An optimization model for a sustainable closed-loop supply chain considering efficient supplier selection and total quantity discount policies
Notice bibliographique
Résumé
This paper addresses the sustainable closed-loop supply chain (SCLSC) design problem regarding selecting a supplier under total quantity discount with demand uncertainty and logistic flow uncertainty. The proposed model considers the three pillars of sustainability: the economic, environmental, and social realms. The model deals with the costs incurred by products-related manufacturing and minimizes the carbon dioxide emissions resulting from different manufacturing processes, as well as the attendant rate of injuries among the workers. Python edition 2019-07 software with the SCIPY solver was used to solve the model, using a sequential least squares programming algorithm (SLSQP) to obtain optimal solutions. A numerical study was conducted to validate the model. A sensitivity analysis was conducted to address the effects of both types of uncertainty on the optimal solution. It was found that the effect of a high rate of demand uncertainty is more severe than the effect of the uncertainty of the flow logistics in the reverse direction since the former generated a lower value of the optimal solution than the worst-case scenario generated by the uncertainty budget. Moreover, the higher the weight of environmental and social objectives, the higher the proportion of recycled products from the total production. This study proposes a robust optimization model for an SCLSC that considers two types of uncertainty: the uncertainty budget that is used for the logistics flow in the reverse direction for refurbished and redesigned products and the box of uncertainty that is used to address the demand uncertainty.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».