Akış Tipi Çizelgeleme Problemlerinin Tavlama Benzetimiyle Çözümünde Rassal Aramanın Katkısı

Yıl 2024, Cilt: 12 Sayı: 2, 881 - 900, 29.04.2024

Gökay Görkem Günday , Nilgün Fığlalı

https://doi.org/10.29130/dubited.1215635

Öz

Üretim yapılan bir işletmede üretim planlama ve çizelgeleme, mevcut kaynakların verimli olarak kullanılmasında önemli bir rol oynamaktadır. Bazı işletmelerde bu planlama ve çizelgeleme faaliyetlerinin başarısı bu faaliyetleri yapan kişinin öngörü ve deneyimlerini ne kadar kullanabildiğine bağlı olarak değişmektedir. Akış tipinde üretim yapan, birden çok ürün ve üretim ekipmanı bulunan ve farklı veya benzer rotalarda üretim yapan işletmelerde, işlerin manuel olarak çizelgelenmesi alternatif çözümlerin üretilmesi ve değerlendirilmesi sürecini zaman alıcı hale getirmektedir. Ayrıca çözümün optimum olma garantisi de bulunmamaktadır. Literatürde bu tür problemlerin optimum çözümü için çeşitli matematiksel programlama yöntemleri kullanılmaktadır. Problemdeki kısıtların, iş ve makine sayılarının artması durumunda makul sürede optimum veya optimuma yakın sonuçların elde edilmesi amacıyla sezgisel ve metasezgisel yöntemlere de ihtiyaç duyulmaktadır. Bu çalışmada ilaç üretimi gerçekleştiren bir işletmedeki akış tipi çizelgeleme probleminin çözümü tavlama benzetimi yöntemiyle yapılmakta ve rassal arama süreçlerinin yöntem performansına etkileri incelenmektedir.

Anahtar Kelimeler

Tavlama Benzetimi, Rassal Arama, Akış Tipi Çizelgeleme, İlaç Sektörü

Contribution of Random Search on the Solution of Flow-Shop Scheduling Problems by Using Simulated Annealing

Öz

Production planning and scheduling is very critical to use existing sources most efficiently in the production facilities. Many of the production facilities the performance of the planning and scheduling is based on the person how much using of foresight and experiences. The scheduling of works and creating alternative solutions on the production facility which has flow type production and has many products, production equipment and different production routes, by manually takes too much time. Moreover the solution is not guaranteed a optimum solution. There is a lot of various mathematical programming techniques are used on the previous studies. If the number of constraints, work and machines are increased the heuristic or meta heuristic techniques are need to be used for obtain optimum or close to optimum results with acceptable time. In this paper the solution of production scheduling is done with simulated annealing and the random search process performance impact is researched on the pharmaceutical company which has flow type production.

Anahtar Kelimeler

Simulated Annealing, Random Search, Flow-Shop Scheduling, Pharmaceutical industry

Kaynakça

• [1] Eren, T. ve Güner, E. “İki ölçütlü beklemesiz akış tipi çizelgeleme problemi: toplam -tamamlanma zamanı ve maksimum gecikme”, İstanbul Ticaret Üniversitesi V. Ulusal Üretim Araştırmaları Sempozyumu Bildiri Kitabı, 231-236, 2005.
• [2] Fink, A. ve Voß, S. “Solving the continuous flow-shop scheduling problem by metaheuristics” European Journal of Operational Research, vol. 151, pp. 400-414, 2003.
• [3] Stützle, T. “An ant approach to the flow shop problem”. In Proceedings of the 6th European Congress on Intelligent Techniques and Soft Computing, Vol. 3, pp. 1560-1564, 1998, September.
• [4] Acar, N. ‘’Üretim Planlaması Yöntem ve Uygulamaları’’, Ankara, Türkiye, Milli Prodüktivite Merkezi Yayınları, 2000, 214s.
• [5] Kenneth R. Baker, Dan Trietsch, Principles of Sequencing and Scheduling, Newyork, USA, John Wiley & Sons, 2013.
• [6] Michael L. Pinedo, Planning and Scheduling in Manufacturing Services, Newyork, USA, Springer Science, 2005.
• [7] Kellegöz, Talip. “Toplam geç bitirme zamanının en küçüklenmesi performans ölçütlü permütasyon akış tipi çizelgeleme problemlerinin çözümünde genetik algoritma yaklaşımı’’, Yüksek Lisans Tezi, Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Ana Bilim Dalı, Kırıkkale Üniversitesi, Kırıkkale, Türkiye, 2006.
• [8] Şerifoğlu, F. S., & Ulusoy, G. “Multiprocessor task scheduling in multistage hybrid flow-shops: a genetic algorithm approach”.” Journal of the Operational Research Society, vol.55, no.5, pp. 504-512”, 2003.
• [9] Garey M R, Johnson D S, 1979. “Computers and intractability, Vol. 174. “San Francisco, USA, W.H. Freeman and Company, 2005.
• [10] S. Sayin and S. Karabati, “A bicriteria approach to the two-machine ow shop schedulingproblem”, European Journal of Operational Research, vol.113, pp. 435-449, 1999.
• [11] B. Toktaş, M. Azizoğlu, and S. Köksalan, “Two-machine flow shop scheduling with two criteria:Maximum earliness and makespan”, European Journal of Operational Research, vol. 157 pp. 286-295, 2004.
• [12] C. J. Liao, W.C. Yu, and C.B. Joe, “Bicriterion scheduling in the two-machine flowshop”, The Journal of the Operational Research Society, vol. 48, pp. 929-935, 2004.
• [13] R. L. Daniels and R. J. Chambers, “Multi-objective flow-shop scheduling”, Naval Research Logistics, vol. 37, pp. 981-995, 1990.
• [14] K. Chakravarthy and C. Rajendran, “A heuristic for scheduling in a owshop with the bicriteriaof makespan and maximum tardiness minimization”, Production Planning and Control vol. 10, pp.707-714, 1999.
• [15] D. Ravindran, A. Noorul Haq, S. J. Selvakuar, and R. Sivaraman, “Flow shop schedulingwith multi objective of minimizing makespan and total flow time”, International Journal of Advanced Manufacturing Technology vol. 25, pp. 1007-1012, 2005.
• [16] T. Pasupathy, C. Rajendran, and R. K. Suresh, “A multi-objective genetic algorithm for schedulingin ow shops to minimize the makespan and total flow time of jobs,” International Journal of Advanced Manufacturing Technology vol. 27, pp. 804-815, 2006.
• [17] T. Loukil, J. Teghem, and D. “Tuyttens, Solving multi-objective production scheduling problemsusing metaheuristics”, European Journal of Operational Research vol.161, pp. 42-61, 2005.
• [18] T. K. Varadharajan and C. Rajendran, “A multi-objective simulated-annealing algorithm forscheduling in owshops to minimize the makespan and total flowtime of jobs”, European Journal of Operational Research vol.167, pp.772-795, 2005.
• [19] B. Yagmahan and M. M. Yenisey, “A multi-objective ant colony system algorithm for flow shopscheduling problem”, Expert Systems with Applications vol.37, pp.1361-1368, 2010.
• [20] Sarıçiçek İ, Endüstriyel Çizelgeleme Dersi, 5, Erişim: https://slideplayer.biz.tr/slide/2624694/
• [21] Onan A, “Metasezgisel yöntemler ve uygulama alanları”, c.17, s.2, ss.113-128, 2013.
• [22] Kirkpatrick, S.,Gelatt, C. ve Vecchi, M.P. “Optimization by simulated annealing”, Science, vol. 220. No. 4598. pp.671-680, 1983.
• [23] Busetti, F. “Simulated annealing overview”, 2013. Erişim: http://163.18.62.64/wisdom/Simulated% 20 annealing%20overview.pdf, (11.09.2013).,
• [24] Henderson, D.,Jacobson, S.H. ve Johson, A.W. “The theory and practice of simulated annealing” “Glover et al. (eds) Handbook of Metaheuristics, KluwerAcademicPublishers”,2003.
• [25] Goffe, W.L.,Ferrier, G.D. ve Rogers, J. “Global optimization of statistical functions with simulated annealing”, Journal of Econometrics, vol. 60. No.1-2, pp.65- 99, 1994.
• [26] Kocamaz, M. ve Çiçekli, U.G. “Paralel makinaların genetik algoritma ile çizelgelenmesinde mutasyon oranının etkinliği” Ege Akademik Bakış, vol.10, no.1, pp.199-210, 2010.
• [27] Çelik, Y. ‘’Optimizasyon problemlerinde bal arılarının evlilik optimizasyonu algoritmasının performansının geliştirilmesi’’, Doktora Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Selçuk Üniversitesi, Konya, Türkiye , 2013.