برنامهریزی تولید دادهمحور زیستدارو با پیشبینی تقاضا مبتنی بر LSTM و بهینهسازی چندهدفه با الگوریتم ژنتیک و روش محدودیت اپسیلون
نویسندگان
1 استاد، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران
2 نویسنده مسئول: دانشجوی دکتری، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران
3 دانشیار، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران
4 استاد، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران
doi
10.22034/sep.2025.2072481.1397چکیده
در مواجهه با چالشهای پیچیده صنعت زیستدارو نظیر نوسانات تقاضا، فرآیندهای زیستی حساس، الزامات سختگیرانه کیفیت و اهداف پایداری، توسعه مدلهای هوشمند دادهمحور برای برنامهریزی تولید امری حیاتی تلقی میشود. پژوهش حاضر یک مدل جامع و ترکیبی را با هدف بهینهسازی همزمان سودآوری اقتصادی و پایداری زیستمحیطی ارائه میکند. در این راستا، تقاضای دارویی با استفاده از شبکه عصبی حافظه طولانی کوتاهمدت (LSTM) پیشبینی گردید؛ مدلی که توانایی یادگیری وابستگیهای پیچیده زمانی را داراست. دقت پیشبینی مدل برای ۹ داروی منتخب در سه سناریوی تقاضا (پایین، متوسط، بالا) مورد ارزیابی قرار گرفت و نتایج نشاندهنده همراستایی بالا با مقادیر واقعی و پایداری عملکرد بود. سپس یک مدل ریاضی چندهدفه خطی عدد صحیح با لحاظ اهداف متضاد اقتصادی-زیستمحیطی طراحی و با استفاده از الگوریتم ژنتیک (GA) و روش محدودیت اپسیلون (ε-Constraint) حل گردید. مدل پیشنهادی با دادههای واقعی از شرکتهای دارویی ایران اعتبارسنجی شد و نتایج بیانگر توان بالای رویکرد پیشنهادی در ایجاد توازن میان سود و آلودگی، مدیریت منابع، و تصمیمسازی بهینه در شرایط عدمقطعیت میباشد.