دانشگاه ایوان‌کی مهندسی سیستم و بهره‌وری 2538-2195 6 4 2027 02 20 Robust Optimization of Pharmaceutical Logistics Network under Disaster Considering Reliability بهینه‌سازی استوار شبکه لجستیک دارو در شرایط بحران با رویکرد قابلیت اطمینان 181 222 736966 10.22034/sep.2026.2087772.1482 FA حمید موکدی نویسنده مسئول: استادیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه صنعتی قم، قم، ایران 0000-0002-7242-7738 فاطمه قاسمی‌زاده کارشناس ارشد، گروه مهندسی صنایع، پردیس فارابی، دانشگاه تهران، تهران، ایران 0009-0004-0662-5498 Journal Article 2026 04 28 n this paper, an integer linear programming model is proposed for designing a pharmaceutical logistics network in two phases of disaster preparedness and response. In the preparedness phase, strategic decisions including location of central, local, and backup warehouses, capacity determination, perishable drug inventory management, and fleet allocation are made. In the response phase, temporary warehouses are activated considering the probability of route failures, and routing and distribution are performed dynamically over multiple periods. The proposed model pursues three objectives: minimizing service time, minimizing facility costs, and maximizing supply chain reliability. A scenario-based robust optimization approach is applied to model uncertainties in parameters such as demand and route statuses. The results show that the model is capable of fully allocating central warehouse inventory and preventing shortages under the highest demand scenario. The high allocation of fleet to the backup warehouse demonstrates the central role of this facility in network resilience. Sensitivity analysis also indicates that investment in warehouse fortification not only increases reliability but also significantly reduces drug purchasing and holding costs. Due to the NP-hard nature of the problem, the model is solved using GAMS for small-scale problems and the Non-dominated Sorting Genetic Algorithm (NSGA-II) for large-scale problems. Comparison of results shows that the metaheuristic algorithm provides acceptable quality Pareto solutions in dimensions where the exact method fails to solve. Conducting a real case study with actual data is suggested as an essential step for future research.<br><br>The results show that the model is capable of fully allocating central warehouse inventory and preventing shortages under the highest demand scenario. The high allocation of fleet to the backup warehouse demonstrates the central role of this facility in network resilience. Sensitivity analysis also indicates that investment in warehouse fortification not only increases reliability but also significantly reduces drug purchasing and holding costs. Due to the NP-hard nature of the problem, the model is solved using GAMS for small-scale problems and the Non-dominated Sorting Genetic Algorithm (NSGA-II) for large-scale problems. Comparison of results shows that the metaheuristic algorithm provides acceptable quality Pareto solutions in dimensions where the exact method fails to solve. Conducting a real case study with actual data is suggested as an essential step for future research. در این مقاله، یک مدل برنامه‌ریزی خطی عدد صحیح برای طراحی شبکه لجستیک دارو در دو فاز آمادگی و واکنش بحران ارائه می‌شود. در فاز آمادگی، تصمیمات مکان‌یابی انبارهای مرکزی، محلی و پشتیبان، تعیین ظرفیت، مدیریت موجودی داروهای فسادپذیر و تخصیص ناوگان اتخاذ می‌گردد. در فاز واکنش، با توجه به احتمال خرابی مسیرها، انبارهای موقت فعال شده و مسیریابی و توزیع به صورت پویا و چنددوره‌ای انجام می‌شود. مدل پیشنهادی سه هدف کاهش زمان خدمت‌رسانی، کاهش هزینه‌های تسهیلات و افزایش قابلیت اطمینان زنجیره را دنبال می‌کند. برای مدلسازی عدم قطعیت در پارامترهایی نظیر تقاضا و وضعیت مسیرها، از رویکرد بهینه‌سازی استوار مبتنی بر سناریو استفاده شده است. نتایج نشان می‌دهد که مدل قادر است در شرایط بحرانی با بیشترین سطح تقاضا، موجودی انبار مرکزی را به طور کامل تخصیص داده و از بروز کمبود جلوگیری کند. تخصیص بالای ناوگان به انبار پشتیبان، نقش محوری این تسهیلات در تاب‌آوری شبکه را نشان می‌دهد. تحلیل حساسیت نیز حاکی از آن است که سرمایه‌گذاری در مقاوم‌سازی انبارها نه تنها قابلیت اطمینان را افزایش می‌دهد، بلکه هزینه‌های خرید و نگهداری دارو را نیز به طور قابل توجهی کاهش می‌دهد. با توجه به NP-hard بودن مسئله، مدل در ابعاد کوچک با نرم‌افزار گمز و در ابعاد بزرگ با الگوریتم ژنتیک با مرتب‌سازی نامغلوب (NSGA-II) حل شده است. مقایسه نتایج نشان می‌دهد الگوریتم فراابتکاری در ابعادی که روش دقیق قادر به حل نیست، جواب‌های پارتویی با کیفیت قابل قبول ارائه می‌دهد. انجام مطالعه موردی با داده‌های واقعی به عنوان گامی ضروری برای تحقیقات آتی پیشنهاد می‌گردد. https://systems.eyc.ac.ir/article_736966_5fcb186faeb821b81dc94f654044c8ff.pdf