این مقاله به بررسی مساله مسیریابی-موجودی چند محصولی چند دوره‌ای در یک زنجیره تامین دو سطحی شامل یک تولیدکننده و مجموعه‌ای از خرده‌فروشان اختصاص دارد. در مساله مورد بررسی، علاوه بر مدیریت موجودی و برنامه‌ریزی توزیع، برنامه‌ریزی تولید نیز در نظر گرفته شده است. مساله با هدف کمینه‌سازی مجموع هزینه‌های سیستم شامل هزینه‌های راه‌اندازی، توزیع و نگهداری موجودی مدلسازی شده است. محصولات توسط ناوگانی از وسائل حمل همسان با ظرفیت محدود تحت استرات‍ژی ارسال مستقیم به خرده‌فروشان تحویل داده می‌شوند. همچنین، ظرفیت تولید و نگهداری محدود و کمبود غیرمجاز فرض شده است. نشان داده شده است که مسائل مشابه بدون در نظر داشتن برنامه‌ریزی توزیع در زمره مسائل با پیچیدگی سخت قرار دارند، بنابراین مساله فوق نیز، مساله‌ای با پیچیدگی سخت است. از این رو، در این مقاله الگوریتم بهینه‌سازی گروه ذرات بهبودیافته جدیدی برای حل آن توسعه داده شده است. الگوریتم پیشنهادی از دو بخش مجزا تشکیل شده است. نخست، مقادیر متغیرهای صفرویک با استفاده از الگوریتم پیشنهادی تعیین و سپس با حل یک مدل برنامه‌ریزی خطی، مقادیر متغیرهای پیوسته محاسبه می‌شود. کارایی الگوریتم پیشنهادی با استفاده از مسائل نمونه تصادفی متعددی با الگوریتم‌های ژنتیک و بهینه‌سازی گروه ذرات مقایسه شده است. نتایج محاسباتی بیانگر عملکرد بهتر الگوریتم پیشنهادی است.

In this paper a multi-commodity multi-period inventory routing problem in a two-echelon supply chain consisting of a manufacturer and a set of retailers has been studied. In addition to inventory management and distribution planning, production planning has also been considered in the above problem. The objective is to minimize total system cost that consists of production setup, inventory holding and distribution costs. The commodities are delivered to the retailers by an identical fleet of limited capacity vehicles through direct shipment strategy. Also it is assumed that production and storage capacity is limited and stockout is not allowed. Since similar problems without distribution planning are known as NP-hard, this is also an NP-hard problem. Therefore, in this paper, a new improved particle swarm optimization algorithm has been developed consisting of two distinguished phases for problem solving. First, the values of binary variables are determined using the proposed algorithm and then, the continuous variables are calculated by solving a linear programming model. Performance of the proposed algorithm has been compared with genetic and original particle swarm optimization algorithms using various samples of random problems. The findings imply significant performance of the proposed algorithm.