A novel multi-objective stochastic model and a novel hybrid metaheuristic for designing supply chain network under disruption risks to enhance supply chain resilience
Notice bibliographique
Résumé
Supply chains are vulnerable to various disruption risks that can adversely affect their overall performance and objectives. This study addresses the challenge of designing a resilient and environmentally sustainable mixed open and closed-loop supply chain network that can withstand both operational and disruption risks. The research employs a bi-objective stochastic mathematical model to examine the balance between environmental sustainability and profitability within the SC. To mitigate the impact of disruptions, several resilience strategies are incorporated into the model, significantly reducing their adverse effects. Due to the inherent complexity of the problem, the study introduces a novel hybrid metaheuristic algorithm that combines ant colony optimization with teaching and learning-based optimization, named ACO-TLBO. Additionally, two other enhanced hybrid metaheuristics are proposed. The performance of these solution methods is assessed through various test problems, using specific performance metrics for comparison. Results reveal that the ACO-TLBO algorithm excels in generating high-quality, non-dominated solutions. The model's practical applicability is demonstrated through a case study in the tire industry, validating its effectiveness. The findings indicate that the proposed resilience strategies are crucial for minimizing the negative impacts of disruptions on SC objectives. Furthermore, the results underscore the importance of resilience in maintaining both sustainability and profitability within supply chains.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».