Un nuevo modelo multi-objetivo para el problema de diseño y operación de la cadena de suministro

Abstract

En las últimas décadas, el interés de muchas compañías de producción y/o logística se ha enfocado en el estudio de la cadena de suministro, para mejorar su eficiencia operativa y su rentabilidad. En este trabajo, se presenta un nuevo modelo bi-objetivo de programación matemática para un sistema de cadena de suministro multi-producto de 3 escalones (proveedores, fábricas, centros de distribución y clientes). El primer objetivo consiste en minimizar los costos totales, que incluyen costos de inversión (para plantas y centros de distribución) y de operación (producción, almacenamiento y transporte). Por otro lado, se busca simultáneamente minimizar la cantidad total de retrasos en la entrega de los productos a los clientes, con respecto a fechas de entrega establecidas. Para ello, se requiere determinar cuántas fábricas y cuántos centros distribución deben ser abiertos de un conjunto dado; las cantidades de cada producto manufacturadas en cada fábrica abierta; los flujos de los diferentes productos entre capa del sistema global (de proveedores a fábricas, de fábricas a centros de distribución y de centros de distribución a clientes). Las restricciones imponen capacidades limitadas de producción en las fábricas y de almacenamiento en los centros de distribución, mientras que se tiene que cumplir con los pedidos de los clientes. Se adaptaron dos estrategias para resolver diferentes instancias de este modelo, generadas de manera aleatoria y clasificadas por tamaños (chico, mediano y grande). La primera técnica es un algoritmo exacto a través del paquete de programación matemática Gurobi Optimización. Diferentes métodos de escalarización (restricciones-e, funciones de escalarización de Tchebycheff y AASF) fueron probadas para producir mediante varias ejecuciones una aproximación del frente de Pareto. Por otro lado, el algoritmo evolutivo MOEA/D es también adaptado al problema de interés. Los experimentos computacionales sobre instancias chicas demuestran que el paquete Gurobi Optimization determina eficientemente aproximaciones de buena calidad del frente real, mientras que el algoritmo evolutivo funciona bien para identificar ciertas zonas del frente, pero describe mal otras. Sin embargo, para instancias de mayor tamaño, el desempeño de la técnica exacta disminuye mientras que MOEA/D confirma la robustez de su comportamiento.