbaum, S., & Raynal, M. (2022). Distributed computability: Relating k-immediate snapshot and x-set agreement. Information and computation, 285, 104815. https://doi.org/10.1016/j.ic.2021.104815
  17. [17] Liu, G., Xiao, Z., Tan, G., Li, K., & Chronopoulos, A. T. (2020). Game theory-based optimization of distributed idle computing resources in cloud environments. Theoretical computer science, 806, 468–488. https://doi.org/10.1016/j.tcs.2019.08.019
  18. [18] Lukoyanov, E., Kolesov, N., Gruzlikov, A., & Tolmacheva, M. (2022). Models of dynamic systems in diagnostic tasks. Symmetry, 14(7), 1433. https://doi.org/10.3390/sym14071433
  19. [19] Jaggard, A. D., Lutz, N., Schapira, M., & Wright, R. N. (2017). Dynamics at the boundary of game theory and distributed computing. Association for computing machinery transactions on economics and computation, 5(3), 1–20. https://doi.org/10.1145/3107182
  20. [20] Shoop, E., Matthews, S. J., Brown, R., & Adams, J. C. (2025). Hands-on parallel & distributed computing with Raspberry Pi devices and clusters. Journal of parallel and distributed computing, 196, 104996. https://doi.org/10.1016/j.jpdc.2024.104996
  21. [21] Dhamal, S., Ben-Ameur, W., Chahed, T., Altman, E., Sunny, A., & Poojary, S. (2018). A stochastic game framework for analyzing computational investment strategies in distributed computing. https://doi.org/10.48550/arXiv.1809.03143
  22. [22] Marden, J. R., & Shamma, J. S. (2018). Game-theoretic learning in distributed control. In Handbook of dynamic game theory (pp. 511–546). Cham: Springer international publishing. https://doi.org/10.1007/978-3-319-44374-4_9
  23. [23] Purohit, R., Chowdhary, K. R., & Purohit, S. D. (2023). On the design and analysis of parallel and distributed algorithms. https://doi.org/10.48550/arXiv.2311.05857
  24. [24] Sarkar, L. (2014). Distributed systems: Basic algorithms. University of Edinburgh.
  25. [25] Herlihy, M., Kozlov, D., & Rajsbaum, S. (2013). Distributed computing through combinatorial topology. Newnes.
  26. [26] Ali, M. F., & Khan, R. Z. (2015). Distributed computing: An overview. International journal of advanced networking and applications, 7(1), 2630. https://www.researchgate.net/publication/280977301
  27. [27] Bouneb, Z. E. A. (2022). A distributed algorithm for computing groups in IoT systems. International journal of software science and computational intelligence (IJSSCI), 14(1), 1–21. https://doi.org/10.4018/IJSSCI.300363
  28. [28] Karishma, & Kumar, H. (2023). A new hybrid particle swarm optimizationalgorithm for optimal tasks scheduling in distributed computing system. Intelligent systems with applications, 18, 200219. https://doi.org/10.1016/j.iswa.2023.200219
  29. [29] Madisetti, V. K., & Panda, S. (2021). A dynamic leader election algorithm for decentralized networks. Journal of transportation technologies, 11(3), 404–411. https://doi.org/10.4236/jtts.2021.113026
  30. [30] Zhao, N., Hong, J., & Lau, K. H. (2023). Impact of supply chain digitalization on supply chain resilience and performance: A multi-mediation model. International journal of production economics, 259, 108817. https://doi.org/10.1016/j.ijpe.2023.108817
  31. [31] Liu, Y., & Jin, M. (2023). Does supply chain network centrality affect firm cost stickiness? Finance research letters, 58, 104459. https://doi.org/10.1016/j.frl.2023.104459
  32. [32] Saddikutti, V., Gudavalleti, P. K., & Singh, M. P. (2022). Lean and legacy supply chains for coordinated demand driven production to handle disruptions. IFAC-papersonline, 55(10), 2846–2851. https://doi.org/10.1016/j.ifacol.2022.10.162
  33. [33] Senthil, J., & Muthukannan, M. (2022). Development of lean construction supply chain risk management based on enhanced neural network. Materials today: Proceedings, 56, 1752–1757. https://doi.org/10.1016/j.matpr.2021.10.456
  34. [34] Xu, L., Mak, S., & Brintrup, A. (2021). Will bots take over the supply chain? Revisiting agent-based supply chain automation. https://doi.org/10.48550/arXiv.2109.01703
  35. [35] Chopra, S., & Sodhi, M. (2014). Reducing the risk of supply chain disruptions. MIT sloan management review, 55(3), 73–80. https://sloanreview.mit.edu/article/reducing-the-risk-of-supply-chain-disruptions/
  36. [36] Zhao, P., Yin, S., Han, X., & Li, Z. (2021). Research on lean supply chain network model based on node removal. Physica A: Statistical mechanics and its applications, 567, 125556. https://doi.org/10.1016/j.physa.2020.125556
  37. [37] Maqueira, J. M., Novais, L. R., & Bruque, S. (2021). Total eclipse on business performance and mass personalization: How supply chain flexibility eclipses lean production direct effect. Supply chain management: an international journal, 26(2), 256–278. https://doi.org/10.1108/SCM-02-2020-0083
  38. [38] Dwivedi, S. K., Amin, R., & Vollala, S. (2020). Blockchain based secured information sharing protocol in supply chain management system with key distribution mechanism. Journal of information security and applications, 54, 102554. https://doi.org/10.1016/j.jisa.2020.102554
  39. [39] Boskabadi, A., Mirmozaffari, M., Yazdani, R., & Farahani, A. (2022). Design of a distribution network in a multi-product, multi-period green supply chain system under demand uncertainty. Sustainable operations and computers, 3, 226–237. https://doi.org/10.1016/j.susoc.2022.01.005
  40. [40] Validi, S., Bhattacharya, A., & Byrne, P. J. (2014). A case analysis of a sustainable food supply chain distribution system—A multi-objective approach. International journal of production economics, 152, 71–87. https://doi.org/10.1016/j.ijpe.2014.02.003
  41. [41] Dhamal, S., Ben-Ameur, W., Chahed, T., Altman, E., Sunny, A., & Poojary, S. (2022). Strategic investments in distributed computing: A stochastic game perspective. Journal of parallel and distributed computing, 169, 317–333. https://doi.org/10.1016/j.jpdc.2022.07.012
  42. [42] Ikevuje, A. H., Anaba, D. C., & Iheanyichukwu, U. T. (2024). Optimizing supply chain operations using IoT devices and data analytics for improved efficiency. Magna scientia advanced research and reviews, 11(2), 70–79. https://doi.org/10.30574/msarr.2024.11.2.0107
  43. [43] Bellingeri, M., & Cassi, D. (2018). Robustness of weighted networks. Physica A: Statistical mechanics and its applications, 489, 47–55. https://doi.org/10.1016/j.physa.2017.07.020
  44. [44] Bracha, G. (1987). Asynchronous Byzantine agreement protocols. Information and computation, 75(2), 130–143. https://doi.org/10.1016/0890-5401(87)90054-X
  45. [45] King, V., & Saia, J. (2013). Byzantine agreement in polynomial expected time. Proceedings of the forty-fifth annual ACM symposium on theory of computing (pp. 401–410). New York, NY, USA: Association for computing machinery. https://doi.org/10.1145/2488608.2488658
  46. [46] Liu, M., Song, T., Hu, J., Yang, J., & Gui, G. (2019). Deep learning-inspired message passing algorithm for efficient resource allocation in cognitive radio Networks. IEEE transactions on vehicular technology, 68(1), 641–653. https://doi.org/10.1109/TVT.2018.2883669
  47. [47] Métivier, Y., Robson, J. M., Saheb-Djahromi, N., & Zemmari, A. (2011). An optimal bit complexity randomized distributed MIS algorithm. Distributed computing, 23(5), 331–340. https://doi.org/10.1007/s00446-010-0121-5
  48. [48] Schneider, J., & Wattenhofer, R. (2008). A log-star distributed maximal independent set algorithm for growth-bounded graphs. Proceedings of the twenty-seventh acm symposium on principles of distributed computing (pp. 35–44). New York, NY, USA: Association for computing machinery. https://doi.org/10.1145/1400751.1400758
  49. [49] Frischknecht, S., Keller, B., & Wattenhofer, R. (2013). Convergence in (social) influence networks. Distributed computing (pp. 433–446). Berlin, Heidelberg: Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-41527-2_30
  50. [50] Ayala, V., & Da Silva, A. (2002). Structural properties of the bounded control set of a linear system. https://www.researchgate.net/publication/339015921
  51. [51] Joseph, G. (2023). Output controllability of a linear dynamical system with sparse controls. IEEE transactions on control of network systems, 10(1), 147–156. https://doi.org/10.1109/TCNS.2022.3188484

دانلود

چاپ شده

2024-03-28

شماره

دوره 1 شماره 1 (1403): مدیریت: مدلسازی، تحلیل‌ها و کاربردها

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

رازانی ا., & مزدگیر ا. (2024). ارتقای کارآمدی زنجیره‌تامین با استفاده از استراتژی‌های ناب و محاسبات توزیع‎پذیر: یک رویکرد هماهنگ برای کاهش ضایعات و بهینه‌سازی منابع. مدیریت: مدلسازی، تحلیل‌ها و کاربرد, 1(1), 47-73. https://doi.org/10.22105/mmaa.v1i1.70
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.