علم تصمیم گیری و سیستم های هوشمند 3060-7574 2 2026 01 20 Mathematical Modeling of Data-Driven Multi-Objective Production Planning with Machine Learning in the Biopharmaceutical Industry: Integrating Demand Forecasting and Sustainable Optimization مدل‌سازی ریاضی برنامه‌ریزی تولید داده‌محور با رویکرد چندهدفه و یادگیری ماشین در صنعت زیست‌دارو: ترکیب پیش‌بینی تقاضا و بهینه‌سازی پایدار 1 48 FA سید قاسم سلیمی زاویه دانشجوی دکتری گروه فناوری اطلاعات و مدیریت عملیات، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران. ابوالفضل کزازی استاد گروه فناوری اطلاعات و مدیریت عملیات، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران. ایمان رئیسی وانانی دانشیار، گروه مدیریت عملیات و فناوری اطلاعات، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران سید سروش قاضی نوری استاد گروه مدیریت فناوری و کارآفرینی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران Journal Article 1404/05/16 <p>The biopharmaceutical industry, as one of the most advanced sectors of the modern pharmaceutical field, faces multiple challenges such as demand fluctuations, resource constraints, complex manufacturing processes, and environmental requirements. In this context, data-driven and intelligence-based approaches can play a key role in improving decision-making accuracy, sustainability, and profitability. This study aims to develop a comprehensive framework for sustainable production planning by integrating demand forecasting with multi-objective mathematical modeling. In the first step, real data for nine selected drugs were collected over a 36-month period and used to forecast demand patterns through Artificial Neural Networks (ANN) and Long Short-Term Memory (LSTM) networks. The results showed that the ANN model, with a Root Mean Square Error (RMSE) of 868, was able to reconstruct demand trends with moderate accuracy, while the LSTM model estimated average demand with an error of less than 1% at the drug–scenario level. In the second step, a multi-product and multi-objective mathematical model was designed to simultaneously address economic goals (profit maximization and cost reduction) and environmental goals (pollution and waste minimization). To solve the model, Genetic Algorithms (GA) and Particle Swarm Optimization (PSO) were applied in combination with the epsilon-constraint method to extract the Pareto front. The findings revealed that GA had relative superiority in faster convergence, whereas PSO performed better in broad exploration of the solution space. Moreover, multivariate sensitivity analysis indicated that production capacity, raw material cost, and emission rates have the greatest impact on the results. By bridging the gap between demand forecasting and production optimization, this research provides a practical framework for intelligent decision-making in Iran’s biopharmaceutical industry and can contribute to supply chain resilience, cost reduction, and achieving sustainable development goals.</p> <p>صنعت زیست‌دارو به‌عنوان یکی از مهم‌ترین بخش‌های نوین دارویی، با چالش‌های متعددی همچون نوسانات تقاضا، محدودیت منابع، فرآیندهای تولید پیچیده و الزامات زیست‌محیطی روبه‌رو است. در چنین فضایی، رویکردهای داده‌محور و هوش‌محور می‌توانند نقشی کلیدی در ارتقای دقت تصمیم‌گیری، پایداری و سودآوری ایفا کنند. پژوهش حاضر با هدف توسعه یک چارچوب جامع برای برنامه‌ریزی تولید پایدار، به ترکیب پیش‌بینی تقاضا با مدل‌سازی ریاضی چندهدفه پرداخته است. در گام نخست، داده‌های واقعی مربوط به ۹ داروی منتخب طی ۳۶ ماه گردآوری شد و با استفاده از شبکه عصبی مصنوعی (ANN) و حافظه بلندمدت کوتاه‌مدت (LSTM) الگوهای تقاضا پیش‌بینی گردید. نتایج نشان داد مدل ANN با خطای RMSE برابر با ۸۶۸ توانست روندهای تقاضا را با دقت متوسط بازسازی کند، در حالی‌که مدل LSTM توانست میانگین تقاضا را با خطایی کمتر از یک درصد در سطح دارو–سناریو تخمین بزند. در مرحله دوم، یک مدل ریاضی چندمحصولی و چندهدفه طراحی گردید که اهداف اقتصادی (بیشینه‌سازی سود و کاهش هزینه‌ها) و زیست‌محیطی (کاهش آلایندگی و ضایعات) را به‌صورت هم‌زمان در نظر گرفت. برای حل مدل، از الگوریتم‌های ژنتیک (GA) و ازدحام ذرات (PSO) به همراه روش اپسیلون–محدودیت برای استخراج جبهه پارتو استفاده شد. یافته‌ها نشان داد GA در همگرایی سریع‌تر و PSO در جستجوی گسترده‌تر فضای جواب برتری نسبی دارند. همچنین تحلیل حساسیت چندمتغیره آشکار ساخت که ظرفیت تولید، هزینه مواد اولیه و نرخ آلایندگی بیشترین تأثیر را بر نتایج دارند. این تحقیق با پر کردن شکاف میان پیش‌بینی تقاضا و بهینه‌سازی تولید، چارچوبی عملی برای تصمیم‌سازی هوشمند در صنعت زیست‌دارو ایران ارائه می‌دهد و می‌تواند به افزایش تاب‌آوری زنجیره تأمین، کاهش هزینه‌ها و تحقق اهداف توسعه پایدار کمک نماید.</p> https://www.dsisj.com/index.php/dsisj/article/download/47/26