En el mundo competitivo de hoy, es esencial proporcionar un nuevo método a través del cual se pueda crear la máxima eficiencia en el ciclo de producción y suministro. En muchos entornos de producción, enviar productos directamente del productor al consumidor trae muchos problemas. Por lo tanto, se debe establecer un sistema de transporte eficiente entre productores y consumidores. Dicho sistema está diseñado en el campo del conocimiento de la gestión de la cadena de suministro. La gestión de la cadena de suministro es el resultado evolutivo de la gestión de almacenes y es una de las bases infraestructurales importantes de la implementación empresarial, en muchos de los cuales el esfuerzo principal es reducir el tiempo entre el pedido del cliente y la entrega real de los productos. En esta investigación, la cadena de suministro consta de tres niveles. Los proveedores se encuentran en el primer nivel, los cross-docks en el segundo nivel y las fábricas en el tercer nivel. En este sistema, varios proveedores envían diferentes materias primas a varios cross-docks diferentes. A cada canal se le asigna un cross-dock para un producto específico. El objetivo principal de este artículo es centrarse en optimizar la planificación de la llegada y salida de camiones con el objetivo de minimizar el tiempo total de operación dentro de la cadena de suministro. La tasa de llegada de productos de los proveedores al cross-dock es estocástica con una distribución de probabilidad general. Por otro lado, el tiempo requerido para preparar y enviar los productos es aleatorio con una distribución de probabilidad general. El tiempo de servicio en cada cross-dock depende del número de sus puertas. Por lo tanto, cada cross-dock puede ser modelado como un sistema de colas G/G/m donde m representa el número de puertas. El modelo matemático de la investigación se ha desarrollado en base a estas suposiciones. Dado que el problema es NP-duro, el tiempo para resolverlo aumenta drásticamente con el aumento de las dimensiones del problema. Por lo tanto, se han utilizado tres metaheurísticas, incluido el flujo de agua multiobjetivo, la genética de clasificación no dominada y un algoritmo de recocido simulado multiobjetivo para encontrar soluciones casi óptimas al problema. Después de ajustar los parámetros de los algoritmos utilizando el método Taguchi, los resultados obtenidos de los algoritmos fueron analizados con una prueba estadística y se evaluó el rendimiento de los algoritmos. Los resultados muestran claramente que la clasificación no dominada genética es la mejor de todas.