ارائه کننده: رضا عسگریاستاد راهنما: دکتر احسان نیک بخشاستاد مشاور: دکتر توکتم خطیبیاستاد مشاوردوم: دکتر مهدی اسماعیلیاستاد داور داخلی: دکتر علی حسین زاده کاشاناستاد داور خارج از دانشگاه: دکتر سیدعلی ترابینماینده تحصیلات تکمیلی: دکتر علی حسین زاده کاشانتاریخ: ۱۴۰۴/۰۶/۳۰ساعت: ۱۰:۰۰مکان: اتاق 219 دانشکده فنی و مهندسی

چکیده:انبارها به عنوان یک حائل میانی بین تامین‌کننده و مشتری، فرصت‌های بهبود قابل توجهی را در زنجیره تأمین به وجود می‌آورند. برای بهبود عملیات ذخیره‌سازی و بازیابی کالا، راهکارهایی مانند ناحیه‌بندی انبار، تصمیمات مسیریابی، دسته‌بندی سفارش‌ها و استفاده از سیاست‌های ذخیره‌سازی پیشنهاد می‌شود که تصمیمات مربوط به تخصیص مکان ذخیره‌سازی به عنوان یک مسئله تاکتیکی اهمیت بیشتری دارد. پایگاه‌های داده سیستم‌های ذخیره‌سازی و بازیابی خودکار، اطلاعات دقیق ورود و خروج کالاها را ثبت می‌کنند که تحلیل آن‌ها امکان به‌کارگیری رویکردهای داده‌محور برای بهبود عملکرد انبار را فراهم می‌سازد. با این حال، حجم زیاد داده‌ها اغلب با عدم قطعیت همراه است که در تحلیل‌ها باید لحاظ شود. بهینه‌سازی داده‌محور شامل ترکیب رویکردهای مواجهه با عدم قطعیت و یادگیری ماشین است. در این پایان‌نامه یک رویکرد بهینه‌سازی داده‌محور برای تخصیص مکان انبارش کالا ارائه شده است. سبک مدل‌سازی مسئله MIP و رویکرد مواجهه با عدم قطعیت برنامه‌ریزی تصادفی دو‌مرحله‌ای است. با افزایش تعداد سناریوهای عدم قطعیت در مدل‌های تصادفی دومرحله‌ای، پیچیدگی مسئله به صورت نمایی افزایش می‎یابد، در این تحقیق با استفاده از روش خوشه‌بندی سلسله مراتبی تعداد سناریوها به طور قابل‌توجهی کاهش می‌یابد. برای حل مسئله در زمان مناسب، از روش هجینگ پیشرو (PHA) استفاده شده است که در این مسئله، ‌یکی از چالش‌های اصلی این روش، حل زما‌ن‌بر سناریوها در تکرارهای ابتدایی است. بنابراین از یک نسخه شخصی‌سازی ‌شده از روش هجینگ پیشرو با استفاده از یک ابتکاری مبتنی بر تواتر کالاها استفاده شده است. این ابتکاری به سرعت یک جواب اولیه موجه به تکرار اولیه می‌دهد و باعث افزایش سرعت همگرایی می‌شود. نتایج نشان می‌دهد علاوه بر کیفیت خوب جواب‌ها، زمان حل نیز بین ۲۹٪ تا ۳۷٪ نسبت به CPLEX  کاهش یافته است. به طوری که در مسائلی با ۴۰ ناحیه در هر راهرو،  CPLEX  قادر به حل نیست اما روش پیشنهادی جواب را در زمان مناسب پیدا می‌کند. در نهایت مقایسه مدل پیشنهادی با وضعیت موجود نشان از بهبود تقریبا 4 % در هزینه‌ها دارد.