1. Introduction
Global warming, environment deterioration, and government regulations arouse the awareness of academic researchers and industrial practitioners for considering the “green” strategies in logistics industry (Murphy, 2000). Green Logistics (GL) concerns not only the provision of green products or services to customers, but also the overall logistics flow of items from cradle to grave, together with reverse logistics. Various green activities and operations have been implemented, such as production scheduling and network construction. In order to improve the performance of GL, individual logistics parties not only need to implement green activities and operations by themselves, but also the cooperation and collaboration among different logistics parties (Zhou et al., 2000). The performance of GL cannot be measured simply in an economic way, but in a sustainable way taking account of environmental and societal factors as well, which are also the objectives of GL (Björklund et al., 2012 and Hervani et al., 2005). GL can be understood as the combination of traditional logistics and reverse logistics (RL). Traditional logistics comprises the flow from the raw materials to finished products, while RL is a rather new research field, which involves the concept of recycling used products in order to reduce waste and to increase an industry׳s performance and resulting profits. RL is of great importance, as it not only complements integrated logistics research, but also improves the performance of GL significantly in terms of all the economic, environmental and societal objectives (Lee and Lam, 2012). RL also consists of numerous activities and operations, such as returned products collection, examination, pre-processing, recycling, remanufacturing or disposal (Rogers and Tibben-Lembke, 2001).
Most of the activities and operations in GL can be formulated as combinatorial optimization (CO) models with multiple objectives, constraints and decision variables. Exact methods, such as Linear Programming (LP) and Branch-and-Bound (B&B), are becoming less popular for solving CO problems, as they are either unable to solve complicated CO problems with large numbers of variables or it takes long time to find the solution for CO problems (Laporte, 1992). By contrast, meta-heuristic approaches are becoming increasingly popular as these approaches are approximate approaches, which suggest that they could find satisfactory solutions within an acceptable time instead of finding the optimal solution. Intuitively speaking, meta-heuristic approaches can be classified into two categories: the single-solution based approaches and the population based approaches (Blum and Roli, 2003). The single-solution based approaches, also named the trajectory methods (Consoli and Darby-Dowman, 2007), such as Tabu Search (TS), Simulated Annealing (SA) and various local search methods, in that only one candidate solution exists during the whole search process. However, the population based approach indicates that the search process starts with a population of candidate choices, and the whole population further evolves. The advantages and disadvantages of both the single-solution based approaches and the population based approaches can be found in the literature (Glover and Kochenberger, 2003 and Jones et al., 2002). Two important examples of the population based approach are Evolutionary Algorithms (EAs) and Swarm intelligence (SI). The most typical example of EAs is the Genetic Algorithm (GA), which was proposed by Holland in 1975 and simulates the Darwin evolution concept (Holland, 1975).
SI approaches were originally inspired by the collective behavior of natural species, such as ant colony optimization (ACO) from ants, Particle Swarm Optimization (PSO) from birds and the Artificial Bee Colony (ABC) from bees (Bonabeau et al., 1999). SI is a relatively new branch of meta-heuristics comparing with EAs and other single-solution based approaches. SI approaches use approximate and non-deterministic strategies to effectively and efficiently explore and exploit the search space in order to find near-optimal solutions (Blum and Li, 2008 and Blum and Merkle, 2008). SI has three fundamental and essential properties, namely decentralization, self-organization and collective behavior, which are necessary and sufficient to acquire SI behaviors. Decentralization means that no central control mechanism exists. The behaviors of individuals are determined by themselves. And the self-organization of individual relies upon four fundamental properties, i.e. positive feedback, negative feedback, fluctuations and multiple interactions (Jeanne, 1986). The interaction between two individuals or environment follows simple rules. The result from interaction would either impel or restrain the behavior of certain individual as positive feedback or negative feedback. The decision of certain individual might be affected by some random factors, which leads to fluctuations. Collective behavior refers that in a swarm, the individual behavior may act randomly, however the aggregation of individual behavior turns to be globally intelligent. In other words, SI indicates that a number of cognitive individuals accumulate their knowledge through the interaction with other individuals or the environment, determine their behaviors solely and finally achieve the target. The characteristics and details of each SI approach are presented in Section 4.
Ever since the introduction of SI, various SI algorithms have been proposed and applied to solve the CO problems in multifarious disciplines, among which the domain of GL could be a promising research area due to its inherent characteristics and features. However, given that there have been many researches of solving GL problems using SI algorithms. Most of them are individually separated, either solving an independent GL problem or adopting a single SI algorithm. In this regard, a comprehensive and extensive literature review of the integration of GL and SI from both the problem context and the methodology perspective is needed urgently. In this research, the state-of-the-art applications of the SI algorithms in the GL background are fully investigated and analyzed, and can help researchers to obtain an intuitive and profound understanding of current research situations. In addition, considering the implementation of various SI algorithms and their variants, this research also provides innovative and universal principles of algorithm selection, improvement and even customization through detailed algorithm analysis and comparison, which can offer practical guidance when solving CO problems using SI related algorithms.
After a brief introduction, the research methodology, i.e. the process of literature review, is described in Section 2. The classification schemes of GL and SI are presented in 3 and 4 respectively. Section 5 discusses the integration of GL and SI and the guiding principles of choosing and optimizing algorithms for specific problems is presented Finally, Section 6 concludes the work and suggests research opportunities and directions for further work.
1. บทนำภาวะโลกร้อน สิ่งแวดล้อมเสื่อมสภาพ และระเบียบทางราชการกระตุ้นการรับรู้ของนักศึกษาวิจัยและนักอุตสาหกรรมพิจารณากลยุทธ์ "สีเขียว" ในอุตสาหกรรมโลจิสติกส์ (เมอร์ฟี่ 2000) กรีนโลจิสติกส์ (GL) เกี่ยวข้องกับไม่เพียงแต่จัดสีเขียวผลิตภัณฑ์หรือบริการให้แก่ลูกค้า แต่ยังกระแสโลจิสติกส์โดยรวมของสินค้าจากแหล่งกำเนิดที่ป่าช้า กับโลจิสติกส์ย้อนกลับ สีเขียวกิจกรรมต่าง ๆ และการดำเนินการใช้งาน เช่นการผลิตการก่อสร้างการวางแผนและเครือข่าย เพื่อปรับปรุงประสิทธิภาพของ GL โลจิสติกส์แต่ละฝ่ายไม่เพียงต้องการดำเนินกิจกรรมสีเขียวและการดำเนินงาน ด้วยตน เอง แต่ยังความร่วมมือ และความร่วมมือระหว่างฝ่ายโลจิสติกส์ที่แตกต่างกัน (โจวและ al., 2000) ไม่สามารถวัดประสิทธิภาพของ GL เพียง ในทางเศรษฐกิจ แต่แบบยั่งยืนการบัญชีสิ่งแวดล้อม และข้อมูลปัจจัยเช่น ซึ่งมีวัตถุประสงค์ของ GL (Björklund et al., 2012 และ Hervani et al., 2005) สามารถเข้าใจ GL เป็นแบบโลจิสติกส์และโลจิสติกส์ย้อนกลับ (RL) โลจิสติกส์แบบดั้งเดิมประกอบด้วยกระแสจากวัตถุดิบในการผลิต RL เป็น เขตวิจัยค่อนข้างใหม่ ซึ่งเกี่ยวข้องกับแนวคิดของผลิตภัณฑ์รีไซเคิลที่ใช้ใน ใบสั่ง เพื่อลดขยะ และเพิ่มประสิทธิภาพการทำงานของการ industry׳s และผลกำไร RL เป็นไสย เป็นมันไม่เพียงแต่เสริมวิจัยโลจิสติกส์แบบบูรณาการ แต่ยัง ช่วยเพิ่มประสิทธิภาพของ GL อย่างมีนัยสำคัญในทุกทางเศรษฐกิจ สิ่งแวดล้อม และนิยมวัตถุประสงค์ (ลีและลำ 2012) RL ยังประกอบด้วยกิจกรรมมากมายและการดำเนินงาน เช่นรับคืนสินค้าชุด ตรวจสอบ ไว้ก่อน รีไซเคิล remanufacturing หรือขายทิ้ง (โรเจอร์สและ Tibben-Lembke, 2001)ที่สุดของกิจกรรมและการดำเนินงานใน GL สามารถจะถูกกำหนดเป็นรูปแบบเพิ่มประสิทธิภาพปัญหา (CO) มีหลายวัตถุประสงค์ ข้อจำกัด และตัวแปรการตัดสินใจ วิธีที่แน่นอน เช่นเส้นเขียน (LP) และสาขา และผูก (บีแอนด์บี), กลายเป็นน้อยนิยมแก้ปัญหา CO พวกเขาเป็นทั้ง ปัญหาบริษัทจำนวนมากตัวแปรซับซ้อนไม่สามารถแก้ไข หรือใช้เวลานานในการค้นหาโซลูชั่นจำกัดปัญหา (Laporte, 1992) โดยคมชัด วิธี meta-แล้วจะกลายเป็นยอดนิยมแนวทางเหล่านี้มี วิธีโดยประมาณ ที่แนะนำว่า พวกเขาสามารถค้นหาคำตอบพอภายในเวลายอมรับได้แทนที่จะหาทางออกดีที่สุด วิธีพูดหมด meta-แล้วสามารถแบ่งได้เป็นสองประเภท: โซลูชันเดียวตามแนวทางและแนวทางตามประชากร (สุ่มและ Roli, 2003) โซลูชันเดียวตามวิธี ยัง ชื่อวิธีการวิถี (คอนโซลิและบี้ Dowman, 2007), การค้นหาทาบู (TS), จำลองการอบเหนียว (SA) และ วิธีการค้นหาในท้องถิ่นต่าง ๆ ที่อยู่ผู้เดียวโซลูชันในระหว่างกระบวนการค้นหาทั้งหมด อย่างไรก็ตาม ประชากรตามวิธีระบุว่า การค้นหาเริ่มต้น ด้วยประชากรผู้สมัครเลือก และประชากรทั้งหมดเพิ่มเติมอยู่เสมอ ข้อดีและข้อเสียของทั้งโซลูชันเดียวตามวิธีและประชากรที่สามารถพบได้ตามวิธีในวรรณคดี (โกลเวอร์ และ Kochenberger, 2003 และ Jones et al., 2002) ตัวอย่างสำคัญของประชากรตามวิธีมีอัลกอริทึมเชิงวิวัฒนาการ (EAs) และปัญญาบินว่อน (ศรี) ตัวอย่างทั่วไปส่วนใหญ่ของ EAs เป็นพันธุกรรมอัลกอริทึม (GA) , ซึ่งถูกเสนอ โดยฮอลแลนด์ในปี 1975 และจำลองแนวคิดวิวัฒนาการของดาร์วิน (ฮอลแลนด์ 1975)SI approaches were originally inspired by the collective behavior of natural species, such as ant colony optimization (ACO) from ants, Particle Swarm Optimization (PSO) from birds and the Artificial Bee Colony (ABC) from bees (Bonabeau et al., 1999). SI is a relatively new branch of meta-heuristics comparing with EAs and other single-solution based approaches. SI approaches use approximate and non-deterministic strategies to effectively and efficiently explore and exploit the search space in order to find near-optimal solutions (Blum and Li, 2008 and Blum and Merkle, 2008). SI has three fundamental and essential properties, namely decentralization, self-organization and collective behavior, which are necessary and sufficient to acquire SI behaviors. Decentralization means that no central control mechanism exists. The behaviors of individuals are determined by themselves. And the self-organization of individual relies upon four fundamental properties, i.e. positive feedback, negative feedback, fluctuations and multiple interactions (Jeanne, 1986). The interaction between two individuals or environment follows simple rules. The result from interaction would either impel or restrain the behavior of certain individual as positive feedback or negative feedback. The decision of certain individual might be affected by some random factors, which leads to fluctuations. Collective behavior refers that in a swarm, the individual behavior may act randomly, however the aggregation of individual behavior turns to be globally intelligent. In other words, SI indicates that a number of cognitive individuals accumulate their knowledge through the interaction with other individuals or the environment, determine their behaviors solely and finally achieve the target. The characteristics and details of each SI approach are presented in Section 4.นับตั้งแต่การแนะนำของซี ต่าง ๆ ในอัลกอริทึมได้เสนอ และกับปัญหาบริษัทในสาขา multifarious ระหว่างโดเมนของ GL อาจเป็นพื้นที่วิจัยสัญญาลักษณะโดยธรรมชาติและคุณลักษณะของการ อย่างไรก็ตาม ให้ได้มีงานวิจัยจำนวนมากของการแก้ปัญหาแยกประเภททั่วไปที่ใช้ในอัลกอริทึม ส่วนใหญ่จะมีการแยกออก แต่ละแก้ปัญหา GL เป็นอิสระ หรือโดยการใช้อัลกอริทึมแบบสีเดียว ในการนี้ จากการทบทวนวรรณกรรมอย่างละเอียด และครอบคลุมรวม GL และศรีจากบริบทปัญหาและมุมมองวิธีเป็นสิ่งจำเป็นอย่างเร่งด่วน ในงานวิจัยนี้ สมัยของแอพลิเคชันของอัลกอริทึมศรีประกอบ GL เต็มสอบสวนวิเคราะห์ และสามารถช่วยให้นักวิจัยสามารถเข้าใจง่าย และลึกซึ้งของสถานการณ์วิจัยปัจจุบัน นอกจากนี้ พิจารณาดำเนินงานต่าง ๆ ในอัลกอริทึมและการย่อยของพวกเขา งานวิจัยนี้ยังทางนวัตกรรม และสากลหลักการเลือกอัลกอริทึม ปรับปรุง และการปรับแต่งที่แม้ผ่านอัลกอริทึมโดยละเอียดวิเคราะห์และเปรียบเทียบ ซึ่งสามารถให้คำแนะนำที่เป็นประโยชน์เมื่อแก้ไขปัญหาบริษัทที่ใช้ในอัลกอริทึมที่เกี่ยวข้องหลังจากแนะนำตัวสั้น ๆ ระเบียบวิธีวิจัย เช่นกระบวนการของการทบทวนวรรณกรรม ถูกอธิบายใน 2 ส่วน แผนงานการจัดประเภทของ GL และซีจะนำเสนอใน 3 และ 4 ตามลำดับ 5 ส่วนที่กล่าวถึงรวม GL และศรีและหลักแนวทางของการเลือก และปรับให้เหมาะสมสำหรับปัญหาเฉพาะแสดงสุดท้าย 6 ส่วนสรุปงาน และแนะนำงานวิจัยโอกาสและคำแนะนำสำหรับการ
การแปล กรุณารอสักครู่..