AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL...
Transcript of AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL...
![Page 1: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/1.jpg)
T. C.
İstanbul Üniversitesi
Sosyal Bilimler Enstitüsü
İşletme Anabilim Dalı
Üretim Bilim Dalı
DOKTORA TEZİ
AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN
SEZGİSEL YÖNTEMLERLE OPTİMİZASYONU
SÜNDÜZ DAĞ
2502060208
TEZ DANIŞMANI
PROF. DR. NECDET ÖZÇAKAR
İSTANBUL, 2012
Bu Doktora Tezi, İstanbul Üniversitesi Bilimsel Araştırmalar Proje Birimi (BAP) tarafından
desteklenmiştir. Proje No:4192
![Page 2: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/2.jpg)
![Page 3: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/3.jpg)
iii
ÖZ
AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL
YÖNTEMLERLE OPTİMİZASYONU
SÜNDÜZ DAĞ
Bu çalışmada, NP-zor sınıfı çok amaçlı permütasyon akış tipi çizelgeleme
problemleri detaylı olarak incelenmiş ve problemin çözümü için bir karınca koloni
algoritması geliştirilmiştir. Ayrıca çok kriterli akış tipi çizelgeleme problemleri için
geliştirilmiş bir sezgisel algoritma olan HAMC (Heuristic Algorithm for
Multicriterion) bu çalışmada ele alınan problemlere uyarlanmıştır. Çalışmanın amacı,
işlerin makinelerde maksimum tamamlanma zamanını, toplam akış zamanını ve
makinelerin toplam boş bekleme zamanını en küçükleyecek şekilde sıralanmasıdır.
Kablo üretimi yapan bir fabrikadan alınan veriler ve literatürden elde edilen standart
test problemleri ile çalışılmıştır. Problemler karınca koloni algoritması ve HAMC
algoritmaları ile çözülerek, elde edilen sonuçlar farklı metasezgisel algoritmalarla
kıyaslanmıştır.
ABSTRACT
OPTIMIZATION OF FLOWSHOP SCHEDULING PROBLEMS
USING HEURISTIC TECHNIQUES
SÜNDÜZ DAĞ
In this research, a detailed study of multicriteria permutation flowshop scheduling
problem known as NP-hard has been offered and ant colony algorithm has been
developed to solve this problem. Furthermore, HAMC algorithm developed for
multicriteria flowshop scheduling problems has been adapted to the problem dealt
with this study. The aim of the study is to sequence the jobs to minimize maximum
completion time of all jobs, total flow time, and total idle time of the machines. The
data in this research is taken from a cable production company. In addition to this
data, the standart test problems from literature were used. All problems have been
![Page 4: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/4.jpg)
iv
solved using the ant colony algorithm and HAMC algorithm methods. The results
have been compared with other metaheuristics.
![Page 5: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/5.jpg)
v
ÖNSÖZ
Üretim sistemlerinde çizelgeleme problemi, belli bir performans ölçütünü
eniyileyecek optimum iş akış sırasını (işlerin yapılma sırasını) belirlemek olarak
bilinir. Bu optimum sıra belirlenirken tamamlanma zamanı, toplam akış zamanı,
makinelerin boş bekleme zamanı minimizasyonu gibi birden fazla amacın göz
önünde bulundurulması gerekmektedir. Çok amaçlı akış tipi çizelgeleme üzerine
yapılan çalışmalar oldukça sınırlıdır. Literatürdeki çalışmaların büyük kısmında tek
veya iki kriterin en küçüklenmesi amaçlanmıştır. Bu çalışmada, üç kriter dikkate
alınarak iş sıraları oluşturulmuştur. Uygulamada ele alınan problemlerin çözümünde
karınca koloni algoritması kullanılmıştır. Yapılan uygulama çalışması, gerçek bir
üretim tesisinde zaman ve maliyetten kazanç sağlayacak şekilde çizelge oluşturmayı
hedeflemiştir.
Doktora tez çalışmamdaki yardımlarından dolayı sayın hocalarım; Prof. Dr. Necdet
Özçakar, Doç. Dr. Ş.Alp Baray ve Yrd. Doç. Dr. Faik Başaran' a teşekkür ederim.
Uygulama çalışmasının yapılacağı üretim tesisinin belirlenmesinde ve çalışmada
kullanılacak verilerin elde edilmesinde bana yardımcı olan, çalışmam boyunca
desteğini hissettiğim sevgili babam Zekeriya Kumpas' a sonsuz teşekkürlerimi
sunarım.
Ayrıca, çalışmada kullanılan yönteme ilişkin kodların yazılma sürecinde verdiği
destekten dolayı Dr. Timur Keskintürk' e ve yardımlarından dolayı Dr. Ebru Demirci'
ye teşekkür ederim.
Manevi destekleri ve sağladıkları huzurlu çalışma ortamı için sevgili anneme,
kardeşime ve eşime teşekkürü bir borç bilirim.
Son teşekkür de, çalışmam boyunca neşe kaynağım olan kızım Defne' yedir.
İ.Ü. Bilimsel Ararştırma Projeleri Birimine Doktora tez çalışmamı
destekledikleri için teşekkür ederim.
![Page 6: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/6.jpg)
vi
İÇİNDEKİLER
ÖZ.. …………………………………………………………………………………..iii
ABSTRACT ................................................................................................................ iii
ÖNSÖZ ........................................................................................................................ v
İÇİNDEKİLER ........................................................................................................... vi
TABLOLAR LİSTESİ ................................................................................................ ix
ŞEKİLLER LİSTESİ .................................................................................................. xi
KISALTMALAR LİSTESİ ........................................................................................ xii
SEMBOLLER LİSTESİ ........................................................................................... xiv
GİRİŞ ........................................................................................................................... 1
BÖLÜM 1: ÜRETİM ÇİZELGELEME ...................................................................... 3
1.1. Çizelgeleme Kavramı ............................................................................................ 3
1.2. Çizelgeleme Problemleri ....................................................................................... 5
1.3. Çizelgeleme Modelleri .......................................................................................... 9
1.3.1. Tek Makine Modeli...................................................................................... 11
1.3.2. Paralel Makine Modeli ................................................................................. 14
1.3.3. Akış Tipi Atölye, İş Atölyesi Ve Açık Atölye Modelleri ............................ 16
BÖLÜM 2: AKIŞ TİPİ ÇİZELGELEME .................................................................. 21
2.1. Akış Tipi Çizelgeleme Problemleri ve Kabuller ................................................. 21
2.2. Akış Tipi Çizelgeleme Modelleri ........................................................................ 22
2.2.1. Basit Akış Tipi Çizelgeleme (İki-Üç Makineli Durum ve Johnson
Algoritması) ................................................................................................. 23
2.2.2. Permütasyon Akış Tipi Çizelgeleme ........................................................... 26
2.2.2.1.Permütasyon Akış Tipi Çizelgeleme Problemlerinin Notasyonu ........... 28
2.2.2.2. Fm/prmu/Cmax, ΣF, ΣI Probleminin Formülasyonu ............................... 29
2.2.2.3. Fm/prmu/Cmax, ΣF, ΣI Probleminin Sınıfı .............................................. 30
2.3. Literatür Taraması ............................................................................................... 33
2.3.1. Kesin Yöntemler .......................................................................................... 33
2.3.2. Sezgisel Yöntemler ...................................................................................... 36
2.3.2.1. Çözüm Kurucu Sezgiseller .................................................................... 37
![Page 7: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/7.jpg)
vii
2.3.2.2. Çözüm Geliştirici Sezgiseller ................................................................ 39
2.3.3. Metasezgisel Yöntemler............................................................................... 45
BÖLÜM 3: PERMÜTASYON AKIŞ TİPİ ÇİZELGELEME
PROBLEMLERİNDE KULLANILAN OPTİMİZASYON YÖNTEMLERİ ........... 54
3.1. Sezgisel Yöntemler ............................................................................................. 54
3.1.1. Palmer Algoritması ...................................................................................... 55
3.1.2. Gupta algoritması ......................................................................................... 55
3.1.3. CDS Algoritması .......................................................................................... 56
3.1.4. NEH Algoritması ......................................................................................... 56
3.2. Metasezgisel Yöntemler ...................................................................................... 57
3.2.1. Tavlama Benzetimi Algoritması .................................................................. 57
3.2.2. Tabu Arama Algoritması ............................................................................. 60
3.2.3. Parçacık Sürü Optimizasyon Algoritması .................................................... 64
3.2.4. Genetik Algoritma ....................................................................................... 67
3.2.4.1 Genetik Operatörler ................................................................................ 71
3.2.4.2 Genetik Algoritma Parametreleri ............................................................ 75
3.2.5. Karınca Kolonisi Optimizasyonu ................................................................. 75
3.2.5.1 Doğal Hayatta Karıncalar ....................................................................... 77
3.2.5.2 Karınca Koloni Algoritmasının Genel Yapısı ........................................ 79
3.2.5.3.Karınca Sistemi ....................................................................................... 82
3.2.5.4 Elitist Karınca Sistemi ............................................................................ 88
3.2.5.5 Max-Min Karınca Sistemi ...................................................................... 88
3.2.5.6 Mertebe Temelli Karınca Sistemi .......................................................... 90
3.2.5.7 Karınca Koloni Sistemi ........................................................................... 91
BÖLÜM 4: UYGULAMADA KULLANILACAK SEZGİSEL VE
METASEZGİSEL ALGORİTMALARIN YAPISI ................................................... 95
4.1. HAMC Algoritması Ve Üç Kriterli PFSP' ye Uyarlanması ................................ 95
4.1.1. HAMC Algoritması ..................................................................................... 95
4.1.2. HAMC Algoritmasının Üç Kriterli Duruma Uyarlanması ........................ 101
4.2. Çok Amaçlı Karınca Koloni Sistemi Algoritması ............................................ 102
![Page 8: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/8.jpg)
viii
BÖLÜM 5: UYGULAMA ....................................................................................... 113
5.1. Uygulamanın Amacı ve Kapsamı ..................................................................... 113
5.2. Ele Alınan Üretim Hattının Özellikleri ............................................................. 114
5.3. Ele Alınan Çok Amaçlı Permütasyon Akış Tipi Çizelgeleme Probleminin
Çözümü ............................................................................................................. 118
5.4. Standart Problemler İle Geliştirilen Algoritmanın Test Edilmesi ve
Karşılaştırılması ................................................................................................ 123
5.4.1. Carlier'in Test Problemleri İle Yapılan Çalışma ........................................ 124
5.4.2. Taillard'ın Test Problemleri İle Yapılan Çalışma ...................................... 127
SONUÇ VE ÖNERİLER ......................................................................................... 132
KAYNAKÇA ........................................................................................................... 135
Ek-1: HAMC Algoritmalarının Çözüm Sonuçlarına Ait ÇizelgelerHata! Yer işareti tanımlanmamış.
Ek-2: MACS(API) Algoritmasının Çözüm Sonuçlarına Ait ÇizelgelerHata! Yer işareti tanımlanmamış.
Ek-3: Z1, Z2, Z3 ve Z4 Amaç Fonksiyonları İçin En iyi Sonucu Veren ÇizelgelerHata! Yer işareti tanımlanmamış.
Ek-4: Carlier'in Test Problemleri İçin En iyi Sonucu Veren ÇizelgelerHata! Yer işareti tanımlanmamış.
Ek-5: Taillard'ın Test Problemleri İçin En iyi Sonucu Veren ÇizelgelerHata! Yer işareti tanımlanmamış.
ÖZGEÇMİŞ .......................................................... Hata! Yer işareti tanımlanmamış.
![Page 9: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/9.jpg)
ix
TABLOLAR LİSTESİ
Tablo 1-1 Örnek Problem İçin İşlerin İşlem Zamanları ve Teslim Tarihleri ............. 12
Tablo 1-2 FCFS Kuralına Göre İşlerin Sıralanması ................................................... 13
Tablo 1-3 SPT Kuralına Göre İşlerin Sıralanması ..................................................... 13
Tablo 1-4 EDD Kuralına Göre İşlerin Sıralanması .................................................... 14
Tablo 2-1: Johson Algoritması İçin Örnek................................................................. 24
Tablo 2-2: Üç Makineli Durum Örneği ..................................................................... 26
Tablo 2-3: Hayali Makineler ...................................................................................... 26
Tablo 2-4:Permütasyon Akış Tipi Problemler için Kurucu ve Geliştirici Sezgiseller 43
Tablo 2-5: Permütasyon Akış tipi Çizelgeleme Problemleri İçin Metasezgiseller .... 52
Tablo 3-1 Fiziksel Tavlama İle Kombinatoryal Optimizasyon Arasındaki İlişki ...... 58
Tablo 4-1 5 iş ve 5 Makineden Oluşan Problemin İşlem Zamanları ....................... 100
Tablo 4-2 HAMC Algoritmasıyla Çözülmüş İlk İterasyon ..................................... 101
Tablo 4-3 Farklı q0 Değerleri İçin Yapılan Deneme Sonuçları................................ 105
Tablo 4-4 Farklı f Değerleri İçin Yapılan Deneme Sonuçları.................................. 105
Tablo 4-5 Farklı tmax Değerleri İçin Yapılan Deneme Sonuçları ............................. 106
Tablo 4-6 Deneme Yapılacak Parametre Setleri ...................................................... 106
Tablo 4-7 Parametre Setlerinin Verdiği En İyi Değerler ......................................... 107
Tablo 4-8 Parametre Setlerinin Verdiği Ortalama Değerler .................................... 108
Tablo 4-9 Parametre Setlerinin Verdiği En Kötü Değerler ...................................... 109
Tablo 5-1 Kablo Çeşidi Ve Özellikleri .................................................................... 115
Tablo 5-2 İşlem Süreleri........................................................................................... 117
Tablo 5-3 HAMC Algoritması ile Çözüm Sonuçları ............................................... 118
Tablo 5-4 MACS İle Çözüm Sonuçları .................................................................... 119
Tablo 5-5 Algoritmaların Performans Değerleri ...................................................... 119
Tablo 5-6 Farklı Amaç Fonksiyonları İçin Algoritmaların Çözüm Sonuçları ......... 121
Tablo 5-7 Faklı Amaç Fonksiyonları İçin Algoritmaların Performans Değerleri.... 121
Tablo 5-8 Maksimum Tamamlanma Zamanı İçin Algoritmaların Çözüm Sonuçları124
Tablo 5-9 Maksimum Tamamlanma Zamanı İçin Algoritmaların Performans
Değerleri .................................................................................................. 125
![Page 10: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/10.jpg)
x
Tablo 5-10 Toplam Akış Zamanı İçin Algoritmaların Çözüm Sonuçları ................ 126
Tablo 5-11 Toplam Akış Zamanı İçin Algoritmaların Performans Değerleri ......... 127
Tablo 5-12 Maksimum Tamamlanma Zamanı İçin Algoritmaların Çözüm
Sonuçları………………………………………………………………...128
Tablo 5-13 Maksimum Tamamlanma Zamanı İçin Algoritmaların Performans
Değerleri (20x5) ...................................................................................... 128
Tablo 5-14 Maksimum Tamamlanma Zamanı İçin Algoritmaların Performans
Değerleri (20x10) .................................................................................... 129
Tablo 5-15 Toplam Tamamlanma Zamanı İçin Algoritmaların Çözüm Sonuçları.. 130
Tablo 5-16 Toplam Akış Zamanı İçin Algoritmaların Performans Değerleri
(20x5)…………………………………………………………………...131
Tablo 5-17: Toplam Akış Zamanı İçin Algoritmaların Performans Değerleri
(20x10)…. ............................................................................................... 131
![Page 11: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/11.jpg)
xi
ŞEKİLLER LİSTESİ
Şekil 1-1: Çizelgeleme Modelleri…………………………………………………... 10
Şekil 1-1: Paralel Makine Modeli………………………………………………....... 15
Şekil 1-3: Akış Atölyesi Yerleşimi…………………………………………………. 17
Şekil 1-4: Bir İş Atölyesinde İş Akışı………………………………………………. 18
Şekil 1-5: Açık Atölye Modeli……………………………………………………… 19
Şekil 2-1: Akış Tipi Çizelgelemede Doğrusal Öncelik Yapısı……………………... 21
Şekil 2-2: Johnson Algoritmasına Göre Sıralanan İşlerin Gantt Şeması…………… 25
Şekil 3-1: TS Algoritmasının Genel Akış Şeması…………………………………. 62
Şekil 3-2: PSO Algoritmasının Genel Akış Şeması………………………………… 67
Şekil 3-3: GA'nın Akış Diyagramı…………………………………………………. 70
Şekil 3-4: GA Operatörleri…………………………………………………………. 71
Şekil 3-5: Karınca Davranışları…………………………………………………….. 78
Şekil 3-6: Karıncaların Feromon Biriktirme Mekanizmaları………………………. 79
Şekil 3-7: Karınca Koloni Algoritmaları…………………………………………… 82
Şekil 3-8: Ele Alınan Problemin Başlangıç Konumu………………………………. 85
Şekil 3-9: Karıncanın Seçtiği İlk Düğüm Noktası…………………………………. 85
Şekil 3-10: Problemin Son Hali……………………………………………………. 86
Şekil 3-11: Karınca Sistem Algoritması……………………………………………. 87
Şekil 3-12: Karınca Koloni Sistemi Algoritmasının Genel Yapısı ………………… 94
Şekil 4-1: CR Algoritması………………………………………………………….. 98
Şekil 5-1 Fabrikadaki Üretim Sırasının Excel Tablosunda Modellenmesi………...123
![Page 12: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/12.jpg)
xii
KISALTMALAR LİSTESİ
abs Mutlak Değer (Absolute)
ACA Karınca Koloni Algoritması (Ant Colony Algorithm)
ACS Karınca Koloni Sistemi (Ant Colony System)
API Komşu İş Çiftlerinin Yer Değiştirmesi (Adjacent Pairwaise Interchange)
AS Karınca Sistemi (Ant System)
CDS Campbell, Dudek ve Smith
CR Rajendran ve Chaudhuri
CR (MC) Rajendran’ın Çok kriterli Algoritması
EAS Elitist Karınca Sistemi (Elitist Ant System)
EDD En Erken Teslim Zamanı (Earliest Due Date)
FCFS İlk Gelen İlk Hizmet Görür (First Come First Serve)
FCLS İlk Gelen Son Hizmet Görür (First Come Last Serve)
GA Genetik Algoritma (Genetic Algorithm)
HAMC Çok Kriterli Problemler İçin Hibrit Algoritma (Heuristic Algorithm for
Multicriteria)
HAMCM Maksimum Tamamlanma Zamanını Kriter Alan HAMC Yöntemi
HAMCF Toplam Akış Zamanını Kriter Alan HAMC Yöntemi
HAMCI Makinelerin Toplam Boş Bekleme Zamanını Kriter Alan HAMC
Yöntemi
LPT En Uzun İşlem Zamanlı Sıralama (Longest Processing Time)
LPTtj1 Birinci Makine İşlem Zamanları Esaslı İşlerin Büyükten Küçüğe Doğru
Sıralanması
LPTΣt Toplam İşlem Zamanları Esaslı İşlerin Büyükten Küçüğe Doğru
Sıralanması
MACS Çok Amaçlı Karınca Koloni Sistemi (Multicriteria Ant Colony System)
MMAS Max-Min Karınca Sistemi (Max-Min Ant System)
NEH Nawaz, Enscore, Ham
NP-Hard Polinom Zamanda Çözülemeyen Problemler (Non-Deterministic
Polinomial - Hard)
![Page 13: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/13.jpg)
xiii
PFSP Permütasyon Akış Tipi Çizelgeleme Problemi (Permutation Flowshop
Scheduling Problem)
PSO Parçacık Sürü Optimizasyonu (Partical Swarm Optimization)
RBAS Mertebe Temelli Karınca Sistemi (Rank Based Ant System)
RE Bağıl Hata (Relative Error)
SA Tavlama Benzetimi (Simulated Annealing)
SPT En Kısa İşlem Zamanlı Sıralama (Shortest Processing Time)
SPTtj1 Birinci Makine İşlem Zamanları Esaslı İşlerin Küçükten Büyüğe Doğru
Sıralanması
SPTΣt Toplam İşlem Zamanları Esaslı İşlerin Küçükten Büyüğe Doğru
Sıralanması
TS Tabu Arama (Tabu Search)
TSP Gezgin Satıcı Problemi (Travelling Salesman Problem)
![Page 14: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/14.jpg)
xiv
SEMBOLLER LİSTESİ
a π İçindeki İşler
b Kısmi Çizelgedeki Son İş
B Problemin Önerilen Algoritma Tarafından Bulunan En İyi Değeri
batch Yığın İşleme
block Bloklama
brkdwn Arızalanma
c1 , c2 Öğrenme Faktörleri
Ci İşlerin Tamamlanma Zamanı
Cmax Maksimum Tamamlanma Zamanı (Son İşin Tamamlanma Zamanı)
Cmax(S) S Çizelgesine Ait Maksimum Tamamlanma Zamanı
Cmax(SS) SS Çizelgesine Ait Maksimum Tamamlanma Zamanı
C(σ, j) Kısmi Çizelgenin j Makinesindeki Tamamlanma Zamanını
C(σa, j) a İşi Kısmi Çizelgeye Eklendiğinde σa Kısmi Çizelgesinin j
Makinesindeki Tamamlanma Zamanı
C(πi, j) Çizelgedeki π (i) İşinin j Makinesindeki Tamamlanma Zamanı
ç Elitist Karınca Sayısı
d (i,u) i İşi ile u İşi Arasındaki Uzaklık
Emax Maksimum erken bitirme
e Makinelerin Diziliş Sırası
f Karınca Sayısı
fmls İş Aileleri
F İşlerin Akış Zamanı
Fmax Maksimum Akış Zamanı
ΣF Toplam Akış Zamanı
FFs Esnek Akış Tipi Atölye
Fm Akış Tipi Atölye
Fσ Kısmi Çizelgedeki İşlerin Toplam Akış Zamanı
gbest Global Eniyi
![Page 15: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/15.jpg)
xv
Imax Maksimum Boş Makine Zamanı
Ik Bir Makinedeki Boş Zamanların Toplamı
ΣI Toplam Boş Makine Zamanı
ΣI (S) S çizelgesine ait makinelerin toplam boş bekleme zamanı
ΣI (SS) SS çizelgesine ait makinelerin toplam boş bekleme zamanı
i, u İşler
[i] Çizelgedeki i. Pozisyondaki İşi
j Makine Numarası
Jm Atölye Tipi
k Karınca Numarası
Lmax Maksimum Gecikme
Lbest
En İyi Tura Ait Çözüm Değer
Lopt
Optimum Sonuç Değeri
Lk k karıncası tarafından oluşturulan tur uzunluğu
Lnn
En Yakın komşu tur uzunluğudur
Lbs
En İyi Turun Uzunluğu
Lib
İterasyonun En iyi Turu
μL μ. Karıncaya Ait Tur Uzunluğu
L* En İyi Çözümün Tur Uzunluğu
Lb, O Anki İterasyon İçin En İyi Çizelgenin Amaç Fonksiyonu Değeri
m Makine Sayısı
n İş Sayısı
n' Kısmi Çizelgedeki İşlerin Sayısı
nwt Beklemesiz
O Problemin Optimum Çözüm Değeri
Om Açık Tip Atölye
Pk(i,j) k Karncasının i Düğümünden j Düğümüne Geçiş Olasılığı
prmu Permütasyon
prec Öncelik Kısıtları
Pk Karıncanın Geçiş Kuralı Uygularken Kullandığı Olasılık
![Page 16: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/16.jpg)
xvi
Pmin Karıncanın feromon miktarı için alt sınırı
Pmax Karıncanın feromon miktarı için üst sınırı
Pm Özdeş Paralel Makineler
prmp Bölünebilme
pbest Yerel Eniyi Değer
Qm Farklı Hızlara Sahip Paralel Makineler
q0 Araştırmaya Karşılık Devamlılığın Göreceli Önemini Gösteren Parametre
q [0,1] Aralığında Düzgün Dağılan Rastgele Bir Sayı
rand1,2 Düzgün dağılım gösteren rasgele sayılar
Rm İlişkisiz Paralel Makineler
rcrc Yeniden Dolaşım
ri Geliş Zamanı
Rm İlişkisiz Paralel Makineler
R' Elde Edilen Yeni Çizelgenin Maksimum Tamamlanma Zamanı ve Toplam
Akış Zamanını Göz Önüne Alarak Hesaplanan Etkinlik Değeri
S Yeni Çizelge
SS Başlangıç Çizelgesi
SIi Her İşe Ait Eğim İndeksi
Sik Sıra Bağımlı Hazırlık Zamanları
Sk(i) Henüz k Karıncası Tarafından Ziyaret Edilmemiş i’den Sonraki
Gidilebilecek Noktalar Kümesi
t Zaman
tmax Maksimum İterasyon Sayısı
tij i İşinin j Makinesindeki İşlem Zamanı
Tmax Maksimum pozitif gecikme
Tbs
En İyi Tur
u Karıncanın bulunduğu konumdan sonra seçebileceği işlerin her biri
ΣF(S) S Çizelgesine Ait Toplam Akış Zamanı
ΣF(SS) SS Çizelgesine Ait Toplam Akış Zamanı
ΣT Toplam Geçlik
![Page 17: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/17.jpg)
xvii
ΣU Toplam Geciken İş Sayısı
v Parçacık Hızı
w Engellenen Karınca Sayısı
w1 Maksimum tamamlanma zamanına ait ağırlık
w2 Toplam Akış Zamanına Ait Ağırlık
w3 Makinelerin Toplam Boş Bekleme Zamanına Ait Ağırlık
Wba Kısmi Çizelgede a İşinin b İşini Takip Ettiğinde Toplam Bekleme Zamanı
y Parçacık Sayısı
Z Amaç Fonksiyonu Değeri
α Problemde Feromen İzine Verilen Bağıl Önemi Gösteren Bir Parametre
β Problemde Sezgisel Bilginin Önemini Gösteren Bir Parametre
γ İndirim Faktörü
π Çizelgelenmemiş İş Setini
τ ij (i,j) Köşelerindeki Feromon İz Miktarı
τ(i,u) (i,u) Üzerindeki Feromon İzi
τ0 Başlangıç Feromon Düzeyi
τmin Feromon Güncelleştirilmesine Dair Alt Limit
τmax Feromon Güncelleştirilmesine Dair Üst Limit
η ij (i,j) Köşeleri Arasındaki Görünülürlük Değeri
η(i,u) i İşi ile u işi Arasındaki Uzaklığın Tersi
Δ τij Karıncanın Bir Turu Boyunca (i, j) Köşesini Seçmesinden Dolayı Bu
Köşedeki Feromon İz Miktarı
k.Karıncanın i,j Yoluna Bıraktığı Feromon Miktarı
: μ. Karıncanın i,j Yoluna Bıraktığı Feromon Miktarı
En İyi Turun i,j Yoluna Ait Feromon Artış Miktarı
ρ Buharlaşan Feromon İz Oranı
ρl Yerel Feromon Buharlaştırma Parametresi
ρg Global Feromon Buharlaştırma Parametresi
σ Mevcut Kısmi Çizelge
![Page 18: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/18.jpg)
xviii
μ Her Karıncanın Feromon Güncellemesine Yaptığı Katkıya Göre Sıra
Numarası
Başlangıç Sıfır Çizelgesi
![Page 19: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/19.jpg)
1
GİRİŞ
Bilimin ve teknolojinin sürekli ilerlemesi insanlara konfor ve refah sağlarken,
ekonomik rekabeti de firmalar açısından değişik boyutlara taşımıştır. Rekabetin
sürdürülebilmesi için firmalar; ticari anlamda kazanılmış olan pazar ve müşteri
portföylerini korumaya çalışmakta, yeni pazarlar aramakta, yeni müşteriler
oluşturulması için çalışmalar yapmaktadır, fakat rekabet üstünlüğü için mükemmel
bir ürün tasarlama ve pazarlamaya yoğunlaşma yetmemektedir. Mükemmel müşteri
hizmetini sağlamak ve teslimat tarihi için verilen sözleri yerine getirmek bunlar
kadar önemlidir. Bunun için yapılması gerekenler, kapasiteyi talebe yanıt verebilecek
düzeyde ve beklenmedik durumlara çabuk tepki gösterecek şekilde tutmaktır. Böyle
bir üretim sisteminde yapılması gereken ilk çalışmalardan biri de çizelgeleme (iş
sıralama) dir.
Üretim hatları için çizelgeleme yapılması üretim planlamacılar için son derece önem
arz eden bir işlevdir. Çizelgeleme faaliyetleri sonucunda elde edilen üretim
programları sayesinde üretimin düzeni sağlanmakta ve özellikle üretime yük getiren
faaliyetler ayıklanarak maliyet kalemleri azaltılmaktatır. Yapılan çalışmada kablo
imalatı, çimento imalatı ve kağıt imalatı gibi sektörlerde rastlanan permütasyon akış
tipi çizelgeleme problemi üzerinde durulacaktır.
Bu çalışma, bir akış tipi üretim sisteminde maksimum tamamlanma zamanını, toplam
akış zamanını ve makinelerin toplam boş bekleme zamanını en küçükleyecek şekilde
işlerin sıralanmasını amaçlar.
Tez çalışması beş bölümden oluşmaktadır. Birinci bölümde üretim çizelgeleme
kavramı ele alınış ve çizelgeleme modelleri hakkında ayrıntılı bilgi verilerek
çizelgeleme problemleri ve genel özellikleri açıklanmıştır. Çizelgeleme
problemlerinin sınıflandırılması ve problemlerin yapısı hakkında bilgiler verilmiştir.
Çalışmanın ikinci bölümünde ilk olarak, akış tipi çizelgeleme hakkında bilgiler
verilerek, akış tipi çizelgelemenin modelleri üzerinde durulmuş ve çalışmada ele
alınacak olan problemin notasyonu ve matematiksel modeli tanıtılmıştır. Daha sonra,
permütasyon akış tipi çizelgeleme problemleri için bir literatür araştırması yapılmış
![Page 20: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/20.jpg)
2
ve yapılan çalışmalarda kullanılan kesin yöntemler, sezgisel ve meta-sezgisel
yöntemler incelenmiştir.
Akış tipi çizelgeleme problemleri için şimdiye kadar kullanılmış olan sezgisel ve
metasezgisel yöntemlere yer verilen üçüncü bölümde, ayrıntılı olarak söz konusu
yöntemlerin çalışma prensipleri açıklanmıştır.
Dördüncü bölüm, uygulamada kullanılacak olan karınca koloni algoritmalarıyla ve
çok kriterli akış tipi çizelgeleme problemleri için geliştirilmiş HAMC sezgiseliyle
ilgili bilgileri kapsamaktadır.
Son bölümde, çalışmanın uygulaması yer almaktadır. Akış tipi üretim yapan bir
firmadan alınan problem, karınca koloni algortimaları ve HAMC algoritmaları ile
çözülmüş ve sonuçlar kıyaslanmıştır. Ayrıca geliştirilen algoritmaların test edilmesi
amacıyla, literatürden elde edilen standart test problemleri üzerinde diğer
yöntemlerle kıyaslama yapılmış ve bulunan en iyi değerlerden sapmalar
hesaplanmıştır.
Sonuç kısmında ise, yapılan çalışmada elde edilen sonuçlar tartışılmış ve çalışma ile
bağlantılı yapılabilecek çalışmalar konusunda öneride bulunulmuştur.
![Page 21: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/21.jpg)
3
BÖLÜM 1: ÜRETİM ÇİZELGELEME
Bu bölümde çizelgeleme ile ilgili temel bilgiler üzerinde durulmuş, çizelgeleme
problemlerinin yapısı açıklanmış ve çizelgeleme modelleri ayrıntılı bir şekilde
incelenmiştir.
1.1. Çizelgeleme Kavramı
Üretim çizelgeleme, üretim planlama ile beraber, bir imalat sisteminin etkinlik ve
verimliliğini belirleyen önemli bir karar verme sürecidir. Çizelgeleme, çeşitli
matematiksel ve sezgisel yöntemler kullanarak, kıt kaynakların belirlenen zaman
periyodunda ve belirlenen amaç fonksiyonuna uygun olarak ilgili görevlere tahsisi
olarak tanımlanır. Kaynakların uygun olarak atanması, firmanın amaçlarına en iyi
şekilde ulaşmasını mümkün kılar. Çizelgeleme, üretim ve servis endüstrisinde önemli
rol oynayan bir karar verme süreci olup, tedarikte, üretimde, taşıma ve dağıtımda
kullanılır (Pinedo, 2008: 1).
Genel anlamda çizelgeleme, bir üretim sisteminde gerçekleşen tüm aktivitelerin
başlangıç ve bitiş zamanlarının belirlenmesi olarak tanımlanır. Çizelgeleme
sayesinde, mevcut durum analiz edilerek insangücü, makine kapasite, teçhizat vs.gibi
faktörlerde yapılacak değişiklikler göz önüne serilir.
Üretimdeki çizelgeleme çalışmaları aşağıda belirtilen amaçlara ulaşmak için
gerçekleştirilir (Çörekcioğlu, 2006: 14):
a) Kaynakların etkin biçimde kullanılması,
b) Müşteri taleplerinin zamanında cevaplanması,
c) İşlerin, teslim tarihlerinde gecikmeye neden olunmadan tamamlanması,
d) Stok seviyelerinin azaltılması,
e) Fazla mesai çalışmalarının azaltılması,
f) Ortalama akış süresinin azaltılması,
g) Hazırlık sürelerinin azaltılması,
h) Üretim ve işçilik maliyetlerinin azaltılmasıdır.
![Page 22: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/22.jpg)
4
Üretim çizelgeleme çalışmalarında iki ayrı uygunluk kısıtı karşımıza çıkmaktadır.
Bunlardan birincisi makina kapasitelerine ait sınırlamalar, ikincisi ise bir takım
işlerin işlem sırasıyla alakalı teknolojik kısıtlamalarıdır. Çizelgeleme problemlerine
uygun çözümler bulabilmek, bu iki kısıt ile ilgilidir. Bu kısıtları sağlayan herhangi
bir uygun sonuç, çizelgeleme probleminin çözümüdür. Sonuç olarak çizelgeleme
problemlerini çözmek aşağıdaki iki sorunun kapsamındadır (Baker ve Trietsch, 2009:
4):
a) İşler hangi makineye atanacak?
b) İşler ne zaman yapılacak?
Çizelgelemenin başarılı olabilmesi için dikkat edilmesi gereken noktalar: kapasite,
yeterlilik, işin gereksinimleri ve ölçüm standartlarıdır (Boray, 2007: 4).
a) Kapasite: Çizelgeleme çalışmalarının yapılacağı üretim sisteminde öncelikle
kapasite bilinmelidir. Sistemi maliyet açısından zorlayacak üretim
programlarının herhangi bir faydası yoktur. Ayrıca kapasite değişen bir
kavramdır ve üretilen ürünün miktarına göre değişir.
b) Yeterlilik: Makinelerin ve işçilerin istenen özelliklere uygunluğu önemlidir.
c) İşin Gereksinimleri: İşe dair istenilen kalite ve maliyet standartları
bilinmelidir.
d) Ölçüm Standartları: Çizelgeleme çalışmasını etkileyecek faktörlerin (zaman,
maliyet, kalite ve kapasite) tahsisi ile ilgili standartlar oluşturulmalıdır.
Tipik bir üretim çizelgesinin özelliklerinin neler olduğu sıralanmalıdır. Radommer ve
White (1988)'e göre bu özellikler şöyledir: Bir çizelge 1) Belirli bir zaman içinde
çalıştırılabilmeli, 2) Parti büyüklüğünü belirlemeli, sıraya-bağlı hazırlık zamanları
ile maliyetlerini hesaba katmalı, 3) Proses rotalamada hayli esnek olmalı, 4)
Olasılıklı çizelgeleme ortamını temsil edebilme; yani rassal olayları ve rahatsızlıkları
içerme yeteneğine sahip olmalı ve 5) Çeşitli performans kriterlerini en iyiliyebilmeli
ve bünyesinde tutmalıdır (Radommer ve White, 1988: 843).
![Page 23: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/23.jpg)
5
1.2. Çizelgeleme Problemleri
Maliyet kalemlerinde artışa sebep olan, üretim sistemi içindeki tüm faaliyetler iyi bir
çizelgeleme çalışmasının yapılması gerektiğini ifade eder. Bir atölyede çizelgeleme
problemlerinin ortaya çıkışı şu belirtilerle anlaşılmaktadır: makine ve işlerin
beklemesi, makineler arasında fazla sayıda ara stok birikimi, fazla mesai çalışmaları,
işlem sürelerinin uzaması. Bunun yanında, işlerin istenilen zamanda müşteriye teslim
edilememesi, makina kullanımının azlığını gösteren oranlar ya da işgücü kullanım
oranları gibi ibarelerde üretim sistemindeki çizelgeleme problemlerinin
mevcudiyetinin göstergesidir.
Çizelgeleme probleminde makine kapasitesi kısıtları, teknolojik kısıtlar olmak üzere
iki tür kısıt vardır. Çizelgeleme probleminin çözümü, bu iki kısıtın birbirine uygun
çözümüdür. Eğer çalışma sonucunda elde edilen netice, bize yapılması gereken her
bir iş için hangi kaynağın atanacağını ve her bir işin ne zaman yapılacağını
gösteriyorsa faydalı olacaktır. Dolayısıyla, geleneksel olarak, çoğu çizelgeleme
problemi kısıtlara bağlı optimizasyon problemi olarak görülmektedir (Aysal ve
Gündoğdu, 2010: 3).
Çizelgeleme problemleri α/β/γ şeklinde üçlü parametre yapısı ile gösterilir. α
parametresi, atölyenin konfigürasyonunu (makine ortamını) gösterir ve tek bir
girdiye sahiptir. β parametresi, işleme özellikleri ve kısıtlarıyla ilgili bilgi verir ve
bir veya birden fazla girdiye sahip olabilir. γ parametresi ise tek girdiye sahip olup
problemdeki optimize edilecek (en küçüklenecek) performans ölçütünü diğer bir
deyişle amaç fonksiyonunu ifade eder (Pinedo, 2008: 14 ve Graham v.d., 1979: 288).
α parametresinin alabileceği değerler aşağıdaki gibidir (Pinedo, 2008: 15 ve Rola,
2011: 6):
a) Tek makina (1): Tüm işler bir makine üzerinde işlem görür. Makine
ortamları içinde en basit ve spesifik olandır.
![Page 24: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/24.jpg)
6
b) Özdeş paralel makineler (Pm): Benzer özelliğe sahip m adet paralel makina
söz konusudur. i işine ait tek bir operasyon bulunur ve bu operasyon m adet
makineden her hangi birisinde yapılabilir.
c) Farklı hızlara sahip paralel makineler (Qm): Çalışma hızları farklı olan m
adet paralel makine söz konusu olup, j makinesinin hızı vj notasyonuyla
ifade edilir. Pi işlem zamanına sahip i işi j makinesinde Pij = Pi / vj süresini
harcar.
d) İlişkisiz paralel makineler (Rm): Birbiriyle bağlantısı olmayan farklı hızlara
sahip m adet paralel makine söz konusudur. j makinesi i işini vij hızıyla
yapabilmekte olup, i işinin j makinesinde harcadığı Pij zamanı Pij= Pi / vij ‘ye
eşittir.
e) Akış tipi (Fm): Bir akış oluşturacak şekilde seri sıralanmış m adet makine
söz konusudur. Her bir işin makinelerden geçiş sırası aynı olmak
zorundadır.
f) Esnek akış tipi (FFs): Toplam s adet seri aşama bulunmakta olup, her bir
aşamada benzer özellikli m adet paralel makina vardır. Her bir iş aynı rotayı
izleyecek şekilde s adet aşamanın her birinde bulunan m adet makinanın
sadece birinde işlem görür.
g) Açık tip (Om): Modelde m adet makina söz konusu olup, her bir iş her bir
makinede işlem görür. Bazı işlerin bazı makinelerdeki işlem süreleri sıfır
olabileceği gibi, farklı işler farklı rotalara da sahip olabilir.
h) Atölye tipi (Jm): Modelde m adet makina söz konusu olup her bir işin her
bir makinada işlem görme zorunluluğu yoktur. Yani her bir iş kendine ait bir
rotayı takip eder ve her hangi bir makinede yapılması gereken birden fazla
operasyona sahip olabilir.
β parametresinin alabileceği bazı değerler aşağıdaki gibidir (Ruiz ve Rodriguez,
2010: 5):
![Page 25: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/25.jpg)
7
a) Geliş zamanı (ri): i işnin işlenmesine ri çıkış (serbest kalış) zamanından önce
başlanamaz.
b) Permütasyon (prmu): Akış tipi makine ortamında karşımıza çıkan bu
parametre, makineler arasındaki kuyruk disiplininin FCFS (ilk gelen ilk
hizmet görür) olduğunu gösterir. Yani İşlerin makinelerden geçiş sırası
aynıdır.
c) Öncelik kısıtları (prec): Bazı işlerin işlenmesine başlanmadan önce diğer bazı
işlerin tamamlanması gerektiğiyle ilgili kısıtlamaları ifade eder.
d) Sıra bağımlı hazırlık zamanları (Sik): Çizelgede i işi k işinden önce geliyorsa
Sik, k işine başlanabilmesi için gereken hazırlık zamanını gösterir.
e) İş aileleri (fmls): n adet işin F farklı iş ailesine ait olduğunu ifade eder.
f) Yığın işleme (batch): Bir makinenin aynı anda birkaç işi işleyebileceğini
gösterir.
g) Bölünebilme (prmp): İşin tamamlanana kadar makinede kalması zorunlu
değildir. Bir işlem durdurularak makineye farklı bir iş yerleştirilebilir. İşlemi
yarıda kesilen iş ilgili makineye tekrar yerleştirildiğinde, o makinedeki işlem
süresi toplam işlem süresinden geriye kalan kadardır. Kısaca prmp ifadesi işin
bölünmesine izni ifade eder.
h) Arızalanma (brkdwn): Makinelerin, arızalanmalar nedeniyle sürekli olarak
işlem yapmaya uygun olmadığını ifade eder.
i) Bloklanma (block): Akış tipi çevrelerde rastlanan bu parametre, ardışık iki
makine arasındaki kuyruğun sınırlı bir kapasiteye sahip ve dolu olduğu zaman
önceki makinenin işlemini bitirdiği işi sonraki makineye gönderemeyeceğini
ifade eder. Buna bloklanma denir.
j) Beklemesiz (nwt): Akış tipi makine ortamında karşılaşılan bu parametre, işlerin
birbirini takip eden iki makine arasında beklemeyeceğini ifade eder. Bu
kısıtlamanın olduğu modelde de kuyruk disiplini FCFS ’dur.
k) Yeniden dolaşım (rcrc): Atölye tipi veya esnek atölye tipi makine ortamında
karşılaşılan bu parametre, herhangi bir işin bir makinede birden fazla gelişini
![Page 26: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/26.jpg)
8
ifade eder.
Çizelgelerin değerlendirilmesi için gerçek bir kriterin kullanılması gerekir, optimallik
kriteri de denilen bu kriterler, amaç fonksiyonunu oluşturur ve γ alanında gösterilir.
Optimallik kriterleri (performans kriterleri) iki büyük sınıfa ayrılır (Shahzad,
22.11.2011: 14):
a) Minimax: Maksimum değerin minimizasyonunu gösterir.
b) Minisum: Bir toplam değerin minimizayonunu gösterir.
Literatürde en sık rastlanan ‘Minimax’ kriteri en son çizelgelenen işin tamamlanma
zamanı ya da maksimum tamalanma zamanıdır, Cmax sembolü ile gösterilir ve
literatürde ‘makespan’ olarak belirtilir. Cmax=max(Ci) ile formüle edilir ve Ci işlerin
tamamlanma zamanını gösterir. Tamamlanma zamanına bağlı diğer minimax
kriterleri aşağıda kısaca açıklanmıştır (T’kindt ve Billaut, 2006: 13):
a) Maksimum akış zamanı (Fmax): Sistemde geçirilen en büyük zamanı belirtir,
Fmax= max(Fi) ve Fi= Ci-ri ’dir. ri işlerin geliş zamanını gösterir.
b) Maksimum boş makine zamanı (Imax): En çok boş bekleyen makinenin boş
bekleme zamanını ifade eder. Imax= max(Ik) ile formüle edilir, Ik bir
makinedeki boş zamanların toplamını gösterir.
c) Maksimum gecikme (Lmax): Teslim zamanından sapmaların en kötüsünü ifade
eder. Lmax =max(Li) ve Li=Ci –di şeklinde ifade edilir. di işlerin teslim
zamanlarını gösterir.
d) Maksimum pozitif gecikme (Tmax): Pozitif değer alan gecikmelerin en
büyüğünü ifade eder. Tmax=max(Ti) ve Ti=max(0, Ci –di) şeklinde gösterilir.
e) Maksimum erken bitirme (Emax): Teslim tarihinden önce biten işlerin en
büyüğünü ifade eder. Emax=max(Ei) ve Ei=max(0, di –Ci) şeklinde gösterilir.
Literatürde en sık rastlanan ‘Minisum’ kriterleri aşağıda kısaca açıklanmıştır (T’kindt
ve Billaut, 2006: 13 ve Andresen v.d., 20.09.2010: 11):
a) Toplam akış zamanı (ΣF): Toplam akış zamanını ifade eder.
b) Toplam geçlik (ΣT) : n adet işin toplam gecikmesini gösterir.
![Page 27: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/27.jpg)
9
c) Toplam Makinelerin Boş bekleme zamanı (ΣI) : m adet makinedeki boş
bekleme zamanlarının toplamıdır.
d) Toplam geciken iş sayısı (ΣU) : Teslim tarihinden sonra tamamlanan işlerin
toplam sayısını verir.
1.3. Çizelgeleme Modelleri
Çizelgeleme modellerinin sınıflandırılmasında şimdiye kadar birkaç farklı durum
ortaya konmuştur. En eski yaklaşımlardan bir tanesi Graves tarafından yapılan
ayrımdır. Graves kaynak düzenini ve görev yapısını dikkate alarak, açık atölye (open
shop) ve kapalı atölye (closed shop) şeklinde bir ayrım yapmıştır. Açık atölyede,
müşteri talepleri stok yapmadan direkt üretimden karşılanırken, kapalı atölyelerde
talepler stoklardan karşılanır. Kapalı atölyeler, akış tipi atölyeleri ve iş atölyelerini
içerir (Graves, 1981: 647).
Daha sonraki yıllarda yapılan ayrımlarda işlerin sisteme giriş şekli, parametrelerin
belirliliği ve iş akışı göz önünde bulundurularak sınıflandırma yapılmıştır. Temel
sınıflandırmada önce işlerin sisteme giriş şekline göre statik ve dinamik olmak üzere
iki ayrım yapılır. Eğer çizelgeleme çalışmasına alınacak işler sisteme aynı anda giriş
yapıyorsa ve zamanla değişiklik göstermiyorsa sistem statik, işler sisteme aralıklı
olarak girilş yapıyorsa ve zamanla yeni işler ortaya çıkıyorsa sistem dinamiktir
(Conway, Maxwell ve Miller, 2003: 7). Diğer bir deyişle, çizelgelenecek tüm işlerin
çizelgeleme işlemi başında elde bulunmasına statik çizelgeleme, işlerin zaman
içerisinde sürekli değiştiği çizelgelemeye ise dinamik çizelgeleme denir.
Temel alınan kıstaslardan biri de parametrelerin belirliliğidir. Buna göre stokastik ve
deterministik modeller olarak ikiye ayrılan çizelgeleme problemlerinde kaynakların
ve diğer kısıtların önceden bilindiği ve belirli bir olasılık dağılımına göre belirlendiği
kabul edilir. Bu ayrımdan sonra çizelgeleme problemleri temelde üç ayrı sınıfta
incelenir (Artiba ve Elmaghraby, 1997: 274).
a) Tek makine problemleri,
![Page 28: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/28.jpg)
10
b) Paralel makine problemleri,
c) Atölye çizelgeleme problemleri (akış tipi atölye, iş atölyesi ve açık atölye).
Dolaylı olarak göz önüne alınan bir diger ölçüt de problemin çözülebilirliğidir.
Deterministik çizelgeleme problemleriyle ilgili araştırmaların büyük bir bölümü
etkili (polinom zamanlı) çözüm algoritmalarına bağlıdır. Buna karşın birçok
çizelgeleme problemi ise, polinom zamanlı algoritmalara sahip değildir. Bu tür
problemler NP-Zor (Non-deterministic Polinomial Hard) olarak tanımlanırlar
(Pinedo, 2008: 26).
Sonuç olarak, çizelgeleme literatürü; parametrelerin belirgin (deterministik) olduğu
durumdan belirsiz (stokastik) olduğu duruma, tek makineliden çok makineli geliş
sürecinin durağandan (statikten) dinamiğe değiştiği çesitli problem yapılarını kapsar.
(Eren ve Güner, 2002: 37) Klasik çizelgeme modelleri ve sistemleri hiyerarşik olarak
Şekil 1-1’ de görüldüğü gibi sınıflandırılır.
Çizelgeleme
Statik Dinamik
Deterministik
Modeller
Paralel Makine Akış Atölyesi İş Atölyesi Açık Atölye
Stokastik
Modeller
Tek Makine
Şekil 1-1 Çizelgeleme Modelleri
![Page 29: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/29.jpg)
11
1.3.1. Tek Makine Modeli
Çizelgeleme problemlerinin en basit modeli, tek makine modelleridir. Tek makine
modellerinde amaç doğrultusunda iş sıralarının bulunması söz konusudur. Diğer
çizelgeleme modellerine temel oluşturduğu için tek makine problemlerinin
anlaşılması oldukça önemlidir. Tek makine problemleri çok basit göründüğü halde n!
tane alternatif sıralama mümkündür.
Problemler ilgili sektörün özelliklerine bağlı olarak stokastik veya deterministik
olabilir. Gerçek hayatta rastlanan, makine bozulmaları, beklenmeyen siparişler ve
düzensiz işlem zamanlarını içeren problemler stokastik problemlerdir. Stokastik ve
deterministik modellerin çözümünde benzer çözüm metotları kullanılır. Çizelgeleme
problemlerinin çözümüne ilişkin geliştirilmiş bir takım yöntemler vardır. Örneğin
dal-sınır algoritmaları, dinamik programlama ve ödünleşim eğrileri gibi yöntemler
tek makine problemlerinin çözümünde kullanılan yöntemlerdir. Meta sezgisel
yöntemlere örnek olarak tavlama benzetimi, tabu arama, karınca koloni
optimizasyonu, genetik algoritma ve parçaçık sürü optimizasyonu gibi teknikler
verilebilir. Bu problemlerde işler hangi sırada yapılırsa yapılsın tüm işleri bitirmek
için tamamlanma süresi (makespan) değişmez.
Polinomsal zamanda, diğer bir deyişle makul zaman dilimlerinde çözülebilir olan tek
makine problemlerinde performans göstergelerinin belirlenmesi çok önemlidir.
Farklı performans göstergelerini için geliştirilmiş farklı çözüm yöntemleri mevcuttur.
En sık kullanılan performans göstergelerine bağlı sıralama yöntemleri aşağıdaki gibi
açıklanmıştır (Nahmias, 2009: 425 ve Heizer ve Render, 2008: 612):
İlk Gelen İlk Hizmet Görür (First Come First Serve-FCFS): İşlerin verilen
sıralamada, ilk işin önce işlem görmesi esasına dayanır.
İlk Giren Son Hizmet Görür (First Come Last Serve-FCLS): İşlerin verilen
sıralamasında ilk işin son olarak işlem görmesini sağlar.
![Page 30: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/30.jpg)
12
En Kısa İşlem Süresi (Shortest Processing Time-SPT): İşler işlem zamanlarına göre
küçükten büyüğe sıralanır. SPT kuralı işlem zamanına bağlı performans
ölçütlerinden toplam akış zamanını en küçüklemektedir.
En uzun İşlem Zamanlı Sıralama (Longest Processing Time-LPT): İşler en uzun
işlem zamanlıdan en küçük işlem zamanlıya doğru sıralanır.
En Erken Teslim Zamanlı Sıralama (Earliest Due Date-EDD): İşler teslim
zamanlarına göre küçükten büyüğe sıralanır. EDD kuralı maksimum gecikmeyi
(Lmax) ve maksimum geçligi (Tmax) en küçüklemektedir.
Kritik Orana Göre Sıralama (Critic Ratio): Kritik oran göstergesi; işler arasındaki
operasyon sırasına ek olarak atölyede bekleyen işleri de göz önünde
bulundurmaktadır. Bu oran, işlerin çizelgelenen günler içerisinde ilerlemesi için iş
sıralarının belirlenmesine yardımcı olur. Kritik oran; bugünden teslim tarihine kadar
olan zaman farkının, işin yapılması için kalan zamana oranıdır. Kritik oranı en küçük
olan işten başlayarak en büyük olana doğru sıralama yapılır.
Yukarıda açıklanan sıralama kurallarının daha iyi anlaşılabilmesi amacıyla en çok
kullanılan FCFS, SPT ve EDD kuralları kullanılarak tamamlanma zamanı, ortalama
akış zamanı, ortalama gecikme, toplam geçlik ve toplam geciken iş sayısı gibi bazı
performans ölçütleri bir örnek üzerinde hesaplanmıştır.
Dört işe ait işlem zamanları ve teslim tarihleri Tablo 1-1’de verilmiştir.
Tablo 1-1 Örnek Problem İçin İşlerin İşlem Zamanları ve Teslim Tarihleri
İş 1 2 3 4
İşlem zamanı 5 12 7 3
Teslim tarihi 14 10 6 27
İlk gelen ilk hizmet görür (FCFS) kuralına göre,
![Page 31: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/31.jpg)
13
Tablo 1-2 FCFS Kuralına Göre İşlerin Sıralanması
Sıralama İşlem
zamanı
Tamamlanma
zamanı
Teslim
zamanı
Akış
zamanı Gecikme Geçlik
1 5 5 14 5 9 0
2 12 17 10 22 7 7
3 7 24 6 46 18 18
4 3 27 27 73 0 0
Toplam 27 73 - 146 34 25
Maksimum tamamlanma zamanı (makespan): 73
Toplam akış zamanı: 146
Ortalama akış zamanı: 146/4=36,5
Ortalama gecikme: 34/4=8,50
Toplam geçlik: 25
Toplam geciken iş sayısı: 2
En kısa işlem süresi (SPT) kuralına göre,
Tablo 1-3 SPT Kuralına Göre İşlerin Sıralanması
Sıralama İşlem
zamanı Tamamlanma
zamanı
Teslim
zamanı
Akış
zamanı Gecikme Geçlik
4 3 3 27 3 24 0
1 5 8 14 11 6 0
3 7 15 6 26 9 9
2 12 27 10 53 17 17
Toplam 27 53 - 93 56 26
Maksimum tamamlanma zamanı: 53
![Page 32: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/32.jpg)
14
Toplam akış zamanı: 93
Ortlama akış zamanı: 93/4=23,25
Ortalama gecikme: 56/4=14
Toplam geçlik: 26
Toplam geçiken iş sayısı: 2
En Erken Teslim Zamanlı Sıralama (EDD) kuralına göre,
Tablo 1-4 EDD Kuralına Göre İşlerin Sıralanması
Sıralama İşlem
zamanı Tamamlanma
zamanı
Teslim
zamanı
Akış
zamanı Gecikme Geçlik
3 7 7 6 7 1 1
2 12 19 10 28 9 9
1 5 24 14 52 10 10
4 3 27 27 79 0 0
Toplam 27 77 - 94 20 20
Maksimum tamamlanma zamanı: 77
Toplam akış zamanı: 94
Ortlama akış zamanı: 94/4=23,5
Ortalama gecikme: 20/4=5
Toplam geçlik: 20
Toplam geçiken iş sayısı: 3
1.3.2. Paralel Makine Modeli
Klasik paralel makine çizelgeleme modelinde, n adet iş ve m adet paralel durumda
makine bulunmaktadır. Her makinenin özelliği aynıdır ve her iş herhangi bir
makinede işlenebilir özelliktedir. Paralel makine modeline örnek, Şekil 1-2’de
gösterilmiştir.
![Page 33: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/33.jpg)
15
Paralel makine problemlerinde en sık rastlanan amaç fonksiyonu maksimum
tamamlanma zamanı ve toplam tamamlanma zamanı minimizasyonudur. Paralel
makine modellerinde çözümün iki temel aşaması vardır (Lopez ve Roubellat, 2008:
22):
a) Hangi ürün hangi makinede üretileceği belirlenir.
b) Her makinedeki işlemlerin sırasına karar verilir.
Paralel makine problemleri, makine yapısına bağlı olarak üç sınıfa ayrılır. Bunlar,
a) Özdeş: Tüm makinelerin işlem zamanları aynıdır.
b) Benzer: İşlem zamanları makine performansına göre benzer bir şekilde
değişir.
c) Bağımsız: İşlem süreleri farklı makineler arasında değişkenlik gösterir.
Genel paralel makine çizelgeleme problemlerinde, bağımsız bir iş grubu amaç
fonksiyonunu (tamamlanma zamanı) yerine getirecek şekilde de paralel makineler
üzerinde çizelgelenir.
Makine 1
Makine 2
Makine 3
İş 1 İş 3
İş 4
İş 5
İş 2
Şekil 1-2 Paralel Makine Modeli (Ceran, 2006)
![Page 34: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/34.jpg)
16
1.3.3. Akış Tipi Atölye, İş Atölyesi Ve Açık Atölye Modelleri
Literatürde ‘Shop Scheduling’ olarak geçen atölye çizelgelemenin üç farklı sınıfı
bulunmaktadır. Bunlar akış tipi atölye (flow shop), iş atölyesi (job shop) ve açık
atölye (open shop) olarak ayrılmaktadır. Bu bölümde akış atölyesine kısaca
değinilecek, daha geniş olarak 2. bölümde anlatılacaktır.
Makinelerin seri olarak birbiri ardına sıralandığı yerleşim düzenlerine akış tipi (flow
shop) yerleşim denilmektedir (İşler, Toklu ve Çelik, 2009: 230). Akış tipi atölyelerde
işler; her bir operasyonunun farklı bir makinede gerçekleştirileceği, öncelik ilişkisine
sahip, operasyon adı verilen iş emirlerine bölünürler. Akış atölyelerinde bütün işler
atölyenin aşamalarını aynı sıra ile geçerler (Weng, 2000: 1359).
Birçok üretim ortamında bütün işler üzerinde bir dizi operasyon yapılması gerekir.
Bu, bütün işlerin aynı sırada aynı operasyonlardan geçmesini gerektirir. Bu
durumdan doğan akış tipi çizelgeleme kavramı temelde, m makina ve n işin
bulunduğu bir ortamda, her iş için m operasyonun bulunması ve bu operasyonların
farklı makinelerde ve aynı sıra ile yapılmasıdır.
Akış tipi atölyelerde aynı ürünün farklı boyutları üretilir. Atölyelerdeki makine
konfigürasyonu ürünlerin operasyon sırasına göre yapılır. Makineler özel amaçlı
olduğu için ve hızları yüksek olduğu için ürün akışı doğrusaldır. Bu nedenle üretim
planlama faaliyetleri, üretim kontrolü ve çizelgeleme çalışmaları atölye tipi ortama
göre daha kolaydır.
Akış tipi atölye yerleşimi Şekil 1-3’ de gösterilmiştir.
![Page 35: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/35.jpg)
17
Atölye çizelgeleme modellerinden bir diğeri de iş atölyesidir (job shop). İş
atölyelerinde her iş tüm makinelerde veya bazı makinelerde işlenecek bir kaç
operasyondan oluşur ve her işin takip ettiği kendine ait bir işlem rotası mevcuttur.
Akış tipi atölyelerden farklı olarak iş rotalarının her iş için aynı olma zorunluluğu
yoktur. Bu nedenle, bir iş atölyesinde çizelgeleme yapabilmek için, her makinede
işlem görecek işlerin sıralamasına karar vermek gerekir. Bazı modellerde bir iş bir
makineyi birkez ziyaret ederken, bazılarında ise birden fazla ziyaret söz konusudur.
(Cheng, Gen ve Tsujimura, 1999: 344, Pinedo 2008: 179, Pinedo 2009: 83).
Atölye tipi çizelgeleme problemi, m tane makinede işlenmek üzere n tane işi, daha
önceden tayin edilmiş bir geçiş sırası ve kapasite sınırlamalarını göz önüne alarak,
amaç fonksiyonunu eniyileyecek şekilde her bir işlemin başlama zamanını
belirlemek olarak ifade edilir. Bu tip problemlerde her bir işin rotası yani
makinelerden geçiş sıraları farklı olacağı için iki tip kısıtlama sözkonusudur. İlk kısıt,
bir işe ait operasyon tamamlanmadan o işin diğer operasyonunun başlayamamasıdır.
Bununla birlikte bir iş bir anda sadece tek bir makine tarafından işlenebilir. İkinci
kısıt ise, bir makine üzerinde aynı anda sadece bir iş işlenebilir (Şevkli ve Yenisey,
2006: 59).
Şekil 1-3 Akış Atölyesi Yerleşimi
1m 12 11
22 21 2m
n1 n2 nm
![Page 36: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/36.jpg)
18
Bu kısıtlara ek olarak klasik atölye tipi çizelgeleme problemlerinde bazı varsayımlar
bulunmaktadır (Carlier ve Pinson, 1989: 164, Sule, 2008: 327):
a) Bir operasyon işlem anında kesilemez, bölünemez.
b) Bir makine belirli bir anda sadece bir işi işleyebilir.
c) Bütün siparişler, işlem süreleri ve iş istasyonları bilgileri tam olarak bilinmeli
ve sıfır anından çalışmaya hazır olmalıdır.
d) Hazırlık ve taşıma süreleri işlem sürelerine dahil edilmiştir.
e) İş istasyonları çizelgeleme faaliyeti başlarken boştur, asla bozulmazlar, bakım
istemezler ve personel yokluğu çekmezler.
f) Her iş istasyonu tipinden sadece bir tane vardır.
g) Bütün işler eşit öneme sahiptir, öncelik sırası yoktur.
Makineler genel amaçlı olup, malzemelerin geçişleri ağırdır. Proses içi stoklar söz
konusu olabilir. Rotalar değişken ve işlenecek yeni işler süreklidir. Bu nedenle atölye
tipi üretim sistemlerinde çizelgeleme ve üretim kontrolü oldukça maliyetli ve zordur.
En basit iş atölyesi modelinde bir iş bir makineyi en fazla bir kez ziyaret edebilir.
Diğer modellerde, bir iş bir makineyi birkaç kez ziyaret edebilir, bu resirkülasyon
(recirculation) olarak ifade edilir. Bir iş atölyesindeki iş akışı Şekil 1-4’ de
gösterilmiştir.
Şekil 1-4 Bir İş Atölyesinde İş Akışı
(Pinedo, 2009: 24)
![Page 37: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/37.jpg)
19
Atölye tipi çizelgeleme problemlerinde n iş m makine olmak üzere tüm çizelgelerin
sayısı (n!)m
’dir. Makine ve iş sayısı artıkça çizelge sayısı artacaktır. Bu yüzden
atölye çizelgeleme problemleri zor problemler olarak kabul edilirler ve optimal
çözümleri bulmak zor olduğundan genellikle çözüme yönelik bir takım sezgisel
algoritmalar geliştirilmiştir (Şevkli ve Yenisey, 2006: 59).
Bir diğer atölye modeli açık atölyedir (openshop). Açık atölyelerde, bir işi oluşturan
operasyonların farklı makinelerde işlenme sıralarının önemi yoktur. Başka bir
deyişle, operasyonların işlenmesi herhangi bir sırada olabilir, sıralamada bir kısıt
mevcut değildir. Açık atölyelere örnek olarak öğretmen-sınıf atamaları ve sınav
çizelgelemeleri verilebilir (Liaw, 2003: 2082).
Açık atölyeler atölye tipi çizelgelemenin özel bir sınıfını oluşturur ve açık atölyede
a) Her bir i işi m operasyon içerir Oij (j=1,…,m) ve Oij makine Mj üzerinde
işlenmek zorundadır.
b) Bir işin operasyonları arasında öncelik ilişkisi yoktur (Brucker, 2007: 158).
Açık atölye sistemi Şekil 1-5’de gösterilmiştir.
21 22
13 11
32
23
31
42 43
Şekil 1-5 Açık Atölye Modeli
(Sule, 2008: 367)
![Page 38: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/38.jpg)
20
Literatürde yapılmış açık atölye ile ilgili olan araştırmaların çoğunda tamamlanma
zamanı minimizasyonu ele alınmıştır. Gonzalez ve Sahni (1976), iki makineli açık
atölyelerde tamamlanma zamanını enküçükleyen bir O(n) algoritması geliştirmiştir.
Gueret and Prins (1999), açık atölyelerde tamamlanma zamanını minimize eden bir
algoritma geliştirerek, farklı test problemleri üzerinde deneme yapmışlardır. Alcaide
v.d. (1997), açık atölyelerde tamamlanma zamanını minimize etmeyi amaçlamış ve
bunun için bir tabu arama (TS) algoritması geliştirmiştir. Son olarak Kyparisis ve
Koulamas (2000) iki kriterli açık atölye problemleri ile ilgili bir çalışma
sunmuşlardır.
![Page 39: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/39.jpg)
21
BÖLÜM 2: AKIŞ TİPİ ÇİZELGELEME
İkinci bölümde akış tipi çizelgeleme problemlerinin yapısı ve varsayımları
incelenmiş, akış tipi çizelgeleme problemlerinin sınıflandırılması hakkında bilgi
verilmiş ve çalışmada ele alınan problemin formülasyonu açıklanmıştır. Son olarak
akış tipi çizelgeleme problemleri ile ilgili literatür çalışmasına yer verilmiştir.
2.1. Akış Tipi Çizelgeleme Problemleri ve Kabuller
Akış tipi çizelgeleme problemleri araştırmacıların yoğun olarak çalıştığı
optimizasyon problemlerinden birisidir. Şimdiye kadar farklı amaç fonksiyonuna
sahip, bir çok akış tipi çizelgeleme problemi çeşitli optimizasyon teknikleri
uygulanarak çözülmüştür. Düzenli akış tipi çizelgeleme problemleri; bir makine
grubu (M) ve bu makinelerde işlenecek bir iş seti (N) olmak üzere iki ana elemandan
oluşur. (Hejazi ve Saghafian, 2005: 2895).
Akış tipi çizelgeleme problemlerinde iş üzerinde yapılması gereken işlemler, her biri
ayrı makineler gerektiren ve operasyon olarak isimlendirilen bağımsız görevlere
ayrılmıştır. Bu nedenle iş, özel bir öncelik yapısına sahip operasyonlar topluluğunu
ifade eder. Şekil 2-1’de gösterildiği gibi, ilk operasyondan sonraki her bir operasyon
bir öncüle ve son operasyondan önceki her bir operasyon da bir ardıla sahiptir. Bu
nedenle her bir iş, tamamlanabilmesi için operasyonlarının belirli bir sırada
yapılmasına ihtiyaç duyar. Bu yapı, Doğrusal Öncelik Yapısı olarak adlandırılır
(Baker ve Trietsch, 2009: 225). Akış tipi çizelgeleme problemlerinde makineler seri
olarak dizilmiştir ve bir makinede operasyonu tamamlanan iş bir sonraki makinenin
sırasına katılır.
Şekil 2-1 Akış tipi Çizelgelemede Doğrusal Öncelik Yapısı
(Baker ve Trietsch, 2009: 226)
![Page 40: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/40.jpg)
22
Akış tipi atölyelerde çizelgeleme çalışmaları, amaç fonksiyonunda yer alan kriterlere
göre tüm makinelerdeki iş geçiş sıralarını belriler. Akış tipinde çizelgeleme
yapılırken dikkate alınan amaçlar arasında, tamamlanma zamanının (Cmax)
minimizasyonu, iş akışının ve kaynakların kullanımının maksimizasyonu ile direkt
ilişkili olarak görülmektedir. Bu nedenle, yapılan çalışmaların bir çoğunda ele alınan
kriter tamamlanma zamanı minimizasyonudur. Tamamlanma zamanı kriterli akış tipi
çizelgeleme problemleri F Cmaxnotasyonuyla gösterilir. Bu tip bu problemler
daha sonraki bölümde anlatılacak olan NP-zor sınıfına girmektedir.
Akış tipi çizelgeleme problemlerinin temel varsayımları aşağıdaki gibidir (Ruiz ve
Maroto, 2005: 479-480):
a) i işi birim zamanda tek bir j makinesinde işlem görebilir.
b) j makinesi birim zamanda tek bir i işini yapabilir.
c) İşin bölünmesine izin verilmez, öyle ki j makinesi i işini yapmaya başladığı
zaman kesintiye uğratmaksızın tamamlaması gerekir.
d) Bütün işler birbirinden bağımsız ve sıfır zamanında hazırdır.
e) İşlerin makinelerdeki hazırlık zamanları önemsizdir ve çizelgeleme sırasında
göz ardı edilebilir.
f) Makineler çizelgeleme boyunca çalışır durumdadır.
g) Süreç içi stoğa izin verilir. Herhangi bir iş, çizelgenin bir sonraki adımında
ihtiyaç duyduğu makine meşgulse, ilgili makinenin kuyruğuna girerek
bekleyebilir.
2.2. Akış Tipi Çizelgeleme Modelleri
Bu bölümde, akış tipi çizelgeleme modelleri basit akış tipi (İki-üç makine ve Johnson
Algoritması) çizelgeleme, permütasyon akış tipi çizelgeleme ve olarak iki başlık
altında incelenecektir.
![Page 41: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/41.jpg)
23
2.2.1. Basit Akış Tipi Çizelgeleme (İki-Üç Makineli Durum ve
Johnson Algoritması)
İki makineli akış tipi çizelgeleme problemleri, akış tipi çizelgeleme problemlerinin
en sık rastlanan tipidir. 1954 yılında Johnson, iki makineli sistemlerde işlerin
tamamlanma zamanının en küçüklenmesini sağlayarak, optimum sonucu veren
algoritmayı göstermiştir. Johnson kuralı 3 adımda gerçekleşmektedir (Baker ve
Trietsch, 2009: 230):
Adım 1: İşler arasından en küçük işlem süreli iş bulunur.
Adım 2: Birinci adımda bulunan en küçük süreli iş, birinci makinede ise, sıralamanın
başındaki ilk uygun sıraya yerleştirilir. Eğer birinci adımda bulunan en
küçük süreli iş ikinci makinede ise, sıralamanın sonundaki ilk uygun sıraya
yerleştirilir. İki makinede de eşit süreye sahip (minimum) iş varsa keyfe
göre sıralanabilir.
Adım 3: Çizelgelenmemiş işler arasından, ataması yapılan iş çıkarılır ve kalan işler
için 1. adıma dönülür. Bütün işler çizelgeye yerleşene kadar bu süreç
tekrarlanır.
Johnson Kuralı bir örnek ile sunulmuştur.
Örnek: İki makine ve beş işten oluşan bir sistemde işlerin makinelerde geçirdikleri
süre dakika olarak Tablo 2-1’de verilmiştir.
![Page 42: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/42.jpg)
24
Tablo 2-1: Johson Algoritması İçin Örnek
(Heizer ve Render, 2008: 616)
İş Makine 1 Makine 2
A 5 2
B 3 6
C 8 4
D 10 7
E 7 12
Kurala göre önce en küçük işlenme zamanına sahip iş bulunur. A işi, işlem süresi (2)
en küçük zamanlı iştir ve 2. makinedeki operasyonu en küçük işlem zamanına
sahiptir. En küçük işlem zamanı 2. makinede olduğu için sıralamanın en sonuna A
işini atanır.
A işini çizelgelenecek işler arasından çıkarıp, kalan işlem zamanları arasından en
küçük zamanlı işi (B) tekrar seçeriz. B işi işlem zamanı (3) mevcut durumdaki en
küçük işlem zamanına sahiptir ve 1. makinede olduğu için çizelgenin en başına B işi
yerleştirilir.
A ve B işleri çizelgelenmemiş işler arasından çıkarıldıktan sonra kalan üç iş
arasından en küçük işlem zamanına (4) sahip olan C işini seçeriz. Operasyon 2.
makinede olduğu için C işi çizelgenin sonundaki 2. sıraya atanır.
Geriye kalan D ve E işleri arasından en küçük işlem zamanlı iş olan E işini seçeriz ve
E işi 1. makinede olduğu için baştan 2. sıraya atanır.
Son olarak D işi de, kalan tek pozisyon olan 3. sıraya atanır. Sonuç olarak işler B-E-
D-C-A şeklinde sıralanır.
![Page 43: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/43.jpg)
25
Örneğe ait çizelge Gantt şeması vasıtasıyla yapılmış ve Şekil 2-2’de gösterilmiştir.
Şemaya göre işlerin tamamlanma zamanı (Cmax) 35 dakikadır ve 2. makinenin toplam
boş bekleme süresi 4 dakikadır.
Şekil 2-2: Johnson Algoritmasına Göre Sıralanan İşlerin Gantt Şeması
Üç makineli durumda tamamlanma süresini minimize eden etkin bir teknik yoktur.
Bazı koşullar altında en iyi çözüm bulunabilir. Bu koşullar sağlanmadığı takdirde
analitik yöntemlerle işlerin en kısa zamanda bitirilmesini sağlayacak iş sırasının
bulunması zordur. Johnson algoritmasının n iş 3 makineye uyarlanabilmesi için
aşagıdaki şartların yerine getirilmesi gerekir (Radeleckzi, Toth ve Nagy, 2003: 60-
61):
a) Ai: i. işinin A tezgâhındaki işlem süresi,
b) Bi: i. işinin B tezgâhındaki işlem süresi,
c) Ci: i. işinin C tezgâhındaki işlem süresi olmak üzere,
En küçük Ai ≥ En büyük Bi veya En küçük Ci ≥ En büyük Bi.
Bu durumda hayali makineler yaratılır ve problem iki makineye indirgenir. Birinci
ve ikinci makinenin süreleri toplanır, tek makine haline dönüşür; ikinci ve üçüncü
makinenin süreleri toplanarak ikinci makinenin süreleri elde edilir ve Johson kuralı
uygulanır.
Örnek: Üç makine ve beş işten oluşan bir sistemde işlerin makinelerde geçirdikleri
süre dakika olarak Tablo 2-2’de verilmiştir.
![Page 44: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/44.jpg)
26
Tablo 2-2: Üç Makineli Durum Örneği
İş
Makine
Ai Bi Ci
1 6 5 5
2 8 3 7
3 4 2 8
4 3 2 11
5 5 5 9
Problem iki makineye indirgenir. Hayali Ai+Bi ve Bi+Ci makineleri yaratılır. Ai ve
Bi makinelerinin süreleri toplanır, tek makine haline dönüşür; Bi ve Ci makinelerinin
süreleri toplanarak ikinci makinenin süreleri elde edilir ve Johson kuralı uygulanır.
Yaratılan hayali makineler Tablo 2-3’ de gösterilmiştir.
Tablo 2-3: Hayali Makineler
İş
Makine
Ai + Bi Bi + Ci
1 11 10
2 11 10
3 6 10
4 5 13
5 10 14
En küçük Ci ≥ En büyük Bi koşulu sağlanmaktadır. Johnson kuralı uygulandıktan
sonra elde edilen sıralama, 4-3-5-2-1 şeklindedir.
2.2.2. Permütasyon Akış Tipi Çizelgeleme
Akış tipi çizelgeleme problemlerinin özel bir sınıfını oluşturan permütasyon akış tipi
çizelgeleme problemlerinde (PFSP), n adet işin m adet makine üzerindeki işlem
sırası aynıdır. Klasik akış tipi çizelgeleme problemlerinde iş sıraları her makinede
![Page 45: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/45.jpg)
27
farklı olduğu için mümkün olan çizelge sayısı (n!)m
iken, permütasyon akış tipi
çizelgelerde bu sayı (n!)’dir (Hejazi ve Saghafian, 2005: 2896).
Farklı makinelerde işlem sıralarının değişimine izin vermeyen permütasyon akış tipi
çizelgeler, genel akış tipi çizelgeleme problemlerinden daha basit bir yapıya sahiptir.
Akış tipi çizelgeleme problemlerinin bu basitleştirilmiş yapısı, genel akış tipi
problemlerin bir optimal çizelgesinin araştırılmasında kullanılır.
Bir optimum çözüm bulabilmek için (n!)m
adet çizelgenin araştırılması yerine, bütün
bu olası çizelgelerden bazıları Conway’in önerdiği iki teoremle elenir ve bu
teoremlerle ilk ve son iki makinelerde aynı iş sırasına sahip optimal bir çizelge elde
edilir (Ying, 2008: 349).
Teorem1: Tüm işlerin aynı anda hazır olduğu m makineli akış tipi çizelgeleme
problemlerinde, tamamlanma zamanının artan fonksiyonunu enküçüklemek amacına
bağlı kalarak, ilk iki makinede aynı iş sırasına sahip çizelgeleri dikkate almak
yeterlidir.
Teorem 2: İşlerin maksimum tamamlanma zamanının en küçüklenmesi hedefli ve m
makineli akış tipi çizelgeleme problemlerinde son iki makinede aynı iş sırasına sahip
çizelgeleri dikkate almak yeterlidir (Gupta ve Stafford, 2006: 701).
Bu teoremler yardımıyla eniyi iş sıralaması araştırılırken farklı makinelerdeki farklı
iş sıralarının göz önüne alınması gerekmektedir. Teorem 1’den (n!)m-1
adet
çizelgenin araştırılmasının yeterli olacağı görülmektedir. Teorem 2’de dikkate
alındığında (n!)m-2
adet çizelgenin araştırılmasının yeterli olacağı anlaşılır (Baker ve
Trietsch, 2009:229). Anlatılan teoremlerden yola çıkarak, permütasyon çizelgelerle
optimal çözümün elde edileceği iki durum söz konusudur (Gupta ve Stafford, 2006:
701):
a) İki makineli (m=2) ve düzenli bir performans ölçütünün en küçüklendiği
durumlar,
b) İki veya üç (m 3) makineli durumlar ve maksimum tamamlanma süresinin
(Cmax) en küçüklendiği durumlardır.
![Page 46: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/46.jpg)
28
Permütasyon akış tipi çizelgelemede amaç, bir ya da daha fazla performans ölçütünü
en küçükleyecek bir permütasyon iş setinin bulunmasıdır. İki makineli akış tipi
sistemlerde optimal çözümler etkin çözüm zamanlarında bulunabilirken, makine
sayısı üç olduğunda ve üçü aştığında (m≥3) optimal çözümler etkin zamanlarda
bulunamamaktadır (Lomnicki, 1965: 89). Bu durumda, sezgisel ve metasezgisel
yöntemlerle yaklaşık (optimuma yakın) sonuçlar elde edilmeye çalışılmaktadır.
2.2.2.1.Permütasyon Akış Tipi Çizelgeleme Problemlerinin
Notasyonu
Permütasyon akış tipi çizelgeleme problemlerinin (PFSP) notasyonu, makine
sayısına ve amaç fonksiyonunu oluşturan kriter ya da kriterlere bağlı olarak
değişmektedir.
İki makine problemleri için gösterim F2/prmu ve m makineli durumlar için ise,
Fm/prmu şeklindedir. İki makineli duruma örnek olarak, F2/prmu/Cmax: iki makineli
permütasyon akış tipi ortamda maksimum tamamlanma zamanı kriterli problem,
F2/prmu/Fmax: iki makineli permütasyon akış tipi ortamda maksimum akış zamanı
kriterli problem, F2/prmu/ΣF: iki makineli permütasyon akış tipi ortamda toplam
akış zamanı kriterli problem, F2/prmu/ΣI: iki makineli permütasyon akış tipi ortamda
toplam boş makine zamanı kriterli problem verilebilir. m makineli durumlar için ise,
Fm/prmu/Fmax: m makineli-permütasyon akış tipi-maksimum akış zamanı kriterli
problem, Fm/prmu/ΣT: m makineli-permütasyon akış tipi-toplam geç bitirme zamanı
kriterli problem, F2/prmu/ΣI: m makineli permütasyon akış tipi-toplam boş makine
zamanı kriterli problem gibi örnekler verilebilir. Çok kriterli durumlara örnek olarak,
F2/prmu/Cmax, ΣF: iki makineli- permütasyon akış tipi-maksimum tamamlanma
zamanı ve toplam akış zamanı kriterli problem, Fm/prmu/Cmax, ΣT: m makineli-
permütasyon akış tipi-maksimum tamamlanma zamanı ve toplam geç bitirme zamanı
kriterli problem, Fm/prmu/Cmax, ΣF, ΣT: m makineli-permütasyon akış tipi-
maksimum tamamlanma zamanı, toplam akış zamanı ve toplam geç bitirme zamanı
kriterli problem verilebilir.
![Page 47: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/47.jpg)
29
Bu tez çalışmasında, Fm/prmu/Cmax, ΣF, ΣI ile gösterilen m makineli-permütasyon
akış tipi-maksimum tamamlanma zamanı, toplam akış zamanı ve toplam boş makine
zamanı kriterli problem ele alınacaktır. Problemin amacı maksimum tamamlanma
zamanı, toplam akış zamanı ve toplam boş makine zamanının birlikte ve ayrı ayrı en
küçüklenmesidir.
2.2.2.2. Fm/prmu/Cmax, ΣF, ΣI Probleminin Formülasyonu
Permütasyon akış tipi çizelgeleme problemlerinde, i=1,2,…..,n iş setindeki her iş,
j=1,2,…..,m makine setindeki her makinede makinelerin diziliş sırasına göre işlenir.
İşlerin makinelerden geçiş sırası aynıdır ve tek yönlüdür. Bu çalışmada ele alınan
problem, çok amaçlı permütasyon tipi akış problemidir ve temel amacı, her bir
makinedeki iş sırasının aynı olduğu maksimum tamamlanma zamanını, toplam akış
zamanını ve toplam boş makine zamanını küçükleyen çizelgenin sezgisel
algoritmalarla bulunmasıdır.
tij i işinin j makinesi üzerindeki işlem süresini, n çizelgelenecek iş sayısını, m akış
atölyesindeki makine sayısını ve π ={π1 π2,..…..,πn} permütasyon iş setini gösterir.
π (i), π çizelgesindeki i. pozisyonda yer alan işi ifade eder.
C(πi, j), çizelgedeki π (i) işinin j makinesindaki tamamlanma zamanı gösterir ve
aşağıdaki eşitliklerle hesaplanır (Zobolas, Trantilis ve Ioannou, 2009:1250, Sridhar
ve Rajendran, 1996: 375):
C(π1, 1)= t(π1, 1) (2.1)
C(πi, 1)= C(πi-1, 1) + t(πi, 1) i=2,…..,n (2.2)
C(π1, j)= C(π1, j-1) + t(π1, j) j=2,...,m (2.3)
C(πi, j)= max{C(πi-1, j), C(πi, j-1)} + t(πi, j) i=2,...,n; j=2,…,m (2.4)
![Page 48: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/48.jpg)
30
Maksimum tamamlanma zamanı (Cmax), toplam akış zamanı ( F) ve makinelerin
toplam boş bekleme zamanı ( I) aşağıdaki formüllerle ifade edilir (Yağmahan ve
Yenisey, 2008: 413):
Maksimum tamamlanma zamanı:
Cmax= C(πn, m) (2.5)
Toplam akış zamanı:
n
i
i 1
F C( ,m) (2.6)
Toplam boş makine zamanı:
1 i i-1
i=2
n= C(π , j-1)+ max C(π , j-1)I -C(π , j),0 j=2,...,m (2.7)
Modelde kullanılan varsayımlar şu şekilde sıralanmıştır:
a) Hazırlık zamanları işlem zamanına dahil edilir.
b) Başlanan bir iş o makinede bitirilir.
c) Bir makinede aynı anda birden fazla iş yapılamaz.
d) Makinelerin çizelgeleme periyodu boyunca arızalanmaz.
e) İşlerin hepsi sıfırıncı zamanda hazır durumdadır.
2.2.2.3. Fm/prmu/Cmax, ΣF, ΣI Probleminin Sınıfı
Optimizasyon problemleri, karar değişkenlerinin tamsayılı değerler alması ve reel
değerler alması durumuna göre sınıflandırılır. Değişkenler tam sayılı değerler
alıyorsa kesikli optimizasyon problemi; reel değerler alıyorsa sürekli optimizasyon
problemi olarak ifade edilir. (Engin ve Döyen, 2004: 71). Karar değişkenlerinin
kesikli değerler aldığı problemleri ifade etmek için kombinatoryal terimi kullanılır.
Bu problemlerde çözüm, tamsayıların veya bazı diğer kesikli unsurların sırası veya
setidir. Bu tip problemlerin optimum çözümünü bulma problemi kombinatoryal
optimizasyon olarak adlandırılır. Bu tür problemlere örnek olarak aşağıda sıralanan
problemler verilebilir (Rayward-Smith v.d., 1996: 2, Aydemir, 22.01.2010: 2):
![Page 49: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/49.jpg)
31
a) Enkısa yol problemleri
b) Gezgin satıcı problemleri
c) Atama problemleri
d) Çizelgeleme problemleri
e) Araç rotalama problemleri
Tüm kombinatoryal eniyileme problemleri iki sınıf altında toplanmaktadır (Aydemir,
22.01.2010: 7):
a) P (Deterministically Polynomial-Deterministik Polinomsal)
b) NP(Non-deterministically Polynomial-Deterministik Olmayan Polinomsal)
P tipi problemler için geliştirilmiş algoritmalar, bir bilgisayar üzerinde
çalıştırıldığında makul zaman dilimi içinde bir çözüm üretebilmektedir. Diğer bir
deyişle, P tipi problemler polinomsal zamanda çözülebilmektedir. NP tipi
problemlere polinomsal zamanda bir çözüm bulunamamakta, ancak üstel zamanda
etkin olarak çözülebilmektedir (Eren ve Güner, 2002: 41).
P sınıfındaki bir problemlemin en iyi çözümü elde edilebilirken, NP sınıfı
problemlerin en iyi çözümlerine makul zamanlarda ulaşılamaz.
Başka bir ifade ile, ele alınan problemin çözümüne ulaşmak için geçirilen basamak
sayısı problem boyutunun bir kuvveti ile kısıtlanıyorsa bu tür problemler P
(polynomial time) sınıfına dahil edilirler. Problem belirsiz bir çözüme imkan sağlıyor
ve çözümü kanıtlamak için ihtiyaç duyulan basamaklar sayısı problem boyutunun
üstel bir değeri olarak kısıtlanabiliyorsa bu tür problemler de NP-problem sınıfına
dahil edilirler (Weisstein, 31.07.2010: 1).
Bir problemin çözümünde kullanılan algoritma, başka bir NP problemini çözen
algoritmaya dönüştürülebiliyorsa, böyle problemlere NP-zor (NP-hard) problemler
denir. NP sınıfı problemlerde, optimum çözüme ulaşma zamanında problem
boyutuna bağlı polinomiyal olmayan artış hızları söz konusudur. Eğer P probleminin
kendisi de NP sınıfında bir problemse ve NP sınıfındaki diğer problemler polinomial
olarak P problemine dönüştürülebiliyorsa, bu durumda P problemine NP-tam (NP-
![Page 50: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/50.jpg)
32
Complete) problemler denir (Bülbül, 2011: 49-50). NP-tam hem NP olup, hem NP-
zor olan problemlerin sınıfıdır. Dolayısıyla bu sınıftaki problemler NP sınıfının en
zor problemleridir. NP-tam problemlerinin iki önemli özelliği vardır (Sen, Sulek ve
Dileepan, 2003: 9)
1. NP-tam problemlerinin hiçbiri işlem zamanı problem büyüklüğünün
polinomiyal fonksiyonu olan bir çözüm algoritmasına sahip değildir.
2. Eğer NP-tam sınıfındaki iki problemden biri için polinomiyal zamanlı çözüm
algoritması bulunabilmişse, diğer problem ve bu sınıftaki tüm problemler için
de polinomiyal zamanlı bir algoritma bulunabilir.
Akış tipi çizelgeleme problemlerinin tek veya iki makineli olması durumunda, bu
problemler kolay sınıfına girmektedir. Tezgâh ve iş sayısının büyümesi durumunda,
mümkün çizelgelerin sayısı da büyüyeceği için en iyi çizelgenin tespiti için
harcanacak zaman aşırı fazladır. Bu problemlerin çözümü için bir polinomiyal zaman
algoritması olmadığından, böyle problemler NP-zor olarak nitelendirilirler.
Bu çalışmada ele alınan, çok sayıda iş ve çok sayıda makine içeren, maksimum
tamamlanma zamanı, toplam akış zamanı ve toplam boş makine zamanının birlikte
en küçüklenmesi performans ölçütlü permütasyon akış tipi çizelgeleme problemleri
NP-zor sınıfına girmektedir.
Kombinatoryal problemlerin çoğunluğu NP sınıfına girmektedir ve bu problemler
kesin çözüme ulaşmak zordur. Bu nedenle, optimum çözüme ulaşmak yerine,
yaklaşık çözümler araştırılır. Bu problemlerin kesin çözüme ulaştırılması çok uzun
zaman alacağından yerel arama teknikleri ile yaklaşık çözümler elde edilmeye
çalışılır. Temelde NP problemlerin çözümünde kullanılan yöntemler şu şekilde
sıralanabilir:
a) Yapay sinir ağları
b) Yerel arama yöntemleri
c) Genetik algoritma
d) Tabu arama
![Page 51: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/51.jpg)
33
e) Tavlama benzetimi
f) Karınca koloni optimizasyonu
g) Yapay bağışıklık sistemi
h) Parçacık sürü optimizasyonu
2.3. Literatür Taraması
Çizelgeleme problemleriyle ilgili ilk çalışma 20. yüzyıl başlarında Henry Gantt ile
başlamıştır. Akış tipi çizelgeleme ile ilgili ilk çalışmayı ise, 1954 yılında S. M.
Johson yapmış ve iki makineli sistemlerde tamamlanma zamanının en küçüklenmesi
için bir algoritma sunmuştur (Yağmahan ve Yenisey, 2008: 412)
Johnson’un öncü çalışması sonrasında, PFSP araştırmacıların ilgisini çekmiş ve bu
problemlerin çözümü için gerek kesin metotlar gerekse sezgisel metotlar üzerinde
çok sayıda çalışmalar yapılmıştır. PFSP’nin NP-Tam sınıfında olmasından dolayı,
araştırmacıların çoğu etkin sezgisel ve metasezgisel yöntemler elde etme üzerine
odaklanmışlardır (Ruiz, Maroto ve Alcaraz, 2006: 462).
Çizelgeleme araştırmaların çoğunluğu tek kriter üzerine yapılmış olsa da son yıllarda
yapılan çalışmalarda araştırmacılar iki yada daha fazla kriter üzerine çalışmaya
başlamışlardır. Çünkü, gerçek yaşam problemleri karar vericilerin birden fazla kriteri
göz önüne almaları gerektiğini göstermektedir.
2.3.1. Kesin Yöntemler
Literatürdeki çizelgeleme problemlerinin çözümü için geliştirilmiş metotlar iki
sınıfta kategorize edilir. Bunlar: kesin yöntemler (exact algorithm) ve sezgisel
yöntemlerdir (heuristic algorithm). Kesin yöntemler problemlerin çözümü için
optimum sonuçları garanti ederken, sezgisel yöntemler optimuma yakın sonuçlar
verir.
Daha öncede belirtildiği gibi, akış tipi çizelgeleme problemleri NP sınıfından olduğu
için, kesin metotlar sadece küçük boyutlu problemlerin çözümünde kullanılır. Dal
sınır ve dinamik programlama gibi kesin yöntemler daha çok küçük boyutlu
![Page 52: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/52.jpg)
34
problemlerde etkin zamanlı çözümler sunmaktadırlar. Hesaplama zamanının üstel
olarak artması sebebiyle bu yöntemler büyük boyutlu problemlerde etkin çözümler
sağlayamamaktadır.
Ignall ve Schrage (1965), ilk olarak dal-sınır tekniğini akış tipi çizelgeleme
problemlerine uygulamaya çalışmışlardır. İki makineli bir üretim ortamında, 9 işe
kadar olan problemlere dal-sınır tekniğini uygulayarak, en küçük ortalama
tamamlanma zamanını veren iş sırasını bulmayı hedeflemişlerdir. Ayrıca, üç
makineli 10 işe kadar olan problemlerde de maksimum tamamlanma zamanının
enküçüklenmesi üzerine çalışmışlardır.
Lageweg ve arkadaşları (1978), m makineli bir akış ortamında maksimum
tamamlanma zamanını enküçükleyen permütasyon çizelgeleri bulabilmek için bir
dal-sınır algoritması önermişlerdir. Yaptıkları çalışmada, algoritmanın ulaştığı bir alt
sınır sınıflandırması yapmışlardır. Aynı zamanda algoritmalarının yeni bir sınıra
ulaştığını göstermişlerdir.
Potts (1980), PFSP’de tamamlanma zamanının enküçüklenmesi için adapte edici
dallar oluşturan bir algoritma geliştirmiş ve sayısal sonuçlar üzerinde önerilen
algoritmanın daha önceki çalışmalara göre daha iyi sonuç verdiğini göstermiştir.
Selen ve Hott (1986), maksimum tamamlanma zamanı ve ortalama akış zamanının
enküçükleme problemini karışık tamsayılı hedef programlama ile ilk defa formüle
etmişlerdir. Modelleri mn + n + m kısıttan oluşmaktadır ve örnekleri 4 iş 6 makineyi
içerir. Wilson (1989), Selen ve Hott (1986)’ın modelini daha az değişken kullanarak
karışık tamsayılı programlama ile çözmüşlerdir. Model, 2mn + n – m kısıttan
oluşmaktadır. Modeli kullanarak 7 makina 20 işe kadar çözmüşlerdir.
Rajendran (1992), iki makineli akış tipi çizelgeleme problemlerinde, toplam akış
zamanını ve maksimum tamamlanma zamanını en küçüklemek için bir dal-sınır
algoritması ve iki sezgisel algoritma önermiştir. Dal-sınır algoritmasını 10 işe kadar
olan problemler üzerinde, sezgisel algoritmaları ise 24 işe kadar olan problemler
üzerinde denemiş ve optimale yakın sonuçlar elde etmiştir.
![Page 53: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/53.jpg)
35
Nagar ve arkadaşları (1995), iki makinalı akış tipi çizelgelemede ağırlıklı toplam akış
zamanı ve ağırlıklı maksimum tamamlanma zamanını enküçükleme problemini
incelemişlerdir. Problem için dal-sınır yöntemi geliştirmişleridir. Problemi 10 ve 14
iş için çeşitli ağırlık değerleri vererek çözmüşlerdir.
Sivrikaya, Şerifoğlu ve Ulusoy (1998), iki makinalı permütasyon akış tipi
probleminde ağırlıklı maksimum tamamlanma zamanı ve ağırlıklı ortalama akış
zamanı ve minimize etmek için Rajendran (1992) ve Nagar ve arkadaşlarının (1995)
dalsınır yaklaşımını genişleterek 18 işe kadar çözmüşlerdir. Geliştirdikleri dal-sınır
yaklaşımının alt sınırlarının Ignall and Schrege (1965)’e göre daha iyi sonuç
verdiğini göstermişlerdir
Sayın ve Karabatı (1999), iki kriterli ve iki makineli akış problemlerini iteratif olarak
çözen ve küçük boyutlu problemlerde etkili sonuç veren dal-sınır yöntemi sunmuştur.
Su ve Chou (2000), toplam akış zamanı ve maksimum tamamlanma zamanını
enküçükleme problemini hazırlık ve işlem zamanları ayrılmış dinamik akış tipi
çizelgeleme problemi için karışık tamsayılı programlama modeli sunmuşlardır.
Croce ve arkadaşları (2002), iki makineli permütasyon akış tipi çizelgeleme
problemlerinde toplam akış zamanının enküçüklenmesi için, Lagrangean
gevşetmesine bağlı bir alt sınır geliştirmişler ve aynı zamanda iki yeni üstünlük
kriteri önermişlerdir.
Balasubramanian ve Grossmann (2002), bulanık işlem zamanlı akış tipi çizelgeleme
problemi için karışık tamsayılı doğrusal programlama modeli önermişlerdir.
Çalışmada, zamanları kesin olarak bilinmeyen akış tipi çizelgeleme problemlerinde
kesikli olasılık dağılım fonksiyonunu kullanmışlar ve maksimum tamamlanma
zamanını enküçüklemeyi amaçlanmışlardır.
Akkan ve Karabatı (2004), iki makineli permütasyon akış tipi çizelgeleme
problemlerinde toplam akış zamanının eniyilenmesi için bir dal-sınır algoritması
geliştirmişlerdir. Algoritmanın ana özelliği, problemin formülasyonuna bağlı olarak
![Page 54: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/54.jpg)
36
bir alt sınır şeması oluşturmaktır. Geliştirilen algoritma 60 işe kadar olan problem
örnekleri üzerinde denenmiştir.
Ladhari ve Haouari (2005), permütasyon akış tipi çizelgeleme problemleri için
geliştirilmiş mevcut algoritmaları incelemişler ve çeşitli alt sınır hesaplamaları
yapmışlardır. Carlier ve arkadaşları (1996)’nın dallandırma ve düğüm seçim
kurallarını kullanarak daha dar alt sınırlar içeren yeni bir dal-sınır algoritması
geliştirmişlerdir. Rastgele saylarla üretilmiş 8000 operasyonlu promlemlere kadar ve
Taillard’ın 2000 operasyonlu test problemlerine kadar deneme yapmışlar ve optimal
sonuçları elde etmişlerdir.
Chen (2006), tekrar girişli PFSP’de tamamlanma zamanını en küçükleyen bir dal
sınır algoritması geliştirmiştir. Rastgele sayılarla üretilmiş test problemleri ile
algoritmayı denemiş ve sonuçlar geliştirilen algoritmanın verimli olduğunu
göstermiştir.
Ng v.d. (2010), iki makineli, işlem zamanları sabit olmayan PFSP’nin, toplam akış
zamanının en küçüklenmesi amaçlı dal sınır algoritması önermişlerdir. Bu çalışmada,
bir sezgisel algoritma kullanarak birkaç baskın özellik, bir alt sınır ve bir başlangıç
üst sınırı elde etmişler, bunları dal-sınır algoritmasının eliminasyon prosesini
hızlandırmak için kullanmışlardır.
Kouki ve arkadaşları (2011), permütasyon akış tipi üretim sisteminde maksimum
tamamlanma zamanını enküçüklemek amacıyla paralel dal-sınır algoritması
geliştirmişlerdir. Aynı zamanda üst sınır değerini güncellemek için makineler
arasındaki iletişimi sağlamak için bir takım talimatlar içeren yeni parallelik stratejisi
sunmuşlardır. Algoritmalarını Taillard’ın test problemlerinde denemişler ve
Taillard’ın 043 ve 050 numaralı, henüz çözülmemiş test problemleri için çözüm elde
etmişlerdir.
2.3.2. Sezgisel Yöntemler
Akış tipi çizelgeleme problemlerinin karmaşık yapısı ve optimum çözümlere ulaşma
güçlüğü, uygun sürelerde büyük boyutlu problemler için optimuma yakın çözümler
![Page 55: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/55.jpg)
37
üreten sezgisel yöntemlerin gelişmesine neden olmuştur. Genel olarak sezgisel
yöntemler iki grupta sınıflandırılır: Çözüm kurucu sezgiseller (constructive
algorithm) ve çözüm geliştirici sezgiseller (improvement algorithm) (Ruiz ve
Maroto, 2005).
2.3.2.1. Çözüm Kurucu Sezgiseller
Çözüm kurucu Sezgisellerin özellikleri aşağıda verilmiştir (Aydemir, 22.01.2010: 1):
a) İyi bir çözüm elde etmek için tekrarlı bir şekilde araştırma yapar.
b) Çözüm kurucu yöntemler, ilk olarak küçük bir başlangıç çözümü seçer ve tam
bir çözümü yakalayana kadar adım adım ilerleyerek çözüm parçalarını kısmi
çözüme katar.
c) Kısmi çözüme hangi çözümün ekleyeceğini rastgele ya da sezgisel olarak
belirler.
d) Her aşamada sezgisel olarak bulunan ve amaç fonksiyonu doğrultusunda en
iyi sonucun olduğu çözüm parçası kısmi çözüme ilave edilir.
Permütasyon akış tipi çizelgeleme için geliştirilen ilk sezgisel algoritma Johson
algoritmasıdır. Diğer yazarlar Johson algoritmasını temel alarak yeni algoritmalar
geliştirmişlerdir. Page (1961), Dudek ve Teuton (1964) Johson yaklaşımını
kullanarak, permütasyon akış tipi problemler için m aşamalı bir kural geliştirerek
toplam boş makine süresini minimize etmeyi amaçlamışlardır.
Palmer (1965), permütasyon akış tipi m iş n makineden oluşan sistemlerde
tamamlanma zamanını enküçüklemeyi amaçlamıştır. Her işe ağırlık veya alan
indeksi atayarak, işleri ağırlık ya da indekslerine göre sıralamıştır.
Campbell, Dudek ve Smith (1970), CDS olarak bilinen ve Johnson algoritmasını
temel alan bir sezgisel algoritma geliştirmişlerdir. Bu yönteme göre, makineler iki
farklı makine grubunda toplanır ve iki makineli problemler gibi kabul edilerek, m-1
çizelge oluşturulur. Bu algoritmayı, Palmer’in algoritmasıyla karşılaştırmışlar ve
daha iyi sonuçlar elde etmişlerdir.
![Page 56: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/56.jpg)
38
Gupta (1971), Palmer’in indeks yöntemini değiştirerek, mevcut tekniklerle
çözülemeyen m makineli akış tipi çizelgeleme problemleri için pratik çözümler
üreten sezgisel algoritma geliştirmiştir.
Gupta (1972), n iş m makineli akış ortamları için üç farklı sezgisel algoritma
önermiştir. Bu üç algoritma tamamlanma zamanı ve ortalama akış zamanı kriterleri
açısından CDS ile karşılaştırılmış ve sadece ortalama akış zamanı açısından en iyi
sonucu vermiştir.
CDS algoritmasından daha iyi sonuçlar veren bir algoritma, Dannenbring tarafından
1977’de geliştirilmiştir. Dannenbring akış tipi çizelgeleme problemi 11 farklı
algoritma geliştirmiş ve tamamlanma zamanının en küçüklenmesi amacı altında daha
iyi sonuçlar elde edilebileceğini göstermiştir.
Johnson ve Palmer algoritmalarına dayanmayan algoritmalar da geliştirilmiştir.
Bunlardan ilki King ve Spachis tarafından 1980 yılında yapılmıştır. King ve Spachis,
beklemesiz PFSP için dağıtım kuralına bağlı beş farklı sezgisel algoritma
geliştirmiştir. Farklı bir yaklaşım da 1982 yılında Stinson ve Smith tarafından
sunulmuştur. Tamamlanma zamanını enküçüklemek amacıyla gezgin satıcı
probleminden yola çıkarak PFSP için altı farklı algoritma geliştirmişler ve 50 iş 50
makineye kadar olan problemlerde yöntemleri test etmişlerdir.
1983 yılında Nawaz, Enscore ve Ham, işleri makinelerde geçirdikleri sürelerin
toplamına bağlı olarak büyükten küçüğe doğru sıralayan bir algoritma önermişlerdir.
Geliştirdikleri algoritmayı mevcut sezgisellerle karşılaştırdıklarında daha iyi sonuçlar
elde etmişlerdir.
1988 yılında Hundol ve Rajgopal, Palmer’in sezgiselinden yola çıkarak CDS
algoritmasının hızını örnek alan yeni bir algoritma geliştirmişlerdir. Geliştirilen
algoritmanın hesaplama süresi oldukça küçük olmasına rağmen, CDS algoritması ile
karşılaştırıldığında daha iyi sonuçlar elde etmişlerdir. Denemelerini 150 iş 20
makineye kadar olan örneklerde gerçekleştrimişlerdir.
![Page 57: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/57.jpg)
39
Rajendran ve Chaudhuri 1991 yılında, toplam akış zamanının en küçüklenmesi
amacıyla akış tipi üretim çizelgeleme problemini üç farklı sezgisel ile çözerek, etkin
hesaplama zamanlarında optimale yakın sonuçlar elde edilebileceğini
göstermişlerdir.
Sarin ve Lefoka (1993), PFSP’de, işlerin toplam tamamlanma zamanını
enküçüklemeyi hedef alan bir algoritma geliştirmişlerdir. Önerilen algortitma son
makinedeki boş zamanı enküçüklemeye dayanmaktadır ve büyük boyutlu
problemlerde iyi performans gösterdiği belirlenmiştir.
Rajendran (1995), PFSP’de toplam akış zamanı, tamamlanma zamanı ve toplam
makine boş zamanını enküçüklemeyi hedefleyen bir algoritma önermiş ve
algoritmanın Ho ve Chang’ın önerdiği algoritmadan daha iyi sonuç verdiğini 50 iş 30
makineye kadar olan problemler üzerinde deneysel olarak göstermiştir.
Pour (2001), maksimum akış zamanını enküçükleyen bir algoritma önermiştir. Farklı
büyüklüklerdeki 2000 problem üzerinde yaptığı çalışmada, elde ettiği sonuçları üç
farklı sezgisel yöntemle karşılaştırmış ve büyük boyutlu problemlerde önerdiği
algoritmanın üstünlüğünü kanıtlamıştır.
Laha ve Chakraborty (2011), PFSP’de işlerin toplam tamamlanma zamanını
enküçüklemek amacıyla çözüm kurucu bir sezgisel algoritma önermişlerdir.
Algoritma popülasyon temelli algoritmalara dayanmakla birlikte, NEH
algoritmasındaki eklenti kuralı kullanılarak geliştirilmiştir. Geliştirilen algoritma
Framinan–Leisten ve Woo–Yim tarafından geliştirilen sezgisel algoritmalarla
karşılaştırılmıştır. Küçük ve büyük boyutlu problemlerde Woo–Yim’in sezgiselinden
daha iyi sonuç vermiştir. Küçük boyutlu problemlerde Framinan–Leisten
sezgiselinden daha iyi, büyük boyutlu problemlerde daha kötü sonuç vermiştir
2.3.2.2. Çözüm Geliştirici Sezgiseller
Çözüm geliştirici sezgisel algoritmalar, eklenen bir takım yeni prosedürlerle mevcut
sezgisellerden elde edilen çözümleri iyileştirmeye çalışırlar. Bunlardan ilki,
Dannenbring tarafından 1977 yılında sunulmuştur. Dannenbring, iki tane geliştirici
![Page 58: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/58.jpg)
40
sezgisel algoritma önermiştir. Birincisi, dar arama ile hızlı ulaşım ve ikincisi de,
geniş arama ile hızlı ulaşım tekniğidir. Dar arama ile hızlı ulaşım yönteminde, tüm
komşu iş çiftlerinin sıraları değiştirilerek yeni sıralar elde edilmiş ve bunlar arasından
en iyi sonucu veren çizelge seçilmiştir. Dar arama ile hızlı ulaşım yönteminde, geniş
arama ile hızlı ulaşım yönteminin aşamaları tekrarlanarak daha iyi sonuçlar elde
edilmeye çalışılmıştır (Dannebring, 1997:1176).
Ho ve Chang (1991), PFSP’de, ardışık işlemler arasındaki bekleme zamanlarını
enküçükleyen yeni bir sezgisel önermişlerdir. Tamamlanma zamanı, ortalama akış
zamanı ve ortalama makine boş zamanı hedefleri açısından önerilen sezgiselin, diğer
sezgisellere göre oldukça iyi sonuçlar verdiğini belirmişlerdir.
Woo ve Yim (1998), permütasyon akış tipi ortamlarda ortalama akış zamanı ve
tamamlanma zamanını enküçüklemek amacıyla iş ekleme metoduna dayanan bir
sezgisel geliştirmişlerdir. Sezgiselin etkinliğini değerlendirmek amacıyla simulasyon
çalışması gerçekleştirmişlerdir. Simülasyon çalışması, geliştirilen sezgisel yöntemin
mevcut diğer sezgizel yöntemlere göre daha etkin sonuçlar ürettiğini göstermiştir.
Suliman (2000), iki aşamalı çözüm geliştirici bir yöntem önermiştir. Yönteme göre,
ilk aşamada CDS yöntemiyle bir çizelge elde edilir; ikinci aşamada ise tamamlanma
zamanını enküçüklemek amacıyla, birinci aşamada elde edilen çizelge iş değişim
mekanizmasıyla geliştirilir. Bu yöntem NEH yöntemiyle benzer sonuçları
vermektedir.
Framinan, Leistein ve Rajendran (2003), NEH yöntemini toplam akış zamanı,
tamamlanma zamanı ve toplam makine boş zamanını enküçükleyecek şekilde
geliştirmişler ve 177 farklı başlangıç sırası oluşturarak bunların performanslarını
değerlendirmişlerdir. Bu yeni sezgiselin literatürdeki diğer sezgisel yöntemlere göre
daha üstün olduğunu sayısal sonuçlarla göstermişlerdir.
Ravindran v.d. (2005), HAMC olarak adlandırdıkları algoritma ile toplam akış
zamanı ve maksimum tamamlanma zamanı hedefli permütasyon akış tipi çizelgeleme
problemini çözmüşlerdir. Elde ettikleri sonuçları Rajendran ve Chaudhuri’nin
çözümüyle karşılaştırmışlar ve daha iyi sonuçlar elde etmişlerdir.
![Page 59: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/59.jpg)
41
Chakraborty ve Laha (2007), PFSP için yeni bir algoritma geliştirmişler. Geliştirilen
algoritmanın temeli NEH yöntemine dayanmaktadır. Algortima, rastgele sayılardan
oluşturulan problemler üzerinde test edilmiş ve NEH ve Koulumas (1998) tarafından
geliştirilen HFC yöntemlerinden oldukça iyi sonuçlar vermiştir.
Dong, Huang ve Chen (2008), PFSP için NEH yöntemini temel alan ve NEH-D
olarak adlandırdıkları bir algoritma geliştirmişlerdir. Yönteme göre, başlangıç sırası
işlerin ortalama işlem zamanları ve standart sapmaları birleştirilerek oluşturulur.
Önerilen strateji tüm makineler için kullanım oranını dengelemeye yardımcı olur.
500 iş ve 20 makineye kadar olan örnekler üzerinde NEH ve NEH-D yöntemi
karşılaştırılmış ve NEH-D yöntemi daha üstün sonuçlar vermiştir.
Kalczynski ve Kamburowski (2008), PFSP için, Johnson algoritmasına bağlı, basit
bir bağ kırma kuralı ile birleştirilmiş yeni bir öncelik sırası içeren ve maksimum
tamamlanma zamanını enküçüklemeyi amaçlayan bir yöntem önermişlerdir. NEH
yöntemiyle karşılaştırıldığında farklı büyüklükteki problemlerin hepsinde kendi
algoritmalarının daha iyi olduğunu göstermişlerdir.
Rad v.d. (2009), NEH yöntemine bir yerel arama yöntemi ekleyerek PFSP için
tamamlanma zamanını enküçüklemeyi amaçlamışlardır. Bu geliştirici çözüm
yöntemi yerel arama tekniğini kullanarak üretilen yeni çizelgelerin kalitesini
geliştirmeye çalışır.
Laha ve Sarin (2009), Framinan ve Leisten tarafından geliştirilen algoritmada
değişiklikler yaparak, PFSP için toplam akış zamanını enküçüklemeyi
amaçlamışlardır. Bu değişiklik daha önceki algoritmanın performansını artırarak,
büyük ve küçük boyutlu problemlerde iyi sonuçlar elde etmeyi sağlamıştır
Ribas ve arkadaşları (2010), PFSP için üç aşamadan oluşan bir sezgisel yöntem
önermişlerdir. Amaç fonksiyonu maksimum tamamlanma zamanının
enküçüklenmesini içerir. Önerilen yöntemin ilk iki aşaması NEH sezgiselinden
esinlenerek oluşturulmuştur. Son aşaması ise, iteratif bir yerel arama prosedürünü
içerir. Geliştirilen algoritma Taillard'ın test problemleri üzerinde denenmiş ve
![Page 60: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/60.jpg)
42
sonuçlar istatistik analize tabi tutulmuştur. Analiz sonuçları önerilen algoritmanın
etkin olduğunu göstermiştir.
Baker ve Altheimer (2012), işlem zamanları olasılıklı dağılımla belirlenen akış tipi
çizelgeleme problemleri için sezgisel algoritmalar geliştirmişlerdir. Maksimum
tamamlanma zamanının enküçüklemek için geliştirilmiş üç ayrı sezgisel yöntemden
iki tanesi CDS ve Johnson yöntemlerine dayanmaktadır. Üçüncü sezgisel ise NEH
yönteminden esinlemiştir. Test problemleri üzerinde yapılan çalışmaların sonucuna
göre, sezgisel yöntemler optimal sonuçlara yakın değerler bulmuştur.
Permütasyon akış tipi çizelgeleme problemleri ile ilgili geliştirilen çözüm kurucu ve
çözüm geliştirici sezgiseller kronolojik sıraya göre Tablo 2-4'de verilmiştir.
![Page 61: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/61.jpg)
43
Tablo 2-4: Permütasyon Akış Tipi Problemler için Kurucu ve Geliştirici Sezgiseller
Yıl Yazar Tip Yorum
1954 Johson Kurucu İki makineli durum
1961 Page Kurucu Sınıflandırma
1964 Dudek ve Tueton Kurucu Johson kuralı
1965 Palmer Kurucu Alan indeksi
1970 Campbell v.d. Kurucu Johson kuralı
1971 Gupta Kurucu Alan indeksi
1972 Gupta Kurucu Üç yeni sezgisel
1977
1977
Dannenbring Kurucu/Geliştirici Üç yeni sezgisel
1980 King ve Spachis Kurucu Beş dağıtım kuralı
1982 Stinson ve Smith Kurucu TSP’ye bağlı altı
sezgisel
1983 Nawaz v.d. Kurucu İş önceliği
1988 Hundal ve Rajgopal Kurucu Palmer sezgiseli
1991 Ho ve Chang Geliştirici Yeni bir sezgisel
1991 Rajendran ve Chaudhuri Kurucu Üç yeni sezgisel
1993 Sarin ve Lefoka Kurucu Boş makine
enküçüklemesi
1995 Rajendran Kurucu Tüm kriterlerin toplamı
1998 Koulamas Geliştirici Johson kuralına ve iş
değişimi
1998 Woo ve Yim Geliştirici İş ekleme yöntemi
2000 Suliman Geliştirici İş çiftlerinin değişimi
![Page 62: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/62.jpg)
44
Tablo 2-4: Permütasyon Akış Tipi Problemler için Kurucu ve Geliştirici Sezgiseller
(Devam)
2001 Pour Kurucu İş değiştirme
2003 Framinan v.d. Geliştirici NEH yöntemi
2005 Ravindran v.d. Geliştirici İş çiftlerinin değişimi
2007 Chakraborty ve Laha Geliştirici NEH yöntemi
2008 Dong, Huang ve Chen Geliştirici NEH yöntemi
2008 Kalczynski ve
Kamburowski
Geliştirici Johson kuralı
2009 Laha ve Sarin Geliştirici Framinan ve Leisten
sezgiseli
2009 Rad v.d. Geliştirici NEH yöntemi
2010 Ribas v.d. Geliştirici NEH yöntemi
2011 Laha ve Chakraborty Kurucu NEH yöntemi
2012 Baker ve Altheimer Geliştirici NEH-CDS
![Page 63: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/63.jpg)
45
2.3.3. Metasezgisel Yöntemler
Kombinatoryal optimizasyon problemlerinin çözümü için sezgisel algoritmaların
dışında, son yıllarda popülerlik kazanmış birtakım yöntemler bulunmaktadır. Bu
yöntemler sezgisel yöntemlerden farklı olarak daha geniş bir çözüm uzayını tarayan
ve o yöntemlere öncülük edecek nitelikte olan yöntemlerdir. Metasezgiseller olarak
adlandırılan bu yöntemler yapay zeka algoritmaları olarak da isimlendirilmektedir.
Metasezgisel, arama uzayında araştırma ve işletme için farklı kavramları zeki bir
şekilde birleştirerek alt seviye sezgisellere rehberlik eden iteratif üretim sürecidir
(Osman ve Laporte, 1996: 515).
Metasezgisel yöntemlerin özellikleri aşağıda verilmiştir (Aydemir, 2010: 2):
a) Metasezgiseller, çözüm uzayındaki arama çalışmalarında yol göstericidirler.
b) Metasezgisel yönetmelerin kullanım amacı, çözüm uzayındaki en iyi ya da en
iyiye yakın çözümlere ulaşmayı hızlandırmaktır.
c) Metasezgisel yöntemler, çok basit yerel arama algoritmalarını içerdiği gibi,
en karmaşık öğrenme algoritmalarını da kapsamaktadır.
d) Metasezgiseller, kesin değil yaklaşık çözümler verirler.
Gerek makine çizelgeleme, gerekse akış tipi çizelgeleme problemlerin çözümü için
çok sayıda metasezgisel yöntem önerilmiştir. Bunlardan en çok kullanılan yöntemler
genetik algoritma, tavlama benzetimi, tabu arama, karınca koloni algoritması ve
parçacık sürü optimizasyonudur (He ve Hui, 2007: 15).
Tavlama benzetimi (SA) lokal arama tabanlı bir yöntemdir. Osman ve Potts (1989),
PFSP’nin çözümü için rassal komşu arama ve en yakın komşu değişim kurallarını
kullanarak, basit bir tavlama benzetimi algoritması önermişlerdir. Amaç fonksiyonu
maksimum tamamlanma zamanının enküçüklenmesidir. 20 makine ve 100 işe kadar
olan problemlerde SA algortimasının diğer sezgisel algoritmalrla karşılaştırılabilecek
seviyede iyi sonuçlar verdiğini göstermişlerdir.
![Page 64: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/64.jpg)
46
Zegordi ve arkadaşları (1995), kombinatoryal optimizasyon ve istatistiksel
mekanizma arasında benzetme yaratarak, SA’nın akış tipi çizelgelemedeki
uygulamasına yeni bir yaklaşım getirmişlerdir. Bu yaklaşım probleme özgü bir
indeks bilgisi içermektedir. Önerdikleri bu modeli test etmek için akış tipi
çizelgeleme problemleri için geliştirilmiş diğer SA sezgiselleri ile karşılaştırmışlar ve
üstün sonuçlar elde etmişlerdir.
Ishibuchi, Misaki ve Tanaka (1995), m makine ve n işli sıralama problemleri için
değiştirilmiş üretim mekanizması içeren iki farklı SA algoritması önermişler ve
modellerini rastgele sayılarla ürettikleri problemler üzerinde denemişlerdir. Önerilen
algoritmaların, soğutma çizelgesinin seçiminde standart SA algoritmasına göre daha
az duyarlı olduğunu saptanmıştır.
Wodecki ve Bozejko (2002), paralel çevrelerde arama yapan bir SA yöntemi
geliştirmiş ve bunu NEH ile karşılaştırarak kendi yönteminin daha iyi sonuçlar
verdiğini kanıtlamıştır.
Tabu arama (TS), kombinatoryal optimizasyon problemlerini çözmek için
geliştirilmiş metasezgisel bir metottur ve başka yöntemlerle birlikte kullanılarak, bu
yöntemleri yerel takılmalara düşmekten kurtaran uyarlanabilir bir yaklaşımdır.
Widmer ve Hertz (1989), PFSP için SPIRIT olarak adlandırdıkları bir metot
geliştirmişlerdir. İki aşamalı olarak önerilen metodun ilk aşamasında bir başlangıç
çözümü elde etmek için ekleme metodu kullanılmış ve ikinci aşamada ise, TS
algoritmasıyla mevcut çözüm geliştirilmiştir.
Taillard (1990), Widmer ve Hertz ‘in algoritmasına benzer bir algoritma önermiştir.
Geliştirilmiş NEH algoritmasını kullanarak, PFSP için bir başlangıç çözümü elde
etmişler ve bu çözümü TS yönteminde kullanmıştır.
Moccelin’in (1995) yılında geliştirdiği TS algoritması, SPIRIT yöntemine dayanan
bir algoritmadır. Fark, problemin başlangıç çözümünün ve işler arasındaki uzaklığın
hesaplanmasındadır.
![Page 65: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/65.jpg)
47
Ben-Daya ve Al-Fawzan (1998), yoğunlaşma ve çeşitlendirme gibi ekstra özellikler
taşıyan TS algoritması önermişlerdir. Bu algoritmanın Ogbu ve Smith algoritmasına
göre biraz daha iyi sonuç verdiğini göstermişlerdir.
Grabowski ve Wodecki (2004), PFSP’de maksimum tamamlanma zamanını en
küçükleyebilmek için TS yöntemine yeni kurallar ekleyerek, bu yöntemi
hızlandırmışlardır. Literatürdeki diğer yöntemlerle karşılaştırdıklarında, kendi
algoritmalarının amaca daha kısa sürede ulaştığını büyük boyutlu problemler
üzerinde göstermişlerdir.
Ekşioğlu, Ekşioğlu ve Jain (2008), permütasyon akış tipi ortamlarda maksimum
tamamlanma zamanının enküçüklenmesini hedeflemişler ve bunun için diğer TS
prosedürlerinden farklı olarak, komşu çözümler üretmek için üç farklı değişim
mekanizmasının kombinasyonunu kullanmışlardır. Bu algoritmanın performansını
test etmek için Taillard’ın kıyaslama problemlerini kullanmışlar ve sonuçları karınca
koloni algoritması ile karşılaştırmışlardır. Sayısal sonuçlar ile önerdikleri
algoritmanın daha etkin çalıştığını göstermişlerdir.
Chen, Vempati ve Aljaber (1995), tamamlanma zamanı kriterli akış tipi çizelgeleme
problemleri için sezgisel tabanlı genetik algoritma (GA) kullanmıştır. Başlangıç
popülasyonu CDS ve RA yöntemiyle elde etmişler ve kısmı eşlenmiş çaprazlama
(PMX) yöntemini kullanmışlardır. Bulunan sonuçlar mevcut sezgisel yöntemler
(NEH, CDS) ile karşılaştırılarak GA’nın iyi performans verdiği belirlenmiştir.
Reeves (1995), PFSP için yeni bir GA geliştirmiştir. Farklı olarak tek nokta
çaprazlamasını ve adaptif mutasyon oranını kullanmıştır. Aynı zamanda başlangıç
çözümünü ise NEH algortimasını kullanarak elde etmiştir.
Murata, Ishibuchi ve Tanaka (1996), PFSP’de iyi sonuçlar elde edebilmek için iki
noktalı çaprazlama operatörü ve elitist strateji boyunca bir değişim mutasyonu
kullanmışlardır. Bu algoritma SA ve TS algoritmalarından daha kötü sonuçlar verdiği
için GA ve TS’dan oluşan bir hibrit algoritma geliştirmişlerdir. Sonuç olarak, hibrit
genetik algoritmaların hibrit olmayan genetik algoritmalara göre daha kötü çözümler
ürettiğini göstermişlerdir.
![Page 66: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/66.jpg)
48
Wang ve Zheng (2003), başlangıç çözümü NEH ile elde edilmiş ve mutasyon
operatörü SA algoritmasıyla yer değiştirmiş bir kompleks hibrit algoritma önermiştir.
Iyer ve Saxena (2004), PFSP için tamamlanma zamanına bağlı olan kriterlerin
enküçüklenmesi için yerel bilgi kullanarak standart GA’yı tekrar tasarlamışlardır.
İstatistiksel çalışma yaparak yeni dizayn edilmiş algoritmanın standart GA’ya göre
daha iyi sonuç verdiğini göstermişlerdir.
Tseng ve Lin (2010), PFSP’de toplam akış zamanını enküçüklemek için bir genetik
yerel arama algoritması geliştirmişlerdir. Önerilen algoritma, genetik ve tabu arama
algoritmasının melezlenmesi ile oluşturulmuştur. Önerilen algoritma global arama
yaparken genetik, yerel arama yaparken tabu arama algoritmasını kullanmaktadır.
Taillard'ın test problemleri ile yapılan denemeler sonucunda, önerilen algoritma
literatürde belirtilmiş en iyi 20 çözümün 18 tanesini geliştirmiştir.
Xu, Xu ve Gu (2011), PFSP’de toplam akış zamanını enküçüklemek amacıyla, üç
aşamadan oluşan bir eşzamanlı olmayan genetik algoritma önermişlerdir. Önerilen
algoritmanın performansını test etmek için kullanılan Taillard'ın 120 test problemi
kullanılmıştır. Algoritma, literatürde belirtilmiş 118 en iyi çözümü yakalamış ve
bunların 83 tanesi için daha iyi çözüm bulmuştur.
Zhang, Li ve Wang (2009), PFSP için toplam akış zamanını enküçükleyen bir hibrit
GA önermiştir. Kromozomlardan faydalı bilgiyi toplamak için ağırlıklı basit gen
madenciliği yapısı kullanmışlardır.. Aynı zamanda, sadece yerel iyi genleri değil,
global iyi genleri de transfer eden yeni bir çaprazlama operatörü önerilmiştir. Hibrit
GA, etkin sezgisel yöntemlerle kıyaslanmış ve büyük boyutlu problemlerde daha iyi
sonuçlar verdiği ispatlanmıştır.
Taşgetiren v.d. (2007), PFSP' de maksimum tamalanma zamanı ve toplam
akışzamanını enküçüklemeyi amaçlamışlar ve bunun için en küçük pozisyon değeri
kuralını ve değişken komşuluk arama metodunu içeren PSO modeli geliştirmişler ve
bunu Taillard’ın kıyaslama problemlerini kullanarak GA, TS ve karınca koloni
algoritmaları ile kıyaslamışlar ve problemlerin çoğunda, değişken komşuluk arama
içeren PSO algoritmasının üstün olduğunu göstermişlerdir.
![Page 67: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/67.jpg)
49
Lian, Gu ve Jiao (2008), PFSP’de maksimum tamamlanma zamanı amaçlı yeni bir
PSO algoritması önermişlerdir ve NPSO olarak adlandırmışlardır. Algoritmayı
Taillard’ın kıyaslama problemlerinden yedi tanesini kullanarak standart GA ile
kıyaslamışlar ve daha etkin çalıştığını test etmişlerdir.
Tseng ve Lin (2009), PFSP için maksimum tamamlanma zamanı ve toplam akış
zamanını enküçükleyen iki yerel arama metodunun kombinasyonunu içeren bir hibrit
genetik lokal arama algoritması geliştirmişlerdir. Algoritmanın performansı PSO ve
karınca koloni algoritmaları ile karşılaştırılmış ve elde edilen sonuçlara göre, hibrit
genetik lokal arama metodunun daha iyi olduğu görülmüştür.
Zhang, Ning ve Ouyang (2010), iki aşamalı hibrit PSO modeli önermişlerdir.
Genetik operatörleri ve benzetim stratejilerini PSO ile kombine ederek PFSP’de
maksimum tamamlanma zamanını enküçüklemeyi amaçlamışlardır. Yöntem, büyük
boyutlu akış tipi çizelgeleme problemlerinin çözümünde etkin olarak çalışmaktadır.
Son yıllarda, literatürde eniyileme problemlerini çözmek için karınca koloni
algoritmalarının (ACA) kullanılması yönünde çalışmalar yapılmaktadır. Akış tipi
çizelgeleme problemlerini çözmek için de az sayıda da olsa ACA önerilmiştir. Bu
konudaki ilk çalışma Stützle (1998) tarafından yapılmıştır. Çözüm algoritması olarak
yerel aramanın yapıldığı max-min karınca sistemi (Max-Min Ant System-MMAS)
kullanılmıştır. Yapılan çalışma, önerilen yaklaşımın mevcut sezgisellerden daha iyi
olduğunu göstermiştir
T'kindt v.d. (2002), iki makineli permütasyon akış tipi çizelgeleme problemlerinde
maksimum tamamlanma zamanı ve toplam tamamlanma zamanını enküçüklemek
için bir ACA önermişlerdir. Algoritma SA ve yerel arama algoritmalarının özellikleri
kullanılmıştır. Çalışma var olan sezgisellerle karşılaştırılmış ve daha etkin olduğu
kanıtlanmıştır.
Ying ve Liao (2004), ilk olarak karınca koloni sistemini (ACS) maksimum
tamamlanma zamanı kriterli PFSP problemlerine uygulamışlardır. İşler arasındaki
uzaklıkların hesaplanmasında Palmer sezgiselinden faydalanmışlardır. Algoritmanın
doğrulama testini ise Taillar’ın kıyaslama problemleriyle yapmışlardır. Algoritma
![Page 68: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/68.jpg)
50
SA, GA gibi diğer metasezgisellerle karşılaştırılmış ve maksimum tamamlanma
zamanı kriterli PFSP’nin çözümünde daha iyi sonuçlar verdiği ifade edilmiştir.
PFSP’nin ACA ile çözümü üzerine diğer bir çalışma Rajendran ve Ziegler (2005)
tarafından gerçekleştirilmiştir. Bu problemi çözmek için iki ACA önerilmiştir. İlk
algoritma (M-MMAS), Stützle (1998) tarafından önerilen max-min karınca
algoritması ile Merkle ve Middendorf (2000) tarafından geliştirilen toplama kuralı ve
önerilen yeni iş-indeksine dayanan bir yerel arama tekniği (job-index-based local
search procedure) birleştirilerek elde edilmiştir. İkinci algoritma önerilen karınca
koloni algoritması (PACO) ise, geliştirilmiş bu yeni yerel arama tekniğine
dayanmaktadır. Önerilen algoritmalar, toplam akış zamanı minimizasyonuna göre
test problemleri üzerinde denenmiş ve her iki algoritmanın, MMAS algoritmasına
göre daha iyi performansa sahip olduğu görülmüştür.
Yağmahan ve Yenisey (2006), PFSP için ACA’nın en iyi parametreleri üzerine bir
çalışma gerçekleştirmişlerdir. Taillar’ın kıyaslama problemlerini kullanılarak 3350
deneme yapılmış ve deneme sonucunda, problemin karınca algoritmasıyla
çözümünde en iyi parametre değerlerinin kullanılmasının çözüm kalitesini önemli
ölçüde etkilediği görülmüştür.
Yağmahan ve Yenisey (2008), PFSP için maksimum tamamlanma zamanı, toplam
akış zamanı ve toplam boş makine zamanını kriterlerini enküçükleyen çok amaçlı
ACA geliştirmişlerdir. Geliştirilen algoritma Ho ve Chang ve NEH algoritmalarıyla
kıyaslanmış ve sonuç olarak önerilen algoritmanın çok ya da tek amaçlı PFSP için
daha iyi sonuçlar verdiği gösterilmiştir.
Yağmahan ve Yenisey (2010), maksimum tamamlanma zamanı ve toplam akış
zamanı kriterlerini PFSP’ de enküçükleyebilmek için yeni bir ACA geliştirmişlerdir.
Çok amaçlı karınca koloni algoritması (MOACSA) adını verdikleri yöntemde, ACA
ve bir yerel arama stratejisini birleştirmişlerdir. Taillard’ın kıyaslama problemleri
üzerinde MOACSA, GA ve çeşitli sezgiselleri kıyaslamışlar ve MOACSA’ nın daha
etkin çözümler bulduğunu göstermişlerdir.
![Page 69: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/69.jpg)
51
Taşgetiren ve arkadaşları (2011), permütasyon akış tipi çizelgeleme problemlerinde
toplam akış zamanı için eniyi çözümü elde edebilmek amacıyla kesikli arı koloni
algoritmasını önermişlerdir. En küçük toplam akışı veren permütasyonu bulabilmek
için arı koloni algoritması açgözlü algoritma ile melezlenmiştir. Çalışmanın
performansı Taillard'ın 90 kıyaslama problemi üzerinde test edilmiştir. Önerilen
algoritma, 90 problemden 44 tanesini geliştirmiştir.
Permütasyon akış tipi çizelgeleme problemleri için geliştirilmiş metasezgisel
yöntemler kronolojik sırayla Tablo 2-5 ' de verilmiştir.
![Page 70: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/70.jpg)
52
Tablo 2-5: Permütasyon Akış tipi Çizelgeleme Problemleri İçin Metasezgiseller
Yıl Yazar Yöntem Yorum
1989 Osman ve Potts SA Rassal komşu arama
1989 Widmer ve Hertz TS SPIRIT
1990 Taillard TS NEH
1995 Reeves GA Adaptif mutasyon
oranı
1995 Chen, Vempati ve
Aljaber
GA CDS ,RA ve PMX
1995 Zegordi SA Sıraların kombinasyonu
1995 Ishibuchi, Misaki ve
Tanaka
SA İki farklı SA
1995
1977
Moccelin TS SPIRIT
1996 Murata, Ishibuchi ve
Tanaka
Hibrit GA+Yerel arama/SA
1996 Nowicki ve Smutnicki TS İş bloklama ile
azaltılmış komşuluk
1998 Stützle ACA Standart
1998 Ben-Dayave AlFawzan TS Çeşitlilik ve
yoğunlaşma
2002 Wodecki ve Bozejko SA Paralel SA
2002 T’Kindt ACA AS ve yerel arama
2003 Wang ve Zheng Hibrit GA + SA
2004 Ying ve Liao ACS Palmer
2004 Iyer ve Saxena GA Yerel arama
![Page 71: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/71.jpg)
53
Tablo 2-4 Permütasyon Akış tipi Çizelgeleme Problemleri için Metasezgiseller
(Devam)
2004 Grabowski ve
Wodecki
TS Yeni özellikler
2005 Rajendran ve Ziegler ACA M-MMAS, PACO
2006 Yağmahan ve Yenisey ACA Parametre seçimi
2007 Taşgetiren v.d. PSO En küçük pozisyon
değeri kuralını ve
değişken komşuluk
arama 2008 Ekşioğlu, Ekşioğlu ve
Jain
TS Üç farklı değişim
metodu
2008 Lian, Gu ve Jiao PSO NPSO
2008 Yağmahan ve Yenisey ACA İşler arası uzaklıklar
için SPIRIT
2009 Zhang, Li ve Wang Hibrit GA+ yerel arama
2009 Tseng ve Lin Hibrit GA + yerel arama
2010 Zhang, Ning ve
Ouyang
PSO Genetik operatörler ve
benzetim özellikleri
2010 Tseng ve Lin Hibrit GA+ TS
2011 Xu, Xu ve Gu GA Üç aşamalı eş zamanlı
olmayan GA
2011 Taşgetiren v.d. Hibrit Yapay arı kolonisi
algoritması ve Aç
gözlü algoritma
Aç gözlü algoritma
![Page 72: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/72.jpg)
54
BÖLÜM 3: PERMÜTASYON AKIŞ TİPİ ÇİZELGELEME
PROBLEMLERİNDE KULLANILANOPTİMİZASYON YÖNTEMLERİ
Çizelgeleme, iyi bilinen zor kombinatoriyal optimizasyon problemlerinden biridir.
Son yıllarda bu problemlerin çözümü için birçok araştırma yapılmış ve çeşitli
yöntemler geliştirilmiştir. Bu tip problemler, NP problemler kapsamında olduğundan,
bilgisayar hızlarının artması ile daha etkin çizelgeleme yöntemleri geliştirilmeye
çalışılmıştır.
Uygulamada küçük boyutlu, örneğin 5 işten oluşan problemlerin çözümleri hızlı bir
şekilde mümkün olabilirken, büyük boyutlu (20x50) işten oluşan bir problemin
çözümü oldukça zor ve zaman alıcı olacaktır. Bu durumda büyük hacimli problemler
ancak işlem kapasitesinin artırılmasıyla ya da çözüm sürecinin basitleştirilmesiyle
mümkün olacaktır. İşlem kapasitesi mevcut kullanılabilir teknolojiye bağlı olarak
gelişmekte fakat yine de yetersiz kalmaktadır. Çözüm algoritmalarının
basitleştirilmesi, beraberinde optimal çözümlerden vazgeçerek, optimuma yakın
çözümlere katlanmayı gerektirecektir. Dolayısıyla sezgisel ve meta-sezgisel
algoritmalar önem kazanmakta ve işlem zamanından tasarruf ederek optimale yakın
çözümler üreten algoritmalarla karar almada etkinlik sağlanabilmektedir.
Bu bölümde, akış tipi çizelgeleme problemlerinde kullanılmış sezgisel ve meta-
sezgisel yöntemlerin çalışma prensipleri hakkında bilgi verilmiştir.
3.1. Sezgisel Yöntemler
Sezgisel algoritmalardan permütasyon akış tipi çizelgeleme problemlerinin
çözümünde en sık rastlanan ve metasezgisel algoritmaların başlangıç çözümlerini
oluşturmak için ya da sezgisel bilgi oluşturmada kullanılan çözüm kurucu
algoritmalar Palmer algoritması, Gupta algoritması, CDS algoritması ve NEH
algoritmasıdır.
![Page 73: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/73.jpg)
55
3.1.1. Palmer Algoritması
Palmer 1965 yılında, işlerin çizelge içinde hangi sırada olması gerektiği konusunda
bir ölçü veren eğim indeksi kavramını geliştirmiştir. Her işe ait eğim indeksi
tanımlanır ve işlem süreleri ilk makinelerde kısa olanlar öne; uzun olanlar ise sona
gelecek şekilde eğim dizisi tamamlanır. m makine sayısını, j makineleri, i işleri ve tij
işlerin makinelerdeki işlem sürelerini göstermek üzere, Palmer algoritmasının
adımları aşağıda verilmiştir (Hong, Huang ve Horng, 2006: 99).
Adım1: Her işe ait eğim indeksi (SIi) hesaplanır.
SIi = m
ijj=1
m- 2j-1 t / 2 (3.1)
Adım 2: İşler eğim indekslerine göre büyükten küçüğe doğru sıralanır. Eşit indekse
sahip işler için rastgele sıralama yapılır.
SI1 ≥ SI2 ≥…….≥ SIn (3.2)
Adım 3: İşler Adım 2’de belirlenen sıraya göre makinelerde çizelgelenir ve
tamamlanma zamanı hesaplanır.
3.1.2. Gupta algoritması
Gupta 1971 yılında, ikiden fazla makinenin bulunduğu durumlarda çizelgeleme
problemlerinin çözümü için, Palmer’e benzer bir eğim dizisi oluşturmuştur, dizideki
değerlerin hesap yöntemi ile Palmer’dan ayrılır. m makine sayısını, j makineleri, i
işleri ve tij işlerin makinelerdeki işlem sürelerini göstermek üzere Gupta
algoritmasının adımları aşağıda verilmiştir (Hejazi ve Saghafian, 2005: 2907).
Adım1 : Her işe ait eğim indeksi (SIi) hesaplanır.
SIi= ij i(j+1)1 j m-1i
e / min t + t (3.3)
![Page 74: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/74.jpg)
56
i1 im
i1 im
1 eğer t < te =i -1 eğer t ³t
(3.4)
Adım 2: İşler eğim indekslerine göre büyükten küçüğe doğru sıralanır. Eşit indekse
sahip işler için rastgele sıralama yapılır.
SI1 ≥ SI2 ≥…….≥ SIn (3.5)
Adım 3: İşler adım 2’de belirlenen sıraya göre makinelerde çizelgelenir ve
tamamlanma zamanı hesaplanır.
3.1.3. CDS Algoritması
Campbell, Dudek ve Smith (1970) yılında, ikiden fazla makine içeren akış tipi
ortamlar için maksimum tamamlanma zamanını enküçüklemeyi amaçlayan bir
algoritma önermişlerdir (Hong, Wang ve Wang, 2001: 240). CDS algoritmasının iki
ana prensibi vardır.
a) Sezgisel yol olarak Johnson algoritmasını temel alır.
b) Birçok çizelge üretir ve bunlardan en iyi sonuç veren seçilir.
CDS algoritması, m-1 adet yapay iki makineli durumlar yaratır ve bunları Johnson
algoritmasını kullanarak çözer. Yapay makineleri, makinelerin işlem zamanlarını
toplayarak yaratır. Elde edilen m-1 çözüm arasından tamamlanma zamanı en küçük
olan çizelge seçilir (Hejazi ve Saghafian, 2005: 2907).
3.1.4. NEH Algoritması
NEH algoritması 1983 yılında, Nawaz, Enscore ve Ham tarafından maksimum
tamamlanma zamanının enküçüklenmesi performans ölçütlü PFSP için önerilmiştir.
NEH yönteminin temel düşüncesi, tüm makinelerdeki toplam işlem zamanı en
yüksek olan işlere öncelik verilmesidir. Diğer bir deyişle, NEH algoritması bir
birerleme yöntemi olup, en büyük toplam işlem zamanına sahip işin diğer işlere göre
öncelikli olması varsayımını gütmektedir. Algoritmadaki birerleme sayısı
![Page 75: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/75.jpg)
57
(n (n+1)/2)-1 adettir ve n adetinde çizelgenin tümü dikkate alınır (Kurnaz ve Kart,
2010: 2).
NEH yöntemi 3 adımdan oluşur.
Adım 1: Her işin tüm makinelerdeki toplam işlem zamanı (Tj) hesaplanır ve her iş Tj
değerlerine göre büyükten küçüğe doğru sıralanır.
Adım 2: Bir önceki adımda oluşturulan listeden ilk ikisi alınır ve olası iki çizelgeden
en küçük maksimum tamamlanma zamanına sahip olan belirlenir. Takip
eden iterasyonlarda belirlenen bu pozisyon sabitlenir ve listedeki toplam
işlem zamanı en büyük olan diğer bir iş eklenir. Seçilen bu iş mümkün olan
tüm pozisyonlara yerleştirilerek, kısmi maksimum tamamlanma zamanı en
küçük olan çizelge seçilir.
Adım 3: Adım 2’deki işlemler tüm işler yerleştirilene kadar tekrarlanır.
3.2. Metasezgisel Yöntemler
Metasezgisel yöntemler PFSP'nin çözümünde çok sık kullanılmakta ve diğer
yöntemlere göre daha iyi sonuçlar vermektedir. PFSP için kullanılan metasezgsiel
yöntemler bölüm 2.3.3. de verilmiştir. Bu yöntemleri doğadan esinlenen ve doğadan
esinlenmeyen yöntemler olarak ayırabiliriz. Doğadan esinlenen algoritmalar: genetik
algoritmalar, karınca koloni algoritması ve parçacık sürü optimizasyon
algoritmalarıdır. Bunlar popülasyon temelli yöntemlerdir ve literatürde, çözümlerin
topluluğuna dayalı algoritmalar olarak tanımlanırlar. Tavlama benzetimi ve tabu
arama yöntemleri ise doğadan esinlenmeyen algoritmalar sınıfındadır ve tek çözüme
dayalı yöntemlerdir.
3.2.1. Tavlama Benzetimi Algoritması
Tavlama Benzetimi, kesikli çözüm uzayına sahip optimizasyon problemleri için
alternatif çözümler üreten bir yöntemdir. Katıların tavlama sürecine adapte edilerek
çalışan bir arama yöntemidir. Fiziksel tavlama, bir katının düşük enerjili yani daha az
hareketli durumlarının elde edilmesi sürecidir. Eritilen katının sıcaklığının çok yavaş
![Page 76: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/76.jpg)
58
düşürülmesi ile katının daha az hareketli duruma ulaşması sağlanır (Güner ve
Altıparmak, 2003: 28).
Tavlama benzetimi ilk olarak 1953 yılında, bir ısı banyosu içindeki taneler
kümesinin denge dağılımını hesaplamak için simülasyon tekniği ile birlikte
Metropolis, Rosenbluth ve Teller tarafından kullanılmıştır. Kirkpatrick v.d. (1983) ve
Cerny (1985) katıların SA için Metropolis tarafından sunulan metodun, optimizasyon
problemlerinin çözümünde nasıl kullanılabileceğini göstermişlerdir (Güden v.d.,
2005: 4).
Fiziksel tavlama ile kombinatoryal optimizasyon arasındaki ilişki Tablo3-1'de
gösterilmiştir.
Tablo 3-1 Fiziksel Tavlama İle Kombinatoryal Optimizasyon Arasındaki İlişki
(Güner ve Altıparmak, 2003: 29)
Termodinamik Simülasyon Kombinatoryal Optimizasyon
Problemi
Sistem Durumları Uygun Çözümler
Enerji Amaç fonksiyonu
Durumun Değişimi Komşu Çözüm
Sıcaklık Kontrol parametresi
Donma Durumu (Kristalleşme) Sezgisel Çözüm
Tavlama Benzetimi algoritması çalışma prensibi olarak, yerel arama metoduna
benzemektedir. Yerel arama metodunun en büyük zorluğu, global optimuma
geçemeyip lokal optimuma takılıp kalmasıdır. Tavlama benzetimi algoritması, bu
duruma izin vermez ve yeni çözümlere ulaşma yönünde ilerler. Kontrol
parametrelerine (sıcaklık) bağlı olarak, komşuluk değerlerindeki maliyet fonksiyonu
değişimini kabul eder.
SA prosedürü, rassal ya da seçilmiş bir çözüm kümesi ile başlar ve bu çözümün
komşularından yeni bir çözüm elde edilir. Eğer yeni çözüm, daha önceki çözümden
![Page 77: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/77.jpg)
59
daha iyi ise, bu çözüm olarak kabul edilir; aksi taktirde, bu çözüm kabul olasılığına
bağlı olarak kabul ya da reddedilir. Bu durum iki çözümün amaç fonksiyonları
arasındaki fark ve kontrol parametresi olan sıcaklık tarafından belirlenir. Başlangıçta,
sıcaklık yüksek olarak belirlenir ve arama işlemi sırasında yavaş yavaş düşürülür. Bu
işleme hiç bir hareket kalmayana kadar devam edilir (Hejazi ve Saghafian, 2005:
2009).
SA algoritmasının adımları aşağıda verilmiştir (Engin, 2001: 10).
Adım 1: Başlangıç çözümü olarak, rasgele belirlenmiş bir çözüm kümesi kabul edilir
(H0)
Adım 2: H en iyi çözüm olarak başlangıç çözümüne atanır. H* = H
Adım 3: Başlangıç çözümüne ait olan maliyet fonksiyonunu hesapla. H : C(H)
Adım 4: Başlangıç sıcaklığı T0 olarak belirlenir
Adım 5: Başlangıç sıcaklığı T değerine atanır. T = T0
Adım 6: Belirlenen durma kriteri gerçekleşmezse aşağıdaki işlemleri uygulanır.
a) Markov zinciri uzunluğunu belirlenir.
i) Mevcut H çizelgesinde rassal bir komşuluk aralığı, H’, belirlenir.
ii) H’ maliyet fonksiyonu hesaplanır.
iii) Bir önceki çizelge ile mevcut çizelgenin maliyet fonksiyonlarının farkları
alınır. Δ(C) = C(H’) – C(H)
iv) Eğer Δ(C) ≤ 0 ise, b). adıma geri dönülür, H = H’ kabul edilir.
C(S) < C(H*) dan H* = H atanır.
v) Δ(C) > 0 ise, adım 6 ya geri dönülür ve (0,1) aralığında bir X rassal sayısı
üretilir. Eğer X < exp Δ(C)/T ise H = H’ atanır.
b) T sıcaklığı azaltılır, adım 6 ya dönülür.
Adım 7: Elde edilen en iyi çizelge, (H*) oluşturulur ve durdurulur.
Çizelgeleme problemlerinde SA algoritmasının kullanılabilmesi için bilinmesi geren
parametreler vardır. Bunlar (Hejazi ve Saghafian, 2005: 2909):
a) Başlangıç Sıcaklığı (T0)
b) Her sıcaklıktaki iterasyon uzunluğu
![Page 78: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/78.jpg)
60
c) Soğutma fonksiyonu
d) Algoritmayı durdurma kriteri
Başlangıç sıcaklığı bir başlangıç parametresi olarak alınır. İyi olmayan çözümlerin
kabul ihtimalini denetlemek için sıcaklık parametresi kullanılır. İterasyon uzunluğu,
farklı sıcaklıklarda bulunan çözümlerin sayısıdır. Soğutma fonksiyonu, bir önceki
iterasyon sıcaklığına bağlı olarak mevcut iterasyondaki sıcaklığı belirler. Soğutma
oranı için kullanılan değer 0,8 ve 0,99 arasında değişmektedir. Başlangıç sıcaklığı,
iterasyon sayısı ve soğutma fonksiyonu, soğutma çizelgesi olarak isimlendirilir. İyi
çözümlerin elde edilmesi bu çizelgeye bağlıdır. Sıcaklığı değiştirdikçe elde edilen
çözüm, ardarda gelen sıcaklık değişimlerinde değişmeden kalıyor ise SA durdurulur
(Güner ve Altıparmak, 2003: 29).
3.2.2. Tabu Arama Algoritması
Tabu Arama (TS), Glover tarafından 1986 yılında kombinatoryal problemlerin
çözümü için önerilmiş yüksek seviyeli bir sezgisel programlama tekniğidir.
Çizelgeleme problemlerini çözümünde sık kullanılan bir yöntemdir. Literatürde,
büyük problemlerin çözümünde iyi sonuçlar verdiği bildirilmiştir (Glover ve
Kochenberger, 2003: 37).
TS yöntemi, daha önce bulunan belirli sayıdaki çözümü, tabu listesi olarak
adlandırılan bir listede tutarak o çözümlere geri dönmeyi engelleyen ve bu şekilde
araştırmayı çözüm uzayının farklı bölgelerine doğru yönlendiren bir arama
tekniğidir. TS yerel optimuma ulaşmak için sert bir tavır sergiler. Yerel optimuma
geldiğinde ise, tabu olmayan en iyi komşuyu seçerek, kısa sürede yerel optimumun
aşılmasını sağlar. Yasak olan bir taşımanın değeri, bulunan çözümlerden daha iyi ise,
o taşımanın yasaklı durumu iptal edilir ve taşımanın yapılmasına izin verilir.
Aspirasyon olarak isimlendirilen bu özellik, TS' nin zeki bir tavır sergilediğini
gösterir (Geyik, 2001: 2).
TS Algoritmasının genel işleyişinde ilk önce başlangıç çözümü oluşturulur. İkinci
adımda başlangıç çözümünün komşuları belirlenir. Komşu çözümler amaç
fonksiyonuna bağlı olarak değerlendirilir. Tabu olmayan ya da aspirasyon ölçütünü
![Page 79: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/79.jpg)
61
sağlayan komşu, yeni başlangıç çözümü olarak belirlenir yani çözüm uzayında bir
noktadan başka bir noktaya hareket edilir. Bu hareket tabu listesine eklenir. Daha
sonra bulunan bu çözüm en iyi çözümle karşılaştırılır ve bu çözüm en iyi çözümden
daha iyi ise yeni çözüm olarak saklanır. Bu işlem bir durdurma kriteri sağlanıncaya
kadar devam ettirilir (Nambiar, 2007: 28).
Genel bir TS algoritmasının adımları aşağıda verilmiştir (Geyik, 2001: 2).
Adım 1. Bir başlangıç çözümü oluştur ve bu çözüm için amaç değerini hesapla.
Adım 2. Mevcut çözümün komşularını bir komşuluk yapısıyla üret.
a) Tabu olmayan veya tabu olsa bile aspirasyon ölçütünü sağlayan bir komşu
çözüm seç ve onu yeni çözüm olarak taşı.
b) Mevcut çözümden yeni çözüme taşıma özelliğini tabu listesine ekleyerek
listeyi güncelle.
c) Eğer yeni çözüm o ana kadarki en iyi çözümden daha iyi ide onu yeni en iyi
çözüm olarak sakla.
Adım 3. Bir durdurma ölçütü sağlanıncaya kadar Adım 2 'yi tekrarla.
TS algoritmasının genel akış şeması Şekil 3-1' de verilmiştir.
![Page 80: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/80.jpg)
62
Şekil 3-1 Tabu Arama Algoritmasının Akış Şeması
Şekil 3-1 TS Algoritmasının Genel Akış Şeması
(Geyik ve Cedimoğlu, 2001: 97)
![Page 81: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/81.jpg)
63
TS algoritmasının işleyişi nispeten basittir. Ancak belirlenmesi gereken stratejiler ve
parametre değerleri vardır. Bunlar; başlangıç çizelgesi oluşturma, komşuluk yapısı,
taşıma seçimi, tabu listesi, aspirasyon ölçütü, durdurma kriteri (iterasyon sayısı)
aramayı yoğunlaştırma ve çeşitlendirme stratejisidir. Çizelgeleme problemlerine
ilişkin olarak bu kriterler aşağıdaki gibi tanımlanabilir (Geyik ve Cedimoğlu, 2001:
97, Daya ve Al-Fawzan, 1998: 89):
Başlangıç Çizelgesi Oluşturma: Başlangıç çözümü çeşitli yöntemlerle elde
edilebilir. Çizelgeleme problemleri için bunlar, öncelik kuralları, rassal yöntemler ve
NEH gibi sezgisel yöntemler olabilir. Yapılan çalışmalar başlangıç çözümünün,
problemin çözüm kalitesini ve dolayısıyla sonucu etkilediğini göstermiştir.
Komşuluk Yapısı: Komşuluk yapısı, mevcut çözümün yakınından yeni çözümler
üretme şeklidir. Çizelgeleme konusunda, her bir makinede ardarda gelen bütün
işlemler yer değiştirerek en temel komşuluk yapısı elde edilebilir. Ancak bu şekilde
üretilen komşulukların pek çoğu gereksiz olabilir. Bu yüzden, etkin bir komşuluk
yapısı öncelikle gereksiz komşu üretmemelidir ve eğer mümkünse kısır döngüye ve
yerel eniyiye takılmaya neden olmamalıdır. Çünkü komşuluk arama yöntemlerinin
kalitesi kullanılan komşuluk yönteminin yapısına bağlıdır (Geyik ve Cedimoğlu,
2001: 98).
Taşıma Seçimi: Tabu listesine dahil olmayan veya verilen aspirasyon ölçütünü
sağlayan en iyi komşu yeni çözüm olarak belirlenir. En iyi komşu, en iyi amaç
fonksiyonunu veren komşudur.
Tabu Listesi: Tabu listesi TS' nin kısa süreli hafızasını teşkil eder. Yapılan belli
sayılardaki taşımalar listeye eklenerek daha önce elde edilen çözümlere tekrar dönme
engellenir. Tabu listesinin güncellenmesinde, genellikle listeye ilk giren ilk çıkar
stratejisi uygulanır. Listedeki varlık sayısı liste uzunluğuna ulaştıktan sonra listeye
yeni varlıklar girdikçe eski varlıklar birer aşağı kayar ve en sondaki listeden ayrılır
(He ve Hui, 2007: 41).
Aspirasyon Ölçütü: Aspirayon ölçütünün amacı, gerekli olan durumlarda bir
komşunun yasaklı durumunu iptal etmektir ( Gendreau ve Potvin, 2010: 47).
![Page 82: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/82.jpg)
64
Durdurma Kriteri: Daha iyi çözümler taşımalar yapıldıkça değişmiyor ise taşıma
sayısı maksimum bir değere ulaşmışsa algoritma sonlandırılır.
Aramayı Yoğunlaştırma: Daha önceden bulunmuş en iyi ya da en iyiye yakın
çözümlerin bulunduğu kısımlara odaklanarak daha iyi çözümler elde edilmeye
çalışılır (Glover ve Laguna, 1997: 8).
Aramayı Çeşitlendirme: Daha önce keşfedilmemiş ya da çözüm aranmamış
bölgelerde çözüm arama stratejisidir (Glover ve Laguna, 1997: 8).
3.2.3. Parçacık Sürü Optimizasyon Algoritması
Parçacık sürü optimizasyonu (particle swarm optimization-PSO), J.Kennedy ve R.C.
Eberhart tarafından 1995 yılında kuş ve balık sürülerinin besin arama sırasındaki
haraketlerinden yola çıkarak geliştirilmiş popülasyon tabanlı olasılıklı optimizasyon
tekniğidir (Dahal, Tan ve Cowling, 2007: 316). Doğrusal olmayan problemlerin
çözümü için ortaya atılmıştır. Çok değişkenli kombinatoryal optimizasyon
problemlerine çözüm için geliştirilmiş, diğer metasezgisellere alternatif bir
yöntemdir. PSO' nun, GA'lar gibi popülasyon tabanlı algoritmalara benzer bir yapısı
vardır. GA'dan farklı olarak kullanılan parametre sayısı daha azdır. GA’ya göre
hafıza yapısı daha etkin çalışır. Çünkü her parçacık kendini geliştirmek için en
başarılı parçacığın tecrübesini kullanmaya çalışır, oysa GA’ da en kötü çözümler
elimine edilir ve en iyi olanlar saklanır (Valle v.d., 2008: 172 ).
PSO' nun ilk aşamasında rastgele bir popülasyon seçilir ve başlangıç çözümleri
güncellenerek optimum çözüm bulunmaya çalışılır. Çözüm uzayında gezinen,
parçacık olarak isimlendirilen muhtemel çözümler, o ana kadar en iyi çözümü
yakalamış parçacığı takip ederler. PSO’ nun diğer optimizasyon tekniklerinden en
önemli farklılığı türev bilgisine gerek duymadan çalışmasıdır. Ayrıca PSO’ nun
optimizasyon problemlerine uyarlanması parametre sayısının az olmasından dolayı
daha kolaydır (Tamer ve Karakuzu, 2006: 2).
PSO’ da her tekil çözüm arama uzayındaki bir parçacığa tekabül eder. Her parçacığın
uygunluk fonksiyonu tarafından değerlendirilen bir uygunluk değeri vardır ve her
![Page 83: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/83.jpg)
65
parçacık bir hareket hızına sahiptir. Parçacık hareket ettiğinde, kendi koordinatlarını
bir fonksiyona gönderir ve böylece parçacığın uygunluk değeri ölçülmüş olur. Bir
parçacık, koordinatlarını, hızını (çözüm uzayındaki her boyutta ne kadar hızla
ilerlediği), şimdiye kadar elde ettiği en iyi uygunluk değerini ve bu değeri elde ettiği
koordinatları hatırlamalıdır. Çözüm uzayındaki her boyuttaki hızının ve yönünün her
seferinde nasıl değişeceği, komşularının en iyi koordinatları ve kendi kişisel en iyi
koordinatlarının bir birleşimi olacaktır (He ve Hui 2007: 43).
PSO yönteminde, her iterasyonda, parçacık konumları, iki en iyi değere göre
yenilenir. İlki, o ana kadar parçacığın elde ettiği en iyi çözümü sağlayan
koordinatlardır. Bu değer yerel en iyi çözümü ifade eder ve pbest olarak adlandırılır,
tekrar bu çözüme dönmemek için hafızada saklanmalıdır. İkinci en iyi değer ise, tüm
popülasyonda o ana kadar tüm parçacıklar arasından en iyi çözümü sağlayan
koordinatlardır. Bu değer global en iyi çözüm olarak ifade edilir ve gbest ile
gösterilir (Nedjah ve Mourelle, 2006: 30).
D boyutlu arama uzayı ve y adet parçacıktan oluşan bir sürü olduğunu varsayalım.
Bu durumda popülasyon parçacık matrisi eşitlik (3.6)’daki gibidir.
11 12 1
21 22 2
1 2
D
D
y y yD
x x x
x x x
x x x
(3.6)
Yukarıda gösterilen matriste, i’inci parçacık xi=[xi1, xi2 ,........., xD] olarak ifade
edilir. Önceki en iyi çözüm değerini veren i’inci parçacığın koordinatları pbesti =[pi1,
pi2,.....,piD] olarak adlandırılır. gbest ise her iterasyonda bir tanedir ve gbest=[p1,
p2...., pD] şeklinde ifade edilir. i’ninci parçacığın hızı vi=[vi1, vi2,.....viD] şeklinde
gösterilir. En iyi İki değerin elde edilesinden sonra parçacık hızları ve koordinatları
![Page 84: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/84.jpg)
66
aşağıda verilen (3-7) ve (3-8) numaralı denklemlere göre yenilenir (Tamer ve
Karakuzu, 2006:2).
vih+1
= vih + c1.rand1
h.(pbesti
h - xi
h) + c2.rand2
h.(pbest
h - xi
h) (3.7)
xih+1
= xih + vi
h+1 (3.8)
Denklem (3.7)’de, c1 ve c2 sırasıyla bilişsel ve sosyal faktörlerdir veya ikisine birden
öğrenme faktörleri de denmektedir. c1 ve c2, her parçacığı pbest ve gbest
pozisyonlarına doğru çeken, stokastik hızlanma terimlerini ifade eden sabitlerdir. c1,
parçacığın kendi tecrübelerine göre hareket etmesini, c2 ise sürüdeki diğer
parçacıkların tecrübelerine göre hareket etmesini sağlar. Düşük değerler seçilmesi
parçacıkların hedef bölgeye doğru çekilmeden önce, bu bölgeden uzak yerlerde
dolaşmalarına imkân verir ve yeni çözümler bulma olasılıkları artar. Fakat amaca
ulaşma süresi uzayabilir. Diğer yandan, yüksek değerler seçilmesi, hedefe ulaşmayı
hızlandırırken, gereksiz hareketlerie ve hedef bölgenin atlanmasına yol açabilir.
Denklemdeki rand1 ve rand2, 0-1 arasında düzgün dağılım gösteren rasgele sayılardır.
h ise iterasyon sayısını göstermektedir (Rahimi-Vahed ve Mirghorbani, 2007: 84-85).
PSO algoritmasının genel akış şeması Şekil 3-2’ de verilmiştir.
![Page 85: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/85.jpg)
67
Evet
Hayır
Şekil 3-2 PSO Algoritmasının Akış Şeması
(He ve Hui 2007: 44)
3.2.4. Genetik Algoritma
1975 yılında John Holland'ın doğal ve yapay sistemlerin uyumu adlı kitabıyla ortaya
çıkan genetik algoritma rassal arama temelli bir yapay zeka tekniğidir (Gen,
1996:836). GA, en iyinin korunumu ve doğal seçilim ilkesinin benzetim yoluyla
bilgisayarlara uygulanması ile elde edilen bir arama yöntemi olarak ortaya çıkmıştır.
Sürekli ve ayrık kombinatoryal optimizasyon problemlerinin çözümünde iyi
Birkaç partikül ve bunların yerel
eniyileri ile başla, ilk global en iyiyi
bul
h+1
En iyi çözüm
Her parçacık için, uygunluk değerini hesapla.
Eğer bu değer en iyi uygunluk değerinden daha
iyi ise, bunu yeni yerel en iyi olarak ata, tüm
parçacıklar içinden en iyi uygunluk değerine
sahip parçacığı global en iyi olarak seç.
Her parçacık için parçacık hızını
hesapla ve parçacık pozisyonunu
güncelle
İterasyon h=1
Sonlandır
![Page 86: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/86.jpg)
68
sonuçlarveren bir yöntemdir. GA’nın klasik optimizasyon algoritmalarından farklı
dört temel özelliği vardır (Sivanandam ve Deepa, 2008: 33):
a) GA parametrelerin kendileri yerine parametre setlerinin kodlarıyla ilgilenirler.
b) Genetik algoritmanın arama alanı, yığının veya popülasyonun tamamıdır; tek
nokta veya noktalarda arama yapmaz.
c) Genetik algoritmalarda amaç fonksiyonu kullanılır, sapma değerleri veya diğer
hata faktörleri kullanılmaz.
d) GA’da deterministik değil rastlantısal geçiş kuralları kullanılır.
GA’da birtakım kavramlar kullanılır, bu kavramlar ve tanımları şu şekildedir (Elmas,
2007: 388):
Gen: Kromozom üzerinde bilgi taşıyan en küçük birimdir. Bir genin taşıdığı bilgi
ikili tabandaki sayıları içerebileceği gibi, onluk ve onaltılık tabandaki sayıları da
içerebilir.
Kromozom (birey) Birden fazla genin bir araya gelerek oluşturdukları yapıya
kromozom denir. Kromozomlar, ele alınan problemin muhtemel çözümlerini
içerirler.
Popülasyon: Kromozomlardan meydana gelen kümedir. GA’nın çalışması sırasında
popülasyondan kromozomlar çıkar ve yerlerine yeni kromozomlar gelerek
popülasyon büyüklüğü sabitlenir.
Uygunluk Değeri: Kromozomların, iyi çözümü bulup bulmadıklarını gösteren başarı
seviyelerini tespit eden bir değerlendirme işlemidir. Bir sonraki nesile taşınacak ve
elimine edilecek kromozomlar uygunluk değerine bakılarak belirlenir.
Yeniden üretim, çaprazlama ve mutasyon gibi operatörlerden geçecek olan
kromozomlar, amaç fonksiyonu değerlerine göre rassal olarak seçilir. Amaç
fonksiyon değeri yüksek olan kromozomların çaprazlanma ya da yeniden üretilme
olasılığı fazladır. Çeşitliliği azalan popülasyonlarda rassal olarak seçilen
![Page 87: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/87.jpg)
69
kromozomlar mutasyona uğratılır. Popülasyon içinde iyiliği düşen kromozomlar ise
bir sonraki nesilde yer almazlar ve yok olurlar (Nabiyev, 2010: 586).
Standart bir GA yönteminin adımları aşıdaki gibi sıralanabilir (Bagchi: 1999: 35,
Engin ve Fığlalı, 2002: 28):
a) Optimizasyon probleminin karar değişkenlerini belirlemek için bir kodlama
şeması seçilir. Seçilen kodlama şemasına uygun seçim operatörü, çaprazlama
operatörü ve mutasyon operatörü belirlenir. Daha sonra iterasyon sayısına,
popülasyon büyüklüğüne, çaprazlama ve mutasyon olasılıklarına karar verilir.
b) Arama uzayındaki muhtemel çözümler bir dizi olarak kodlanır.
c) Başlangıç popülasyonu rassal olarak seçilir.
d) Her dizi için uygunluk değeri hesaplanır.
e) Bir grup dizi, belirli bir olasılık değerine göre rassal olarak seçilip üreme
işlemi gerçekleştirilir.
f) Yeni bireylerin uygunluk değerleri hesaplanır, çaprazlama ve mutasyona tabii
tutulur.
g) Daha önce belirlenmiş olan nesil sayısı boyunca yukarıdaki işlemler devam
ettirilir.
h) Nesil sayısına ulaşınca işlem durdurulur ve uygunluk değeri en yüksek olan
dizi seçilir.
GA’nın işleyiş şekli Şekil 3-3’de gösterilmiştir.
![Page 88: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/88.jpg)
70
H
E
Şekil 3-3 GA’nın Akış Diyagramı
(Elmas, 2007: 401)
Bireyleri mutasyona
uğrat
Eşlenen bireyleri
çaprazla
Bireyleri uygunluk
değerine göre eşleştir
Uygunluk değeri en
yüksek kromozomu
çözüm olarak al
Dur
Yeni
popülasyon
oluştur
Durdurma
kriteri
sağlandı mı?
Oluşan yeni bireylerin uygunluk
değerini hesapla, uygun olanları
ebeveynleri ile yer değiştirerek
yeni popülasyonu oluştur
Bireylerin uygunluk
değerini hesapla
Başla
Başlangıç
popülasyonunu oluştur
![Page 89: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/89.jpg)
71
3.2.4.1 Genetik Operatörler
GA'da kullanılan operatörler, mevcut popülasyon üzerine uygulanan işlemler olarak
ifade edilir. Bu işlemlerin amacı daha iyi özelliklere sahip yeni nesiller üretmek ve
aranan en iyi çözüm alanını genişletmektir. Farklı uygulamalarda farklı operatörler
kullanılmakla birlikte genelde üç standart operatör kullanılmaktadır. Bu operatörler
(Mitchell, 1998: 10):
a) Seçim (Üreme) Operatörü
b) Çaprazlama Operatörü
c) Mutasyon Operatörü
Şekil 3-4’de genetik operatörlerin fonksiyonları verilmiştir.
Seçim Çaprazlama ve Mutasyon
Şekil 3-4 GA Operatörleri
(Glover ve Kochenberger, 2003: 55)
Seçim operatöründe kromozomlar, amaç fonksiyonuna göre kopyalanır ve iyi kalıtsal
özellikleri bir sonraki kuşağa daha iyi aktaracak bireyler seçilir. Dizileri uygunluk
Birey 1
Birey 2
Birey 3
Birey 4
Yavru A (1x2)
Yavru B (1x2)
Yavru C (2x4)
Yavru D (2x4)
Birey 1
Birey 2
Birey 2
Birey 4
![Page 90: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/90.jpg)
72
değerlerine göre kopyalama, daha yüksek uygunluk değerine sahip dizilerin, bir
sonraki kuşaktaki bir veya daha fazla yavruya daha yüksek bir olasılıkla katkıda
bulunması anlamına gelmektedir. Üreme, bireyleri seçme işleminden, seçilmiş
bireyleri bir eşleme havuzuna kopyalama işleminden ve havuzda bireyleri çiftler
halinde gruplara ayırma işleminden oluşur (Engin ve Fığlalı, 2002: 2).
En iyi kromozomları seçmek için kullanılan yöntemler aşağıda kısaca açıklanmıştır.
Rulet Çemberi Yöntemi: Bu yöntemde seçilme işlemi bireylerin uygunluk
değerlerine göre yapılmaktadır. Tüm bireylerin uygunluk değerleri bir tabloya yazılır
ve toplanır. Daha sonra uygunluk değerleri toplama bölünerek bireylerin 0-1
aralığında seçilme olasılıkları belirlenir. Sayılar bir tabloda tutulur ve sayılar
birbirine eklenerek rastgele bir sayıya kadar ilerlenir. Bu sayıya ulaşıldığı taktirde,
son eklenen sayının çözümü seçilmiş olur (Nabiyev, 2010: 596).
Akış tipi çizelgeleme problemleri için 2 farklı rulet çemberi yöntemi vardır.
Bunlardan birisi makine verimlerine bağlı rulet çemberi yöntemi, diğeri ise toplam
tamamlanma zamanına bağlı rulet çemberi yöntemidir. Makine verimliliğine bağlı
yöntemde, yeni nesilde bulunacak kromozomların seçilme olasılıkları makine
verimliliğine göre değişmektedir. Makine verimleri yüksek olan kromozomların rulet
çemberine göre bir sonraki nesilde bulunma olasılıkları fazladır. Toplam akış
zamanına bağlı yöntemde, amaç değeri olarak toplam akış zamanı kullanılır. Toplam
akış zamanı küçük olanların bir sonraki popülasyonda bulunma olasılıkları yüksektir
Engin ve Fığlalı, 2002: 3).
Sıralı Seçim Yöntemi: Her kromozomun uygunluk değeri hesaplanır. Daha sonra
kromozomlar en kötü uygunluk değerine sahip olandan en iyi değere sahip olana
doğru sıralanır. En uyumsuz kromozomun değeri 0, en uyumlu kromozomun değeri
ise toplam kromozom sayısı kadardır (Sivanandam ve Deepa, 2008: 48).
Elitist Seçim Yöntemi: Yöntemin adından da anlaşılacağı gibi en elit (en iyi) olan
bireyler korunur. En iyi uygunluk değerine sahip olan birey korunarak yeni topluma
direkt olarak eklenir.
![Page 91: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/91.jpg)
73
Turnuva Seçim Yöntemi: Bu yöntemde bir grup birey rastgele olarak seçilir. Bu
bireyler daha sonra bir turnuvaya katılır ve en iyi uygunluk değerli birey seçilir.
Çaprazlama için iki turnuva tutulur. Bunlardan biri her bir ebeveyni seçmek içindir.
Bir kereden daha fazla üretmek için seçilebilecek bir ebeveyn mümkündür. Turnuva
seçiminin avantajı, popülasyonun daha kötü bireylerinin seçilmeyecek olması ve
bundan dolayı sonraki neslin genetik yapısına katılmayacak olmasıdır (Miller ve
Goldberg, 1995: 195).
Kararlı Hal Seçim Yöntemi: Karalı hal metodunda, her nesilde yalnızca birkaç
birey yer değiştirir. Çoğunlukla çok düşük uygunluk değerine sahip bireyler,
çaprazlama ve mutasyon yöntemleriyle yeniden üretilerek yeni nesilde yer alırlar.
Sabit durumlu GA’lar daha çok kural tabanlı sistemlerde kullanılır (Mitchell, 1998:
171).
Çaprazlama operatörü GA’nın performansını etkileyen en önemli operatördür. İki
çözümün yapıları kullanılarak yeni bir çözüm oluşturulması temeline dayanır.
Çaprazlama işlemi genel olarak ikili dizilerin parçalarının değiş tokuşu şeklinde
gerçekleşir. Genellikle kullanılan çaprazlama operatörleri tek noktalı ve çok noktalı
çaprazlamadır. Ancak problemin özelliğine göre farklı tiplerde çaprazlamalar söz
konusudur. Akış tipi çizelgeleme problemleri için kullanılan çaprazlama
operatörlerinden bazıları; pozisyona dayalı çaprazlama, sıraya dayalı çaprazlama,
kısmi planlı çaprazlama, dairesel çaprazlama, doğrusal sıralı çaprazlama ve sıralı
çaprazlamadır. Bu yöntemlere ait açıklamalar aşağıda verilmiştir (Cheng, Gen ve
Tsujimura, 1999: 349-350, Engin ve Fığlalı, 2002: 30-31):
Pozisyona Dayalı Çaprazlama: Bu tip çaprazlama yönteminde, rassal pozisyondaki
işler bir ebeveynden çocuğa aktarılır. Diğer işler, diğer ebeveynlerdeki görünümleri
sırasıyla yerleştirilirler. Pozisyondaki sayılar, [1, n] rassal tamsayılar olarak öncelikle
düzenlenir, daha sonra bu pozisyonlar rassal olarak seçilir (Engin ve Fığlalı, 2002,
30).
Sıraya Dayalı Çaprazlama: Rasgele nokta seçimi sözkonusudur. İlk kromozomun
seçilen noktalara tekabül eden karakterleri yerlerini korur. İkinci kromozomun
![Page 92: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/92.jpg)
74
seçilen noktalara ait karakterleri ilk kromozomun aynı noktalarındaki karakterlerin
önüne getirilir. Geriye kalan boş pozisyonlara ikinci kromozomdan aktarılan yeni
karakterler de göz önünde bulundurularak ilk kromozomun kullanılmayan
karakterleri tarafından soldan sağa doğru yerleştirilerek yeni bir kromozom elde
edilmiş olur (Engin, 2001: 74).
Kısmi Planlı Çaprazlama: İki farklı iş sırasında rassal olarak aralıklar belirlenir ve
bu aralıktaki işlerin yeri karşılıklı olarak değiştirilir.
Dairesel Çaprazlama: Bu yöntemde birinci kromozomdan ilk gen seçilir ve bu gen
yeni diziye yerleştirilir. Bu gene karşılık gelen ikinci kromozomdaki gen belirlenir,
bu değer de yeni kromozom üzerine yerleştirilerek dairesel olacak şekilde bütün
genler belirlenir.
Doğrusal Sıralı Çaprazlama: Bu yöntemin adımları şöyledir; mevcut popülasyon
içerisinden rassal olarak iki ebeveyn seçilir, seçilen bu iki kromozom üzerinde rastsal
olarak iki alt dizi seçilir, bu ebeveynlerden ilkinin dizisinden seçilen alt dizi
kromozomdan koparılır ve boş kalan yerler belirlenir, benzer şekilde ikinci
ebeveynin dizisinde de aynı işlemler gerçekleştirilir, birinci alt dizi ilk ebeveyne ve
ikinci alt dizi ikinci ebeveyne yerleştirilir.
Sıralı Çaprazlama: Bu yöntemde, kromozom popülasyonundan rassal olarak iki
kromozom seçilir. Bu kromozomlar üzerinde rasgele şekilde iki ayrı nokta belirlenir.
Bu noktalar arasındaki kromozom sayısının her iki kromozomda da aynı olmasına
dikkat edilir. Kesim noktaları arasındaki kromozomlar karşılıklı olarak yer değiştirir.
Genetik algoritmanın önemli bir diğer operatörü ise mutasyondur. Mutasyon,
kromozomu oluşturan dizideki tek bir elemanın değerinin rastgele olarak
değiştirilmesidir.
Ele alınan problemin yapısına bağlı olarak seçilen mutasyon operatörleri
değişmektedir. Bunlardan bazıları; ters çevirme, ekleme, yer değişikliği ve karşılıklı
değişim yöntemleridir. Ters çevirmede, kromozomdan rastgele iki pozisyon seçilir ve
iki ucu arasında ters çevrilir. Eklemede ise rastgele bir parka seçilir ve rastgele bir
![Page 93: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/93.jpg)
75
yere yerleştirilir. Yer değişikliği mutasyonunda, rastgele bir alt dizi seçilir ve rastgele
bir yere yerleştirilir. Karşılıklı değişim mutasyonunda, rastgele seçilen iki genin
yerleri değiştirilir (Bolat, Erol ve İmrak, 2004: 268).
3.2.4.2 Genetik Algoritma Parametreleri
GA’da kullanılan ve çözüm kalitesini önemli ölçüde etkileyen birtakım parametreler
mevcuttur. Bunlar çaprazlama oranı, mutasyon oranı ve popülasyon büyüklüğü, gibi
parametrelerdir (Bandyopadhyay ve Pal, 2007: 27).
Popülasyon Büyüklüğü: En önemli kararlardan birisidir. Bu değerin küçük olması,
genetik algoritmanın yerel bir eniyiye takılmasına sebep olabilmektedir. Bu değerin
çok büyük olması ise, çözüm süresini uzatmaktadır. Bu konuda Goldberg 1985’de,
yalnızca kromozom uzunluğuna bağlı bir popülasyon büyüklüğü hesaplama yöntemi
önermiştir. Ayrıca Schaffer ve arkadaşları 1989’da çok sayıda test fonksiyonları
üzerinde yaptıkları araştırmalar sonucunda, 20-30 arası bir popülasyon
büyüklüğünün iyi sonuçlar verdiğini belirtmişlerdir (Taşkın, 2002: 135).
Çaprazlama Oranı: Çaprazlamanın hangi sıklıkla yapılacağını belirler. Çaprazlama
oranı, bireylerin eşleştiklerinde çaprazlama yapıp yapmayacaklarına dair olasılığı
gösteren orandır.
Mutasyon Oranı: Mutasyonun yapılma sıklığını belirler. Küçük oranlar yerel
eniyiye saplanmalara yol açabilir. Bu oranın yüksekliği rassallık sağlar ve yeni
çözümlere ulaşma olsılığı artar.
3.2.5. Karınca Kolonisi Optimizasyonu
İnsanlar doğadaki canlıların davranışlarını yıllar önce izlemeye başlamış ve bu
davranışlardan esinlenmişlerdir. Kuş sürülerinin havadaki davranışları, karıncaların
yiyecek arama sırasındaki durumları, balık sürülerinin birlikte hareket etmeleri sürü
davranışlarına örnek teşkil eder. Son yıllarda farklı disiplinlerden (biyologlar ve
bilgisayar uzmanları) bilimadamları bu sürülerin davranışlarının nasıl tasarlanacağı
ve aralarındaki iletişimin mantığı üzerinde çalışmalar yaparak yeni yöntemler
![Page 94: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/94.jpg)
76
geliştirmektedirler. Bilim adamları tarafından sürü zekâsı olarak adlandırılan bu
davranışlar birçok optimizasyon probleminin çözümünde kullanılmaktadır. Bu
yaklaşımlardan bir tanesi de karınca koloni optimizasyonudur.
Karınca koloni optimizasyonu (KKO), ilk olarak 1991 yılında, Colorni, Dorigo ve
Maniezzo tarafından gezgin satıcı probleminin (TSP) çözümünde başarı ile
uygulanmıştır. 1992 yılında, Dorigo tarafından doktora tezi olarak yayınlanmıştır. Bu
algoritmaya ise “Ant System” yani karınca sistemi (AS) adını vermiştir. Dorigo bu
algoritmayı değişik boyutlardaki birçok TSP probleminde denemiş, küçük ölçekli
TSP problemlerinde başarılı olurken daha büyük ölçeklilerde başarılı olamamıştır.
AS algoritması aslında Karınca-Çevrim (Ant-Cycle), Karınca-Yoğunluk ()Ant-
Density ve Karınca-Miktar (Ant-Quantity) olmak üzere üç değişik algoritmadan
oluşur. Bunların arasındaki fark ise feromonun depolanmasındadır. Karınca-Çevrim
algoritmasında, feromon sadece her karınca turunun sonunda o karıncanın turu
üzerindeki her kenar uzunluklarıyla ters orantılı olarak depolanmaktadır. Diğer iki
algoritmada ise feromon yolu, karınca bir noktadan diğer bir noktaya geçerken
güncellenmektedir. Yapılan çalışmalar sonunda Karınca-Çevrim algoritmasının daha
iyi sonuçlar verdiği ortaya çıkmış ve AS algoritması denildiğinde bu algoritma
kastedilir hale gelmiştir. AS algoritması üzerindeki ilk gelişme, Elitist Strateji (ES)
olarak yine Dorigo tarafından 1996’da gerçekleştirilmiştir. Bu yaklaşımda arama
süreci esnasında bulunan en iyi yola, feromon doldurulması yöntemi kullanılarak
daha iyi sonuçlar elde edilmiştir. Yine 1996 da Dorigo ve Gamberdella tarafından
Karınca Koloni Sistemi-ACS (Ant Colony System) algoritması geliştirilmiştir. ACS,
en iyi sonucun komşularında sonucu arama üzerine yoğunlaşmaktadır. Bu iki şekilde
gerçekleştirilir. Birincisi, sadece en iyi karıncalara feromon bırakmaya izin verilmesi,
diğeri ise bir noktadan diğer bir noktaya gidilirken denge unsuru olarak bir rastgele
orantı kuralı kullanılmasıdır. 1997’de ise Hoos ve Stutzle feromon miktarını
maksimum ve minimum aralıklarda sınırlayan MAKS-MİN Karınca Sistemi (MAX-
MIN Ant System) adında bir algoritma önermişler, 1999’da Bullnheimer, Hartl ve
Stauss Rank Temelli Karınca Sistemi (Rank- based Ant System) adı altında (ES)’nin
gelişmiş bir çeşidini sunmuşlardır. Bu algoritmalar temel alınarak bir çok yeni
algoritma geliştirilmiş ve geliştirilmektedir (Dorigo ve Stützle, 2004: 65-75).
![Page 95: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/95.jpg)
77
3.2.5.1 Doğal Hayatta Karıncalar
Karıncalar, her biri tek bir birey olarak düşünüldüğü zaman karmaşık olmayan basit
canlılardır. Bununla beraber bir topluluk (koloni) olarak ele alındıkları zaman
karmaşık problemleri çözebilecek yeteneğe sahip olmaktadırlar. Bir karınca kolonisi
kolektif olarak yuvalarını oluşturmak, yiyecek kaynağını aramak gibi görevleri
yerine getirebilir (Bonabeau, Dorigo ve Theraulaz., 2000: 41). Birçok karınca
kolonisinde karıncalar yiyeceklerini ararken, öncelikle yuvalarının etrafında rastgele
dolaşarak keşfe başlarlar. Yiyecek kaynaklarını bulduklarında, yiyeceğin kalitesini
ve miktarını değerlendirdikten sonra bir kısmını yuvaya taşırlar. Bu dönüş sırasında
diğer karıncaların da aynı kaynağı bulabilmeleri için yiyeceğin kalitesine ve
miktarına bağlı olarak kimyasal feromon maddesini geçtikleri yolun üzerine
bırakırlar. Bırakılan bu izler diğer karıncalara rehberlik ederek belli olasılıkla o yolu
takip etmelerini ve kaynağı bulmalarına yardım eder. Gitmek için seçecekleri yolun
belirlenmesinde bu maddenin miktarı önemlidir. Karıncaların, feromon maddesinin
daha yoğun olduğu yönleri tercih etme olasılığı, daha az feromon maddesine sahip
yönleri tercih etme olasılığından daha fazladır. Bu şekilde feromon vasıtasıyla
yapılan dolaylı iletişim, karıncaların gıda ile yuva arasında en kısa yolu bulmalarına
olanak tanır. İşte karıncaların bu davranışları KKO algoritmalarının geliştirilmesinde
ilham kaynağı olmuştur (Blum, 2005: 355).
Doğal hayatta yer alan karıncaların yuvaları ile yiyecek kaynağı arasında en kısa
yolu bulabilmesini sağlayan davranışları aşağıdaki Şekil 3-5’de gösterilmektedir.
![Page 96: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/96.jpg)
78
Şekil 3- 5 (a) Karıncaların davranışları A – E arasındaki yolu izlemektedirler. (b) Yol
üzerinde engel konulmuştur ve karıncalar rastgele yollarını belirlerler. (c) Kısa olan
yol üzerindeki karınca sayısı artar (Dorigo, Maniezzo ve Colorni, 1996: 30).
Şekil 3-5 (a)’da karıncaların yiyecek aramak üzere düz bir yolda ilerledikleri
görülmektedir. A noktası karıncaların yuvasını gösterirken, E noktası yiyecek
kaynağını gösterir. Şekil 3-5 (b)’de ise bir engel görülmektedir. Yol üzerinde
karşılaşılan engelden dolayı yol kesilir. Karıncalar B noktasında karar vermek
zorundadır. Yollar eşit karar olasılıklarına sahiptir. Şekil 3-5 (c)’de, kısa olan yolu
seçerek önce D noktasına ulaşan karınca, geri dönüş sırasında D noktasına gelir ve
geri dönüş için seçim yapmak zorundadır. Bu durumda kısa olan yoldan gelen
karınca sayısı ve buna bağlı olarak salgılanan feromon miktarı daha fazla olur.
Bundan dolayı karınca kısa olan BCD yolunu seçer.
Şekil 3-6'da karıncaların feromon biriktirme mekanizmaları gösterilmiştir.
a) b) c)
![Page 97: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/97.jpg)
79
Şekil 3-6 Karıncaların Feromon Biriktirme Mekanizmaları
(Alaykıran ve Engin, 2005: 71)
Şekil 3-6 A'da karıncalar bir karar noktasına gelirler. B'de bir kısım karınca
yukarıdaki yolu bir kısmı ise aşağıdakini seçer. Seçim tümüyle rassaldır. C'de
karıncalar neredeyse sabit bir hızda yürüdükleri için aşağıdaki ve kısa olan yolu
seçen karıncalar turlarını daha çabuk bitirirler ve bir sonraki karar noktasına daha
çabuk ulaşırlar. D'de kısa olan yolda feromon birikmesi daha fazla olur.
3.2.5.2 Karınca Koloni Algoritmasının Genel Yapısı
Karınca kolonileri metasezgiseli, doğal karıncaların yuvaları ile besin kaynakları
arasında izledikleri yolların izlenmesi sonucu ortaya çıkan bilimsel gerçekler üzerine
doğmuştur. Bu yöntemin geliştirilmesinde gerçek karınca kolonilerinin gıda arama
tekniklerinden faydalanılmıştır. Karınca koloni algoritmasının temeli, gerçek
karıncaların aralarındaki iletişim ve geri bildirim mekanizmasını oluşturan feromon
izlerinin taklit edilmesidir. Yapay karıncalar, geçtikleri yol üzerindeki düğümlere
feromon maddesi bırakırlar ve her karınca kendi yolunu daha önce yola bırakılmış
A B
C D
![Page 98: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/98.jpg)
80
feromon izlerine bağlı olarak seçer. Daha sonra bu feromon izleri buharlaşma
vasıtasıyla azalır. Bu indirekt iletişim yolun kalitesi hakkında diğer karıncalara bilgi
verir ve devam eden iterasyonlarda yolun çekiciliğini belirler (Solnon, 2008:1044).
Basit Karınca koloni algoritmasında, bir karınca grubu ya da karınca kolonisi,
problemin durumuna bağlı olarak kısmi bir çözüm elde edebilmek için hareket eder.
Bu hareket iki parametreye (feromon izleri ve sezgisel bilgi) bağlı yerel karar
politikası uygulanarak gerçekleştirilir. Her karınca hareket ederek probleme artan bir
şekilde çözüm oluşturmaya çalışır. Karıncalar çözüm oluştururken ya da çözüm
oluşturduktan sonra, çözümü değerlendirir ve feromon iz değerlerini değiştirir. Bu
feromon bilgisi daha sonraki karıncaların araştırmasını yönlendirecektir.
(Onwubolu ve Babu, 2004: 102 )
Bunlara ek olarak, Karınca koloni algoritması iki mekanizma daha içerir: feromon iz
buharlaşması ve tercihe bağlı olarak kullanılan yerel arama. Bazı noktalarda sınırsız
feromon birikmesini engellemek amacıyla zaman içerisinde tüm feromon değerleri
azalır. Feromon buharlaşması karıncalara yararlı bir unutma formu yükler ve bu
sayede problemin çözümü için yeni çözüm alanlarının keşfi sağlanır. Yerel arama
çözüm kalitesini artırmak için seçimsel olarak uygulanır (Dorigo ve Stützle, 2004:
37).
Basit Karınca koloni algoritmasının çalışma prensipleri aşağıda sunulmuştur.
a) Karıncanın iki hareketi vardır: ileri ve geri. Karınca ileri halde yuvadan çıkmış
tur oluşturma ve ezberleme gibi görevleri vardır. Karınca geri halde feromon
güncelleme ve döngü eleme yapar.
b) Karınca, rotasını seçerken olasılığa dayalı bir karar mekanizması kullanır.
c) Döngülerden kaçınmak ve optimal olmayan çözümlere takılmamak için
karıncalar feromon konsantrasyonu yüksek yolları daha yüksek olasılıkla tercih
ederler.
d) Karıncanın izlediği yolları ezberleyebilmesi, geri hale geçtiği anda başlangıça
dönebilmesi, bulduğu çözümü nicel olarak değerlendirebilmesi için bir miktar
harici belleği vardır.
![Page 99: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/99.jpg)
81
e) Çözüm kalitesine bağlı feromon güncellemesi yapılır. Karınca daha kısa yol için
daha çok feromon bırakır.
f) Arama işleminin başında verilen ve muhtemelen en kısa olmayan yollara
oluşabilecek eğilimlerin güçlenmesini önlemek ve yeni yolların keşfedilmesini
teşvik etmek için feromon buharlaşması yapılır.
Basit Karınca koloni algortimasının operasyonel akışı adım adım aşağıda verilmiştir
(Abdallah v.d., 2009: 10008).
Adım 1: Başlangıç parametreleri ve feromon izleri belirlenir.
Adım 2: Her karınca rastgele bir düğüme atanır.
Adım3: Her karınca olasılık dağılımına (geçiş kuralı) bağlı olarak bir sonraki
düğüme ilerler.
Adım 4: Yolun uzunluğuna bağlı olarak feromon iz miktarları belirlenir.
Adım 5: Feromon izlerinin yerel güncellemesi yapılır.
Adım 6: Feromon izlerinin global güncelleme yapılır.
Adım 7: 2. adımdan 6 adıma kadar olan adımları durdurma kriterine ulaşıncaya dek
tekrarla.
Karına koloni optimizasyonu geliştirildiğinden beri üzerinde bir takım değişiklikler
yapılmıştır. Performansını arttırmaya ve daha farklı problemlerin çözümünde
kullanmaya yönelik yapılan modifikasyonlar, farklı isimlerle anılan birçok karınca
koloni optimizasyon algoritmasını ortaya çıkarmıştır. Bunlar Şekil 3-7'de verilmiştir.
![Page 100: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/100.jpg)
82
Şekil 3-7 Karınca Koloni Algoritmaları
(Sivanandam ve Depa, 2008: 417)
KKO yöntemi farklı tipteki kombinatoryal optimizasyon problemlerinin çözümünde
başarıyla uygulanmaktadır. Bunlardan en önemlileri, TSP problemleri, sipariş
sıralama problemleri, kuadratik atama problemleri, araç rotalama problemleri,
çizelgeleme problemleri, grafik boyama problemleri ve ağ problemleridir (Ghoseiri
ve Nadjari, 2009: 3).
3.2.5.3.Karınca Sistemi
Karıncaların feromon bırakma ve takip etme mantığı üzerine kurulu olan ilk
algoritmadır. Bu algoritmadan kastedilen yukarıda da bahsedildiği gibi Ant-Cycle
algoritmasıdır. Bu algoritma ilk olarak TSP problemi üzerinde denenmiştir.
Karınca Koloni Optimizasyon Algoritmaları
Karınca Sistemi (AS)
Elitist AS
Ant- Q Max-Min AS
Mertebe
Temelli-AS
Karınca Koloni Sistemi (ACS)
![Page 101: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/101.jpg)
83
AS algoritmasında, karıncalar sonucu sırayla çizgedeki (graph) noktaları gezerek
paralel bir şekilde çözerler. Her karıncanın bir noktadan diğerine geçmesinde
olasılığa dayalı bir kural uygulanır. Karınca k nın i noktasından j noktasına geçerken
uygulanan olasılık fonksiyonu (3.9) numaralı formüle (olasılık bağıntısı) göre
belirlenir (Gasbaouı ve Allaoua, 2009:6-7).
α βτ(i, j) η(i, j)
eğer j S (i)kα βP (i, j) = τ(i, u) η(i, u)u S (i)k
k
0 diğer durumlarda
(3.9)
u: Karıncanın bulunduğu konumdan sonra seçebileceği işlerin her biri
τ ij : (i,j) köşelerindeki feromon iz miktarı.
η ij : (i,j) köşeleri arasındaki görünülürlük (visibility) değeridir. i ve j noktaları
arasındaki mesafenin tersidir (1/δ(i,j)) . Bu değer problem çözümünde ele alınan
kritere göre değişmektedir.
Sk= henüz k karıncası tarafından ziyaret edilmemiş i den sonraki gidilebilecek
noktalar kümesidir.
α : Problemde feromen izine verilen bağıl önemi gösteren bir parametredir.
β : Problemde sezgisel bilginin (görünülürlük) önemini gösteren bir parametredir
Karıncalar bu olasılık formülüne göre bir sonraki seçimlerini yaparlar. Problemdeki
tüm düğüm noktalarıya da işler gezildikten sonra bir tur veya iterasyon
tamamlanmıştır. τ ij (t) iterasyon t’ ye kadar biriken i, j arkındaki feromon düzeyi, Δ
τ ij k karınca k’ nın i, j arkına bırakacağı feromon miktarı ve m karınca sayısı olmak
üzere t+1 iterasyonuna ait feromon düzeyi (3.10) numaralı formüle göre hesaplanır.
τ (t +1) = (1-ρ).τ (t) + Δτij ij ij (3.10)
ρ : Buharlaşan feromon iz oranı (0 < ρ <1)
ijΔτ : Karıncanın bir turu boyunca (i,j) köşesini seçmesinden dolayı bu köşedeki
feromon iz miktarını gösterir. Bu miktar (3.11) numaralı formüle göre hesaplanır.
![Page 102: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/102.jpg)
84
f k
k=1Δτ = Δτ
ij ij (3.11)
(3.12) numaralı bağıntı ise her bir (k) karıncasının herhangi bir (i,j) köşesindeki
feromon iz miktarına nekadarlık katkı yapacağını gösterir
Δ
1eğer (i, j) tabu
k kLτ (t +1) = kij0 aksihalde
∈ (3.12)
Lk, k karıncası tarafından oluşturulan tur uzunluğu ve tabuk k karıncasının
gerçekleştirdiği turdur bir başka deyişle, k karıncasının o ana kadar uğramış olduğu
şehirlerin bulunduğu bir depodur.
t = 0 anında feromon miktarı, tüm (i, j) kenarları çok küçük bir değer olan c sabiti
miktarınca atanmaktadır. Bu değer, Lnn
en yakın komşu turun uzunluğuna göre
hesaplanan tur uzunluğu olmak üzere ve τ0=1/Lnn
şeklinde hesaplanır.
Karınca sisteminin çalışma şekli, gidilmesi mümkün olan tüm komşu işlerin
gösterildiği bir şekil üzerinde ifade edilecektir. Bu şekilde, t=0 anında tüm karıncalar
rasgele birbaşlangıç noktasına yerleşmiştir. Şekildeki başlangıç konumu Şekil 3-8’de
gösterilmiştir. Şekil 3-8’de görülmekte olan yapı, 3 işin ve 4 adet makinenin
bulunduğu bir atölye yapısı gibi düşünülebilir (Alaykıran Engin, 2005:72).
![Page 103: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/103.jpg)
85
Şekil 3-8 Ele Alınan Problemin Başlangıç Konumu
(Alaykıran ve Engin, 2005: 72)
Şekil 3-9’da, düğüm noktaları arasında çizilmiş oklar karıncanın gidebilceği olası
noktaları göstermektedir. Karıncalar bulundukları konumdan bir sonraki konuma
nasıl gideceklerine rassal olarak karar verirler. Şekil 3-9’da karınca ilk seçimini
yapmış ve u11 düğümüne gitmiştir.
Şekil 3-9’da karınca aynı düğüm noktasına bir daha dönmemek üzere, tüm düğüm
noktalarını seçer ve bir turu böylece tamamlamış olur. Karıncanın seçtiği tüm
düğümler Şekil 3-10’da gösterilmiştir. Karınca bir tam tur yaptıktan sonra o turda
Şekil 3-9 Karıncanın Seçtiği İlk Düğüm Noktası
(Alaykıran ve Engin, 2005: 72)
![Page 104: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/104.jpg)
86
geçtiği tüm noktalara feromon maddesi bırakır. Bir sonraki turunda ise bu feromon
maddesi miktarı karıncanın seçeceği düğümleri etkileyecektir.
Bu verilen bilgilere göre AS algoritması Şekil 3-11’deki gibidir.
Şekil 3-10 Problemin Son Hali
(Alaykıran ve Engin, 2005: 72)
![Page 105: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/105.jpg)
87
Şekil 3-11 Karınca Sistem Algoritması (Dorigo v.d., 1996)
1. Başlangıç:
t=0 {zaman sayacı}
NC:=0 {tur sayacı}
Her i,j yolu için τij(0) =c ve Δ τij =0
2. Tur Başlangıcı:
s:=1 (s tabu listesi indeksi)
k:=1'den f’ ye kadar
k. karıncanın başlangıç düğümünü tabu
listesine ekle, tabuk (s)
3. Her karıncanın turu
Tabu listesi dolana kadar tekrarla
s:=s+1
k:=1'den f' ye kadar
pkij olasılığına göre gidilecek j şehrini seç
{k. karınca t zamanında i=tabuk(s-1) şehrinde}
k. karıncayı j şehrine hareket ettir
j şehrini tabuk(s) ya ekle
4. Tur sonunda tur uzunluğunu ölçme ve en
iyi tur değerini yenileme
k:=1'den f 'ye kadar
k. karıncanın indeksini tabuk (n) den tabuk(1)
e getir
k. karıncanın tur uzunluğunu (Lk) hesapla
En iyi tur uzunluğunu yenile ve hafızaya al
5. Feromon güncellemesi
Tüm (i,j) kenarları için
k:=1'den f 'ye kadar
k
1eğer (i, j) tabuk
Δτ = Lij k
0 aksihalde
∈
Tüm (i,j) kenarları için
τ ij(t+1)= τ ij(t)+ ij eşitliğine göre τ ij (t+1)
değerini bul
t:=t+1, NC:=NC+1
Tüm (i,j) kenarları için ij=0
6. Sonlandırma
Eğer (NC < NCMAX) ise{NCMAX maksimum tur
sayısı}
Tüm karıncaların Tabu listelerini boşalt
2. basamağa git, değilse
En kısa turu yazdır
Dur
![Page 106: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/106.jpg)
88
3.2.5.4 Elitist Karınca Sistemi
Karınca sistemi üzerinde yapılan ilk değişiklik sonucu ortaya çıkan algoritma elitist
karınca sitem algoritmasıdır. Elitist karınca sistemi (EAS) genetik algortimadan
esinlenerek geliştirilmiştir. En iyi tura ait kenarların feromon miktarları, her
iterasyonda AS’de uygulanan global feromon güncellemesine ilave olarak fazladan
feromon artırımına tabi tutulmaktadır. Bu yöntem aynı zamanda Elitist strateji olarak
da anılmaktadır.
En iyi tur Tbs
, en iyi turun uzunluğu Lbs
ve e elitist karınca sayısı olmak üzere, en iyi
turun üzerinde bulunan kenarlara ait feromon miktarı e(1/ Lbs
) kadar artırılmaktadır.
Buna göre en iyi tura ait (t+1) anındaki feromon miktarı formül (3.13) ve (3.14) ile
hesaplanmaktadır (Martinez ve Herrera, 2007:118).
mk bs
ij ij ij ijk=1
τ (t +1) = τ (t) + Δτ +eΔτ (3.13)
bs bs
bs
ij
1/ L eğer (i, j) TΔτ =
0 aksihalde (3.14)
EAS yönteminde feromon buharlaşması ise AS’de verilen formülle
hesaplanmaktadır.
Dorigo’nun (1992) ve Dorigo ve arkadaşlarının (1996) yaptığı çalışmalarda, elitist
strateji içeren AS sisteminin AS’den daha iyi sonuçlar verdiği gösterilmiştir.
3.2.5.5 Max-Min Karınca Sistemi
Max-Min karınca sistemi (MMAS) ilk olarak 1997 yılında Stützle ve Hoos
tarafından önerilmiştir. MMAS diğer karınca koloni algoritmalarından farklı üç
özelliğe sahiptir (Puris, Bello ve Herrera, 2010: 5445).
![Page 107: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/107.jpg)
89
a) Algoritma uygulanırken bulunan en iyi çözümden faydalanmak amacıyla her
iterasyonda yalnızca bir karıncanın feromon yenilemesine izin verilir.
b) Durgunlaşmayı engellemek için MMAS algoritmasında feromon
güncelleştirilmesine dair bir alt limit ve üst limit belirlenir. Alt ve üst limitler
[τmin , τmax] şeklinde gösterilir.
c) MMAS algoritmasında problemin başlangıcında tüm feromon miktarları
belirlenen üst limite eşitlenir.
MMAS algoritmasında karınca i noktasından j noktasına hareket ederken AS’deki
aynı olasılık fonksiyonunu kullanır. Her iterasyon sonunda sırasında sadece bir
karınca feromon güncellemesi yapar. Bir karıncanın i noktasından j noktasına gitme
olasılığı pij’nin ait olduğu sınırlar [pmin , pmax] ve 0 < pmin < pmax < 1 şeklindedir. k
karıncası için gidilebilecek bir nokta olduğu düşünülürse, bu durumda
pmin = pmax =1 olur.
MMAS’de feromon güncellemesi formülü aşağıda verilmiştir.
(3.15)
best best
ijΔτ =1/ L (3.16)
Lbest
en iyi tura ait çözüm değerini ifade eder. Bu değer iterasyon en iyi Lib
olabileceği gibi, şimdiye dek en iyi Lbs
de olabilir. Genel olarak MMAS
uygulamalarında alternatif yol içinde şimdiye dek en iyi ve iterasyon en iyi kuralları
kullanılır.
Herhangi bir noktada biriken maksimum feromon miktarı 1/ρLopt
’dur ve Lopt
optimum sonuç değeridir. Bu sonuca bağlı olarak t iterasyona kadar birikecek
feromon miktarı formül (3.17)’de verilmiştir (Dorigo ve Blum, 2005: 252).
(3.17)
best
ij ij ijτ (t +1) = τ (t) +Δτ
tmax ı-i t
ij ijoptk=1
1τ (t) = ρ + ρ τ (0)
L
![Page 108: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/108.jpg)
90
3.2.5.6 Mertebe Temelli Karınca Sistemi
AS üzerinde yapılan geliştirmeler sonucunda ortaya çıkan ve elitist stratejiyi de temel
alan diğer bir yöntem ise mertebe temelli karınca sistemidir (RBAS). 1999 yılında
Bullnheimer ve arkadaşları tarafından geliştirilmiştir. RBAS’de feromon
güncellemesi yapılmadan önce karıncalar tur uzunluklarına göre sıralanır. Her
karıncanın feromon güncellemesine yaptığı katkı bu sıraya (μ) göre ağırlıklandırılır.
Buna ek olarak, yerel optimuma takılmayı engellemek için sadece w sayıda
karıncanın yollarında güncelleme yapılır. σ şimdiye dek bulunan en iyi turun
feromon seviyesi ağırlığıdır ve en büyük olandır. En küçük ağırlık ise 1’dir. Buna
göre μ. karıncaya ait ağırlık formülü (ç – μ)’dir ve diğer elitist karıncalar için bu
değer w= ç-1’dir. Tüm bu anlatılanlara göre feromon güncelleme formülü (3.18)’de
verilmiştir (Bulnheimer v.d., 1999: ).
(3.18)
ij ij1
ç-1
τ = Δτ (3.19)
μ
eğer (i, j) μ.en iyi karınca yolu
aksihalde
Q(ç -μ)μ Lτ =
ij0
(3.20)
eğer (i, j) en iyi karınca yolu
aksihalde
Qç*Δτ = L*ij0
(3.21)
μ : sıralama indeksi
μ
ij : μ. karıncanın i,j yoluna bıraktığı feromon miktarı
μL : μ. karıncaya ait tur uzunluğu
*
ij : en iyi turun i,j yoluna ait feromon artış miktarı
ç : elitist karınca sayısı
ij ij ij ijτ (t +1) = ρτ (t) + Δτ + Δτ *
![Page 109: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/109.jpg)
91
L* : en iyi çözümün tur uzunluğu
3.2.5.7 Karınca Koloni Sistemi
Karınca Koloni sistemi (ACS), ilk olarak TSP’ye çözüm oluşturmak üzere 1996
yılında Dorigo ve Gambardella tarafından önerilmiş bir karınca koloni optimizasyon
algoritmasıdır. ACS algoritması, AS algoritmasından üç noktada ayrılır. Birincisi:
ACS karıncaların arama tecrübelerinden daha fazla yararlanır. İkincisi: feromon
buharlaşması ve feromon birikimi sadece o ana kadar bulunan en iyi turun düğümleri
üzerinde gerçekleşir. Üçüncüsü: Her karınca, i den j noktasına geçerken, bir miktar
feromonu uzaklaştırarak alternatif yolların keşif olasılığını artırır, AS'de ise
karıncalar turlarını tamamladıktan sonra feromon güncellemesi yapılır (Dorigo ve
Stützle, 2004: 76).
ACS’nin işleyiş biçimi şu şekilde özetlenebilir: İlk olarak, başlangıç aşamasında,
başlangıç feromon izleri, işler ya da şehirler arasındaki uzaklıklar ve parametreler
belirlenir. Daha sonra, iteratif süreçte, karınca kolonisi, başlangıç işini ya da şehrini
seçer. Tam bir çizelge oluşturana dek her karınca, bir sonraki işi seçmek için geçiş
kuralını uygular. Bir çizelge oluşturulurken, hem sezgisel bilgi hem de feromon
miktarı seçilecek işi belirlemek için kullanılır. Çizelge oluşturulurken, bir karınca,
diğer karıncalara öncülük etmek yani yönlerini değiştirmek ve yerel en iyiye
takılmayı engellemek için yerel güncelleme kuralını uygulayarak seçilen işler
arasındaki feromon miktarını azaltır. Tüm karıncalar çizelgelerini tamamladıktan
sonra, en iyi çizelgenin işleri arasındaki feromon miktarını arttırmak ve diğer yolların
feromon miktarını azaltmak için global güncelleme kuralı uygulanır. Böylece tüm
karıncalar, en iyi çizelge üzerinde odaklanacaklardır. Son aşamada, durdurma kriteri
olarak, maksimum iterasyon sayısına ulaşılana dek döngü tekrarlanır (Yağmahan ve
Yenisey, 2006: 135-136).
Geçiş kuralı (State transition rule): Çizelge oluşturma sürecinde, k karıncasının i
işinden sonra u işini seçmesi formül (3.22) kullanılarak yapılır (Dorigo ve
Gambardella, 1997:5).
![Page 110: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/110.jpg)
92
k
α β
u S (i)eğerq q
0
diğer
arg max τ i, u η i, uj =
J (3.22)
Burada, τ(i,u), (i,u) üzerindeki feromon izi, η(i,u) =1/d (i,u) , i işi ile u işi arasındaki
uzaklığın (d (i,u) ) tersidir. η(i,u) , orijinal karınca koloni sisteminde, i ve u
düğümleri arasındaki bir maliyet ölçüsüne (yani uzaklık) tekabül eder. Sk(i) , i
işinden sonra karınca tarafından seçilebilecek işlerin kümesini gösterir. α, feromon
izinin göreceli önemini belirleyen parametre (α > 0); β, sezgisel bilginin göreceli
önemini belirleyen parametre (β > 0 ); q , [0,1] aralığında düzgün dağılan rastgele bir
sayı ve q0, araştırmaya karşılık devamlılığın göreceli önemini gösteren bir
parametredir (0 ≤q0≤1). j, gidilecek olan şehrin olasılık dağılımına göre belirlenmesi
alternatifini temsil etmektedir ve k karıncasının, formül (3.23)‘ye göre i işinden sonra
seçeceği j işinin olasılığını veren rastgele bir değişkendir:
eğer j S (i)k
diğer durumlarda
α βτ(i, j) η(i, j)
α β(i, j) = τ(i,u) η(i,u)u S (i)k k
0
P (3.23)
Karınca, i işinden sonra çizelgelenecek j işini seçmek zorunda olduğu zaman,
rastgele bir q sayısı üretir. Eğer q ≤ q0 ise, formül (3.22)’e göre en iyi iş seçilir, aksi
takdirde formül (3.23)’ye göre, en iyi iş seçilir.
Yerel güncelleme kuralı (Local updating rule): Global feromon güncellemesine ek
olarak ACS algoritmasında yerel feromon güncellemesi yapılır. Yerel güncellemede
mevcut turun inşası sırasında, her karınca i, j noktasını geçtikten hemen sonra
feromon miktarında değişiklik yapar. Bir çizelge oluşturulurken karınca, formül
(3.24)’ü uygulayarak geçilen işler arasındaki feromon düzeyini azaltır (Cheng ve
Mao, 2007:1228).
![Page 111: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/111.jpg)
93
ij ij 0(1 l). l (3.24)
Burada τ0: başlangıç feromon düzeyi
ρl: yerel feromon buharlaştırma parametresidir ( 0 < ρl <1).
Literatüre göre, yapılan denemeler ρl değerinin 0,1 olması durumunda iyi sonuçlar
verdiğini göstermiştir ve başlangıç fermon düzeyi τ0= 1/Lnn
formülüyle
hesaplanmaktadır. Lnn
en yakın komşu tur uzunluğudur (Dorigo ve Stützle, 2004:
78).
Global güncelleme kuralı (Global updating rule): Global güncelleme kuralı, tüm
karıncalar çizelgelerini tamamladıktan sonra yapılır. Global güncelleme kuralı, en iyi
çizelgenin işleri arasına büyük miktarda feromon bırakılmasını sağlar. Feromon
düzeyi, formül (3.25) ve (3.26) kullanılarak düzenlenir:
ij ij ij(1 g). g. (3.25)
b
eğer (i, j) eniyi tur
aksihalde
1
L
0
(3.26)
ρg, (0 < ρg < 1), global güncellemenin feromon buharlaştırma parametresi ve Lb , o
anki iterasyon için en iyi çizelgenin amaç fonksiyonu değeridir. Global feromon
güncellemesinin amacı daha kısa turların feromon miktarlarını arttırıp cazip hale
getirmektir.
Sezgisel bilgi (Heuristic information): Karıncaların bir noktadan diğer noktaya
geçişlerinde feromon miktarlarıyla birlikte olasılıklı çözüm yapısını yönetmek için
kullandıkları bilgidir. Geliştirilmiş çeşitli sezgisel algoritmalar ya da çeşitli öncelik
kuralları sezgisel bilgi olarak kullanılabilmektedir. Probleme ait özel bilginin
kullanılmasını mümkün kılar. Noktalar ya da problemin yapısına göre işler,
şehirlerarası uzaklığı belirlemek için kullanılır.
![Page 112: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/112.jpg)
94
ACS algoritmasının genel yapısı Şekil 3-12’de verilmiştir.
Şekil 3-12 Karınca Koloni Sistemi Algoritmasının Genel Yapısı
(Wang v.d., 2006: 154)
ACS algoritması Ant-Q algoritmasından temellenmiştir. Ant-Q, 1995 yılında
Gambardella ve Dorigo tarafından önerilmiş bir algoritmadır. ACS ve Ant-Q
arasındaki tek fark, başlangıç feromon miktarının belirlenmesindedir. Ant-Q’da,
başlangıç feromon miktarı τ0=γmaxjєSk(i){τij} formülüyle belirlenir. γ, bir
parametredir ve indirim faktörü olarak adlandırılır. Ant-Q algoritmasında, i
noktasında bulunan k karıncası, i noktasından sonra gelen henüz ziyaret etmediği
noktaların feromon güncellemesini de hesaba katarak gideceği yola karar verir. Diğer
bir deyişle k karıncası, mevcut feromon güncellemesi ile, bir sonraki adıma ait
güncellemeyi kombine ederek gideceği yolu belirler (Dorigo ve Stützle, 2004:78).
Adım 1. Başla: Başlangıç feromon izleri, işler arasındaki uzaklıklar ve
parametreleri belirle.
Adım 2. Döngü (İteratif süreç):
a) Tüm karıncalar için başlangıç işi belirle.
b) Her karınca için bir çizelge oluştur, tüm karıncalar çizelgelerini
tamamlayana kadar bir sonraki işi seçmek için geçiş kuralını uygula.
c)Yerel güncelleme kuralını uygula.
d) Global güncelleme kuralını uygula.
Adım 3. Durdurma kriteri: Eğer maksimum iterasyon sayısına ulaşılmışsa,
dur; aksitaktirde Adım 2’ye geri dön.
![Page 113: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/113.jpg)
95
BÖLÜM 4: UYGULAMADA KULLANILACAK SEZGİSEL VE
METASEZGİSEL ALGORİTMALARIN YAPISI
Bu çalışmada, NP-zor olarak nitelendirilen çok kriterli PFSP' nin metasezgisel ve
sezgisel yöntemlerle çözümü ele alınmıştır. Üç kriter, (Maksimum tamamlanma
zamanı, toplam akış zamanı ve toplam boş makine zamanı) ayrı ayrı ve birlikte
değerlendirilmiştir. Yapılan çalışmada, iki kriterli çizelgeleme problemlerinin
çözümü için geliştirilmiş HAMC sezgiseli üç kriterli PFSP' ye uyarlanarak çözüm
elde edilmeye çalışılmıştır. Daha sonra ele alınan üç kriterli PFSP için ACS
algoritması geliştirilerek elde edilen sonuçlar HAMC algoritması ile
karşılaştırılmıştır.
4.1. HAMC Algoritması Ve Üç Kriterli PFSP' ye Uyarlanması
HAMC algoritması Ravindran v.d. tarafından 2005 yılında, iki kriterli akış tipi
çizelgeleme problemlerinin çözümü için geliştirilmiş bir yöntemdir. Ravindran v.d.'
nin ele aldığı iki kriter, maksimum tamamlanma zamanı ve toplam akış zamanıdır.
Çalışmada Taillard'ın test problemleri kullanılarak, çok kriterli akış tipi problemler
için geliştirilmiş CR ve CR (MC) sezgiselleri, HAMC ile karşılaştırılmış ve HAMC
algoritmasının daha iyi sonuçlar verdiği gözlemlenmiştir.
4.1.1. HAMC Algoritması
HAMC algoritmasında amaç, akış tipi çizelgeleme problemlerinde maksimum
tamamlanma zamanı ve toplam akış zamanını minimize etmektir. HAMC
algoritması, Rajendran ve Chaudhuri tarafından 1991 yılında, akış tipi çizelgeleme
problemlerinde toplam akış zamanının minimize edilmesi için geliştirilmiş bir
yöntemle bulunan başlangıç çözümü ile başlar. Bu algoritma CR algoritması olarak
adlandırılır. CR yönteminde toplam akış zamanının minimize edilmesi için üç farklı
sezgisel kriter önerilmiştir. Birincisi, toplam boş makine zamanlarının toplamını
gözönüne alır; ikincisi, toplam boş makine zamanını ve işlerin boş bekleme
zamanlarını gözönüne alır ve üçüncüsü de ilk iki kritere ek olarak tamamlanma
![Page 114: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/114.jpg)
96
zamanını gözönüne alır. HAMC algoritması CR algoritmasının üçüncü sezgisel
kriterini kullanarak bir başlangıç sırası elde eder. Ele alınan problem önce CR
algoritması ile çözüldükten sonra elde edilen çizelge HAMC algoritmasında
başlangıç değeri (seed value) olarak kullanılır (Ravindran v.d., 2005: 1009).
CR algoritmasının işleyiş biçimi ise şöyledir (Rajendran ve Chaudhuri, 1991: 319):
n işten ve m makineden oluşan bir permütasyon akış tipi sistemde, σ: mevcut kısmi
çizelgeyi; n', kısmi çizelgedeki işlerin sayısını; tij:, i işinin j makinesindeki işlem
zamanını; π: çizelgelenmemiş iş setini; b: kısmi çizelgedeki son işi; a: π içindeki
işleri; [i]:çizelgedeki i. pozisyondaki işi; C(σ, j): kısmi çizelgenin j makinesindeki
tamamlanma zamanını; Fσ: kısmi çizelgedeki işlerin toplam akış zamanını; C(σa, j): a
işi kısmi çizelgeye eklendiğinde σa kısmi çizelgesinin j makinesindeki tamamlanma
zamanını ve Wba: çizelgelenmemiş iş setindeki a işinin kısmi çizelgedeki b işini
takip ettiği zamanki toplam bekleme zamanını göstermek üzere,
Kısmi çizelge σa'nın j makinesindeki tamamlanma zamanı formül (4.1) ile
hesaplanır.
ajC( a, j) max C( , j),C( a, j 1) t (4.1)
Algoritmanın ilk aşamasında başlangıç sıfır çizelgesini gösterir, C(σa,0)=0 ve
C(ϕ,j)=0 olarak ifade edilir.
σa için toplam akış zamanı formül (4.2) ile hesaplanır.
aF F C( a,m) (4.2)
İlk olarak işlerin tamamlanma zamanları hesaplanır. Eğer a işi için herhangi bir
bekleme söz konusu değilse, a işinin tamamlanma zamanı formül (4.3) ile hesaplanır.
(4.3)
m
aj
j 1
C( a,m) C( ,1) t
![Page 115: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/115.jpg)
97
Eğer a işinin daha önceki makineleri beklemesi söz konusu ise a işinin tamamlanma
zamanı formül (4.4) ile toplam bekleme zamanı ise formül (4.5) ile hesaplanır.
(4.4)
m
ba
j 2
W max C( , j) C( a, j 1),0 (4.5)
İkinci olarak makinelerin boş bekleme ve işlerin boş bekleme zamanının toplamı
formül (4.6) ile hesaplanır. Bu formülde, makinelerin boş bekleme zamanları ve
işlerin boş bekleme zamanları toplam olarak verilmiştir.
(4.6)
Her iş için toplam tamamlanma zamanı ve toplam makine boş bekleme zamanı ve
işlerin boş bekleme zamanı yukarıda yazılan formüller vasıtasıyla hesaplanır ve her
iş için bu üç değer toplanarak toplam değeri verir. Hangi işin toplam değeri en küçük
ise o iş kısmi çizelgenin ilk işi olarak atanır. Daha sonra çizelgelenmemiş işler
listesindeki işler, seçilen işle tek tek kombine edilerek, tüm kombinasyonların
tamamlanma zamanları, toplam makinelerin boş bekleme zamanları ve işlerin boş
bekleme zamanları yukarıda verilen formüller ile hesaplanır. Daha sonra bu değerler
her kombinasyon için toplanır ve toplam değerler içinden en küçük toplam değeri
veren kombinasyondaki son iş kısmi çizelgeye eklenir. Bu işlem tüm işler
çizelgelene dek devam ettirilir. Bu işlem bir örnekle şöyle ifade edilebilir: 5 iş olan
bir sistemde, eğer kısmi çizelgenin ilk işi olarak 1 numaralı iş seçilmişse, 1-2, 1-3, 1-
4 ve 1-5 şeklindeki kombinasyonlar oluşturulur. Bu kombinasyonlardan en küçük
toplam değeri veren 1-3 çifti ise kısmi çizelgenin ikinci işi 3 numaralı iştir. Daha
sonra 1-3-2, 1-3-4 ve 1-3-5 şeklindeki üçlü kombinasyonlardan en küçük toplam
m
ba aj
j 1
C( a,m) C( ,1) W t
m
j 2
abs C( a, j 1) C( , j)
![Page 116: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/116.jpg)
98
değeri veren 1-3-2 ise kısmi çizelgenin 3. işi 2 numaralı iştir. En son 1-3-2-4 ve 1-3-
2-5 arasından en küçük toplam değeri veren 1-3-2-5 ise, kısmi çizelgenin 4. işi 5
numaralı iş olarak seçilecektir ve geriye kalan 4 numaralı iş ise çizelgenin son işi
olarak eklenecektir. CR algoritmasına göre çizelge 1-3-2-4-5 olarak elde edilmiş
olacaktır.
CR algoritması Şekil 4-1'de verilmiştir.
Şekil 4-1 CR Algoritması
(Rajendran ve Chaudhuri, 1991: 321)
HAMC algoritmasının bu aşamadan sonraki prosedürü aşağıda adım adım verilmiştir
(Ravindran v.d., 2005:1 009)
1. Ele alınan problem CR algoritmasıyla çözülür. Elde edilen başlangıç çözümünün
maksimum tamamlanma zamanı ve toplam akış zamanı hesaplanır.
2. 1. aşamadan sonra HAMC algoritmasının ilk iterasyonu başlar.
Adım 1: Başlangıç, σ=ϕ ve n'=0
Adım 2: n'=n+1
Adım 3: C(σa, j)hesapla j=1,2,....m ve a π
Adım 4: Aşağıdaki formülü her iş için uygula ve minimum olanı seç.
m m
j 2 j 1
abs C( a, j 1) C( , j) C( a, j)
Bağ kırma kuralı kullanılması gerektiğinde son kademede en küçük
tamamlanma zamanı olan b seçilir.
Adım 5: Seçilen a işini kısmi çizelgeye ekle ve bundan sonra kısmi çizelgeyi
olarak adlandır ve a işini π' den çıkar.
Adım 6: Eğer n'=n-1 ise Adım7' ye git, aksitaktirde Adım 2'ye dön.
Adım 7: Geri kalan işi kısmi çizelgeye ekle, bu iş eklendikten sonraki
tamamlanma zamanını bulunuz. Nihai çizelgedeki toplam akış zamanını
hesapla.
Dur
![Page 117: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/117.jpg)
99
3. Başlangıç çözümünün sıraları değiştirilerek yeni sıralar elde edilir. İlk olarak,
sıranın 1. ve 2. işi kendi arasında değiştirilir ve diğer işler aynı pozisyonunda kalır.
Böylelikle yeni bir çizelge elde edilmiş olur. Daha sonraki değişim 1. ve 3. iş
arasında gerçekleştirilir ve yine diğer işlerin pozisyonları sabit kalır. Bundan sonraki
değişim ise 1. ve 4. iş arasında gerçekleştirilir. Benzer bir şekilde değişimler
sürdürülerek yeni sıralar elde edilir ve elde edilen her yeni çizelgenin maksimum
tamamlanma zamanı ve toplam akış zamanı hesaplanır.
4. CR algoritmasından elde edilen başlangıç çizelgesi SS simgesiyle gösterilir.
Değişimlerle elde edilen yeni çizelgeler ise S olarak ifade edilir. Her iterasyonda elde
edilen her çizelgenin R' değeri hesaplanır. En küçük R' değerlerine sahip olan çizelge
bir sonraki iterasyonda başlangıç çizelgesi olarak kullanılır. R' değeri, formül (4.7)
kullanılarak hesaplanır.
R'= (Cmax(S) -Min(Cmax(SS), Cmax(S))/ Min(Cmax(SS), Cmax(S)) + (ΣF(S)- Min(ΣF(S),
ΣF(SS))/ Min(ΣF(SS), ΣF(S)) (4.7)
R'= Elde edilen yeni çizelgenin maksimum tamamlanma zamanı ve toplam akış
zamanını göz önüne alarak hesaplanan etkinlik değeri
Cmax(SS): SS çizelgesine ait maksimum tamamlanma zamanı
Cmax(S): S çizelgesine ait maksimum tamamlanma zamanı
ΣF(SS): SS çizelgesine ait toplam akış zamanı
ΣF(S): S çizelgesine ait toplam akış zamanı
5. Bu iterasyonlar belirlenen durdurma kriterine kadar devam ettirilir. Genelde
önerilen iterasyon sayısı 10-20 arasındadır.
6. Tüm iterayonlar tamamlandıktan sonra, elde edilen çizelgeler arasından aşağıda
belirtilen 3 yönteme göre seçim yapılır.
HAMC1: Tüm iterasyonlardan elde edilen çizelgeler karşılaştırılır ve en küçük
maksimum tamamlanma zamanına sahip olan çizelge seçilir. Eğer birden fazla
çizelge aynı maksimum tamamlanma zamanına sahipse, bunlar arasından en küçük
toplam akış zamanına sahip olan çizelge seçilir.
![Page 118: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/118.jpg)
100
HAMC2: Tüm iterasyonlardan elde edilen çizelgeler ve en küçük toplam akış
zamanına sahip olan çizelge seçilir. Eğer birden fazla çizelge aynı toplam akış
zamanına sahipse, bunlar arasından en küçük maksimum tamamlanma zamanına
sahip olan çizelge seçilir.
HAMC3: Son iterasyondan elde edilecek sıra sonuç çizelgesi olarak kabul edilir.
HAMC algoritmasını daha anlaşılabilir kılabilmek için, 5 makine ve 5 işten oluşan
bir problem örnek olarak verilmiştir. Örneğe ait işlem zamanları Tablo 4-1'de
görülmektedir
Tablo 4-1 5 iş ve 5 Makineden Oluşan Problemin İşlem Zamanları
(Ravindran v.d., 2005:1009)
Makineler
İş M1 M2 M3 M4 M5
1 10 11 20 22 5
2 3 21 19 13 12
3 45 30 9 15 17
4 1 40 32 24 28
5 35 4 26 16 25
Tablo 4-2' de verilen örneğin HAMC algoritmasıyla çözülmüş ilk iterasyonu ve
maksimum tamamlanma zamanları ile toplam akış zamanları görülmektedir.
![Page 119: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/119.jpg)
101
Tablo 4-2 HAMC Algoritmasıyla Çözülmüş İlk İterasyon
(Ravindran v.d., 2005:1009)
Değişecek
İş çiftleri Sıralar
Maksimum
tamamlanma
zamanı
Toplam
akış
zamanı
R'
Başlangıç
sırası 2 1 5 4 3 193 657 -
2 1 1 2 5 4 3 193 653 0
2 5 5 1 2 4 3 218 769 0.3
2 4 4 1 5 2 3 189 776 0.1811
2 3 3 1 5 4 2 230 870 0.5159
1 5 2 5 1 4 3 200 677 0.0667
1 4 2 4 5 1 3 196 763 0.1769
1 3 2 3 5 4 1 216 768 0.2881
5 4 2 1 4 5 3 201 702 0.1099
5 3 2 1 3 4 5 237 736 0.3482
4 3 2 1 5 3 4 247 699 0.3437
Tablo 4-2' ye göre;
HAMC1: 4-1-5-2-3, CmaxS':189, ΣF(S): 776
HAMC2: 1-2-5-4-3, CmaxS':193, ΣF(S): 653
HAMC3: 1-2-5-4-3, CmaxS':193, ΣF(S): 653
4.1.2. HAMC Algoritmasının Üç Kriterli Duruma Uyarlanması
HAMC algoritması iki kriterli akış tipi çizelgeleme problemleri için geliştirilmiş bir
algoritmadır. Bu çalışmada ele alınan problem üç kriterlidir ve HAMC algoritması üç
kritere uygun biçimde değiştirilmiştir. Yukarıda anlatılan HAMC algoritmasından
farklı olarak maksimum tamamlanma zamanı ve toplam akış zamanına ek
makinelerin toplam boş bekleme zamanı 2. bölümde verilen 2.7 numaralı formülle
hesaplanır ve HAMC' nin 4. adımındaki R' formülü ise aşağıdaki gibi değişir.
![Page 120: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/120.jpg)
102
R'= (Cmax(S) -Min(Cmax(SS), Cmax(S))/ Min(Cmax(SS), Cmax(S) + (∑F(S) -
Min(∑F(SS), ∑F(S))/ Min(∑F(SS), ∑F(S)) + (∑I (S) -Min(∑I (SS), ∑I (S))/ Min(∑I
(SS), ∑I(S)) (4.8)
ΣI (SS): SS çizelgesine ait makinelerin toplam boş bekleme zamanı
ΣI (S): S çizelgesine ait makinelerin toplam boş bekleme zamanı
Çizelgelerin seçimi ise aşağıda verilen üç yöntemle yapılmaktadır.
HAMCM: Tüm iterasyonlardan elde edilen çizelgeler karşılaştırılır ve en küçük
maksimum tamamlanma zamanına sahip olan çizelge seçilir. Eğer birden fazla
çizelge aynı maksimum tamamlanma zamanına sahipse, bunlar arasından toplam akış
zamanı ile makinelerin toplam boş bekleme zamanı toplamı en küçük olan çizelge
seçilir.
HAMCF: Tüm iterasyonlardan elde edilen çizelgeler karşılaştırılır ve en küçük
toplam akış zamanına sahip olan çizelge seçilir. Eğer birden fazla çizelge aynı
toplam akış zamanına sahipse, bunlar arasından maksimum tamamlanma zamanı ile
makinelerin toplam boş bekleme zamanı toplamı en küçük olan çizelge seçilir.
HAMCI: Tüm iterasyonlardan elde edilen çizelgeler karşılaştırılır ve en küçük
toplam makinelerin boş bekleme zamanı sahip olan çizelge seçilir. Eğer birden fazla
çizelge aynı makinelerin toplam boş bekleme zamanı sahipse, bunlar arasından
toplam akış zamanı ile maksimum tamamlanma zamanı toplamı en küçük olan
çizelge seçilir.
4.2. Çok Amaçlı Karınca Koloni Sistemi Algoritması
Çok amaçlı karınca koloni sistemi algoritması (MACS), ACS algoritmasını temel
alan bir algoritmadır. 2010 yılında Yağmahan ve Yenisey tarafından iki kriterli PFSP
için geliştirilmiştir. Bu çalışmada MACS algoritması üç kriterli PFSP problemine
uygulanacaktır. MACS algoritmasının yapısı aşağıdaki başlıklarda verilmiştir.
![Page 121: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/121.jpg)
103
Başlangıç Feromon Düzeyi: Algoritmanın İlk adımı başlangıç feromon düzeyinin
belirlenmesidir. Başlangıç feromon düzeyi rastgele belirleneceği gibi, bir başlangıç
çözümü sözkonusu ise belli bir formül çerçevesinde de belirlenebilmektedir. Bu
çalışmada başlangıç feromon düzeyi bütün noktalar için aynı kabul edilmiştir ve
(4.9) numaralı formülle hesaplanır (Yağmahan ve Yenisey, 2010: 1363).
-1
0 max=[n.(C (S') + F(S') + I(S'))] (4.9)
Bu çalışmada başlangıç feromon düzeyi rastgele olarak ve SPTΣt, SPTtj1, LPTΣt ve
LPTtj1 yöntemleriyle elde edilen çözümlerle belirlenmiştir. Bu yöntemlerden elde
edilen çizelgeler S’ ile gösterilmiştir.
Yöntemlerin açıklaması aşağıdaki gibidir (İşler v.d., 2009: 32):
SPTΣt: Toplam işlem zamanları esaslı işlerin küçükten büyüğe doğru sıralanması
SPTtj1: Birinci makine işlem zamanları esaslı işlerin küçükten büyüğe doğru
sıralanması
LPTΣt: Toplam işlem zamanları esaslı işlerin büyükten küçüğe doğru sıralanması
LPTtj1: Birinci makine işlem zamanları esaslı işlerin büyükten küçüğe doğru
sıralanması
Parametrelerin Belirlenmesi: Çalışmada kullanılacak en uygun parametrelerin
belirlenmesi için parametre optimizasyon çalışması yapılmıştır. Öncelikle bir eğilim
tespit etmek amacıyla parametrelerin alabileceği değerler için araştırma yapılmış ve
her parametre için dört farklı değer kullanarak denemeler gerçekleştirilmiştir.
Parametreler ve kullanılacak değerler aşağıda verilmiştir (Dorigo ve Gambadella,
1996: 8, Ying ve Liao, 2004: 797, Yağmahan ve Yenisey, 2006: 138).
q0: Araştırmaya karşılık devamlılığın önemini gösteren parametre (0.2, 0.5, 0.7, 0.9)
α: Feromon izinin göreceli önemini belirleyen parametre, (0.5, 1 ,2, 5)
β:Sezgisel bilginin göreceli önemini belirleyen parametre, (0.5, 1, 2, 5)
ρl: Yerel feromon buharlaştırma parametresi, (0.1 ,0.2, 0.3, 0.5)
ρg: Global feromon buharlaştırma parametresi, (0.1, 0.2, 0.3, 0.5)
![Page 122: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/122.jpg)
104
f: Karınca sayısı, (10, 20, 40,50)
tmax: Maksimum iterasyon sayısı, (500, 1000, 1500, 2000)
Parametrelerin probleme özgü en uygun değerini belirleyebilmek için çok sayıda
deneme yapılmıştır. Test problemleri olarak, Taillard tarafından sunulan test
problemleri üzerinde çalışma yapılmıştır. Test problemleri, http://mistic.heig-
vd.ch/taillard/ adresinden elde edilmiştir. Bu problemler rassal olarak uniform
dağılıma uygun olarak geliştirilmiştir.
Algoritmanın ilk denemeleri Taillard'ın 20 iş-5 makine problemlerinden 5 farklı
örnek grubu kullanılarak yapılmıştır. Başlangıç parametre değerleri olarak q0=0.9,
α=0.5, β=2, ρl=0.3, ρg=0.2, f=20 ve tmax=1000 varsayılan değer olarak alınmış ve her
seferinde bu değerlerden biri test edilmiş ve her deneme 10 kez tekrarlanmıştır.
Toplam deneme sayısı 1400'dür. Denemelerde dikkate alınan kriter maksimum
tamamlanma zamanıdır. Denemeler tamamlandıktan sonra, her parametre için en
küçük maksimum tamamlanma zamanını veren iki değer seçilmiştir. α:(1,2),
β:(0.5,1), ρl:(0.1,0.2) ve ρg:( 0.1,0.2). Farklı q0 değerleri ile yapılan denemelerde,
maksimum tamamlanma zamanının q0 değeri büyüdükçe azaldığı ve bununla birlikte
çözüm süresinin de kısaldığı tespit edilmiştir. Bu nedenle bundan sonraki denemeler
için q0=0.9 olarak kabul edilecektir. Farklı q0 değerlerinin çözüme ve çözüm süresine
etkisini gösterebilmek için, yapılan çalışmadan, sadece birinci örnek grubunun
(ta001) deneme sonuçlarının ortalamaları alınınarak Tablo 4-3'de verilmiştir. (Birinci
örnek grubunun maksimum tamamlanma zamanı için verdiği en iyi üst sınır değeri
1278' dir.)
![Page 123: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/123.jpg)
105
Tablo 4-3 Farklı q0 Değerleri İçin Yapılan Deneme Sonuçları
q0 Değerleri Çözüm En İyi Üst
Değerden Sapma
Çözüm Süresi
0.2 1332 0,042 78
0.5 1339 0,047 74
0.7 1332 0,042 73
0.9 1326 0,036 66
Karınca sayısı için yapılan denemeler sonucunda, karınca sayısı arttıkça maksimum
tamamlanma zamanının azaldığı, aynı zamanda çözüm süresinin uzadığı
gözlenmiştir. Fakat f=10 değeri dışındaki f değerleri için, çözüm sonuçları arasında
anlamlı farklar olmamakta ve bunun yanında karınca sayısı arttıkça çözüm süresinin
iki katına çıktığı görülmüştür. Bu nedenle karınca sayısı 20 olarak sabitlenmiştir.
Yine aynı şekilde, Farklı f değerlerinin çözüme ve çözüm süresine etkisini
gösterebilmek için, yapılan çalışmadan sadece birinci örnek grubunun (ta001)
deneme sonuçlarının ortalamaları alınınarak Tablo 4-4'de verilmiştir.
Tablo 4-4 Farklı f Değerleri İçin Yapılan Deneme Sonuçları
f Değerleri Çözüm En İyi Üst
Değerden Sapma
Çözüm Süresi
10 1376 0,075 13
20 1348 0,054 26
40 1346 0,053 53
50 1347 0,053 66
İterasyon sayısı ise 1000 olarak sabitlenmiştir. Denemelerde iterasyon sayısının
1000’ i aşması durumunda sonuçta değişiklik olmamakta ve süre uzamaktadır. Farklı
tmax değerlerinin çözüme ve çözüm süresine etkisini gösterebilmek için, yapılan
çalışmadan sadece birinci örnek grubunun (ta001) deneme sonuçlarının ortalamaları
alınınarak Tablo 4-5' de verilmiştir.
![Page 124: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/124.jpg)
106
Tablo 4-5 Farklı tmax Değerleri İçin Yapılan Deneme Sonuçları
tmax Değerleri Çözüm En İyi Üst
Değerden Sapma
Çözüm Süresi
500 1356 0,061 27
1000 1327 0,038 54
1500 1327 0,038 81
2000 1329 0,039 108
İlk denemeler sonucunda elde edilen parametre değerlerinin mümkün olan tüm
kombinasyonları tekrar denemeye tabii tutularak en iyi sonuçları veren parametre seti
elde edilmeye çalışılmıştır. Bunun için, Taillard'ın 20 iş-10 makine boyutundaki 5
örnek test problemi seçilmiş ve her deneme 10 kez tekrarlanmış böylece 400 adet
deneme yapılmıştır. Deneme yapılacak parametre setleri Tablo 4-6'de gösterilmiştir.
Tablo 4-6 Deneme Yapılacak Parametre Setleri
Parametre
Set No
α β ρl Ρg
1 1 0.5 0.1 0.1
2 1 0.5 0.1 0.2
3 1 0.5 0.2 0.2
4 1 0.5 0.2 0.1
5 1 1 0.1 0.1
6 1 1 0.1 0.2
7 1 1 0.2 0.1
8 1 1 0.2 0.2
9 2 0.5 0.1 0.2
10 2 0.5 0.1 0.1
11 2 0.5 0.2 0.2
12 2 0.5 0.2 0.1
13 2 1 0.1 0.2
14 2 1 0.1 0.1
15 2 1 0.2 0.2
16 2 1 0.2 0.1
Her parametre setinin verdiği en iyi, ortalama ve en kötü maksimum tamamlanma
zamanı değerlerinin, Taillard'ın en iyi toplam tamamlanma zamanı değerinin üst sınır
değerinden ne kadar sapma gösterdiği sırasıyla Tablo 4-7'de, Tablo 4-8'de ve Tablo
![Page 125: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/125.jpg)
107
4-9'da verilmiştir. Bu tablolardan da görüldüğü üzere, deneme sonuçları tüm
durumlar için benzerlik göstermektedir. Ayrıca en iyi sonucu veren deney ile en kötü
sonucu veren deney arasında en iyi, ortalama ve en kötü değerler için sırasıyla %39,
%22 ve %18 oranında iyileşme sağlanmıştır. Denemeler sonucunda 4 numaralı
parametre setinin en iyi sonucu verdiği tespit edilmiştir. En iyi sonucu veren
parametre değerleri α=1, β=0,5, ρl=02 ve ρg=0.1 olarak belirlenmiştir.
Tablo 4-7 Parametre Setlerinin Verdiği En İyi Değerler
Set No ta011 ta012 ta013 ta014 ta015 Ortalama
1 0,087 0.097 0.084 0.095 0.095 0.089
2 0,082 0.089 0.087 0.113 0.109 0.096
3 0,101 0.101 0.102 0.081 0.102 0.097
4 0,077 0.061 0.062 0.068 0.066 0.066
5 0,097 0.075 0.089 0.081 0.070 0.082
6 0,102 0.097 0.080 0.119 0.112 0.102
7 0,108 0.085 0.076 0.081 0.078 0.085
8 0,082 0.092 0.066 0.097 0.089 0.082
9 0,122 0.126 0.093 0.110 0.101 0.110
10 0,115 0.102 0.092 0.095 0.112 0.103
11 0,077 0.088 0.120 0.081 0.110 0.095
12 0,078 0.098 0.097 0.074 0.097 0.088
13 0,126 0.095 0.109 0.098 0.091 0.103
14 0,112 0.097 0.099 0.105 0.090 0.095
15 0,128 0.089 0.079 0.112 0.099 0.099
16 0,110 0.102 0.116 0.097 0.110 0.107
![Page 126: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/126.jpg)
108
Tablo 4-8 Parametre Setlerinin Verdiği Ortalama Değerler
Set No ta011 ta012 ta013 ta014 ta015 Ortalama
1 0,107 0,104 0,100 0,108 0,105 0,104
2 0,130 0,095 0,115 0,120 0,112 0,114
3 0,120 0,110 0,112 0,095 0,114 0,110
4 0,100 0,090 0,089 0,099 0,090 0,093
5 0,109 0,096 0,095 0,095 0,091 0,097
6 0,130 0,100 0,090 0,120 0,126 0,115
7 0,116 0,098 0,085 0,095 0,089 0,096
8 0,120 0,100 0,080 0,105 0,099 0,100
9 0,125 0,130 0,102 0,120 0,127 0,120
10 0,110 0,110 0,100 0,105 0,121 0,109
11 0,110 0,098 0,132 0,090 0,132 0,112
12 0,111 0,103 0,110 0,098 0,111 0,106
13 0,140 0,100 0,120 0,107 0,115 0,116
14 0,120 0,102 0,109 0,112 0,111 0,110
15 0,135 0,095 0,089 0,121 0,113 0,110
16 0,125 0,110 0,123 0,115 0,124 0,119
![Page 127: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/127.jpg)
109
Tablo 4-9 Parametre Setlerinin Verdiği En Kötü Değerler
Set No ta011 ta012 ta013 ta014 ta015 Ortalama
1 0,130 0,113 0,129 0,113 0,127 0,122
2 0,142 0,109 0,136 0,142 0,147 0,135
3 0,132 0,121 0,139 0,140 0,113 0,129
4 0,120 0,115 0,104 0,121 0,114 0,114
5 0,121 0,120 0,122 0,099 0,115 0,115
6 0,140 0,122 0,135 0,135 0,139 0,134
7 0,120 0,110 0,140 0,110 0,099 0,115
8 0,129 0,140 0,129 0,135 0,120 0,130
9 0,130 0,145 0,136 0,139 0,150 0,140
10 0,128 0,130 0,140 0,138 0,155 0,139
10 0,128 0,125 0,150 0,146 0,148 0,138
120 0,124 0,131 0,145 0,113 0,139 0,130
13 0,150 0,135 0,132 0,140 0,128 0,137
14 0,132 0,122 0,123 0,146 0,127 0,130
15 0,146 0,147 0,108 0,149 0,130 0,136
16 0,139 0,135 0,142 0,139 0,146 0,140
Sezgisel Bilgi: Bu çalışmada kullanılacak sezgisel bilgi, Widmer ve Hertz tarafından
1989 yılında geliştirilen SPIRIT yöntemidir. Yönteme göre iki iş, i ve u işi arasındaki
mesafe, (4.10) numaralı formülle hesaplanır. Bu mesafe işlere ait işlem zamanlarının
bir fonksiyonudur. i ve j işleri, m makine sayısını, e makinelerin diziliş sırasını ve t
işlem zamanını gösterir
![Page 128: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/128.jpg)
110
m
ij i1 ie j,e-1 jm
e=2
d =t + (m-e). |t -t | + t (4.10)
i işi (i=1,2....,n U N) ve u işi (u=1,2.....n) için sezgisel bilgi (4.11) numaralı formülle
hesaplanır.
iu
1η(i, u) =
d (4.11)
Geçiş Kuralı: Algoritmada kullanılan geçiş kuralı klasik ACS algoritmasındakiyle
aynıdır. Geçiş kuralı için bölüm 3' de verilen (3.22) ve (3.23) numaralı denklemler
kullanılacaktır.
Feromon Güncelleme: Yine aynı şekilde, klasik ACS algoritmasındaki (3.24),
(3.25) ve (3.26) numaralı formüller yerel güncelleme ve global güncelleme için
kullanılacaktır.
Yerel Arama: Algoritmada daha iyi sonuçlar elde edebilmek için yerel arama
stratejisi algoritmaya eklenmiştir. Bu çalışmada yerel arama metodu olarak API
(Komşu İş Çiftlerinin Yer Değiştirmesi) yöntemi kullanılmıştır. Literatürde Adjacent
Pairwise Interchange olarak yer alır. Global güncelleme başlamadan önce tüm
karıncalar turlarını tamamladıktan sonra, yerel arama prosedürü başlatılır. API
yöntemine göre, i pozisyonundaki bir iş, j pozisyonundaki bitişik komşusuyla yer
değiştirirken diğer işlerin pozisyonları aynı kalır.
MACS algoritmasının işleyişi ise şöyledir:
İteratif süreçte, tüm karıncalar için başlangıç işi belirlenir. Her karınca bulunduğu
işten bir sonraki işi seçebilmek için geçiş kuralını uygular, bu işlemi tam bir tur ya da
bir çizelge oluşturana kadar devam ettirir. Çizelge oluştururken karınca, sezgisel
bilgi ve feromon izinin yoğunluğunu kullanarak bir sonraki işi seçer. Çizelge
oluşturma prosesinde, her karınca aynı zamanda seçilen işler arasındaki feromon
miktarlarını azaltır. Bu kuralı, diğer karıncaların yollarını değiştirerek yerel eniyiye
takılıp kalmayı engellemek ve yeni çözüm yolları üretmek amacıyla yapar. Bütün
![Page 129: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/129.jpg)
111
karıncalar turlarını tamamladıktan ve bir çizelge oluşturduktan sonra mevcut
iterasyondaki en iyi çizelgeye global güncelleme kuralı uygulanır. Global
güncellemeyle mevcut iterasyona kadar elde edilen iyi çizelgenin işleri arasındaki
feromon miktarı artırılır, diğer işler arasındaki feromon izleri ise azaltılır. Bu şekilde
tüm karıncalar en iyi çizelge üzerine yoğunlaşmış olurlar. Son iş seçilene dek bu
süreç tekrarlanır.
Problemin HAMC ve MACS algoritmalarıyla çözümü sonucunda elde edilen
çizelgelerin amaç fonksiyon değerleri (4.12) numaralı formülle hesaplanır.
Zmin= w1.Cmax + w2.ΣF + w3.ΣI (4.12)
w1: Maksimum tamamlanma zamanına ait ağırlık
w2: Toplam akış zamanına ait ağırlık
w3: Makinelerin toplam boş bekleme zamanına ait ağırlık
Yapılan çalışmada optimumdan sapmaları göstermek veya algoritmalara ait
performans değerlendirmesi yapmak amacıyla bağıl hata hesaplanmaktadır.
RE= (B-O/O)x100 (4.13)
B: Problemin önerilen algoritma tarafından bulunan en iyi değeri
O: Problemin optimum çözüm değeri veya o ana kadar bilinen en iyi değeri
Çalışmada ele alınan algoritmaların kendi aralarında performans karşılaştırması ise
4.14 - 4.17'deki formüller kullanılarak yapılır.
Eğer tek kriter için karşılaştırma söz konusu ise aşağıdaki formüller kullanılır.
C (S) - Min(C (S))max maxRE =Min(C (S))max
Maksimum tamamlanma zamanı için (4.14)
F(S) - Min( F(S))RE =
Min( F(S)) Toplam akış zamanı için (4.15)
I Min( I(S))
REMin( I(S))
Makinelerin toplam boş bekleme zamanı için (4.16)
Üç kriterin birlikte değerlendirmesi durumunda ise 4.17 numaralı formül kullanılır.
![Page 130: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/130.jpg)
112
RE=(Cmax (S)-Min(Cmax (S))/Min(Cmax S) + (ΣF(S) -Min(ΣF(S))/ Min(ΣF(S))+ (ΣI-
Min(ΣI ))/ Min(ΣI) (4.17)
Min(Cmax(S)): Karşılaştırma yapılan algoritmalar arasında en küçük maksimum
tamamlanma zamanını bulan algoritmaya ait S çizelgesinin maksimum tamamlanma
zamanı.
Min(ΣF(S)): Karşılaştırma yapılan algoritmalar arasında en küçük toplam akış
zamanını bulan algoritmaya ait S çizelgesinin toplam akış zamanı.
Min(ΣI(S)): Karşılaştırma yapılan algoritmalar arasında en küçük makinelerin toplam
boş bekleme zamanını bulan algoritmaya ait S çizelgesinde makinelerin toplam boş
bekleme zamanı.
![Page 131: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/131.jpg)
113
BÖLÜM 5: UYGULAMA
Bu bölümde, uygulamanın kapsamı ve ele alınan hattın özellikleri hakkında bilgi
verilmiştir. Hem gerçek bir üretim probleminin, hem de literatürden elde edilen
problemlerin çözümü yapılmış ve sonuçlar karşılaştırılmıştır.
5.1. Uygulamanın Amacı ve Kapsamı
Bu çalışmada, çizelgeleme problemlerinin önemli bir sınıfı olan, çok amaçlı
permütasyon akış tipi çizelgelgeleme problemleri ele alınarak, sezgisel ve
metasezgisel yöntemlerle probleme uygun çözümler bulunmaya çalışılmıştır.
Sezgisel yöntem olarak, çok kriterli akış tipi çizelgeleme problemlerinde iyi sonuçlar
veren 2005 yılında geliştirilmiş HAMC sezgiseli üç farklı versiyonuyla HAMCM,
HAMCF ve HAMCI olarak üç kriterli PFSP'ye uyarlanmıştır. Metasezgisel
yöntemlerden ise, son yıllarda geliştirilmiş ve akış tipi çizelgeleme problemlerinin
çözümünde iyi sonuçlar veren karınca koloni algoritması kullanılmıştır. Karınca
koloni algoritması çok amaçlı PFSP için geliştirilmiş ve MACS olarak
isimlendirilmiştir.
Çalışmanın ilk aşamasında, kablo üretimi yapan bir fabrikadan alınan verilerle
uygulama yapılmıştır. Fabrikadan alınan problem hem HAMC hemde MACS
algoritmalarıyla çözülerek, elde edilen sonuçlar karşılaştırılmıştır. Farklılıkları
görebilmek ve daha iyi çözümler elde edebilmek amacıyla, MACS algoritmasının
başlangıç feromon düzeyleri rastgele ve dört ayrı başlangıç yöntemiyle (SPTΣt,
, LPTΣt ve ) belirlenerek beş farklı çözüm elde edilmeye çalışılmıştır.
Ayrıca, MACS'ye bir yerel arama metodu (API) eklenerek, algoritmanın yerel arama
metoduyla ve yerel arama metodu olmadan, çözümü nasıl değiştireceği gözlenmiştir.
Daha sonra algoritmaların kendi aralarında kıyaslama yapmak amacıyla, algoritma
performansları (bağıl hatalar) hesaplanmıştır. Çalışmada kullanılan algoritmaların
tümünde ilk olarak maksimum tamamlanma zamanı minimizasyonu, ikinci olarak
toplam akış zamanı minimizasyonu, üçüncü olarak makinelerin toplam boş bekleme
zamanı minimizasyonu ve son olarak da bu üç kriterin birlikte minimizasyonu
amaçlanmıştır. Üç kriterin birlikte minimizasyonunda, kriterlerin farklı ağırlıklar
![Page 132: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/132.jpg)
114
alması durumunda amaç fonksiyonunun nasıl değişeceği ve bununla birlikte en iyi
sonucu veren algoritma gözlenmiştir. İlk olarak üç kriter içinde eşit ağırlıklar
verilmiş daha sonra, ağırlıklar farklı oranlarda değiştirilmiştir.
Çalışmanın ikinci aşamasında öncelikle Carlier tarafından önerilen standart
kıyaslama problemleri üzerinde çalışılmıştır. Problemlere ait veriler
(http://mistic.heig-vd.ch/taillard/) adresinden elde edilmiştir. Carlier’in test
problemleri MACS algoritmalarıyla çözülerek, elde edilen sonuçlar Ponnambalam
v.d. tarafından 2004 yılında çok amaçlı (maksimum tamamlanma zamanı, toplam
akış zamanı) akış tipi çizelgeleme problemleri için geliştirilmiş GA ile
karşılaştırılmıştır. Daha sonra geliştirilen MACS algoritmalarının literatürdeki en iyi
sonuçlardan sapmalarını test etmek için Taillard'ın standart test problemleri üzerinde
çalışılmıştır. Maksimum tamamlanma zamanı kriteri için literatürdeki optimal
sonuçlardan sapmalar hesaplanmış; toplam akış zamanı kriteri için ise Taşgetiren v.d.
tarafından 2011 yılında geliştirilen ve literatürdeki en iyi sonuçları veren yapay arı
algoritması ile bulunan sonuçlardan sapmalar hesaplanmıştır. Çalışmada kullanılan
tüm algortimaların çözüm sonuçlarını kuvvetlendirmek amacıyla, her algoritmanın
çözümü onar kez tekrarlanarak en iyi değer alınmıştır.
Yapılan çalışmada, tüm algoritmalar Matlab 7.8 programında kodlanmış ve program
Intel (R) Core (TM) i7 3.2 GHz işlemcili, 8 GB belleğe sahip bir bilgisayar üzerinde
çalıştırılmıştır.
Çalışmanın amacı, PFSP için maksimum tamamlanma zamanı, toplam akış zamanı
ve makinelerin toplam boş bekleme zamanını, önerilen MACS algortimasıyla ayrı
ayrı çizelgelerde ve üç kriteri tek bir çizelgede minimize ederek, sezgisel ve
metasezgisel yöntemleri birbirleri ile kıyaslamaktır.
5.2. Ele Alınan Üretim Hattının Özellikleri
Çalışmanın uygulama aşamasında, tesisat ve alçak gerilim kabloları ile orta ve
yüksek gerilim kabloları üreten bir firmanın üretim sistemi incelenmiştir. Fabrikada
![Page 133: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/133.jpg)
115
bir üretim hattı belirlenerek, bu hatta üretilen çeşitli çaplardaki kablolar ve kabloların
geçtiği üretim aşamaları incelenmiştir.
Üretimin yapıldığı hat, her biri farklı bir işlemi gerçekleştiren sekiz makineden
oluşmaktadır. Makineler akış tipi üretime uygun olarak sıralanmıştır ve bir ürün
oluşana dek her makinede işlem görmek zorundadır. Bu hatta 12 çeşit kablo üretimi
yapılmaktadır. Üretilen kabloların isimleri ve özellikleri Tablo 5-1'de gösterilmiştir.
Tablo 5-1 Kablo Çeşidi Ve Özellikleri
Kablo Çeşidi Kablo Özelliği
YVZ 3V (3x240/120) 3 Damarlı- faz kesiti 240 mm2 / nötr kesiti 120 mm
2
YVZ 3V (3x240/50) 3 Damarlı- faz kesiti 240 mm2 / nötr kesiti 50 mm
2
YVZ 3V (3x185/95) 3 Damarlı- faz kesiti 185 mm2 / nötr kesiti 95 mm
2
YVZ 3V (3x150/70) 3 Damarlı- faz kesiti 150 mm2 / nötr kesiti 70 mm
2
YVZ 3V (3x120/70) 3 Damarlı- faz kesiti 120 mm2 / nötr kesiti 70 mm
2
YVZ 3V (3x100/50) 3 Damarlı- faz kesiti 100 mm2 / nötr kesiti 50 mm
2
YVZ 3V (3x95/70) 3 Damarlı- faz kesiti 95 mm2 / nötr kesiti 70 mm
2
YVZ 3V (3x95/50) 3 Damarlı- faz kesiti 95 mm2 / nötr kesiti 50 mm
2
YVZ 3V (3x70/35) 3 Damarlı- faz kesiti 70 mm2 / nötr kesiti 35 mm
2
YVZ 3V (3x35/16) 3 Damarlı- faz kesiti 35 mm2 / nötr kesiti 16 mm
2
YVZ 3V (3x25/16) 3 Damarlı- faz kesiti 25 mm2 / nötr kesiti 16 mm
2
YVZ 3V (3x16/10) 3 Damarlı- faz kesiti 16 mm2 / nötr kesiti 10 mm
2
İncelenen üretim hattındaki makinelerin gerçekleştirdikleri işlemler sırasıyla aşağıda
verilmiştir:
a) Telçekme
b) İletken büküm
c) İzolasyon
d) Damar büküm
e) Dolgu
f) Zırhlama
g) Kılıflama
![Page 134: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/134.jpg)
116
h) Kangallama
Sekiz farklı makineden oluşan bu hat üzerinde gerçekleşen üretim şu şekilde
özetlenmiştir: Bakır yüzde 99.7 saflıkta elektrolitik bakır katot hammadde olarak
fabrikaya girer. Üretim öncesinde hammadde 1180 derecedeki yüksek fırında
eritilerek, filmaşin olarak tabir edilen 8 mm çapındaki bakır yarımamul haline
getirilir. Bu 8 mm'lik paketler telçekme makinesi denilen inceltme makinesinde
istenilen inceliklere çekilir. Çekilmiş olan tellerin ebatları elektrik iletken direnç
hesaplarına göre bir arada bükülür. Bükülmüş olan bu tellerin üzeri plastik ile izole
edilir. Bu safhadan sonra orta gerilim kablosu elde edebilmek için, izole edilen 4
damar kablo biraraya getirilerek, üç faz bir nötr kaidesine göre ve istenilen kilowatta
göre bükülür. Daha sonra yine plastik dolgu malzemesinden tek kablo haline
getirebilmek için üzeri kaplanır. Bu dolgunun üzerine ince metal levhalarla zırhlama
yapılır. Metal zırhlamalı kablonun üzeri de son izolasyon malzemesi olan PVC ile
kaplanır. Elde edilen son ürün kangallama makinesinde nakil kolaylığı sağlmak
amacıyla kangallar halinde paketlenir.
Bu hat üzerinde gerçekleşen işlemlere ait süreler dakika olarak Tablo 5-2'de
verilmiştir.
![Page 135: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/135.jpg)
117
Tablo 5-2 İşlem Süreleri
Ürün Çeşidi
İşlemler
1 2 3 4 5 6 7 8
1-YVZ 3V
(3x240/120) 185 290 180 176 120 480 190 84
2-YVZ 3V
(3x240/50) 174 242 109 94 88 310 112 77
3-YVZ 3V
(3x185/95) 140 254 114 132 79 344 97 80
4-YVZ 3V
(3x150/70) 98 92 49 64 54 68 100 45
5-YVZ 3V
(3x120/70) 64 84 44 70 47 70 94 51
6-YVZ 3V
(3x100/50) 50 75 63 36 38 124 114 62
7-YVZ 3V
(3x95/70) 74 130 69 102 91 99 90 71
8-YVZ 3V
(3x95/50) 92 140 78 125 70 109 99 89
9-YVZ 3V
(3x70/35) 80 145 90 81 124 104 104 73
10-YVZ 3V
(3x35/16) 95 149 75 70 109 100 90 62
11-YVZ 3V
(3x25/16) 122 180 94 61 105 114 100 74
12-YVZ 3V
(3x16/10) 98 140 110 82 90 142 130 72
![Page 136: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/136.jpg)
118
5.3. Ele Alınan Çok Amaçlı Permütasyon Akış Tipi Çizelgeleme
Probleminin Çözümü
Ele alınan problem, 12 çeşit ürünün üretildiği 8 makineden oluşan bir akış tipi üretim
hattında, maksimum tamamlanma zamanını, toplam akış zamanını ve makinelerin
toplam boş bekleme zamanını ayrı ayrı ve birlikte minimize edecek şekilde ürünlerin
sıralanmasını içeren bir çizelgeleme problemidir.
Tablo 5-3, fabrikadan alınan problemin HAMC algoritması ile çözümünden elde
edilen sonuçları göstermektedir. Kodlama Matlab 7.8 programında yapılmıştır.
Tablo 5-3 HAMC Algoritması ile Çözüm Sonuçları
Kriter Yöntem
HAMCM HAMCF HAMCI
Cmax 3092 3024 3187
ΣF 22721 18062 27990
ΣI 6478 7099 2879
Tablodan da görülebileceği gibi, maksimum tamamlanma zamanı için en küçük
sonucu HAMCF yöntemi, toplam akış zamanı için en küçük değeri yine HAMCF
yöntemi ve makinelerin toplam boş bekleme zamanı için en küçük değeri ise
HAMCI yöntemi vermiştir. Bu sonuçlara ait çizelgeler ise Ek-1'de sunulmuştur.
Yine aynı problem farklı başlangıç çözümlerine sahip MACS algoritması ile
çözülmüş ve Tablo 5-4'deki sonuçlar elde edilmiştir. Her algoritmanın çözüm sonucu
için 10 farklı deneme içinden en iyisi alınarak verilmiştir. En iyi sonuçlara ait
çizelgeler Ek-2' dedir.
Ayrıca MACS algoritmasına bir yerel arama metodu (komşu iş çiftlerinin yer
değiştirmesi-API) eklenerek sonucu iyileştirme yönünde bir araştırma yapılmış ve
sonuç diğer MACS algortimaları ile karşılaştırılmıştır.
![Page 137: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/137.jpg)
119
Tablo 5-4 MACS İle Çözüm Sonuçları
Kriter
Yöntem
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt) MACS
(API)
Cmax 2939 2910 2915 2915 2908 2900
ΣF 18471 18070 18062 18062 18062 18040
ΣI 2644 2623 2623 2623 2620 2610
Tabloya göre üç kriter açısından da en iyi sonucu veren algoritma MACS(API)'dir.
Algoritmaların performansları, diğer bir ifade ile algoritmaların en iyi sonucu veren
(MACS(API)) algoritmadan sapma oranları hesaplanmış ve Tablo 5-5'de verilmiştir.
Tablodan, MACS yöntemlerinin üç kriter açısından da çözüm kalitesinin HAMC
yöntemlerine göre daha iyi olduğu görülmektedir.
Tablo 5-5 Algoritmaların Performans Değerleri
Yöntem Kriter
Ortalama
Cmax ΣF ΣI
HAMCM 0,066 0,042 0,098 0,06
HAMCF 0,260 0,002 - 0,17
HAMCI - - 0,103 0,36
MACS(RND) 0,013 0,023 0,013 0,016
MACS(SPTtj1) 0,003 0,001 0,004 0,002
MACS(SPTΣt) 0,005 0,001 0,004 0,003
MACS(LPTtj1) 0,005 0,001 0,004 0,003
MACS(LPTΣt) 0,002 0,001 0,003 0,002
MACS(API) 0 0 0 -
![Page 138: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/138.jpg)
120
Tablo 5-5'deki sonuçlara göre Maksimum tamamlanma zamanı için MACS(API)'
den ortalama en düşük sapmayı MACS(LPTΣt) ve MACS(SPTtj1) yöntemleri
vermiştir. Ayrıca MACS(RND) yöntemi, başlangıç çözümü olan yöntemlere göre üç
kriter açısından da kötü sonuçlar vermiştir. Tablodaki (-) işareti sapmanın %50'den
fazla olduğunu göstermektedir.
Üç kriterin birlikte minimizasyonunda eşit ve farklı ağırlıklar kullanılmıştır. Bu işlem
için kullanılan amaç fonksiyonları sırasıyla verilmiştir.
Kriterlerin eşit ağırlıkta olması durumunda ağırlıklar sırasıyla,w1=0.33, w2=0.33,
w3=0.33 olarak yazılır ve amaç fonksiyonu Min Z1= (0.33)Cmax + (0.33)ΣF + (0.33)
ΣI şeklinde gösterilir.
Maksimum tamamlanma zamanı kriterinin diğer iki kritere göre iki kat daha önemli
olduğu varsayıldığında, ağırlıklar w1=0.5, w2=0.25, w3=0.25 olarak yazılır ve amaç
fonksiyonu Min Z2= (0.5)Cmax + (0.25)ΣF + (0.25)ΣI şeklinde gösterilir.
Toplam akış zamanı kriterinin iki kritere göre iki kat daha önemli olduğu
varsayıldığında, ağırlıklar w1=0.25, w2=0.5, w3=0.25 olarak yazılır ve amaç
fonksiyonu Min Z3= (0.25)Cmax + (0.5)ΣF + (0.25)ΣI şeklinde gösterilir.
Makinelerin toplam boş bekleme zamanı kriterinin iki kritere göre iki kat daha
önemli olduğu varsayıldığında, ağırlıklar w1=0.25, w2=0.25, w3=0.5 olarak yazılır ve
amaç fonksiyonu Min Z4= (0.25)Cmax + (0.25)ΣF + (0.5)I şeklinde gösterilir. Tüm
durumlarla ilgili sonuçlar Tablo 5-6' da verilmiştir.
Algoritmaların performansları ise, her kriter için en iyi (en küçük) sonucu veren
algoritma baz alınarak diğer bir ifade ile, yöntemlerin en iyi sonucu veren yöntemden
sapmaları hesaplanarak bulunmuş ve Tablo 5-6'da verilmiştir.
![Page 139: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/139.jpg)
121
Tablo 5-6 Farklı Amaç Fonksiyonları İçin Algoritmaların Çözüm Sonuçları
Yöntem Amaç Fonksiyonu
Z1 Z2 Z3 Z4
HAMCM 10656 8845 13753 9692
HAMCF 9300 8821 11561 8586
HAMCI 11238 9233 15511 9310
MACS(RND) 9580 8098 12420 8777
MACS(SPTtj1) 9525 8000 11863 8850
MACS(SPTΣt) 9416 7995 11740 8780
MACS(LPTtj1) 9539 8078 12164 8806
MACS(LPTΣt) 9443 8080 12157 8799
MACS(API) 9300 7916 11500 7802
Tablo 5-6 incelendiğinde, Z1 için en iyi değeri HAMCF ve MACS(API) ; Z2 , Z3 ve
Z4 için MACS(API) yöntemi vermiştir. Tablo 5-7 ise, her amaç fonksiyonu için en
iyi değeri veren yöntemden sapmaları göstermektedir.
Tablo 5-7 Faklı Amaç Fonksiyonları İçin Algoritmaların Performans Değerleri
Yöntem Amaç Fonksiyonu
Z1 Z2 Z3 Z4 Ortalama
HAMCM 0,145 0,117 0,195 0,240 0,174
HAMCF 0 0,114 0,005 0,100 0,054
HAMCI 0,208 0,166 0,348 0,193 0,228
MACS(RND) 0,030 0,022 0,080 0,124 0,064
MACS(SPTtj1) 0,024 0,010 0,031 0,134 0,049
MACS(SPTΣt) 0,012 0,009 0,020 0,125 0,041
MACS(LPTtj1) 0,025 0,020 0,057 0,128 0,057
MACS(LPTΣt) 0,015 0,020 0,057 0,127 0,054
MACS(API) 0 0 0 0 -
![Page 140: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/140.jpg)
122
Tablo 5-7'deki sonuçlar, üç kriterin birlikte minimizasyonunda MACS
algoritmalarının genel olarak HAMC algoritmalarına göre daha iyi performans
gösterdiğini ifade etmektedir. En iyi değerden en düşük ortalama sapmayı %4,1 ile
MACS(SPTΣt) yöntemi vermiştir. MACS(RND), bir başlangıç çözümü olan
yöntemlere göre yine ortalama olarak en yüksek sapmayı göstermiştir. Tablo5-7' deki
her amaç fonksiyonu için en iyi sonucu veren çizelgeler Ek-3'de verilmiştir.
Uygulamadan elde edilen sonucun verilerin alındığı fabrikadaki ürün sıralamasına
göre iyileşme sağlayıp sağlamadığını anlamak amacıyla, bir müşteri tarafından 12
çeşit kablo için verilen sipariş üzerinden değerlendirme yapılmıştır. Tüm ürünlerin
teslimi için tek bir tarih verilmiştir. Bu durumda üretici firma, üretim sırasını
kabloların faz büyüklüklerine göre belirlemiştir. Sıralama şöyledir: 1-2-3-4-5-6-7-8-
9-10-11-12.
Bu sıralamaya göre, maksimum tamamlanma zamanı 3217 dakika; toplam akış
zamanı 27460 dakika ve toplam boş makine zamanı ise 2908 dakikadır. Problem
Microsoft Office Excel tablosu ve fonksiyonları kullanılarak formüle edilmiştir.
Sonuçlar Şekil 5-1’de görülmektedir.
![Page 141: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/141.jpg)
123
Şekil 5-1 Fabrikadaki Üretim Sırasının Excel Tablosunda Modellenmesi
Maksimum tamamlanma zamanı için MACS algortimasıyla elde edilen en iyi sonuç
2900; toplam akış zamanı için MACS algortimasıyla elde edilen en iyi sonuç 18040
ve makinelerin toplam boş bekleme zamanı için MACS algortimasıyla elde edilen en
iyi sonuç 2610’dur. Bu sonuçlara göre,
Maksimum tamamlanma zamanı için: 3217 - 2900 / 3217= %10
Toplam akış zamanı için: 27460 – 18040 / 27460= % 34
Makinelerin toplam boş bekleme zamanı için: 2908 -2610 / 2908= %10 iyileşme
sağlanmıştır.
5.4. Standart Problemler İle Geliştirilen Algoritmanın Test Edilmesi
ve Karşılaştırılması
Çalışmanın bu aşamasında, geliştirilen MACS algoritmalarının performansı standart
test problemleri kullanılarak farklı metasezgisel algoritmaların performansı ile
![Page 142: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/142.jpg)
124
karşılaştırılmıştır. Bu aşama iki bölümden oluşmaktadır. İlk olarak Carlier tarafından
oluşturulmuş standart test problemleri üzerinde, daha sonra ise Taillard tarafından
oluşturulmuş standart test problemleri üzerinde çalışılmıştır.
5.4.1. Carlier'in Test Problemleri İle Yapılan Çalışma
Carlier'in standart test problemlerinin boyutları (iş x makine) Car1-11x5, Car2-13x4,
Car3-12x5, Car4-12x4, Car5-10x6, Car6-8x9, Car7-7x7 ve Car8-8x8 şeklindedir.
Problemlere ait süreler http://people.brunel.ac.uk/~mastjjb/jeb/orlib/files/ adresinden
alınmıştır.
Problemler karınca koloni algoritmalarıyla çözüldükten sonra, elde edilen sonuçlar
Ponnambalam (2004) tarafından geliştirilen GA ile maksimum tamamlanma zamanı
ve toplam akış zamanı kriterleri açısından karşılaştırılmıştır. Tablo 5-8, amaç
fonksiyonunun maksimum tamamlanma zamanı minimizasyonu olması durumunda
algoritmaların çözüm sonuçlarını göstermektedir.
Tablo 5-8 Maksimum Tamamlanma Zamanı İçin Algoritmaların Çözüm Sonuçları
Maksimum tamamlanma zamanı kriteri için Carlier’n tüm problemleri üzerinde en
iyi sonuçları MACS(API) yöntemi vermiştir. Algoritmaların performansları, Tablo 5-
9'da verilmiştir.
Problem
Yöntem
En iyi
değer
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt)
MACS
(API)
GA
Car1 7038 7347 7335 7472 7190 7322 7038 8243
Car2 7166 7724 7741 7526 7677 7617 7176 8458
Car3 7376 8240 7543 7990 7527 7725 7390 9010
Car4 8003 8423 8295 8008 8225 8083 8003 8214
Car5 7702 7862 7835 8379 8210 7865 7727 8633
Car6 8505 9102 9023 8754 8813 8777 8570 10690
Car7 6590 6779 6895 6982 6760 6772 6590 6681
Car8 8366 8736 8479 8754 8766 8564 8366 8816
![Page 143: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/143.jpg)
125
Tablo 5-9 Maksimum Tamamlanma Zamanı İçin Algoritmaların Performans
Değerleri
Tablo 5-9' daki sonuçlar, geiştirilen MACS(API) algoritması literatürdeki en iyi
değerlerden diğer algoritmalara göre en düşük sapmaları göstermiştir. Car1, Car4,
Car7 ve Car8 no'lu problemler için ise en iyi değeri yakalamıştır. Ortalamalara
bakıldığında GA' nın tüm karınca koloni sistem algoritmalarından daha yüksek
değerde (%12,9) bir sapma verdiği gözlenmektedir. Tablo 5-10 amaç fonksiyonunun
toplam akış zamanı minimizasyonu olması durumunda algoritmaların çözüm
sonuçlarını göstermektedir.
Problem
Yöntem
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt)
MACS
(API)
GA
Car1 0,043 0,042 0,061 0,021 0,040 0 0,171
Car2 0,077 0,080 0,050 0,071 0,062 0,001 0,180
Car3 0,115 0,020 0,081 0,020 0,047 0,001 0,221
Car4 0,052 0,036 0,001 0,027 0,010 0 0,026
Car5 0,020 0,017 0,087 0,065 0,021 0,003 0,120
Car6 0,070 0,060 0,0215 0,028 0,036 0,007 0,250
Car7 0,028 0,046 0,059 0,025 0,027 0 0,013
Car8 0,044 0,013 0,046 0,047 0,023 0 0,053
Ortalama 0,050 0,039 0,050 0,038 0,033 0,001 0,129
![Page 144: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/144.jpg)
126
Tablo 5-10 Toplam Akış Zamanı İçin Algoritmaların Çözüm Sonuçları
Toplam Akış Zamanı için Carlier’n tüm problemleri üzerinde en iyi sonuçları
MACS(API) yöntemi vermiştir. Sadece 7 numaralı problemde MACS(RND) ve
MACS(SPTtj1) yöntemleri MACS(API) ile aynı sonucu vermiştir. Algoritmaların
performansları Tablo 5-11'de verilmiştir.
Problem
Yöntem
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt)
MACS
(API)
GA
Car1 59875 58827 59179 58810 59344 58163 63206
Car2 66693 65002 65273 64671 64885 62130 71812
Car3 66334 68182 65675 66510 69558 65020 76920
Car4 78928 78825 78151 78915 70347 67699 70408
Car5 51076 52229 51859 51468 53783 50740 59890
Car6 52541 51725 51861 51861 51966 51448 65000
Car7 34048 34048 35473 34480 34207 34048 36729
Car8 50981 51139 50716 51152 50907 50465 52800
![Page 145: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/145.jpg)
127
Tablo 5-11 Toplam Akış Zamanı İçin Algoritmaların Performans Değerleri
Tablo 5-11' deki sonuçlar, geiştirilen MACS algoritmalarının MACS(API)’den
sapma değerlerinin ortalamasının, Ponnambalam tarafından geliştirilen GA' nın
ortalama sapma değerine göre daha küçük olduğunu göstermektedirr. GA,
MACS(API)' den sırasıyla Car1 için %8, Car2 için %15, Car3 için %16, Car4 için
%4 Car5 için %16, Car6 için %13 Car7 için %7 ve Car8 için %4 sapma göstermiştir.
Sonuç olarak Ponnambalam’ın GA’sı, toplam akış zamanı için ortalamada %10,6
sapma göstermiştir. Carlier'in test problemleri için en iyi sonucu veren çizelgeler Ek-
4'de verilmişitr.
5.4.2. Taillard'ın Test Problemleri İle Yapılan Çalışma
Taillard'ın standart test problemlerinden, her biri 5 farklı örnek içeren 20x5 ve 20x10
boyutlarında 10 farklı problem alınmıştır. 20x5 boyutundaki problemlerden ta001,
ta002, ta003, ta004 ve ta005 kodlu olanlar; 20x10 boyutundaki problemlerden ta011,
ta012, ta013, ta014 ve ta015 kodlu olanlar kullanılmıştır.
Bu bölümde ilk olarak, maksimum tamamlanma zamanı kriteri için MACS
algoritmalarının çözüm sonuçlarının, Taillard'ın standart test problemlerinin üst sınır
Problem
Yöntem
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt)
MACS
(API)
GA
Car1 0,030 0,011 0,017 0,011 0,020 0 0,084
Car2 0,073 0,046 0,050 0,040 0,043 0 0,155
Car3 0,020 0,048 0,010 0,022 0,069 0 0,163
Car4 0,018 0,016 0,006 0,017 0,039 0 0,040
Car5 0,006 0,029 0,022 0,014 0,059 0 0,160
Car6 0,019 0,004 0,007 0,007 0,009 0 0,131
Car7 0 0 0,041 0,012 0,004 0 0,075
Car8 0,010 0,013 0,004 0,013 0,008 0 0,045
Ortalama 0,022 0,020 0,019 0,017 0,031 0 0,106
![Page 146: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/146.jpg)
128
değerlerinden sapmaları hesaplanmıştır. Tablo 5-12 maksimum tamamlanma zamanı
için algoritmaların çözüm sonuçlarını göstermektedir. Tablo 5-13 ve Tablo 5-14
sırasıyla 20x5 ve 20x10 boyutundaki problemler için algoritmaların bilinen en iyi
değerden sapmaları ve sapmaların ortalamalarını göstermektedir.
Tablo 5-12 Maksimum Tamamlanma Zamanı İçin Algoritmaların Çözüm Sonuçları
Problem
Yöntem
En iyi
değer
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt)
MACS
(API)
ta001 1278 1318 1305 1322 1325 1317 1278
ta002 1359 1390 1373 1373 1373 1383 1359
ta003 1081 1135 1167 1162 1159 1147 1130
ta004 1293 1410 1330 1337 1345 1332 1330
ta005 1236 1274 1250 1258 1250 1250 1250
ta011 1582 1734 1610 1664 1630 1652 1619
ta012 1659 1840 1745 1726 1722 1742 1700
ta013 1496 1610 1588 1590 1580 1590 1550
ta014 1378 1506 1450 1453 1454 1440 1408
ta015 1419 1510 1476 1490 1480 1450 1458
Tablo 5-13 Maksimum Tamamlanma Zamanı İçin Algoritmaların Performans
Değerleri (20x5)
Problem
Yöntem
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt)
MACS
(API)
ta001 0,030 0,021 0,030 0,036 0,030 0
ta002 0,022 0,010 0,010 0,010 0,01 0
ta003 0,090 0,028 0,034 0,040 0,030 0,028
ta004 0,040 0,080 0,074 0,072 0,061 0,045
ta005 0,030 0,011 0,017 0,011 0,011 0,011
Ortalama 0,042 0,030 0,033 0,033 0,028 0,017
![Page 147: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/147.jpg)
129
Tablo 5-13'e göre 20x5 boyutundaki problemler için en küçük ortalama sapma
değerini %1.7 'lik bir sapma ile MACS(API) algoritması vermiştir. Diğer
yöntemlerin üst sınır değerlerinden ortalama sapmaları ise MACS(RND): % 4.2,
MACSSPT1:%3, MACS(SPTΣt):%3.3, MACS(LPTtj1):%3.3 ve MACS(LPTΣt):%2.8'
dir. Ayrıca, MACS(API) algoritması ta001 ve ta002 problemleri için bilinen en iyi
değeri yakalayabilmiştir
Tablo 5-14 Maksimum Tamamlanma Zamanı İçin Algoritmaların Performans
Değerleri (20x10)
Tablo 5-14' e göre 20x10 boyutlu problemler için en küçük ortalama sapma değerini
%2.6 'lık bir sapma ile MACS(API) algoritması vermiştir. Diğer yöntemlerin üst
sınır değerlerinden ortalama sapmaları ise MACS(RND):%8, MACS(SPTtj1): %4.3,
MACS(SPTΣt):%5.1 MACS(LPTtj1):%4.4 ve MACS(LPTΣt):%4.4 şeklindedir.
Ayrıca, ta011 dışındaki diğer problemler için en düşük sapmayı MACS(API)
algoritması verirken, ta011 için en düşük sapmayı MACS (SPTtj1) yakalayabilmiştir.
İkinci olarak ise, geliştirilen MACS algoritmalarının toplam akış zamanı için verdiği
sonuçlar, Taşgetiren v.d. tarafından 2011 yılında geliştirilen ve toplam akış zamanı
kriteri için bilinen en iyi sonuçları veren yapay arı koloni algoritmasının sonuçlarıyla
karşılaştırılmıştır. 5-15 Taillard’ın test problemleri üzerinde toplam akış zamanı için
algoritmaların çözüm sonuçlarını göstermektedir. Tablo 5-16 ve Tablo 5-17 sırasıyla
Problem
Yöntem
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt)
MACS
(API)
ta011 0,096 0,017 0,051 0,030 0,044 0,023
ta012 0,109 0,051 0,040 0,037 0,050 0,024
ta013 0,076 0,061 0,062 0,056 0,062 0,036
ta014 0,092 0,050 0,054 0,055 0,044 0,021
ta015 0,064 0,040 0,050 0,042 0,021 0,027
Ortalama 0,080 0,043 0,051 0,044 0,044 0,026
![Page 148: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/148.jpg)
130
20x5 ve 20x10 boyutundaki problemler için algoritmaların yapay arı koloni
algoritmasından sapmaları ve sapmaların ortalamalarını göstermektedir.
Tablo 5-15 Toplam Tamamlanma Zamanı İçin Algoritmaların Çözüm Sonuçları
Problem
Yöntem
Yapay arı
koloni
algoritması
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt)
MACS
(API)
ta001 14033 14304 14300 14296 14299 14290 14280
ta002 15151 15532 15458 15462 15462 15462 15402
ta003 13313 13773 13764 13749 13790 13795 13676
ta004 15147 15850 15754 15820 15837 15822 15750
ta005 13529 13835 13922 13776 13918 13715 13705
ta011 20911 21274 21270 21262 21260 21285 21281
ta012 22440 23013 23002 23012 23019 23020 23016
ta013 19833 20192 20200 20198 20190 20209 20171
ta014 18710 19036 19058 19055 19050 19050 19036
ta015 18641 18970 19013 19013 19062 19090 18959
Tablo 5-15'den tüm problemler için yapay arı koloni algoritmasının karınca koloni
algortimalarına göre daha iyi sonuç verdiği gözlenmektedir. Karınca koloni
algoritmalarının yapay arı koloni algoritmasının çözümlerine ne kadar yaklaştığı
Tablo5-16' da verilmiştir.
![Page 149: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/149.jpg)
131
Tablo 5-16 Toplam Akış Zamanı İçin Algoritmaların Performans Değerleri (20x5)
Tablo 5-16' ya göre 20x5 boyutlu problemler üzerinde yapay arı koloni
algoritmasından en düşük ortalama sapmayı %2.2 ile MACS(API) algoritması
vermiştir.
Tablo 5-17: Toplam Akış Zamanı İçin Algoritmaların Performans Değerleri (20x10)
Tablo 5-17' ye göre 20x10 boyutlu problemler için yapay arı koloni algoritmasından
en düşük ortalama sapmayı %1.8 ile MACS(API) algoritması vermiştir. Taillard'ın
test problemleri için en iyi sonucu veren çizelgeler Ek-5'de verilmiştir.
Problem
Yöntem
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt)
MACS
(API)
ta001 0,019 0,019 0,018 0,018 0,018 0,017
ta002 0,025 0,020 0,020 0,020 0,020 0,016
ta003 0,034 0,033 0,032 0,035 0,036 0,027
ta004 0,046 0,040 0,044 0,045 0,044 0,039
ta005 0,022 0,029 0,018 0,028 0,013 0,013
Ortalama 0,029 0,028 0,026 0,029 0,026 0,022
Problem
Yöntem
MACS
(RND)
MACS
(SPTtj1)
MACS
(SPTΣt)
MACS
(LPTtj1)
MACS
(LPTΣt)
MACS
(API)
ta001 0,017 0,017 0,016 0,016 0,017 0,017
ta002 0,025 0,025 0,025 0,025 0,025 0,025
ta003 0,018 0,018 0,018 0,018 0,018 0,017
ta004 0,017 0,018 0,018 0,018 0,018 0,017
ta005 0,017 0,019 0,019 0,022 0,024 0,017
Ortalama 0,019 0,019 0,019 0,019 0,020 0,018
![Page 150: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/150.jpg)
132
SONUÇ VE ÖNERİLER
Bu tez çalışması, F/prmu/Cmax,∑F,∑I notasyonu ile gösterilen, maksimum
tamamlanma zamanı, toplam akış zamanı ve makinelerin toplam boş bekleme
zamanının en küçüklenmesi performans ölçütlü permutasyon akış tipi çizelgeleme
problemlerini kapsamaktadır.
Çalışmada, son yıllarda permütasyon akış tipi çizelgeleme problemlerinin
çözümünde sıkça kullanılan bir metasezgisel yöntem olan karınca koloni algoritması
kullanılmıştır. Karınca koloni algoritmasında bir takım değişiklikler yapılarak
yapılan değişikliklerin sonuca etkisine bakılmıştır. Başlangıç popülasyonu için klasik
sıralama yöntemlerinden en kısa işlem süresine öncelik tanıma ve en uzun işlem
süresine öncelik tanıma yöntemleri kullanılmış, başlangıç popülasyonunun rastgele
olması durumuyla kıyaslanmıştır. Bunun yanında bir yerel arama metodunun
eklenmesinin algoritmanın performansına etkisi izlenmiştir.
Ayrıca Ravindran ve arkadaşları tarafından 2005 yılında iki kriterli akış tipi
çizelgeleme problemleri için geliştirilmiş HAMC sezgiseli üç kriterli akış tipi
çizelgeleme problemlerine uyarlanarak elde edilen sonuçlar karınca koloni
algoritmaları ile karşılaştırılmıştır.
Çalışmanın uygulama aşamasından önce, karınca koloni algoritmasında kullanılacak
parametreler için bir optimizasyon çalışması yapılmıştır. Optimal sonuçları bilinen,
literatürden alınmış standart test problemleri üzerinde farklı parametre setleri ile
denemeler yapılarak en iyi sonuçları veren parametre seti belirlenmiş ve uygulama
çalışmasında belirlenen parametre seti ile çalışılmıştır.
Uygulamanın ilk aşamasında, gerçek bir üretim tesisinin akış tipine uygun üretim
hattından alınan verilerle çalışılmıştır. Alınan problem 12 iş ve 8 makine boyutunda
orta büyüklükteki bir problemdir. Problem HAMC ve MACS algoritmaları ile üç
amaç kriteri göz önüne alınarak çözülmüş ve sonuçlar karşılaştırılmıştır. Sonuçlara
göre MACS algoritmaları üç kriter açısından da HAMC algoritmalarına göre daha
üstün performans göstermiştir. Başlangıç popülasyonu olarak klasik yöntemlerin
kullanılması, başlangıç popülasyonunun rastgele seçilmesine göre daha iyi sonuçlar
![Page 151: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/151.jpg)
133
vermiştir. Bununla birlikte, MACS algoritmasına bir yerel arama metodu olan API'
nin eklenmesi sonuçları iyileştirici yönde etki yapmıştır. Ayrıca HAMC
algortimalarından MACS algoritmalarına en yakın sonuçları veren ise HAMCF
algoritmasıdır.
MACS(API) ile yapılan çalışmadan elde edilen iş sıralaması, fabrikadaki iş
sıralamasına göre, maksimum tamamlanma zamanı için %10; toplam akış zamanı
için %34 ve makinelerin toplam boş bekleme zamanı için %10 iyileşme sağlamıştır.
Üç kriterin birlikte en küçüklenmesinde ise, her kritere ağırlıklar verilerek dört farklı
amaç fonksiyonu oluşturulmuştur. Bu amaç fonksiyonlarına göre MACS ve HAMC
algoritmalarıyla çözümler elde edilmiştir. Sonuçlar yöntemlerin kendi aralarında en
küçük değeri veren yönteme göre değerlendirilmiştir.
Uygulamanın ikinci aşamasında ise, Carlier' in standart test problemleri MACS
algoritmalarıyla çözülerek, elde edilen sonuçlar Ponnambalam ve arkadaşları
tarafından 2004 yılında geliştirilen GA ile karşılaştırılmıştır. Elde edilen sonuçlara
göre, geliştirilen MACS(API)' nın çözüm sonucu ortalama olarak her iki kriter
açısından da GA' nın çözüm sonucundan daha iyidir.
Daha sonra Taillard'ın standart test problemleri kullanılarak geliştirilen algoritma bu
sefer maksimum tamamlanma zamanı kriteri için Taillard’ın sonuçlarıyla ve toplam
akış zamanı kriteri için Taşgetiren ve arkadaşları tarafından 2011 yılında geliştirilen
yapay arı koloni algoritması ile kıyaslanmıştır. MACS(API) algoritması, ta001 ve
ta002 numaralı 20x5 boyutundaki problemlerde maksimum tamamlanma zamanı
kriteri için bilinen en iyi değeri yakalamış ve bilinen en iyi değerlerden ortalamada
%1.7 değerinde bir sapma göstermiştir. 20x10 boyutundaki problemlerde ise bilinen
en iyi değerlerden ortalamada %2.6 değerinde bir sapma göstermiştir. Toplam akış
zamanı kriteri için yapay arı koloni algoritması MACS algoritmalarına göre daha iyi
sonuçlar elde etmiştir. MACS(API) algoritması yapay arı koloni algoritmasının
sonuçlarına en yakın sonuçları veren algoritmadır. MACS(API) algoritması, 20x5
boyutundaki problemlerde toplam akış zamanı kriteri için yapay arı koloni
algortimasından ortalamada %2.2 değerinde; 20x10 boyutundaki problemlerde ise
yapay arı koloni algortimasından ortalamada %1.8 değerinde sapma göstermiştir.
![Page 152: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/152.jpg)
134
Literatüre bakıldığında, bu problem için genelde tek kriterli yaklaşımlar geliştirildiği
görülür; maksimum tamamlanma zamanı en çok kullanılmış olan kriterdir. Az sayıda
makine için çok kriterli sezgisel yöntemler bulunsa da, ikiden fazla makine için
genelde sadece tek kriter dikkate alınmıştır.
Yapılan tez çalışması, üç kriteri ayrı ve eş zamanlı ele alan az sayıda ki
çalışmalardan biri olmuştur. Ayrıca yapılan literatür araştırmasında, çok kriterli akış
tipi çizelgeleme ile ilgili gerçek bir endüstri uygulamasına rastlanmamıştır. Yapılan
çalışmalar incelendiğinde, veri olarak standart test problemlerinin kullanıldığı
gözlenmiştir.
Ayrıca bu çalışma, akış tipi çizelgeleme problemlerinin karınca koloni algoritması ile
çözümünde en iyi sonuçları elde edebilmesi amacıyla, iki seviyeli bir parametre
optimizasyonu gerçekleştirmesi açısından önemlidir.
Karınca koloni algoritması ile yapılacak sonraki çalışmalarda, daha geniş özelliklere
ve çoklu amaçlara sahip çizelgeleme problemlerine çözüm aranabilir. Bunlara ek
olarak, karınca koloni algoritmalarının çok amaçlı akış tipi çizelgeleme
problemlerindeki başarısını artırmak için mevcut sezgisel yöntemlerle ortak yapıda
algoritmalar geliştirilebilir.
![Page 153: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/153.jpg)
135
KAYNAKÇA
Abdallah, H., Emara, H.M., Dorrah,
H.T. ve Bahgat, A., 2009
Akkan, C. ve Karabatı, S., 2004
“Using Ant Colony Optimization Algorithm
for Solving Project Management Problems”,
Expert Systems with Applications, C:36,
No:6, s.10004-10015.
“The Two-Machine Flowshop Total
Completion Time Problem: Improved Llower
Bounds and a Branch-and-Bound Algorithm”,
European Journal of Operational
Research, C: 159, s.420–429.
Alaykıran, K. ve Engin, O., 2005 “Karınca Kolonileri Metasezgiseli ve Gezgin
Satıcı Problemleri Üzerinde Bir Uygulaması”,
Gazi Üniversitesi, Mühendislik-Mimarlık
Fakültesi Dergisi, C:20, No:1, s.69-76.
Alcaide, D., Sicilia, J. ve Vigo D.,
1997
Andresen, M., Brasel, H.
Engelhardt, F. ve
Werner, F., 20.09.2010
“A Tabu Search Algorithm for The Open
Shop Problem”, Sociedad de Estadistica
Investigacion Operativa, C:5, No:2, s.283-
296.
“A Library of Scheduling Algorithms
Handbook for Version 3.0”, (Çevrimiçi)
http://lisa.math.uni-magdeburg.de/,
Artiba, A. ve Elmaghraby, S.E.,
1997
The Production and Scheduling of
Production System, Chapman and Hall, New
York.
Aydemir, A., 22.01.2010
“Kombinatoryal Eniyileme ve Sezgisel
Yöntemler”, (Çevrimiçi)
![Page 154: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/154.jpg)
136
Aysal, Y. ve Gündoğdu E., 2010
http://www.baskent.edu.tr/ayyuce/END407
Ders1.pdf
“Sabit Dolaşımlı Atölyelerde Komşu Tarama
Yöntemiyle Çözüm Arama Yaklaşımları”, 30.
Yöneylem Araştırması ve Endüstri
Mühendisliği Kongresi, Sabancı Üniversitesi,
İstanbul.
Bagchi, T.P., 1999 Multiobjective Scheduling by Genetic
Algorithm, Kluwer Academic Publishers,
Masshacushetts.
Baker, K.R., ve Trietsch D., 2009
Baker, K. ve Altheimer, D., 2012
Balasubramanian, J. ve Grossmann
I.E., 2002
Principles of Sequencing and Scheduling,
Wiley, New Jersey.
“Heuristic Solution Methods for the
Stochastic Flow Shop Problem”, European
Journal of Operational Research, C:216,
s.172–177.
“A Novel Branch and Bound Algorithm for
Scheduling Flowshop Plants with Uncertain
Processing Times”, Computers and
Chemical Engineering, C:26, s.41-57.
Bandyopadhyay, S. ve Pal, S.K.,
2007
Classification and Learning Using Genetic
Algorithm, Springer-Verlag, Berlin,
Heidelberg.
Ben-Daya, M. ve Al-Fawzan, M.,
1998
“A Tabu Search Approach for the Flowshop
Scheduling Problem”, European Journal of
![Page 155: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/155.jpg)
137
Operational Research, C:109, s.88-95.
Blum, C., 2005
“Ant Colony Optimization: Introduction and
Recent Trends”, Physics of Life Reviews,
C:2, s.353-373.
Bolat, B., Erol, K.O. ve İmrak,
C.E., 2004
“Mühendislik Uygulamalarında Genetik
Algoritmalar Ve Operatörlerin İşlevleri”,
Sigma Mühendislik ve Fen bilimleri
Dergisi, C:4, s. 264- 270.
Bonabeau, E., Dorigo, M. ve
Theraulaz, G., 2000
Boray, B., 2007
“Inspiration for Optimization from Social
Insect Behavior,” Nature, C: 406, s. 39–42.
Paralel Tezgahlarda Arıza Halinde Çok
Amaçlı Çizelgeleme, Yüksek lisans tezi,
Yıldız Teknik Üniversitesi, Mühendislik
Fakültesi, İstanbul.
Brucker, P., 2007 Scheduling Algorithms, Springer-Verlag,
Berlin.
Bullnheimer, B., Hartl, R.F. ve
Strauss, C., 1999
Bülbül, K., 2011
“A New Rank-based Version of the Ant
System: A Computational Study”, Central
European Journal for Operations Research
and Economics, C:7, No:1, s.25–38.
“Introduction to Computational Complexity
and NP-Completeness”, 1. Çizelgeleme
Kampı, Yalova, s.1-54.
Campbell, H.G., Dudek, R.A. ve “A Heuristic Algorithm for the n Job m
![Page 156: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/156.jpg)
138
Smith B.L., 1970
Carlier J. ve Pinson E., 1989
Ceran, G., 2006
Machine Sequencing Problem”,
Management Science, C:16, No:10, s.10-16.
“An Algorithm for Solving Job Shop
Scheuling Problem”, Management Science,
C:35, No:2, s.164-176.
Esnek Akış Tipi Çizelgeleme Problemlerinin
Veri madenciligi ve Genetik Algoritma
Kullanılarak Çözülmesi, Yüksek Lisans Tezi,
Selçuk Üniversitesi, Fen Bilimleri Enstitüsü,
Endüstri Mühendisligi, Konya.
Chakraborty, U.D. ve Laha, D.,
2007
“An Improved Heuristic for Permutation
Flowshop Scheduling” International
Journal of Informationa and Comunication
Technology, C:1, s.89-97.
Cheng, R., Gen M. ve Tsujimura Y.,
1999
“A Tutorial Survey of Job-Shop Scheduling
Problems Using Genetic Algorithms, Part II:
Hybrid Genetic Search Strategies”,
Computers and Industrial Engineering,
C:36, s.343-364.
Chen, C.L., Vempati V.S. ve
Aljaber, 1995
“An Applications of Genetic Algorithms for
Flow Shop Problems” European Journal for
Operations Research, C:80, s.389-396.
Chen, W.J., 2006
“A Branch and Bound Procedure for the
Reentrant Permutation Flow-shop Scheduling
Problem”, The International Journal of the
Advanced Manufacturing Technology,
![Page 157: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/157.jpg)
139
Cheng, C.B. ve Mao, C.P., 2007
C:29, No:11-12, s.1186-1193.
“A Modified Ant Colony System for Solving
the Travelling Salesman Problem With Time
Windows”, Mathematical and Computer
Modelling, C:46, s.1225-1232.
Conway, R.W., Maxwell, W.L. ve
Miller, L.W., 2003
Cowlıng, P. ve Johansson, M., 2002
Theory of Scheduling, Dover Publications,
New York.
“Using Real Time Information for Effective
Dynamic Scheduling”, European Journal of
Operational Research, C:139, s.230-244.
Croce F. D., Ghirardi, M. ve Tadei,
R., 2002
Çörekçioğlu, M., 2006
“An Improved Branch-and-Bound Algorithm
for the Two Machine Total Completion Time
Flow Shop Problem”, Production,
Manufacturing and Logistics, C:139, s.293-
301.
Dokuma Tezgahlarında Çizelgeleme
Yaklaşımının Süreçleri Modelleme Notasyonu
İle Gösterimi, Yüksek lisans tezi, Pamukkale
Üniversitesi, Mühendislik Fakültesi, Denizli.
Dahal K.P., Tan K. C. ve Cowling,
P.I., 2007
Evolutionary Scheduling, Springer-Verlag,
New York.
Dannenbring, D.G., 1977
Dong, X.Y., Huang, H.K. ve Chen,
“An Evaluation of Flowshop Sequencing
Heuristic”, Management Science, C:23,
s.1174-1182.
“An Improved NEH Based Heuristic for The
![Page 158: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/158.jpg)
140
P., 2008 Permutation Flowshop Problem”,
Computers and Operations Research, C:35,
s.3962-3968.
Dorigo, M., Maniezzo, V. ve
Colorni, A., 1991
“Positive Feedback As a Search Strategy”,
Dippertimento Dı Elettronica, Politecnico di
Milano.
Dorigo, M. ve Gambardella, L.M.,
1996b
“A Study of Some Properties of Ant-Q”, In
Proceedings of PPSN Fourth International
Conference on Parallel Problem Solving
From Nature, s.656-665.
Dorigo, M. ve Gambardella, L.M.,
1997
"Ant Colony System: A Cooperative Learning
Approach to the TSP", IEEE Transactions
on Evolutionary Computation, C:1, No:1,
s.1-24.
Dorigo, M. ve Gambardella, L.M.,
1996a
“Solving Symmetric and Asymmetric TSPs
by Ant Colonies”, In Proceedings of the
1996 IEEE International Conference on
Evolutionary Computation (ICEC’96).
Dorigo, M. ve Blum, C., 2005 "Ant Colony Optimization Theory: A Survey"
Theoretical Computer Science,
C:344,s.243-278.
Dorigo, M., Maniezzo, V. ve
Colorni, A., 1996
“Ant System: Optimization by a colony of
cooperating agents”, IEEE Transactions on
Systems, Man, and Cybernetics, C:26,
No:1, s.29–41.
![Page 159: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/159.jpg)
141
Dorigo, M. ve Stützle, T., 2004 Ant Colony Optimization, MIT Press,
Londra.
Dudek, R.A. ve Teuton, O.F., 1964
Ekşioğlu, B., Ekşioğlu, S. ve Jain,
P., 2008
“Development of m Stage Desicion Rule for
Scheduling N Jobs Through M Machines”,
Operations Research, C:12, No:3, s.471-
497.
“A Tabu Searh Algorithm for the Flow Shop
Scheduling Problem with Changing
Neighborhoods”, Computers and Industrial
Engineering, C:54, s.1-11.
Elmas, Ç., 2007
Engin, O., 2001
Engin, O. ve Döyen, A., 2004
Yapay Zeka Uygulamaları, Seçkin
Yayıncılık, Ankara.
Akış Tipi ÇizelgelemeProblemlerinin Genetik
Algoritma İle Çözüm performansının
Artırılmasında Parametre Optimizasyonu,
Doktora tezi, İstanbul Teknik Üniversitesi,
Fen Bilimleri Enstitüsü.
“Yapay Bağışıklık Sistemleri ve Endüstriyel
Problemlerde Kullanımı” Gazi Üniversitesi
Dergisi, C:17 No:1, s.71-84.
Engin, O. ve Fığlalı, A., 2002 “Akış Tipi Çizelgeleme Problemlerinin
Genetik Algoritma Yardımı ile Çözümünde
Uygun Çaprazlama Operatörünün
Belirlenmesi”, Doğuş Üniversitesi Dergisi,
C:6, s.27-35.
![Page 160: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/160.jpg)
142
Engin, O. ve Fığlalı, A., 2002 “Genetik Algoritmalarla Akış Tipi
Çizelgelemede Üreme Yöntemi
Optimizasyonu”, İTÜ Dergisi, C:1, No:1,
s.35-41.
Eren, T., Güner, E., 2002
Framinan, J.M., Leistein, R. ve
Rajendran C., 2003
Framinan, J.M., Leistein, R. ve
Gupta J.N.D., 2004
“Tek ve Paralel Makinalı Problemlerde Çok
Ölçütlü Çizelgeleme Problemleri için Bir
Literatür Taraması”, Gazi Üniversitesi
Mimarlık Mühendislik Fakültesi Dergisi,
C:17, No:4, s.37-69.
“Different initial sequences for the heuristic
of Nawaz, Enscore and Ham to Minimize
Makespan, Idletime or Flowtime in The Static
Permutation Flowshop Sequencing Problem”,
International Journal of Production
Research, C:41, No:1, s.121-148.
“A Review and Classification Heuristics for
Permutation Flowshop Scheduling with
Makespan Objective”, Journal of The
Operational Research Society, C:55, s.1243-
1255.
Gambardella, L.M. ve Dorigo, M.,
1995
“Ant-Q: A Reinforcement Learning Approach
to teh Travelling Salesman Problem”,
Twelfth International Conference on
Machine Learning, s. 252-260.
Gasbaouı, B. ve Allaoua B., 2009 “Ant Colony Optimization Applied on
Combinatorial Problem for Optimal Power
Flow Solution”, Leonardo Journal of
Sciences, C:14, s.1-17.
![Page 161: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/161.jpg)
143
Gen, M., 1996
Gendreau M. ve Potvin, J-Y., 2010
Geyik, F. ve Cedimoğlu, İ.H., 2001
“Genetic Algorithms and Industiral
Engineering”, Computers and Industrial
Engineering, C:30 No:4, s.835-837.
Handbook of Metaheuristics, Springer-
Verlag, New York.
“Atölye Tipi (Job-Shop) Çizelgelemede
Komşuluk Yapılarının Tabu Arama Tekniği
Geyik, F., 2001
ile Karşılaştırılması”, Politeknik Dergisi, C:4
No:1, s.95-103.
“Tabu Aramada Hafıza Yapıları: Üretim
Çizelgeleme Uygulaması”, XXII. Yöneylem
Araştırması ve Endüstri Mühendisliği
Kongresi, Ankara.
Ghoseiri, K. ve Nadjari, B., 2009 “An Ant Colony Optimization Algorithm for
the Bi-objective Shortest Path Problem”,
Applied Soft Computing, C:698, s.1-10.
Glover F. ve Kochenberger G.A.,
2003
Glover, F. ve Laguna, M., 1997
Handbook of Metaheuristic, Kluwer
Academic Publishers, New York.
Tabu Search, Kluwer Academic publishers,
Masshacussets.
Gonzalez, T. ve Sahni, S., 1976 “Open Shop Scheduling to Minimize Finish
Time” Journal of the Association for
Computing Machinery, C: 23, s. 665–679.
Grabowski, J. ve Wodecki, M., 2004 “A Very Fast Tabu Search Algorithm for The
![Page 162: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/162.jpg)
144
Graham, R. L., E. L., Lawler, J. K.
Lenstra, A.H.G Rinnooy Kan, 1979
Permutation Flowshop Problem with
Makespan Criterion”, Computers and
Operations Research, C:31, No:11, s.1891–
1909.
“Optimization and Approximation in
Deterministic Sequencing and Scheduling: A
Survey”, Annual Discrete Mathematic,
No:4, 287-326.
Graham, C. J.,2000
Graves, M., 1981
Application of Scheduling Theory to
Spacecraft Constellations, Yüksek lisans tezi,
Florida Institute of Technology, Computer
Science, Florida.
“A Review of Production Scheduling”,
Operations Research, C: 29, No:4, s.646-
675.
Gueret, C. ve Prins, C., 1999 “New Lower Bound for The Openshop
Problem”, Annals of Operations Research,
C:92, s.165–183.
Gupta, S.K.ve Kyparisis, J., 1987 “Single Machine Scheduling Research”,
Omega, C:15, s.207-227.
Gupta, Jatinder N. D. 1972 “Heuristic Algorithms For Multistage
Flowshop Scheduling Problem”, AIIE
Transactions, C: 4, s. 11–18.
Gupta, J.N.D., 1971 “A Functional Heuristic Algorithm For Flow-
Shop Scheduling Problem”, Operations
Research, C:22, s.39-47.
![Page 163: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/163.jpg)
145
Gupta, J.N.D. ve Stafford, E.F.,
2006
“Flowshop Scheduling Research After Five
Decades”, European Journal of
Operational Research, C: 169, No:3, s.699-
711.
Güner, E. ve Altıparmak, F., 2003 “İki Ölçütlü Tek Makineli Çizelgeleme
Problemi için Sezgisel Bir Yaklaşım”, Gazi
Üniversitesi- Mimarlık Mühendislik
Fakültesi Dergisi, C:18, No:3, s.27-42.
Güden, H., Vakvak, B., Özkan, B.
E., Altıparmak, F. ve Dengiz, B.,
2005
“Genel Amaçlı Arama Algoritmaları İle
Benzetim Eniyilemesi: En İyi Kanban
Sayısının Bulunması”, Endüstri
Mühendisliği Dergisi, C:16, No:2, s.2-15.
He Y. ve Hui C. W., 2007 Meta-Heuristics for Large Scale Process
Scheduling, VDM-Verlag Dr. Müller,
Saarbrücken.
Hejazi S. R. ve Saghafian S., 2005
Heizer J. Ve Render B., 2008
“Flowshop Scheduling Problems with
Makespan Criterion: A Review”,
International Journal of Production
Research, C:43 No:14 s.2895-2929.
Operations Management, Pearson- Prentice
Hall, New Jersey, 9.Basım.
Ho, J.C. ve Chang,Y., 1991 “A New Heuristic For The n-Job, m-Machine
Flowshop Problem”, European Journal of
Operations Research, C:52, s.194-202.
Hong, T.P., Huang, P.Y. ve Horng, “Using the LPT and the Palmer Approaches
![Page 164: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/164.jpg)
146
G., 2006 to Solve Group Flexible Flowshop Problems”
International Journal of Computer Science
and Network Security, C:6, No:3, s.98-104.
Hong T.P., Wang ve Wang, T.T. ve
S.L., Wang 2001
“A Fuzzy CDS-based Scheduling Algorithm
for More Than Two Machine Centers”,
Journal of Advanced Computational
Intelligence, C:5, No:4, s-239-240.
Hundol, T.S. ve Rajgopal,J., 1988 “An Extension of Palmer’s Heuristic for the
Flow shop Scheduling Problem”,
International Journal of Production
Research, C: 26, No: 6, s. 1119-1124.
Ignall, E. ve Schrage, L., 1965 “Application of The Branch and Bound
Technique to Some Flowshop Scheduling
Problems”, Operations Research, C:13,
No:1, s.400-412.
Ishibuchi H., Misaki, S., Tanaka, H.,
1995
“Theory and Methodology Modified
Simulated Annealing Algorithms for The
Flowshop Sequence Problem”, European
Journal of Operations Research, C:81,
s.388-398.
Iyer, S.K. ve Saxena, B., 2004
İşler, M., Toklu, B. Ve Çelik, V.,
2009
“Improved Genetic Algorithm for The
Permutation Flowshop Scheduling Problem”,
Computers and Operations Research C: 31,
s. 593–606.
“Öğrenme Etkili Erken/Geç Tamamlanma
Çizelgeleme Problemleri İçin bir Literatür
![Page 165: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/165.jpg)
147
Araştırması”, Pamukkale Üniversitesi
Mühendislik Bilimleri Dergisi,C: 15, Sayı 2,
s. 227-252
Jain, P., 2005 Approximate Methods for Solving Flowshop
Problems, Doktora tezi, Missisipi State
University, Industrial Engineering .
Johnson, S.M., 1954 “Optimal Two Three-stage Production
Schedule with Setup Times Included”, Naval
Research Logistics Quarterly, C:1, s.61-68.
Kalczynski, P. ve Kamburowski, J.,
2008
“An improved NEH Heuristic to Minimize
Makespan in Permutation Flowshops”,
Computers and Operations Research, C:35
No:9, s.3001-3008.
King, J.R. ve Spachis, A.S., 1980
Kouki, S., Jemni M. ve
Ladhari T., 2011
“Heuristics for Flowshop Scheduling”,
International Journal of Production
Research, C:18, s.343-357.
“Solving the Permutation Flow Shop Problem
with Makespan Criterion Using Grids”
International Journal of Grid and
Distributed Computing, C:. 4, No: 2, s.53-
64.
Kurnaz, S. ve Kart, Ö., 2010 “İş Akış Çizelgeleme Problemi Üzerinde
NEH, FRB3 ve FRB4 Sezgisellerinin
Karşılaştırılması”, Akademik Bilişim
Konferansı, Muğla Üniversitesi.
![Page 166: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/166.jpg)
148
Kyparisis, J.G. ve Koulamas, C.,
2000
Ladhari, T. ve Haouari, M., 2005
“Openshop Scheduling with Makespan and
Total Completion Time Criteria”, Computers
and Operations Research, C:27, No:1, s.15-
27.
“A Computational Study of the Permutation
Flow Shop Problem Based on A Tight Lower
Bound”, Computers and Operations
Research, C:32, No:7, s. 1831-1847.
Lageweg, B.J., Lenstra J.K.
ve Rinnooy Kan A. H.G., 1978
“A General Bounding Scheme for The
Permutation Flow-Shop Problem”,
Operations Research, C:26, No: 1, s.53-67.
Laha, D. ve Sarin, C., 2009 “A Heuristic to Minimize Total Flow Time in
Permutation Flowshop”, Omega, C.37, No:3,
s.734-739.
Laha, D. ve Chakravorty, A., 2011 “A New Heuristic for Minimizing Total
Completion Time Objective in Permutation
Flow Shop Scheduling”, International
Journal Advance Manufacturing
Technology, C:53, s.1189–1197.
Lian, Z., Gu, X. ve Jiao, B., 2008
“A Novel Particle Swarm Optimization
Algorithm for Permutation Flowshop
Scheduling to Minimize Makespan”, Chaos,
Solitons and Fractals, C:35, s.851-861.
Liaw, C.F., 2003 “An Efficient Tabu Search Approach for the
Two-Machine Preemptive Openshop
Scheduling Problem”, Computers and
![Page 167: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/167.jpg)
149
Operations Research, C:30, s.2081-2095.
Lominicki, A.Z., 1965 “A Brunch and Bound Algorithm fort he
Exact Solution of the Three-Machine
Scheduling Problem”, Operational Research
Quarterly, C:16, No:1, s.439–452.
Lopez, P. ve Roubellat, F., 2008 Production Scheduling, Wiley, Londra, 2.
Basım.
Martinez, C.G ve Herrera, O.G.,
2007
Miller, B. ve Goldberg, D. E., 1995
“A Taxonomy and an Empirical Analysis of
Multiple Objective Ant Colony Optimization
Algorithms for The Bi-criteria TSP”,
European Journal of Operational
Research, C:180 s.116-148.
“Genetic Algorithms, Tournament Selection,
and the Effects of Noise”, Complex Systems,
C: 9, s.193- 212.
Mitchell, M., 1998 An Introduction to Genetic Algorithms,
The MIT Press, Londra.
Moccelin, J.A., 1995 “A New Heuristic Method for the
Permutation Flow Shop Scheduling Problem”,
Journal of the Operational Research
Society, C:29, No:3, s.761-771.
Murata, T., Ishibuchi, H. ve Tanaka,
H., 1996
“Genetic Algorithms for Flow Shop
Scheduling Problems”, Computers and
Industrial Enginering C:30, No:4, s.1061-
1071.
![Page 168: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/168.jpg)
150
Nabiyev, V.V., 2010
Nagar, A., Heragu, S.S. ve
Haddock, J., 1995
Nahmias, S., 2009
Yapay Zeka, Seçkin Yayıncılık, Ankara.
“A Branch-and-Bound Approach for a Two-
machine Flowshop Scheduling Problem”,
Journal of Operational Research Society,
C: 46, s. 721-734.
Production and Operations Analysis, Mc
Graw-Hill, New York, 6. Basım.
Nambiar, A.N., 2007 Mathematical Formulation and Scheduling
Heurıstics for Cyclic Permutation Flow-
Shops, Doktora tezi, Ohio University, The
Russ College of Engineering Technology.
Nawaz, M.,Enscore, J.E, ve Ham, İ.,
1983
“A Heuristic Algorithm For The m-Machine,
n-Job Flow-Shop Sequencing Problem”,
Omega, C:11, No:1, s.91-95.
Ng, C.T., Wang, J.B., Cheng, T.C.E.
ve Liu, L.L., 2010
“A Branch-and-Bound Algorithm for Solving
A Two-Machine Flowshop Problem with
Deteriorating Jobs”, Computers and
Operations Research, C:37, No:1, s.83-90.
Nedjah N. ve Mourelle L. M., 2006 Swarm Intelligent System, Springer-Verlag,
Berlin.
Ogbu, F. ve Smith, D., 1990 “Simulated Annealing for The permutation
Flowshop Problem”, Omega, The
International Journal of Management
Science, C:19, No:1, s.64-67.
Onwubolu, G.C. ve Babu, B., 2004 A New Optimization Tecnique in
![Page 169: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/169.jpg)
151
Engineering, Springer-Verlag, New York.
Osman, H.İ. ve Laporte, G., 1996 “Metaheuristics: A Bibliography”, Annals of
Operations Research, C:63, ss.513-623.
Osman, H.İ. ve Potts, C., 1989 “Simulated Annealing for Permutation
Flowshop Scheduling”, Omega, The
International Journal of Management
Science, C:17, No:6, s.551-557.
Page, E.S., 1961 “An Approach to Scheduling Jobs on
Machine”, Journal of Royal Statistic
Society, C:23, s.484-492.
Palmer, D.S.,1965 “Sequencing Jobs Through a Multi-stage
Process in Minimum Total Time a Quick
Method of Obtaining a Near Optimum”,
Operational Research Quarterly, C:16,
s.101-107.
Pieprzyk, J., Hardjono, T. ve
Seberry J., 2003
Pinedo, M.L., 2008
Fundamentals of Computer Security,
Springer-Verlag, Berlin.
Scheduling: Theory, Algorithm, and
Systems, Springer, New York.
Pinedo, M.L., 2009
Planning and Scheduling In
Manufacturing and Services, Springer, New
York.
Ponnambalam, S.G., Jagannathan,
H., Kataria, E.M. ve Gadicherla, A.,
2004
“A TSP-GA Multi-objective Algorithm for
Flow-shop Scheduling” International
Journal of Advanced Manufacturing
![Page 170: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/170.jpg)
152
Technology, C:23, s.909-915.
Ponnambalam, S.G., Jawahar N. ve
Chandrasekaran, S., 2009
“Discrete Particle Swarm Optimization
Algorithm for Flowshop Scheduling”,
Particle Swarm Optimization, Edited by
Alexandar Lazenica, INTECHopen, s.397-
420.
Potts, C.N., 1980 “An Adaptive Branching Rule for The
Permutation Flow-shop Problem”, European
Journal of Operational Reserach, C:5,
No:1, s.19-25.
Pour, H.D., 2001 “A New Heuristic for The n-Job, m-Machine
Flowshop problem”, Production Planning
and Control, C:12, No:7, s.648-653.
Puris, A., Bello, R. ve Herrera, F.,
2010
“Analysis of the Efficacy of a Two-Stage
Methodology for Ant Colony Optimization:
Case of Study with TSP and QAP”, Expert
Systems with Applications, C:37, s.5443-
5453.
Rad, S.F., Ruiz, R. ve Boroojerdian,
N., 2009
Radeleczki, S., Tothi, T. ve Nagy,
J., 2003.
“New High Performing Heuristics for
Minimizing Makespan in Permutation
Flowshops”, Omega, C:37, No:2, s.331-345.
“A Multiple (extended) Applıcation of
theJohnson Algorithm for the Two-Machine
Manufacturıng Cell Schedulıng Based on
Group Technology’’ Production Systems
and Information Engineering, No:1, s.55-
![Page 171: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/171.jpg)
153
69.
Radommer, F.A. ve White, P., 1988
Rahimi-Vahed A., R. ve S. M.
Mirghorbani, 2007
“A Recent Survey of Production Scheduling”,
IEEE- Transaction on Man, Machine and
Cybernetics, C:18, No:6, s.841-851.
“A multi-objective particle swarm for a flow
shop scheduling problem” Journal of
Combinatorial Optimizationl, C:13, s.79-
102.
Rajendran, C., 1992
Rajendran, C., 1995
“Two-stage Flowshop Scheduling Problem
with Bicriteria”, Journal of Operational
Research Society, C:43, No:9, s. 871-884.
“Heuristic for Scheduling in Flowshop with
Multiple Objective”, European Journal of
Operational Research, C:82, s. 540-555.
Rajendran, C. ve Chaudhuri D.,
1991
“An Efficient Heuristic Approach to the
Scheduling of Jobs in a Flowshop”,
European Journal of Operational
Research, C:61, s. 318-325.
Rajendran, C., ve Ziegler, H., 2004
“Ant-colony Algorithms for Permutation
Flowshop Scheduling to Minimize
Makespan/Total Flowtime of Jobs”,
European Journal of Operational
Research, C:155, s. 426–438
![Page 172: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/172.jpg)
154
Ravindran, D., Selvakumar, S. J.,
Sivaraman, R. ve Haq, A., 2005
“Flow Shop Scheduling with Multiple
Objective of Minimizing Makespan and Total
Flowtime”, The International Journal of
Advanced manufacturing Technology,
C:25, no:9-10, s.1007-1012.
Rayward-Smith, V. J., Osman, I. H.,
Reeves, C.R., Smith, G.D., 1996
Reeves, C.R., 1995
Modern Heuristic Search Method, John-
Wiley and Son, Londra.
“A Genetic Algorithms for Flowshop
Sequencing”, Computers Operations
Research, C:22, No:1, s.5-13.
Ribas I, Companys, R. ve Tort-
Martorell, Z., 2010
“Comparing Three-step Heuristics for the
Permutation Flow Shop Problem”,
Computers and Operations Research C:37,
s.2062–2070.
Rola, D. R. S., 2011
Ruiz, R. ve Maroto, C., 2005
Solving Multiobjective Industrial Scheduling
Problems by Metaheuristics, Yüksek lisans
tezi, Faculdade de Engenharia, Universidade
do Porto.
“ A comprehensive Review and Evoluation of
Permutation Flowshop Heuristics”, European
Journal of Operational Research, C:165,
s.479–494.
Ruiz, R., Maroto, C., Alcaraz, J.,
2006
“Two New Robust Genetic Algorithms for
The Flowshop Scheduling Problem”,
OMEGA, The International Journal of
Management Science, C:34, s.461–476.
![Page 173: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/173.jpg)
155
Ruiz, R. ve Rodriquez, A.V., 2010
“The Hybrid Flow Shop Scheduling
Problem”, European Journal of
Operational Research C:205, No:1, s.1-18.
Sarin, S. ve Lefoka, M., 1993
“Scheduling Heuristics for The n-Job, m-
Machine Flowshop”, Omega, C: 21, s.229–
234.
Sayın, S. ve Karabatı, S., 1999
Seda, M., 2007
Sen, T., Sulek, J. M. ve Dileepan,
P., 2003
Shahzad, A., 22.11.2011
“A Bicriteria Approach to The Two-Machine
Flowshop Scheduling Problem”, European
Journal of Operational Research, C: 113,
No: 2, s.435-449.
‘‘Mathematical Models of Flow Shop and Job
Shop Scheduling Problems” World Academy
of Science, Engineering and Technology,
No:31, s. 122-127.
‘‘Static Scheduling Research to Minimize
Weighted and Unweighted Tardiness: A
survey of Art”, International Journal of
Production Economics, C:83, s.1-12.
“A Single Machine Scheduling Problem with
Individual Job Tardiness Based Objectives”,
(Çevrimiçi) http://oro.univ.nantes.fr/sujets-
09-10/shahzad.pdf
Sivanandam, S.N. ve Deepa S.,
2008
Sivrikaya Ş., F. ve Ulusoy G. 1998
Introduction to Genetic Algorithms,
Springe-Verlag, Berlin, Heidelberg.
“A Bicriteria Two-machine Permutation
Flowshop Problem”, European Journal of
![Page 174: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/174.jpg)
156
Operational Research, C: 107, s. 414-430.
Solnon C., 2008 “Combining Two Pheromone Structures for
Solving The Car Sequencing Problem with
Ant Colony Optimization”, European
Journal of Operations Research,
C:191,s.1043-1055.
Sridhar J. ve Rajendran C., 1996 “Scheduling in Flowshop and Celular
Manufacturing Systems with Multiple
Objectives: A Genetic Algorithm Approach”
Production Planning and Control, C:7,
s.374-382.
Stinson, J.P. ve Smith, A.W., 1982
Su, L.H. ve Chou, F. D. 2000
“A Heuristics for Job Sequencing in
Manufacturing Flow-line Work Cells”,
Computers and Industrial Engineering,
C:20, s.120-140.
“Heuristic for Scheduling in a Two-Machine
Bicriteria Dynamic Flowshop with Setup and
Processing Times Separated”, Production
Planning and Control, C:11, No: 8, s. 806-
819.
Sule, D., 2008
Suliman, S.M.A., 2000
Production Planning and Industrial
Engineering, CRC Press-Taylor and Francis
Group, Florida.
“A Two-Phase Heuristic Approach to The
Permutation Flowshop Scheduling Problem”,
International Journal of Production
![Page 175: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/175.jpg)
157
Economics, C:64, s.143–152.
Stützle T., 1998
“An ant approach to the flow shop Problem”,
Proceedings, 6th European Cong-ress on
Intelligent Techniques and Soft Com-
puting (EUFIT' 98), s.1560-1564, Aachen.
Stützle, T. ve Hoos, H.H., 1997 “The MAX–MIN Ant System and Local
Search for The Traveling Salesman Problem”,
in Proceedings of the 1997 IEEE
International Conference on Evolutionary
Computation (ICEC’97).
Stützle, T. ve Hoos, H.H., 2000
“MAX–MIN Ant System, Future
Generation Computer Systems”, C:16,
No:8, s.889–914.
Şevkli, M.ve Yenisey, M.M., 2006
Taillard, E., 1990
“Atölye Tipi Çizelgeleme Problemleri İçin
Parçacık Sürü Optimizasyonu Yöntemi”, İTÜ
Dergisi, C:5, No:2, s.58-68.
“Some Efficient Heuristic Methods for The
Flowshop Sequencing Problem”, European
Journal of Operational Research C:47, s.
65-74.
Taillard, E., 1993
“Benchmarks for Basic Scheduling
Problems”, European Journal of
Operational Research C:64, s. 278-285.
Tamer S. ve Karakuzu C., 2006 “Parçacık Sürüsü Optimizasyon Algoritması
ve Benzetim Örnekleri”, Elektrik-Elektronik
![Page 176: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/176.jpg)
158
Bilgisayar Sempozyumu, Elektronik
Bildirileri Kitabı.
Taşgetiren, M.F., Liang, Y.C.,
Şevkli M. ve Gençyılmaz, G., 2007
“A Particle Swarm Optimization Algorithm
for Makespan and Total Flowtime
Minimization in the Permutation Flowshop
Sequencing Problem”, European Journal of
Operational Research C:177, s.1930–1947.
Taşgetiren M. F., Pan, Q. K,
Suganthan P.N. ve Chen, A.H-L,
2011
Taşkın Ç., 2002
“A Discrete Artificial Bee Colony Algorithm
for the Total Flowtime Minimization in
Permutation Flow Shops”, Information
Sciences C:181, s.3459–3475.
“Genetik Algoritmalar ve Uygulama
Alanları”, Uludağ Üniversitesi İktisadi ve
İdari Bilimler Fakültesi Dergisi, C:21,
No:1, s. 129-152.
T'kindt, V. ve Billaut, J.C., 2006
Multicriteria Scheduling :Theory, Models
and Algorithms, Springer-Verlag, Berlin.
T’kindt, V., Monmarche, N.,
Tercinet, F. ve Laugt, D., 2002
Tseng, L.Y. ve Lin, Y.T., 2009
“An Ant Colony Optimization Algorithm to
Solve a 2-machine Bicriteria Flowshop
Scheduling Problem”, European Journal of
Operational Research, C:142, s.250–257.
“A Hybrid Genetic Local Search Algorithm
for The Permutation Flowshop Scheduling
Problem” European Journal of Operational
Research, C:198, No:1, s.84–92.
Tseng, L.Y. ve Lin, Y.T., 2010 “A Genetic Local Search Algorithm for
![Page 177: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/177.jpg)
159
Minimizing Total Flowtime in the
Permutation Flowshop Scheduling Problem”,
International Journal of Production
Economics, C: 127, s.121–128.
Valle, Y., Venayagamoorthy G. K.,
Mohagheghi, S, Hernandez J.C. ve
Harley, R. G., 2008
“Particle Swarm Optimization: Basic
Concepts, Variants and Applications in Power
Systems”, IEEE Transactions on
Evolutionary Computation, C: 12, No: 2,
s.171-195.
Wang, C.X., Cui, Y.A., Li, X.,
Chen, H. ve Cui, D.W., 2006
“A Novel Ant Colony System Based on
Traditional Chinese Medicine Theory”,
IJCSNS International Journal of
Computer Science and Network Security,
C:6 No:5, s.153-158.
Wang, L. ve Zheng, D.Z., 2003
“An Effective Hhybrid Heuristic for
Flowshop Scheduling”, International
Journal of Advanced Manufacturing
Technology, C:21,No:1, s.38-44.
Weng, M. X., 2000
“Scheduling Flowshops with Limited Buffer
Spaces”, Proceedings of the Winter
Simulation Conference, Tampa, Florida, s.
1359–1363.
Weisstein, E. W., 31.07.2010 “Complexity Theory" MathWorld Wolfram”,
(Çevrimiçi) http://mathworld.wolfram.com.
Widmer, M.,ve Hertz, A., 1989
“A New Heuristic Method for The Flowshop
Sequencing Problem”, European Journal of
![Page 178: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/178.jpg)
160
Wilson, J. M. 1989.
Operational Research, C:41, s.186–193.
"Alternative Formulations of a Flow-Shop
Scheduling Problem", Journal of
Operational Research Society, C: 40, No: 4,
s. 395-399.
Wodecki, M. ve Bozejko, W., 2002
“Solving the Flow Shop Problem by Parallel
Simulated Annealing” In Parallel Processing
and Applied Mathematics, C: 2328, s.236–
244.
Xhafa, F. ve Abraham, A., 2008
Xu, X., Xu, Z. ve Gu,X., 2011
Metaheuristics for Scheduling in
Distributed Computing Environments,
Springer, Berlin-Heidelberg.
“An Asynchronous Genetic Local Search
Algorithm for the Permutation Flowshop
Scheduling Problem with Total Flowtime
Minimization”, Expert Systems with
Applications C:38, s.7970–7979.
Yağmahan, B. ve Yenisey, M.M.,
2006
“Akış Tipi Çizelgeleme Problemi için KKE
Parametre Eniyileme”, İTÜ Dergisi, C:5,
No:2, s.133-141.
Yağmahan, B. ve Yenisey, M.M.,
2008
“Ant Colony Optimization for Multi-
Objective Flowshop Scheduling Problem”,
Computers and Industrial Engineering,
C:54, s. 411-420.
Yağmahan, B. Ve Yenisey M.M.,
2010
“A Multiobjective Ant Colony System
Algorithm for Flowshop Scheduling
![Page 179: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/179.jpg)
161
Ying, K.C., 2008
Problem”, Expert system with Aplication,
C:37, s.1361-1368.
“Solving Non-permutation Flowshop
Scheduling Problems by an Effective Iterated
Greedy Heuristic’, International Journal of
Advance Manfacturing Technology, C:3,
No:38, s.348-354.
Ying, K.C. ve Liao, C.J., 2004 “An Ant Colony System for Permutation
Flowshop Sequencing”, Computers and
Operations Research, C:31, No:5, s.791-
801.
Zegordi, S.Y., Itoh, K. ve Enkawa,
T., 1995
Zhang Y., Li, X. ve Wang, Q., 2009
“Minimizing Makespan for Flowshop
Scheduling by Combining Simulated
Annealing with Sequencing Knowledge”,
European Journal of Operational
Research, C:85, No:3, s. 515-531.
“Hybrid Genetic Algorithm for Permutation
Flowshop Scheduling Problems with Total
Flowtime Minimization”, European Journal
of Operational Research, C:196, No:1, s.
869-876.
Zhang, C., Ning, J. ve Ouyang, D.,
2010
“Hybrid Alternate Two Phases Particle
Swarm Optimization Algorithm for Flow
Shop Scheduling Problem”, Computers and
Industrial Engineering, C:58, No:1, s. 1-11.
![Page 180: AKIŞ TİPİ ÇİZELGELEME PROBLEMLERİNİN SEZGİSEL …nek.istanbul.edu.tr:4444/ekos/TEZ/49773.pdf · problem known as NP-hard has been offered and ant colony algorithm has been](https://reader036.fdocument.pub/reader036/viewer/2022081410/609b7b8c3a6fe8268847acca/html5/thumbnails/180.jpg)
162
Zobolas, G.I., Tarantilis, C.D. ve
Ioannou, G., 2009
“Minimizing Makespan in Permutation
Flowshop Scheduling Problems Using a
Hybrid Metaheuristic Algorithm”,
Computers and Operations Research, C:36,
s. 1249-1267.