Abstract Supply chain gap analysis is a practical method for quantitatively measuring the gap between the current state and a desired/ideal state in a supply chain, and generating a list of corrective actions to eliminate this gap and reach a desired/ideal level in supply chain goals. We propose a novel multi-objective co-evolutionary approach for supply chain gap analysis by hybridizing two well-known algorithms of non-dominated sorting genetic algorithm II (NSGAII) and multiple objective particle swarm optimization (MOPSO). The proposed algorithm considers the best solution of NSGAII at each iteration and uses it as the initial population in MOPSO. We consider three objective functions, including the expected costs, the total time, and customer satisfaction. The house of quality and quality function deployment is used to transform customer requirements into product characteristics. We also use a response surface methodology with multi-objective decision making for tuning the parameters since metaheuristic methods are generally sensitive to input parameters. We finally generate several random problems with different scenarios to compare the performance of our hybrid approach with singular methods. Five performance measures (i.e., mean ideal distance, diversification metric, quality metric, data envelopment analysis, and hypervolume metric) are used for this comparison. The results show the hybrid approach proposed in this study outperforms singular NSGAII and MOPSO metaheuristics in most scenarios.

中文翻译：

---

一种考虑不确定性的供应链差距分析的多目标协同进化新方法

摘要 供应链差距分析是定量测量供应链中当前状态与理想/理想状态之间的差距，并生成一系列纠正措施以消除这种差距并达到供应链中理想/理想水平的实用方法。目标。我们通过混合非支配排序遗传算法 II (NSGAII) 和多目标粒子群优化 (MOPSO) 这两种著名算法，提出了一种用于供应链差距分析的新型多目标协同进化方法。所提出的算法在每次迭代时考虑NSGAII的最佳解，并将其用作MOPSO中的初始种群。我们考虑三个目标函数，包括预期成本、总时间和客户满意度。质量之家和质量功能部署用于将客户需求转化为产品特性。我们还使用具有多目标决策的响应面方法来调整参数，因为元启发式方法通常对输入参数敏感。我们最终生成了几个不同场景的随机问题，以比较我们的混合方法与奇异方法的性能。五个性能度量（即平均理想距离、多样化度量、质量度量、数据包络分析和超容量度量）用于此比较。结果表明，在大多数情况下，本研究中提出的混合方法优于单一的 NSGAII 和 MOPSO 元启发式方法。我们还使用具有多目标决策的响应面方法来调整参数，因为元启发式方法通常对输入参数敏感。我们最终生成了几个不同场景的随机问题，以比较我们的混合方法与奇异方法的性能。五个性能度量（即平均理想距离、多样化度量、质量度量、数据包络分析和超容量度量）用于此比较。结果表明，在大多数情况下，本研究中提出的混合方法优于单一的 NSGAII 和 MOPSO 元启发式方法。我们还使用具有多目标决策的响应面方法来调整参数，因为元启发式方法通常对输入参数敏感。我们最终生成了几个不同场景的随机问题，以比较我们的混合方法与奇异方法的性能。五个性能度量（即平均理想距离、多样化度量、质量度量、数据包络分析和超容量度量）用于此比较。结果表明，在大多数情况下，本研究中提出的混合方法优于单一的 NSGAII 和 MOPSO 元启发式方法。我们最终生成了几个不同场景的随机问题，以比较我们的混合方法与奇异方法的性能。五个性能度量（即平均理想距离、多样化度量、质量度量、数据包络分析和超容量度量）用于此比较。结果表明，在大多数情况下，本研究中提出的混合方法优于单一的 NSGAII 和 MOPSO 元启发式方法。我们最终生成了几个不同场景的随机问题，以比较我们的混合方法与奇异方法的性能。五个性能度量（即平均理想距离、多样化度量、质量度量、数据包络分析和超容量度量）用于此比较。结果表明，在大多数情况下，本研究中提出的混合方法优于单一的 NSGAII 和 MOPSO 元启发式方法。