ENDÜSTRİ MÜHENDİLİĞİ YAZILIMLARI VE UYGULAMALARI KONGRESİ

Transkript

1

2 tmmob makina mühendisleri odası ENDÜSTRİ MÜHENDİLİĞİ YAZILIMLARI VE UYGULAMALARI KONGRESİ BİLDİRİLER KİTABI İZMİR mmo yayın no: E/2011/559 EYLÜL 2011

3 tmmob makina mühendisleri odası Meşrutiyet Cad. No: 19 Kat: Kızılay / ANKARA Tel : (0312) Pbx Faks: (0312) ODA YAYIN NO: E/2011/559 ISBN BU YAPITIN YAYIN HAKKI MMO NA AİTTİR. DİZGİ VE KAPAK TASARIMI : TMMOB Makina Mühendisleri Odası İzmir Şubesi MMO Tepekule Kongre - Sergi ve İş Merkezi Anadolu Cad. No:40 Kat: M Bayraklı/İzmir Tel : (0232) Pbx BASKI : Can Dijital Baskı İzmir Tel : (0232) Bu yayın MMO tarafından derlenmiştir. MMO bu yayındaki ifadelerden, fikirlerden, teknik bilgi ve basım hatalarından sorumlu değildir.

4 KONGRE DÜZENLEME KURULU Abdullah Selçuk SOYLU Akın ÇANKAYA Nergiz BĠLGĠN NuĢin COġKUN Vedat ĠRġĠ Mehmet Murat TEMĠZ Murat KORKUT Ġskender ERBĠL Bekir Musa MAYDA Hakan AKALIN Cevdet ÜRENCĠK Türkay DERELĠ ġebnem CENGĠZ Emre GÖKTEPE Ahmet Ġlhan DÜZGÜN Hakkı Tayfur ASLAN Ġbrahim YÜCESOY CoĢkun HAMZAÇEBĠ Sıtkı KULOĞLU Emrah AYDEMĠR Güzin ÖZDAĞOĞLU GökĢen GÖK Halit AKÇAL Orhan DEMĠR TMMOB Makina Mühendisleri Odası TMMOB Makina Mühendisleri Odası TMMOB Makina Mühendisleri Odası TMMOB MMO Adana ġubesi TMMOB MMO Ankara ġubesi TMMOB MMO Antalya ġubesi TMMOB MMO Bursa ġubesi TMMOB MMO Denizli ġubesi TMMOB MMO Diyarbakır ġubesi TMMOB MMO Edirne ġubesi TMMOB MMO EskiĢehir ġubesi TMMOB MMO Gaziantep ġubesi TMMOB MMO Ġstanbul ġubesi TMMOB MMO Ġzmir ġubesi TMMOB MMO Kocaeli ġubesi TMMOB MMO Konya ġubesi TMMOB MMO Mersin ġubesi TMMOB MMO Trabzon ġubesi TMMOB MMO Zonguldak ġubesi TMMOB MMO EĠM MEDAK TMMOB MMO EĠM MEDAK TMMOB MMO EĠM MEDAK TMMOB MMO EĠM MEDAK TMMOB MMO EĠM MEDAK KONGRE YÜRÜTME KURULU Ġpek BETĠNER (BaĢkan) Ali AYTEKĠN Cüneyt ERSĠN Evrim URSAVAġ Gonca TUNÇEL Gökalp YILDIZ H. Cem ÇAPIN IĢıl TEZCAN GÜLER Ġlksen ġendġl Ġsmail CĠN Mehmet Nuri TEKĠN Murat IHLAMUR Özgür YALÇINKAYA Sabri ERDEM Seçkin ġġġmanoğlu Turgay ġġrvan KONGRE SEKRETERİ Sibel ATAR KONGRE SEKRETARYASI Sungu KÖKSALÖZKAN Önder SÖZEN Engin BIÇAK Aydın DOĞAN III

5 KONGRE DANIŞMANLAR KURULU Aşkıner GÜNGÖR Ayfer DURUSOY Çağlar GÜVEN Emin KAHYA Ercüment N. DİZDAR Hamza Cihan SARI Hatice CAMGÖZ AKDAĞ Kenan ÖZDEN Levent KANDİLLER M. Cemali DİNÇER Mahmut Ali GÖKÇE Mehmet AKANSEL Mehmet Fatih TAŞGETİREN Mehmet Mutlu YENİSAY Osman ALP Önder BULUT Özgür ÖZPEYNİRCİ S. Necip ÖZBEY T. Cengizhan PAMİR Taner BİLGİÇ Tunç BOZBURA Yağmur Melih GÜRTUNCA Yakup KARA Yaman BARLAS Zeki AYAĞ Zeliha Deniz ALTA DESTEKLEYEN KURULUŞLAR BİYESAM - Bilişim ve Yazılım Eser Sahipleri Meslek Birliği TÜBİDER - Bilişim Sektörü Derneği TBV - Türkiye Bilişim Vakfı YASAD - Yazılım Sanayicileri Derneği DESTEKLEYEN ÜNİVERSİTELER Balıkesir Üniversitesi Çankaya Üniversitesi Dokuz Eylül Üniversitesi Dumlupınar Üniversitesi Erciyes Üniversitesi Girne Amerikan Üniversitesi Haliç Üniversitesi Işık Üniversitesi İstanbul Kültür Üniversitesi İstanbul Şehir Üniversitesi Kadir Has Üniversitesi Karabük Üniversitesi Kocaeli Üniversitesi Yaşar Üniversitesi IV

6 SUNUŞ TMMOB Makina Mühendisleri Odası, yazılım alanında ulusal ve uluslararası yeni gelişmelerin, tartışmaların izlenebilmesi ve aktarılabilmesi, mesleki sorunların dile getirilebilmesi, kamuoyunun bilgilendirilmesi, bu alanda politikaların oluşturulması amacıyla Endüstri Mühendisliği Yazılımları ve Uygulamaları Kongre ve Sergisi düzenleme kararı almıştır. Tüm üretim kaynaklarının tek veya bütünleşik olarak planlanması ve kontrol edilmesi için yazılımlar önemli hale gelmiştir. Entegre yönetim anlayışı ile üretim dışındaki diğer tüm fonksiyonların yönetimi için yazılımlara gereksinim duyulmaktadır. Yazılım seçim, kurulum ve uygulama süreçlerinde sorunların çözümü için bilgi paylaşımına gereksinim vardır. Tüm bu süreçlerin yönetiminde ve uygulama süreçlerinde aktif görev alan Endüstri Mühendisleri bu alanda önemli role sahiptirler. Kongrenin hedefi; Endüstri Mühendisliği yazılımları hakkında katılımcıları farklı sektörlerden gelen deneyimlerin ışığında bilgilendirmek, yazılım seçimi, kurulumu ve uygulama süreçleri hakkında doğru karar vermelerini sağlayıcı bilgileri, teknolojileri ve uygulamaları aktarmaktır. İlgili tüm taraflar etkinlik süresince farklı platformlarda bir araya gelerek Endüstri Mühendisliği Yazılımları ve Uygulamaları üzerine etkin bir şekilde bilgi paylaşımında bulunacaklardır. Yürütme Kurulumuz ilk kez düzenlenecek bu Kongre için zengin içerikli bir program hazırladı. Konusunda uzman, örnek uygulamalar gerçekleştirmiş, çağdaş bilgi ve deneyime sahip mühendis ve bilim insanlarının sundukları bildirilerin yer aldığı bu kitap ile kongreye katılamayan pek çok meslektaşımız kongre birikiminden yararlanma olanağı bulacaktır. Odamız adına İzmir Şube yürütücülüğünde ilk kez yapılan Endüstri Mühendisliği Yazılımları ve Uygulamaları Kongre ve Sergisi'nin gerçekleştirilmesini sağlayan düzenleme ve yürütme kurullarına, danışmanlar kuruluna, destekleyen kuruluşlara, etkinliklere sponsor olan firmalara, İzmir Şube Yönetim Kurulu ve çalışanlarına, oturum, uygulamalı deneyim paylaşımları, panel, yuvarlak masa söyleşi ve kurs çalışması yöneticilerine, bildiri sunarak, panelist ve yuvarlak masa katılımcısı olarak katkıda bulunan meslektaşlarımıza, uzmanlara ve tüm delegelere teşekkür ediyoruz. Saygılarımızla TMMOB Makina Mühendisleri Odası Yönetim Kurulu V

7

8 ÖNSÖZ Endüstri Mühendisliği Yazılımları ve Uygulamaları Kongresi 30 Eylül - 1/2 Ekim 2011 tarihleri arasında İzmir de düzenlenmektedir. Yazılım alanında çalışan mühendislerin, bilim insanlarının, sanayicilerin ve diğer meslek disiplinlerinin bir araya gelerek bilgi alışverişinde bulunmalarını, bilimsel ve teknolojik yenilikleri ve gelişmeleri izleme olanağı sağlayan Endüstri Mühendisliği Yazılımları ve Uygulamaları Kongresi, bu alanda düzenlenen ilk platform özelliğini taşımaktadır. Kongre kapsamında dört oturumda oniki akademik bildirinin sunumu gerçekleştirilmektedir. Bu bildiriler Dokuma Kesme Yazılımı E-Mühendis: 1D Kesim ; İstatistiksel Kalite Kontrol Yazılımı E- Mühendis: Kalite Kontrol ; İleri Üretim Çizelgeleme Yazılımı - IPS; Kurumsal Öğrenme Bağlamında Bilgi Haritalama; Tedarikçi İlişkileri Yönetimi Ontolojisi; Kısıt Tabanlı Çok Etmenli Bir Tedarik Zinciri Yönetimi Uygulaması; Kablosuz İletişimde Kaynak Atama Problemi İçin Ardışık Paketleme Modeli; Sezgisel Yöntemlere Dayalı Çoklu-Dilme Bıçkı Makinesi Mil Tasarımı ve Yazılımı; Promethee İçin Decision Lab Yazılımı ve Örnek Bir Problem Üzerinde Uygulanması; Bir Elektronik Firmasında Paralel İstasyon ve Atama Kısıtlı Montaj Hattı Dengeleme Çalışması; Şehiriçi Toplu Taşımada Ölü Kilometre Minimizasyonu İçin Bir Uygulama; ERP Faaliyetleri başlıklarını taşımaktadır. Kongrede sunulan bildiriler kitap ve CD olarak yayınlanmış; CD'ler delegelere dağıtılmıştır. Ayrıca iki özel oturumda altı akademik bildirinin sunumu gerçekleştirilecektir. Kongre'de Uygulama Paylaşım Oturumları adı altında planlanan platform ile Türkiye nin önde gelen firmaları, uyguladıkları yazılımların temsilcileriyle birlikte deneyimlerini katılımcılarla paylaşmaktadır. Uygulama Paylaşım oturumları; ERP, Optimizasyon - Simülasyon, CRM, SCM, BI, PLM ve özel uygulama ana başlıklarında düzenlenmekte ve Kongre'de toplam 23 oturumda 43 sunum gerçekleştirilmektedir. Kongre açılış oturumunda Fuat Alican'ın Teknoloji 3.0 ve Halil Aksu'nun Web İnternetin Geleceği: Trendler ve Etkileri başlıklı sunumları yer almaktadır. Kongrenin söyleşiler bölümünde ise Prof. Dr. Sencer Yeralan Yeni Yazılım Stratejileri ve Jale Akyel Daha Akıllı Bir Dünya ya Doğru... konulu sunumlarıyla yazılımın geleceğine yönelik öngörülerini katılımcılarla paylaşacaklardır. Kongrenin ilk gününde İşletmelerde Yazılım Uygulama Başarısının Önündeki Engeller konulu panel ilgili tüm tarafların katılımıyla çok yönlü olarak tartışılmaktadır. Yine Kongre kapsamında gerçekleştirilen Yuvarlak Masa Toplantısı ile "Yazılım Uygulamalarında Endüstri Mühendislerinin Rölü" ele alınmaktadır. Kongrenin üçüncü günü onbir salonda ondört kurs gerçekleştirilmektedir. Düzenleme kurulu olarak, ülkemizde endüstri mühendislerinin yazılım alanında yaptığı çalışmalar için kongre platformu oluşturan Makina Mühendisleri Odası Yönetim Kurulu na, kongrenin gerçekleştirilmesinde yoğun emek veren yürütme kurulu üyeleri başta olmak üzere danışmanlar kurulu üyelerine, bildiri yazarlarına, kongreyi destekleyen kurumlara, görev alan öğrencilerimize katkılarından dolayı teşekkür ederiz. Ayrıca, "Kongre Delegesi" olma bilincini taşıyan ve bu bilinçle çağdaş bilgi ve teknolojiye ulaşma çabası içinde olan değerli mühendislere ve teknik elemanlara, kongreye katılımlarının yanı sıra verdikleri çok yönlü destekler için sergiye katılan firmalara, kongrede görev alan tüm kişi ve kuruluşlara teşekkürlerimizi sunarız. Kongre Düzenleme Kurulu 30 Eylül İzmir VII

9

10 İÇİNDEKİLER Sayfa No 1. ÖZMUTLU, H. Cenk. ÖZMUTLU, Seda. KIVAM, Koray. Dokuma Kesme Yazılımı E-Mühendis: 1D Kesim ÖZMUTLU, Seda. ÖZMUTLU, H. Cenk. SEMERCĠOĞLU, ġener. KIVAM, Koray. Ġstatistiksel Kalite Kontrol Yazılımı E-Mühendis: Kalite Kontrol GÜRTUNCA, Yağmur Melih. ÖZMUTLU, H. Cenk. Ġleri Üretim Çizelgeleme Yazılımı IPS GÜL, Sait. ÖZDEN, Kenan. Kurumsal Öğrenme Bağlamında Bilgi Haritalama ARIÖZ, Esra. DĠKER, Nail. KILINÇ, Ebru. ÜNALIR, Murat Osman. Tedarikçi ĠliĢkileri Yönetimi Ontolojisi TUNCAY, Erhun Giray. YAKHNO, Tatyana. Kısıt Tabanlı Çok Etmenli Bir Tedarik Zinciri Yönetimi Uygulaması AKSAKALLI, Vural. ARI, Ġbrahim. Sezgisel Yöntemlere Dayalı Çoklu-Dilme Bıçkı Makinesi Mil Tasarımı ve Yazılımı YILMAZ, Burcu. DAĞDEVĠREN, Metin. Promethee Ġçin Decision Lab Yazılımı ve Örnek Bir Problem Üzerinde Uygulanması TOPALOĞLU, ġeyda. TUNÇEL, Gonca. Bir Elektronik Firmasında Paralel Ġstasyon ve Atama Kısıtlı Montaj Hattı Dengeleme ÇalıĢması ELĠĠYĠ, Uğur. NASĠBOĞLU, Efendi. Kablosuz ĠletiĢimde Kaynak Atama Problemi Ġçin ArdıĢık Paketleme Modeli NASĠBOĞLU, Efendi. ELĠĠYĠ, Uğur. ÖZKILÇIK, Mefharet. KUVVETLĠ, Ümit. ġehiriçi Toplu TaĢımada Ölü Kilometre Minimizasyonu Ġçin Bir Uygulama ORMAN, Osman. Kurumsal Kaynak Planlama ÖZEL OTURUM 1 ENDÜSTRİ MÜHENDİSLİĞİNDE ETMEN TEMELLİ YAZILIMLAR 13. ġahġn, Cenk. KAPLANOĞLU, Vahit. BAYKASOĞLU, Adil. EROL, Rızvan. Çoklu Etmen GeliĢtirme Platformu: JACK TM KAPLANOĞLU, Vahit. ġahġn, Cenk. BAYKASOĞLU, Adil. EROL, Rızvan. Etmen Tabanlı Sistem Tasarım Yöntemi: Prometheus TM BAYKASOĞLU, Adil. UNUTMAZ DURMUġOĞLU, GÖRKEMLĠ, Latife. Etmen Tabanlı Benzetim: Anylogic TM Yazılımı ve Örnek Bir ÇalıĢma ÖZEL OTURUM 2 BİLİŞSEL ZEKA TEMELLİ VERİ MADENCİLİĞİ VE UYGULAMALARI 16. ÖZBAKIR, Lale. BAYKASOĞLU, Adil. Genetik Programlamaya Dayalı Sınıflandırma YaklaĢımı: MEPAR-MINER KULLUK, Sinem. ÖZBAKIR, Lale. BAYKASOĞLU, Adil. Yapay Sinir Ağlarının EĢzamanlı Eğitimi ve Kural Çıkarımı: DIFACONN-MĠNER TAPKAN, Pınar. ÖZBAKIR, Lale. BAYKASOĞLU, Adil. WEKA ile Veri Madenciliği Süreci ve Örnek Uygulama IX

11

12 DOKUMA KESME YAZILIMI E-MÜHENDİS: 1D KESİM H. CENK ÖZMUTLU ULUDAĞ ÜNİVERSİTESİ YÖN-EYLEM BİLGİ SİSTEMLERİ SEDA ÖZMUTLU ULUDAĞ ÜNİVERSİTESİ YÖN-EYLEM BİLGİ SİSTEMLERİ KORAY KIVAM YÖN-EYLEM BİLGİ SİSTEMLERİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

13

14 3 DOKUMA KESME YAZILIMI E-MÜHENDİS: 1D KESİM H. Cenk ÖZMUTLU Seda ÖZMUTLU Koray KIVAM ÖZET Türkiye, yoğun rekabetin olduğu tekstil sektöründe faaliyetlerine devam edebilmek için ürettiği ürünlerin kalitesini arttırmak, maliyetlerini düşürmek ve üretim verimliliğini arttırmak durumundadır. Tekstil sektöründe karın arttırılmasının bir yolu da, üretilmiş bir top kumaşın en iyi gelir elde edilecek şekilde hatalarından ayıklanması için kesme stratejilerinin belirlenmesidir. Bu ihtiyaç ile ilgili olarak, tekstil firmalarının herhangi bir kapsamlı süreç iyileştirme ya da makine yenileme yatırımına gerek duymadan, tek parça kumaşın hatalı bölgelerini daha küçük parçalara dağıtarak, birim fiyatı yüksek üst kalite sınıfı kumaş oranını arttırmasını ve dolayısıyla aynı kumaştan daha fazla gelir elde etmesini sağlayan dokuma kesme yazılımı E-mühendis: 1D Kesim geliştirilmiştir. Satış gelirlerinin iyileştirilmesine yönelik doğru kesme stratejilerinin belirlenmesi amacıyla geliştirilen dokuma kesme yazılımında, konu ile ilgili meta-sezgisel kesme algoritmaları tespit edilmiş ve bu algoritmalara nihai müşterilerin özel ihtiyaçlarını karşılayacak ve kullanım kolaylığı sağlayacak iyileştirmeler eklenerek bir paket program oluşturulmuştur. Anahtar Kelimeler: Yazılım, Tekstil, Kesme, Endüstri Mühendisliği, Kalite Kontrol. ABSTRACT Turkey has to increase the quality and productivity and decrease the costs of production in order to continue production in the textile sector, where a high level of competition exists. One way to increase profit in the textile sector is to determine cutting strategies as to eliminate manufacturing defects and maximizing revenue for a manufactured roll of fabric. E-muhendis: 1D Cutting software maximizes revenue obtained from a roll of manufactured fabric, through distributing the defective portions of the fabric to smaller pieces and thereby increasing the quantity of higher quality fabric. The textile cutting software includes heuristic algorithms, and offers modules to cover the specific needs of users. Keywords: Software, textile, cutting, Industrial Engineering, Quality Control 1. GİRİŞ Dünyada ve Türkiye'de her üretim ve hizmet alanında yoğun rekabet mevcuttur. Yoğun rekabet ortamında, bir üreticinin ya da kuruluşun ayakta kalabilmesi için müşteri odaklı, kaliteli ve verimli üretim gerçekleştirebilmesi gereklidir. Müşteri tatmininin arttırılması ise tedarik zamanı ve maliyetinin yanında, direkt olarak ürün kalitesi ile ilgilidir. Bu sebeple tüm sektörlerde ürün kalitesinin arttırılması son derece önemlidir. Tekstil sektörü, Türkiye'nin en faal olduğu alanlardandır. Türkiye'de tekstil sektöründe çok büyük fiziki yatırım ve eğitilmiş büyük bir iş gücü bulunmaktadır. Bu sebeple gelişen teknolojiler konusunda atak olmaya devam etmekle birlikte, Türkiye'nin gelecekte de tekstil sektöründe aktif olarak rol almaya devam edeceği açıktır. Ancak, dünyada tekstil sektöründe özellikle son on yılda

15 4 Çin'in güçlü bir rakip olarak ortaya çıkmasıyla yoğun bir rekabet ortamı oluşmuştur. Türkiye'nin Çin'e karşı olan avantajlarının arasında ise özellikle AB ülkelerine mesafesinin az olması sebebiyle tedarik sürelerinin kısa olması ve gerekli kalite seviyesinin Türkiye'de yakalanabilmesidir. Bu durumda, Türkiye'nin tekstil sektöründeki makine parkından ve eğitilmiş insan gücünden istifade etmeye devam etmesi açısından, tekstil ürünlerinin kalitesini mümkün olan en iyi düzeye çıkarması ve maliyetleri de mümkün olduğunca düşürmesi gerekmektedir. Bugünkü endüstriyel rekabet ortamında, etkin bir yarış sürdürebilmek için son teknolojik gelişmeleri yakından izlemek ve modern üretim tekniklerini uygulayarak yüksek kaliteyi yakalamak artık kaçınılmaz olmuştur. Nitekim bugün tekstil endüstrisinde otomatik veya yarı otomatik dokuma teknolojileri kullanılmaktadır. Çoğu işletmede atölye ortamındaki sorunlar çözüme ulaştırılmış, otomasyon büyük firmalarda uzman çalışanların yerlerini almışsa da, üretilen kumaşlarda çok çeşitli hatalar meydana gelebilmektedir. Müşteriye gönderilecek bir top kumaşta bulunan hataların niteliği, sayısı, uzunluğu gibi kriterler ilgili toptaki kumaşın hangi kalite düzeyinde (1. sınıf, 2. sınıf, vb.) olduğunu göstermektedir. Topun kalite sınıfı ürünün birim fiyatını (metre fiyatını) etkilemektedir. Ayrıca topun kalite sınıfının yanlış belirlenmesi, gönderilen ürünlerin reklamasyonu sonucu üretici firmalara sıkıntılı anlar yaşatmakta ve yükselen maliyetler yaratmaktadır. Tekstil ürünleri ara mamul veya son mamul aşamasında uzun metrajlı olarak üretilmekte ve toplara sarılmakta, daha sonraki kullanım şeklinin gerektirdiği şekilde kesilmektedir. Tekstil firmalarının, müşterilerinin kumaş siparişlerini bir top üzerinde tek bir parça halinde veya müşteri tarafından belirlenmiş çeşitli koşulları karşılamak kaydıyla birden fazla parça ile karşılaması mümkündür. Bir diğer deyişle, tek bir parça olarak üretilmiş bir ürünü, birden fazla parçaya ayırarak satmak mümkündür. Parçalara ayırmanın amacı, taşıma ve makineye yükleme ve boşaltma zorlukları olabileceği gibi, belli hatalı bölgeleri atarak, geri kalan kumaşın kalite sınıfının dolayısıyla birim satış fiyatının arttırılması olabilir. Bu durumda, firmalar üretilen kumaştan en yüksek geliri elde etmek adına kesme stratejilerini belirlemek durumunda kalmaktadır. Bu ihtiyaca cevap vermek amacıyla, doğru kesme stratejilerinin gerçekleştirilmesi, Endüstri Mühendisliği çözümlerinin bir yazılım halinde somutlaştırılması şeklinde tekstil sektörünün hizmetine sunulabileceği durumu ortaya çıkmıştır. Bu unsurlar göz önüne alınarak, bir TÜBİTAK-TEYDEB projesi kapsamında, tekstil sektöründe kapsamlı bir yatırım yapmaya gerek duymadan, doğru ürün sınıflandırması ile bu üründen elde edilecek gelirin artmasını sağlayacak olan bir dokuma ürünleri kesme yazılımı geliştirilmiştir.geliştirilen dokuma kesme yazılımı E-mühendis: 1D Kesim ile üretilmiş bir top kumaşın, en iyi gelir elde edilecek şekilde hatalarından ayıklanması amaçlanmaktadır. Yazılım çok az bir yatırım maliyeti gerektirmekte, buna karşılık satış gelirlerinin artmasını sağlamaktadır. 2. YAZILIMIN ÖZELLİKLERİ Dokuma kesme yazılımı ile ilgili olarak, geliştirme öncesi süreçte kapsamlı araştırmalar gerçekleştirilmiştir. Yapılan araştırma sonucunda, kesme ile ilgili yazılım ürünlerinin daha ziyade konfeksiyon sektöründeki kesme problemlerine hitap ettiği görülmektedir. Bu yazılımlar geliştirilen yazılımdan farklı olarak, konfeksiyon için desen-parça optimizasyonunun sağlanmasını amaçlar. Bu optimizasyon probleminde, üretilecek parçaların desenleri uyuşması şartı ile en az kumaş kullanacak şekilde parça kesimlerinin gerçekleştirilmesi ile ilgilidir. Bu gibi ürünler arasında CUTPLAN, GerberCutWorks, OptiTex gibi yazılımlar sayılabilir[1-3]. Ancak konfeksiyonda kumaş kullanım optimizasyonu yazılımlarında hedeflenen problem geliştirilen dokuma kesme yazılımında hedeflenen problemden daha farklı yapıya sahiptir. Ayrıca konfeksiyona yönelik kesme ürünlerinin hepsinin yabancı menşeili ve oldukça yüksek fiyatlı (50.000$ civarında) olduğu görülmektedir. Geliştirilen dokuma kesme yazılımının Türkiye'de iş zekası yazılımlarının gelişmesine de katkısı bulunacağı açıktır. İş zekası yazılımları Türkiye'de popüler ancak sınırlı bir dal olmakla beraber, iş zekası yazılımları daha ziyade ERP/MRP uygulamaları ile boyutunda kalmıştır. Geliştirilen yazılım ile Türkiye'nin hem yazılım gücünün arttırılmasına hem de iş zekası yazılımları alanında daha aktif bir rol almasına yardımcı olacaktır.

16 5 Yöneylem Bilgi Sistemleri iş zekası yazılımları açısından Türkiye'de hatta AB ülkelerinde boşluklar olduğunu fark ederek bu konuda çalışmalar yapmaya karar vermiştir. Aynı zamanda Türkiye'de tekstil sektörüne yönelik veri işleyecek ve sonuçlar sunacak olan yazılımların eksikliği de ortadadır. Sonuç olarak dokuma kesme yazılımın geliştirilmesi fikrine varılmıştır. Bunun yanı sıra yazılım içerisinde kullanılması olası olan metodolojiler de Yöneylem Bilgi Sistemleri tarafından tespit edilmiştir. Yapılan araştırmalar sonucunda dokuma kesme yazılımının sahip olması gereken özellikler de belirlenmiştir. Üretilen her değişik kumaşın ve her değişik müşterinin kalite sınıflandırmaları farklı olduğundan üretici firmalar sevk ettikleri ürünlerin bu standartlara uyup uymadığını kontrol etmek zorundadır. Bu özellik geliştirilen yazılım açısından değerlendirildiğinde, ürün tanımlama ve optimizasyon modüllerinin müşteri ve ürüne bağlı esnekliklerinin tanımlanabilir olması anlamına gelmektedir. Yazılımdaki esneklikler özellikle kullanılan meta-sezgisel optimizasyon algoritmasında sorun yaratmayacak şekilde çözümlenmiştir. Dikkate alınan bazı özellikleri şu şekilde sıralayabiliriz: Noktasal, çizgisel ve alansal hata tanımlayabilmek, Her tanımlanan hata tipine özel ceza puanı tanımlayabilmek, Ana hata ve normal hata tanımlayabilmek, Ana hata tiplerine ek koşullar tanımlayabilmek (iki ana hata arası minimum mesafe vb.), Hata değerlendirme skalasını ve birim fiyatlarını tanımlayabilmek Özel müşteri isteklerinin tanımlayabilmek (minimum ve maksimum parça uzunluğu, parça başı minimum temiz bölge uzunluğu vb.), Aynı kumaş tipi için farklı ceza puan değerleri ve müşteri kuralları tanımlayabilmek (aynı ürünü farklı müşterilere satılma durumunda gerekmektedir), Aynı siparişi farklı optimizasyon senaryolarına göre değerlendirebilmek ve sonuçları saklayabilmek, karşılaştırabilmek ve raporlayabilmek, Eski sonuçları arşivleyebilmek. Geliştirilen yazılımda dokuma kesme kararlarının alınmasında meta-sezgisel optimizasyon algoritmaları kullanılmış, Endüstri Mühendisliği bilimsel tekniklerinin aracılığıyla optimal veya optimale yakın kesme stratejilerini belirlenmiştir. Bu özelliklerin yanı sıra dokuma kesme yazılımı E-mühendis: 1D Kesim; Karar alma yeteneğine sahip ve Endüstri Mühendisliği teknikleri kullanılarak hazırlanmış akıllı bir yazılımdır, Güvenli kullanıcı yetkilendirme prosedürüne sahiptir, Kendi platformunda bağımsız çalışabilme yeteneğine sahiptir, İşletmelerin mevcut sistemlerine entegre edilebilir dinamik bir yapıdadır, Kullanımı kolay arayüz yapısı bulunmaktadır. 3. METODOLOJİ Dokuma kesme yazılımı E-mühendis: 1D Kesimk onusu itibarıyla disiplinler arası bir yapıyı içermektedir. Tekstil alanındaki dokuma kesme problemi için çözüm, Endüstri Mühendisliği ve bilişim teknolojisi metotları kullanılarak geliştirilmiştir. Bu sebeple kullanılan metodolojiler ve araçlar da interdisipliner yapıyı destekleyecek şekilde geniş bir yelpazede yer almaktadır Kesme Stratejilerinin Belirlenmesi İle İlgili Çalışmaların Gerçekleştirilmesi Üretilen kumaşın değişik kalite sınıflarına ayrılması ile ilgili olarak kesim stratejilerinin belirlenmesi için her şeyden önce dokuma kalite hatalarının anlaşılması gerekmektedir. Kalite hatalarının anlaşılması

17 6 için çeşitli tekstil üreticileri ile görüşülmüş ve dokuma ürünlerinde ortaya çıkan kalite hataları anlaşılmaya çalışılmıştır. Ne tip hatalar olduğu anlaşıldıktan sonra, kalite kontrol için kullanılan yedi görsel araçtan biri olan Pareto analizi gerçekleştirilerek en çok hangi hatanın görüldüğü tespit edilmiştir. Ayrıca kalite hatalarının sebeplerinin de incelenmesi gerekliliği ile burada hipotez testleri ve ANOVA gibi istatistiksel metotlardan da yararlanılmıştır. Kalite hataları nitelik ve nicelik olarak irdelendikten sonra kesim stratejilerinin belirlenmesi için literatür taraması gerçekleştirilmiştir. Literatür taraması tekstil, yöneylem araştırması ve yapay zeka yayınları ağırlıklı olacak şekilde bilimsel dergiler ve kongreler üzerinde ayrıntılı araştırma yapılması suretiyle gerçekleştirilmiştir. Literatür taraması sonucunda kesim stratejilerinin belirlenmesi için çeşitli metodolojilerin kullanılması gerekliliği ortaya çıkmaktadır. Bu metodolojiler arasında matematiksel programlama teknikleri ve metasezgiseller bulunmaktadır. Ancak bu projede matematiksel programlamanın kullanılmamıştır. Bunun sebebi matematiksel programlama kullanılması durumunda programın CPLEX gibi bir çözücü yazılıma bağlanarak çalışmasının gerekliliğidir. Dokuma kesme yazılımının her müşterisinin CPLEX gibi fiyatlı bir optimizasyon yazılımına da yatırım yapması beklenemez. Proje dahilinde de kapsamlı bir çözücünün geliştirilmesi beklenemez; bu çalışma ayrı bir proje konusudur. Bu sebeple projede çözüm metodu olarak sezgisel algoritmalar kullanılmıştır. Bu sebeple de projenin hedefi de optimal değil, optimal veya optimale yakın kesme stratejilerini belirlemektir. Ayrıca zamanın, ticari işletmeler açısından çok değerli bir kaynak olduğu ve matematiksel programlamanın da optimal çözümleri problemin karmaşıklığına göre uzun sürede verebileceği göz önüne alınırsa, meta-sezgisel yöntemlerin kullanılması uygun olmaktadır Yazılım Geliştirme İle İlgili Çalışmaların Gerçekleştirilmesi Yazılım geliştirilmesi ile ilgili olarak, döngüsel yazılım geliştirme tekniklerinden olan evrimsel yazılım geliştirme metodolojisi kullanılmıştır [4]. Bu metodolojinin şeması Şekil-1'deki gibidir. Bu metodoloji çerçevesinde, yazılım ihtiyaçları belirlendikten sonra, yazılımın kaba hatlarıyla ilk versiyonu belirlenmiş, gerekli testler yapıldıktan sonra eksiklikleri kapatmak açısından yeni bir versiyon daha geliştirilerek en son validasyon çalışmaları yapıldıktan sonra da yazılımın son versiyonu çıkartılmıştır. Yazılım geliştirme ortamı olarak Visual Studio 2010 kullanılmıştır. özellikler İlk versiyon Taslak tanımlama geliştirme Orta versiyon onay Son versiyon Şekil 1. Evrimci Yazılım Geliştirme Metodolojisi Bu geliştirme felsefesinde yazılım geliştirme için uygulanan aşamalar aşağıdaki gibidir: Yazılımın genel tasarımının (konfigürasyon planı, test planı, vb.) tamamlanması, Yazılım mimarisinin tanımlanması ve tasarlanması, Yazılımda söz konusu olan süreçlerin tanımlanması, analizi ve planlanması, Yazılımdaki ayrı modüllerin tanımlanması ve tasarlanması Modüller arası bilgi akışının (hangi bilgilerin ve nereden nereye, hangi sıklıkla) tanımlanması, Bilgi akışlarını sağlayabilecek modüllerin ve yapıların tasarlanması, Kullanılacak veri tabanlarının tanımlanması, veri tabanlarının yapısının, içeriğinin, veri yapılarının belirlenmesi, veri tabanlarının birbirleri ile ilişkilerinin tanımlanması, Kodların geliştirilmesi

18 7 Kullanıcı ara yüzlerinin tasarlanması. Testlerin ve düzeltmelerin yapılması Sürüm geliştirme (SSS sayfası geliştirilmesi, kullanım kılavuzu geliştirilmesi) Tasarlanmış olan modüller için yazılım geliştirme çalışmaları yapılarak, geliştirilen tasarıma uyacak olan prototip yazılım geliştirilmiştir. Daha sonra tüm testler de yapılmıştır. Bu aşamalar ile ilgili kullanılan yazılım metodolojilerinin detayları ise aşağıdaki gibidir: Kullanılan Uygulama Geliştirme Dili: Yazılımın geliştirilmesi için kullanılan programlama dili Visual Studio'nun içinde de entegre olan C#dır. Microsoft SQL Server 2008 ile Veri Tabanı Düzenlenmesi: Geliştirilen veri tabanı yönetim sistemi olarak Microsoft SQL Server 2008 kullanılmıştır. Microsoft firmasının bir ürünü olan Microsoft SQL Server (MS SQL), iyi bir performansa sahiptir. Veri tabanlarını geliştirmek için kullanılan metodoloji klasik veri tabanı geliştirme metodolojisi olarak da adlandırılabilir [5]. Bu metodoloji, analiz (ihtiyaçların analizi), tanımlama (hangi veri tabanları, hangi veri tabloları, hangi alanlara, vb. ihtiyaç olacağının tanımlanması), tasarım (varlık-ilişki diyagramlarının oluşturulması, vb.), uygulama (kodun hazırlanması ve veri tabanlarının oluşturulması), test (veri tabanlarının test edilmesi) aşamalarından oluşmaktadır. Veri tabanı tasarımında önemli olan noktalar, veri tabanının lojik modelinin geliştirilmesi esnasında gerekli veri tabanlarının belirlenmesi, veri tabanındaki tabloların belirlenmesi, veri tabanı hiyerarşilerinin ve ilişkisel veri tabanı modelinin tanımlanması, her bir veri tabanının kaç adet alandan oluşacağının belirlenmesi, üstveri (metaveri) yapılarının belirlenmesi, aktivite tablosunun hazırlanması, çeşitli veri tabanı ve tablo özelliklerinin belirlenmesi, birincil anahtar seçilmesi, diğer anahtarların ve yabancı anahtarların seçilmesi, veriler arasındaki ilişkilerin, üstünlüklerin anlaşılması, obje-ilişki diyagramının oluşturulmasıdır. Veri tabanları bu unsurlara dikkat edilerek tasarlandıktan sonra, gereksiz veri girişlerinin ve tekrarlanmış verilerin yok edilmesi, veri tabanlarında arama fonksiyonlarında zorlukların yok edilmesi, verilerdeki tutarsızlıklar varsa yok edilmesi, veriler eklendiği, silindiği, düzeltildiği zaman ortaya çıkan anormalliklerin yok edilmesi ile ilgili çalışmalar gerçekleştirilir. Daha sonra veri tabanlarının performanslı çalışması ve veri güvenliğinin sağlanması için gerekli çalışmalar yapılmalıdır. Yazılımda MS SQL Server 2008'in raporlama araçlarından da istifade edilmiştir. Sistem testlerinin gerçekleştirilmesi: Yukarıdaki teknolojilerin kullanılarak yazılımın geliştirilmesinin yanı sıra, sistem testlerinin gerçekleştirilmesi de son derece önemlidir. testlerin gerçekleştirilmesinde Sommerville'de[4] belirtilen test metodolojisi kullanılmıştır. Bu test metodolojisi Şekil-2'de gösterilmektedir. Buna göre, sistemin tüm bileşenleri önceden tasarlanmış test süreçleri kapsamında denetlenecek ve uyumsuzluklarla arızalar ve eksiklikler bir sonraki aşamada düzeltilmek üzere raporlanacaktır. Tasarım-geliştirme süreci ile uyarlama aşamalarının zaman ve tekrarlama sıklığı yukarıda açıklandığı üzere, benimsenmiş nihai tasarım-geliştirme stratejisiyle doğrudan bağlantılı olmaktadır. Test dosyası Test data Test sonuçları Test raporu Tasarım test dosyası Hazırlık data test Test data ile programın testi Sonuçların test dosyası ile karşılaştırılması Şekil 2. Sistem Test Metodolojisi Bunun yanı sıra test senaryolarının geliştirilmesi için gri kutu yöntemi kullanılacaktır [6]. İlk önce kullanıcı gibi sistem çalıştırıldıktan sonra sistemin durumu kontrol edilir. Örnek senaryolar yaratılarak, veri tabanındaki durum incelenir. Gerçekleştirilen testler aşağıdaki gibidir:

19 8 Yazılımın Test Edilmesi, nesne özelliklerin test edilmesi Arayüzlerin Test Edilmesi, arayüz nesne özelliklerinin kontrolü Veritabanının Test Edilmesi Görsellerin Test Edilmesi Güvenlik Testi Raporların Test Edilmesi Performans Testi SONUÇ Daha önceki kısımlarda da belirtildiği gibi, Dokuma Kesme Yazılımı E-mühendis: 1D Kesim, dokuma ürünlerinin hataları göz önüne alınarak, değişik uzunlukta parçalara ayrılması ve sınıflandırılması suretiyle, üründen elde edilen gelirin arttırılmasını hedeflemektedir. Bu bağlamda, Dokuma Kesme Yazılımının Türkiye açısından pek çok çıktıları ve faydaları bulunmaktadır. Bu faydaların sıralanması gerekirse; Tekstil firmalarının ürettiği ürünlerin doğru şekilde kesimini gerçekleştirerek, ürünlerin doğru olarak bölümlenmesinin sağlanması, Üretilmiş bir kumaşın doğru şekilde kategorize edilebilmesi (örneğin kalite hataları az olan kumaş bölgeleri ile daha fazla hatası olan kumaş bölgelerinin kesme sureti ile ayrıştırılması; birbirine karışmaması), bu şekilde firmanın ürünlerinde standardizasyonun artması, bu durumun da direkt olarak müşteri memnuniyetine yansıması, Yukarıda sayılmış olan faydalar sebebiyle herhangi bir büyük miktarda yatırım gerçekleştirmeden, aynı miktarda kumaştan elde edilen gelirlerin artması, Yukarıdaki gerekçelerle tekstil sektörünün dünyadaki rekabet gücünün artması, Öğretim üyelerinin teorik bilgilerini somut bir ürün haline dönüştürerek, ülke ekonomisine fayda sağlanması, İş zekası yazılımları konusunda zayıf olan Türkiye için bu alanda yeni bir ürün olması, Konusu itibarıyla disiplinler arası bir Ar-Ge çalışmasının gerçekleştirilmesi, Yazılımın yapısı itibarıyla benzer kesme problemlerine de az bir gayret ile adapte edilebilir olması, Tamamen yerel kaynaklarla iş zekası yazılımları alanında yüksek teknolojili bir ürün elde edilmesi, Teknoloji tüketen bir ülke yerine teknolojiyi geliştiren, üreten ve satan bir ülke konumuna geçilmesinin sağlanması söz konusudur. Bu nedenle Dokuma Kesme Yazılımı E-mühendis: 1D Kesim Türkiye ye kayda değer bir getiri sağlayacak olan yerli bir iş zekası yazılımıdır. KAYNAKÇA [1] [2] ing/ [3] andnonwovenr/textiles/software [4] Sommervile, I.SoftwareEngineering, 7. baskı, AddisonWesley, Boston, MA, ABD, [5] [6]

20 9 ÖZGEÇMİŞ H. Cenk ÖZMUTLU Doç.Dr. Cenk Özmutlu, İTÜ İşletme Mühendisliği lisansından sonra, ABD George Washington Üniversitesi nde Yöneylem Araştırması konusunda Yüksek Lisans ve Pennsylvania State Üniversitesi nde Endüstri Mühendisliği konusunda doktora çalışmalarını tamamlamıştır yılından beri Uludağ Üniversitesi Endüstri Mühendisliği Bölümü nde öğretim üyesi olan Doç. Dr. Cenk Özmutlu Yöneylem Araştırması, Yapay Zeka, Bilişim Teknolojileri ve çizelgeleme üzerine çalışmalarına akademik ortamda ve Uludağ Üniversitesi Teknoloji Bölgesi ndeki girişimi olan Yöneylem Bilgi Sistemleri Ltd.Şti. nde devam etmektedir. Birçok Uludağ Üniversitesi ve TÜBİTAK destekli projede yürütücü ve araştırmacı olarak yer almış olan Özmutlu nun, 24 adet uluslararası dergide yayını, 21 adet uluslar arası/ulusal kongre bildirisi ve bu çalışmalara yapılan 254 adet atıfı bulunmaktadır. Seda ÖZMUTLU Doç. Dr. Seda Özmutlu, İTÜ İşletme Mühendisliği lisansından sonra, ABD Pennsylvania State Üniversitesi nde Endüstri Mühendisliği ve Yöneylem Araştırması konusunda Yüksek Lisans ve doktora çalışmalarını tamamlamıştır yılından beri Uludağ Üniversitesi Endüstri Mühendisliği Bölümü nde öğretim üyesi olan Doç. Dr. Seda Özmutlu İstatistik, Yapay Zeka, Bilişim Teknolojileri ve çizelgeleme üzerine çalışmalarına akademik ortamda ve Uludağ Üniversitesi Teknoloji Bölgesi ndeki girişimi olan Yöneylem Bilgi Sistemleri Ltd. Şti. nde devam etmektedir. Birçok Uludağ Üniversitesi ve TÜBİTAK destekli projede yürütücü ve araştırmacı olarak yer almış olan Özmutlu nun, 21 adet uluslararası dergide yayını, 22 adet uluslar arası/ulusal kongre bildirisi ve bu çalışmalara yapılan 273 adet atıfı bulunmaktadır. Koray KIVAM 1986 yılında Kağızman/Kars ta doğmuş olan Koray Kıvam, Kars Fen Lisesi ndeki eğitiminin ardından, 2010 yılında Uludağ Üniversitesi Endüstri Mühendisliği bölümünden mezun olmuştur. Lisans eğitimi sırasında sağlık, tekstil ve otomotiv yan sanayi kuruluşlarında staj ve proje çalışmalarının yanı sıra, EMSAZ (Endüstri Mühendisliği Sanayi Zirvesi) koordinatörlüğü ve Uludağ Üniversitesi Endüstri Mühendisliği topluluğu başkanlığı faaliyetlerini gerçekleştirmiştir. Koray Kıvam şu anda Yön-Eylem Bilgi Sistemlerinde Yazılım Koordinatörü olarak E-Mühendis: 1D Kesim ve E-Mühendis: İstatistiksel Kalite Kontrol yazılımlarının geliştirilmesinde çalışmaktadır.

21

22 İSTATİSTİKSEL KALİTE KONTROL YAZILIMI E-MÜHENDİS: KALİTE KONTROL SEDA ÖZMUTLU ULUDAĞ ÜNİVERSİTESİ YÖN-EYLEM BİLGİ SİSTEMLERİ H. CENK ÖZMUTLU ULUDAĞ ÜNİVERSİTESİ YÖN-EYLEM BİLGİ SİSTEMLERİ ŞENER SEMERCİOĞLU YÖN-EYLEM BİLGİ SİSTEMLERİ KORAY KIVAM YÖN-EYLEM BİLGİ SİSTEMLERİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

23

24 13 İSTATİSTİKSEL KALİTE KONTROL YAZILIMI E-MÜHENDİS: KALİTE KONTROL Seda ÖZMUTLU H. Cenk ÖZMUTLU Şener SEMERCİOĞLU Koray KIVAM ÖZET Türkiye rekabetçi gücünü korumak amacı ile üretimindeki kalite seviyesini sürdürmek ve arttırmak durumundadır. Bu nedenle, kalite bilincinin yerleştirilmesinin yanı sıra, kalite uygulamalarının da bilimsel temelli araçlar ile gerçekleştirilmesi gerekmektedir. Bu araçlardan bir tanesi de istatistiksel kalite kontrol yazılımlarıdır. Türkiye'de gerek endüstriyel işletmelerdeki ticari amaçlı, gerekse de üniversitelerin ilgili bölümlerindeki akademik amaçlı kalite kontrol uygulamaları yurtdışında geliştirilmiş yazılımlar üzerinde gerçekleştirilmektedir. Bu durum yurtdışına bağımlılık yaratmaktadır ve değişmesi gerekmektedir. Bu amaçla, hem endüstriyel işletmelerde ticari amaçlı olarak, hem de üniversitelerde akademik amaçlı olarak uygulanabilecek olan bir istatistiksel kalite kontrol yazılımının geliştirilmesi hedeflenmektedir. E-mühendis: Kalite Kontrol yazılımında istatistiksel proses kontrol, süreç yeterliliği, kabul örneklemesi, temel kalite grafikleri, temel veri analizleri, regresyon ve ANOVA modülleri mevcut olacaktır. Yazılımda istatistiksel kalite kontrol ve istatistiksel veri analizi metotlarının yanı sıra, C#,.NET, WPF, vb. yazılım geliştirme metodolojileri de kullanılacaktır. Anahtar Kelimeler: kalite kontrol, istatistiksel kalite kontrol, yazılım, bilişim, örnekleme, istatistiksel proses kontrol, regresyon, ANOVA, hipotez testleri, süreç yeterliliği ABSTRACT Turkey has to increase and maintain the quality of production in order keep its current competitive advantage. Consequently, as well as establishing an awareness for quality, it is necessary to perform quality applications with scientific tools. One of these tools is statistical quality control software. In Turkey, the academic and commercial applications of quality are performed on software developed abroad, which causes a dependency on foreign software. Therefore, in this project, we aim to develop a software that can be used in universities for academic quality applications, and in commercial companies for commercial quality applications. E-muhendis: Quality Control Software includes modules for statistical process control, acceptance sampling, fundamental quality charts, fundamental data analysis, regression and ANOVA. C#,.NET, WPF methodologies are used in the software, as well as statistical quality control and analysis methods. Keywords. Quality Control, statistical quality control, software, information technology, statistical process control, regression, ANOVA, hypothesis testing, process capability

25 14 1. GİRİŞ Dünyada ve Türkiye'de her üretim ve hizmet alanında yoğun rekabet mevcuttur. Dünyada tüm sektörlerde özellikle son on yılda Çin'in ve Uzakdoğu ülkelerinin güçlü bir rakip olarak ortaya çıkmasıyla yoğun bir rekabet ortamı oluşmuştur. Yoğun rekabet ortamında, bir üreticinin ya da kuruluşun ayakta kalabilmesi için müşteri odaklı, kaliteli ve verimli üretim gerçekleştirebilmesi gereklidir. Müşteri tatmininin arttırılması ise tedarik zamanı ve maliyetinin yanında; direkt olarak ürün kalitesi ile ilgilidir. Bu sebeple tüm sektörlerde ürün kalitesinin arttırılması son derece önemlidir. Türkiye'nin Çin'e ve Uzakdoğu ülkelerine karşı olan avantajlarının arasında ise Türkiye'nin özellikle AB ülkelerine mesafesinin az olması sebebiyle tedarik sürelerinin kısa olması ve gerekli kalite seviyesinin Türkiye'de yakalanabilmesi bulunmaktadır. Bu durumda, Türkiye'nin tüm sektörlerindeki ürünlerinin kalitesini mümkün olan en iyi düzeye çıkarması, bu kalite düzeyini sürekli olarak koruması ve maliyetleri de mümkün olduğunca düşürmesi gerekmektedir. Türkiye'deki üretim firmalarında kalite ile ilgili bilinç oldukça iyi bir seviyededir ve hızlı olarak da iyileşmektedir. Ancak kalite seviyesinin iyileştirilmesi ve korunması amacına ulaşabilmek için, bilincin gelişmesinin yanı sıra kaliteli uygulama araçlarına da sahip olmak gereklidir. Kalite Kontrol faaliyetlerinin düzgün ve ISO-EFQM vb. standartlara uygun olarak yürütülmesinin yolu, kalite konusunda yetkin Endüstri Mühendisleri ile çalışabilmek ve bilimsel temelli yazılımlar ile kalite uygulamalarını gerçekleştirebilmekten geçmektedir. Ancak Türkiye'de kalite kontrol uygulamaları açısından geliştirilmiş olan yazılımlar sınırlıdır. Bu durumun sonucu olarak da, ülkemizde halen ağırlıklı olarak MINITAB yazılımı olmak üzere yurt dışı ülkelerde geliştirilmiş kalite kontrol uygulamaları kullanılmaktadır. Endüstriyel işletmelerde de, sıklıkla Microsoft Excel kalite uygulamaları için kullanılmaktadır. Mevcut yabancı kalite kontrol yazılımlarının hem Türkçe desteğinin olmaması hem de sistem entegrasyonu seçeneği olmaması KOBİ'ler için kullanılabilirliği azaltmaktadır. Bu yazılımların kullanılabilmesi için nitelikli eleman bulundurma mecburiyeti ayrı bir sorun olarak KOBİ'lerin önüne çıkmaktadır. Kalite kontrol çalışmalarının bilimsel tabanda uygulanabilmesinin ilk şartı kolay anlaşılabilir bir yazılımın olmasıdır. Benzer durum sadece üretici işletmelerde değil, üniversitelerimizde de gözlemlenmektedir. Türkiye'de pek çok üniversite ve bölümde Endüstri Mühendisliği eğitimi verilmektedir. Bu eğitimin bir parçası da Lisans - Yüksek Lisans - Doktora seviyelerinde kalite kontrol dersleridir. Bu dersleri alan öğrenciler, derslerindeki uygulamalarını proje ve bitirme ödevi, tez, vb. çalışmalarındaki kalite kontrol uygulamalarını ve hatta öğretim üyeleri proje, danışmanlık, vb. çalışmalarındaki kalite kontrol uygulamalarını yurtdışı menşeli MINITAB, STATISTICA, vb. yazılımlar ile gerçekleştirmektedir. İlgili bölümler Endüstri Mühendisliği ile de sınırlı değildir. İşletme, iktisat, ekonometri, istatistik ve diğer mühendislik dalları, vb. bölümlerde de temel kalite kontrol uygulamaları gerçekleştirilmektedir. Nüfusun 80 milyona yaklaştığı, üniversiteli nüfusun ve öğretim üyesi sayılarının gittikçe arttığı ülkemizde, Türkiye'de geliştirilmiş akademik yazılımların olmaması ve halen yurtdışında geliştirilmiş yazılımların kullanılması üzücü bir durumdur. Bunun yanı sıra, Türkiye'de iş zekası yazılımları alanında da bir sıkıntı bulunmaktadır. Türkiye'de geliştirilen yazılımların çoğu, veri toplanmasına ve verinin yönetilmesine yönelik yazılımlardır. Üretim sahasından veri toplanmasına yönelik yazılımlar, satış verilerinin toplanmasına yönelik yazılımlar, ERP/MRP yazılımları, depo yönetimi yazılımları gibi uygulamalar sıklıkla görülmektedir. Ancak bu yazılımların sunduğu analiz unsurları yetersiz kalmaktadır. Sadece temel ortalama ve yüzdelerin hesaplanması, sütun ve pasta grafiklerinin sunulması, vb. yüzeysel analizler mevcuttur. Yazılımlarda temel karar destek unsurları sıklıkla görülmemektedir. Bu sebeple, bu yazılımda yöneticilere karar destek hizmeti sunabilecek olan ANOVA ve regresyon gibi detaylı analiz unsurlarına yer verilmesine dikkat edilmiştir. Bu şekilde akıllı yazılımlar konusunda bir ilerleme kat edilmiş olacaktır. Vurgulanması gereken bir başka nokta da, kalite kontrol yazılımlarının yanı sıra istatistiksel yazılım paketi geliştirilmesinin de Türkiye'nin elzem gerekliliklerinden olduğudur. Türkiye'de gerek endüstriyel uygulamalarda, gerekse de akademik uygulamalarda veri analizi, vb. faaliyetler yabancı kaynaklı yazılımlar tarafından gerçekleştirilmektedir. Yazılım firmalarının bu şekilde bilimsel temelli yazılımlar geliştirmesinde üniversite-sanayi işbirliği önem kazanmaktadır. Bu işbirliği ile geliştirilen ürünler yüzeysel ürünler olmanın ötesinde analiz ve karar destek unsurları içeren akıllı iş zekası çözümleri olarak ortaya çıkmaktadır. Bilimsel temelli olarak geliştirilen ve detaylı analitik ve karar destek

26 15 unsurları içeren yazılımların uygulanması ise, üretim sektöründeki uygulayıcılarda bilincin gelişmesini ve yerleşmesini sağlayacaktır. Bu sebeple, Türkiye'de çeşitli sektörlerde üretim yapan işletmelerde gerçekleştirilen kalite kontrol faaliyetlerinde uygulanabilecek ve üniversitelerin Endüstri Mühendisliği, istatistik, vb. ilgili bölümlerinde akademik boyuttaki kalite kontrol uygulamalarında kullanılabilecek olan bir istatistiksel kalite kontrol yazılımını geliştirilmesine karar verilmiştir. Bu yazılım ile şimdiye kadar yurtdışında geliştirilmiş yazılımlar aracılığı ile gerçekleştirilen kalite kontrol faaliyetlerinin, Türkiye'de yerli kaynaklarla geliştirilmiş bilimsel temelli bir yazılım ortamında yapılmasının sağlanması amaçlanmaktadır. Bu şekilde, yurtdışında geliştirilmiş ürünlere ikame bir ürün ortaya çıkartılmış olacak; bu konuda yurtdışına bağımlılık azalacaktır. Kalite kontrol hatalarının analizinde kullanılabilecek ve hataların anlaşılmasına ve çözümlenmesine yönelik karar destek unsurlarının geliştirilebilmesi için ANOVA ve regresyon analizlerinin de yazılıma eklenmesi amaçlanmaktadır. Bu şekilde iş yazılımları alanında, genellikle rutin veri toplama, işleme ve yüzeysel analizler boyutunda faaliyet göstermekte olan yazılım sektöründe, karar destek sistemleri ve detaylı analitik unsurların bir yazılımda kullanılması ile iş zekası anlamında bir gelişme gerçekleştirmek hedeflenmektedir. 2. YAZILIMIN ÖZELLİKLERİ E-mühendis: Kalite Kontrol Yazılımı hem akademik alanda, hem de sektörel uygulamalarda kullanılacak olan bir istatistiksel kalite kontrol yazılımıdır. Türkiye'de kalite kontrol faaliyetlerinin genellikle MINITAB yazılımı üzerinden veya MS Excel yardımı ile gerçekleştirilmektedir. Bu yazılımlar yurtdışında geliştirilmiş olup, kalite uygulaması yapacak olan kurumlar kaynaklarını yurtdışı yazılıma aktarmak durumunda kalmaktadırlar. Türkiye'de geliştirilmiş kapsamlı bir istatistiksel kalite kontrol yazılımı bulunmamaktadır. Kalite kontrol yazılımı şeklinde adı geçen modüller sadece atölyeden veri toplanmasına ve raporlanmasına yönelik modüllerdir. Bu bağlamda şu anda geliştirilmesi planlanan yazılımın rakibi ve muadili bulunmamaktadır. Bu bağlamda, geliştirilen olan yazılım yurtdışında geliştirilmiş olan kalite kontrol yazılımlarına ikame ürün olacak, Türkiye'nin bu konuda yurtdışına olan bağımlılığı azalmış olacaktır. Geliştirilmekte olan E-mühendis: Kalite Kontrol yazılımında aşağıdaki unsurlar bulunmakta olup; bu unsurlar Türkiye'de geliştirilmiş olan herhangi bir ticari yazılımda bulunmamaktadır: Kabul örneklemesi Proses yeterliliği Hipotez testleri Tek değişkenli-çok değişkenli regresyon ve tek-değişkenli-çok değişkenli ANOVA Kalite grafiksel araçları (Yayılma diyagramı, Balık kılçığı diyagramı, Pareto diyagramı, kutunokta diyagramı, dal-yaprak diyagramı, regresyon ve trend diyagramları, histogram) Yukarıdaki unsurların Türkiye'de bir yazılım bünyesinde ilk defa geliştirilmesinin yanı sıra, bu unsurlardan regresyon ve ANOVA üzerinde dikkatlice durmak gerekir. İş ve uygulama yazılımları Türkiye'de popüler bir dal olmakla beraber, yazılımlar daha ziyade ERP/MRP uygulamaları ile veya üretimden/atölyeden veri toplama ile sınırlı kalmıştır. Toplanan veriler ise sütun diyagramı ve pasta diyagramları ile grafiklendirilmekte ve ortalamaların-yüzdelerin hesaplanması gibi yüzeysel metodlar ile analiz edilmektedir. Geliştirilen yazılımlarda, yönetimlerin karar almasına yardımcı olacak derin analitik unsurlar bulunmamaktadır. Bu sebeple regresyon-anova unsurlarının Türkiye'de ilk defa bir iş çözümü yazılımına entegre ediliyor olması, E-mühendis: Kalite Kontrol yazılımına bir iş zekası unsuru da katmaktadır. Bunun sebebi bu analitik metodolojilerin, kalite problemlerinin analizinde kullanılacak olup, problem çözümleyici yaklaşımlar sunabilecek olan metodolojiler olmasıdır. Bu sebeple Türkiye'deki iş çözümü yazılımlarının yelpazesi genişlemiş olacak ve kalite ile ilgili iş zekası unsurlarına sahip bir yazılım hizmete sunulmuş olacaktır. Bu ise hem Türkiye'nin yazılım gücünün arttırılmasına, hem de iş ve uygulama zekası yazılımları alanında daha aktif bir rol almasında bir adım olacaktır. E-mühendis: Kalite Kontrol yazılımının temel yenilikçi yönlerinden biri de budur.

27 16 3. METODOLOJİ E-mühendis: Kalite Kontrol bir istatistiksel kalite kontrol yazılımı olduğu için, öncelikli olarak Endüstri Mühendisliği disiplini ile bilişim disiplinin bir araya getirmektedir ve interdisipliner bir yapıdadır. Bu sebeple yazılımın geliştirilmesi esnasında iki disiplinden de yöntemler kullanılacak olup; ilgili yöntemler bu kısımda açıklanacaktır Kalite Kontrol Metodolojileri Yazılım geliştirilirken, istatistiksel kalite kontrol araçlarının yanı sıra, temel istatistiksel analizler ile ilgili metotlar da kullanılacaktır. Bu metotlar aşağıdaki gibidir: İstatistiksel Proses Kontrol (Ortalama grafiği, aralık (R) grafiği, standart sapma (s) grafiği, bireysel değerler için grafikler, kayan aralıklar (MR) grafiği, kayan ortalamalar grafiği, CUSUM grafiği, trend grafiği, p kontrol grafiği, np kontrol grafiği, c kontrol grafiği, u kontrol grafiği, U kontrol grafiği) Proses yeterliliği (C p, C pk ölçütleri) Kabul örneklemesi: Üretimin müşterilere yollanmadan önce değerlendirilmesi için uygulanan tekniklerdir. Spesifik teknikleri aşağıdaki gibidir: Değişkenler için kabul örneklemesi (Standart planlar - ANSI/ASQC Z1.9, MIL-STD-414- ISO 3951) [1] Özellikler için kabul örneklemesi (Lot şeklindeki üretimleri için tek seviyeli, iki seviyeli, çok seviyeli kabul örneklemesi planları, normal, sıkı ve azaltılmış kontroller arasında değişim önerilerinde bulunulması, standart örnekleme tablolarının kullanılması -ANSI/ASQC Z1.4, MIL-STD-105E-ISO 2859-, devamlı yapıda üretim için kontrol planları CSP-1, CSP-F, CSP-2, CSP-T, CSP-V, Ardışık Kabul Örneklemesi, Atlamalı Parti Kabul Örneklemesi, Dodge-Romig Kabul Örneklemesi) [1] Temel Kalite kontrol grafik araçları: Yayılma diyagramı, balık kılçığı diyagramı, Pareto diyagramı, kutu-nokta diyagramı, dal-yaprak diyagramı, trend-regresyon diyagramı, histogram Temel veri analizleri: Ortalamalar ve hipotez testleri [2] Faktör analizine giriş: Tek-çok faktörlü regresyon ve tek-çok faktörlü ANOVA [2,3] Bu metodların yanı sıra, yazılım geliştirme ile ilgili metodolojiler de kullanılacaktır Yazılım Geliştirme Metodolojileri Yazılım geliştirilmesi ile ilgili olarak, döngüsel yazılım geliştirme tekniklerinden olan evrimsel yazılım geliştirme metodolojisi kullanılmıştır [4]. Bu metodolojinin şeması Şekil-1'deki gibidir. Bu metodoloji çerçevesinde, yazılım ihtiyaçları belirlendikten sonra, yazılımın kaba hatlarıyla ilk versiyonu belirlenmiş, gerekli testler yapıldıktan sonra eksiklikleri kapatmak açısından yeni bir versiyon daha geliştirilerek en son validasyon çalışmaları yapıldıktan sonra da yazılımın son versiyonu çıkartılmıştır. Yazılım geliştirme ortamı olarak Visual Studio 2010 kullanılmıştır. özellikler İlk versiyon Taslak tanımlama geliştirme Orta versiyon onay Son versiyon Şekil 1. Evrimci Yazılım Geliştirme Metodolojisi

28 17 Bu geliştirme felsefesinde yazılım geliştirme için uygulanan aşamalar aşağıdaki gibidir: Yazılımın genel tasarımının (konfigürasyon planı, test planı, vb.) tamamlanması, Yazılım mimarisinin tanımlanması ve tasarlanması, Yazılımda söz konusu olan süreçlerin tanımlanması, analizi ve planlanması, Yazılımdaki ayrı modüllerin tanımlanması ve tasarlanması Modüller arası bilgi akışının (hangi bilgilerin ve nereden nereye, hangi sıklıkla) tanımlanması, Bilgi akışlarını sağlayabilecek modüllerin ve yapıların tasarlanması, Kullanılacak veri tabanlarının tanımlanması, veri tabanlarının yapısının, içeriğinin, veri yapılarının belirlenmesi, veri tabanlarının birbirleri ile ilişkilerinin tanımlanması, Kodların geliştirilmesi Kullanıcı ara yüzlerinin tasarlanması. Testlerin ve düzeltmelerin yapılması Sürüm geliştirme (SSS sayfası geliştirilmesi, kullanım kılavuzu geliştirilmesi) Tasarlanmış olan modüller için yazılım geliştirme çalışmaları yapılarak, geliştirilen tasarıma uyacak olan prototip yazılım geliştirilmiştir. Daha sonra tüm testler de yapılmıştır. Bu aşamalar ile ilgili kullanılan yazılım metodolojilerinin detayları ise aşağıdaki gibidir: Kullanılan Uygulama Geliştirme Dili: Yazılımın geliştirilmesi için kullanılan programlama dili Visual Studio'nun içinde de entegre olan C#dır. Microsoft SQL Server 2008 ile veri tabanı düzenlenmesi: Geliştirilen veri tabanı yönetim sistemi olarak Microsoft SQL Server 2008 kullanılmıştır. Microsoft firmasının bir ürünü olan Microsoft SQL Server (MS SQL), iyi bir performansa sahiptir. Veri tabanlarını geliştirmek için kullanılan metodoloji klasik veri tabanı geliştirme metodolojisi olarak da adlandırılabilir [5]. Bu metodoloji, analiz (ihtiyaçların analizi), tanımlama (hangi veri tabanları, hangi veri tabloları, hangi alanlara, vb. ihtiyaç olacağının tanımlanması), tasarım (varlık-ilişki diyagramlarının oluşturulması, vb.), uygulama (kodun hazırlanması ve veri tabanlarının oluşturulması), test (veri tabanlarının test edilmesi) aşamalarından oluşmaktadır. Veri tabanı tasarımında önemli olan noktalar, veri tabanının lojik modelinin geliştirilmesi esnasında gerekli veri tabanlarının belirlenmesi, veri tabanındaki tabloların belirlenmesi, veri tabanı hiyerarşilerinin ve ilişkisel veri tabanı modelinin tanımlanması, her bir veri tabanının kaç adet alandan oluşacağının belirlenmesi, üst veri (metaveri) yapılarının belirlenmesi, aktivite tablosunun hazırlanması, çeşitli veri tabanı ve tablo özelliklerinin belirlenmesi, birincil anahtar seçilmesi, diğer anahtarların ve yabancı anahtarların seçilmesi, veriler arasındaki ilişkilerin, üstünlüklerin anlaşılması, obje-ilişki diyagramının oluşturulmasıdır. Veri tabanları bu unsurlara dikkat edilerek tasarlandıktan sonra, gereksiz veri girişlerinin ve tekrarlanmış verilerin yok edilmesi, veri tabanlarında arama fonksiyonlarında zorlukların yok edilmesi, verilerdeki tutarsızlıklar varsa yok edilmesi, veriler eklendiği, silindiği, düzeltildiği zaman ortaya çıkan anormalliklerin yok edilmesi ile ilgili çalışmalar gerçekleştirilir. Daha sonra veri tabanlarının performanslı çalışması ve veri güvenliğinin sağlanması için gerekli çalışmalar yapılmalıdır. Yazılımda MS SQL Server 2008'in raporlama araçlarından da istifade edilmiştir. Sistem testlerinin gerçekleştirilmesi: Yukarıdaki teknolojilerin kullanılarak yazılımın geliştirilmesinin yanı sıra, sistem testlerinin gerçekleştirilmesi de son derece önemlidir. testlerin gerçekleştirilmesinde Sommerville'de [4] belirtilen test metodolojisi kullanılmıştır. Bu test metodolojisi Şekil-2'de gösterilmektedir. Buna göre, sistemin tüm bileşenleri önceden tasarlanmış test süreçleri kapsamında denetlenecek ve uyumsuzluklarla arızalar ve eksiklikler bir sonraki aşamada düzeltilmek üzere raporlanacaktır. Tasarım-geliştirme süreci ile uyarlama aşamalarının zaman ve tekrarlama sıklığı yukarıda açıklandığı üzere, benimsenmiş nihai tasarım-geliştirme stratejisiyle doğrudan bağlantılı olmaktadır.

29 18 Test dosyası Test data Test sonuçları Test raporu Tasarım test dosyası Hazırlık data test Test data ile programın testi Sonuçların test dosyası ile karşılaştırılması Şekil 2. Sistem Test Metodolojisi Bunun yanı sıra test senaryolarının geliştirilmesi için gri kutu yöntemi kullanılacaktır [6]. İlk önce kullanıcı gibi sistem çalıştırıldıktan sonra sistemin durumu kontrol edilir. Örnek senaryolar yaratılarak, veri tabanındaki durum incelenir. Gerçekleştirilen testler aşağıdaki gibidir: SONUÇ Yazılımın Test Edilmesi, nesne özelliklerin test edilmesi Arayüzlerin Test Edilmesi, arayüz nesne özelliklerinin kontrolü Veritabanının Test Edilmesi Görsellerin Test Edilmesi Güvenlik Testi Raporların Test Edilmesi Performans Testi E-Mühendis: Kalite Kontrol yazılımı akademik ve sektörel uygulamalarda kullanılmak üzere geliştirilen bir istatistiksel kalite kontrol yazılımıdır. Türkiye de muadili bulunmayan bu yazılım, istatistiksel proses kontrol grafikleri, kabul örneklemesi metodları, temel kalite kontrol araçları gibi metodların yanı sıra, ANOVA, regresyon ve hipotez testleri gibi temel istatistiksel analiz araçlarını da içermektedir. Akademik ve sektörel uygulamalarda kullanılacak olan bu yazılımın Türkiye açısından da çıktılarını ve faydalarını da anlatmak gerekir. Bu çıktı ve faydalar aşağıdaki gibi sıralanabilir: Endüstriyel firmaların kalite kontrol faaliyetlerini bilimsel prensiplere uygun şekilde gerçekleştirebilmesi ve kalite parametrelerinin takibini sağlayabilmesi, Doğru kalite kontrol uygulamaları ile üretilen ürünlerde kalite seviyesinin artması, Yukarıdaki gerekçelerle firmaların dünyadaki rekabet gücünün artması, Kalite kontrol bilincinin arttırılması (yazılım firmaları ürünlerinin pazarlamasını yaparken birçok kavramı da üreticilerle paylaşarak doğru uygulamalar ile ilgili bilincin artmasına katkıda bulunmaktadırlar), Diğer yazılım firmalarına komponent desteği verilerek tüm MRP ve ERP sistemlerinin daha kapsamlı uygulamalar geliştirebilmesi Öğretim üyelerinin teorik bilgilerini somut bir ürün haline dönüştürerek, ülke ekonomisine fayda sağlanması, ERP-MRP uygulamalarının ötesinde iş uygulamaları yazılımları konusunda zayıf olan Türkiye için bu alanda yeni bir ürün olması, Kalite Kontrol yazılımları alanında Türkiye'nin yurtdışı bağımlılığından kurtulması, Üniversitelerde akademik olarak da kullanılabilecek yerli bir kalite kontrol uygulaması yazılımının ortaya çıkartılması, Teknoloji tüketen bir ülke yerine teknolojiyi geliştiren, üreten ve satan bir ülke konumuna geçilmesinin sağlanması. İş zekası yazılımları dünyada rekabetin kuvvetli olduğu bir alandır. Bu dalda uluslar arası bazda pek çok dalda ürünler bulunmaktadır. Bildirinin girişinde de belirtildiği gibi mevcut ürünler genellikle yurtdışı kaynaklı ürünlerdir. Türkiye'nin iş zekası çözümleri alanında gerçekleşen çözümler daha ziyade ERP/MRP alanındaki çözümlerdir. İleri seviyede çözümlere sıklıkla rastlanmamaktadır. Ürün,

30 19 uluslararası ürünleri ikame edebilme özelliğine sahiptir ve bu sebeple, kullanıcı firmalara, paydaşlara ve Türkiye'ye pek çok kazanım sağlayacaktır. KAYNAKÇA [1] Mitra, A.Fundamentals of Quality Control andimprovement, 2. Baskı, Pearson Education, Singapore, [2] R.E. Walpole, R.H. Myers, S.L. Myers ve K. Ye. Probabilityand Statisticsfor Engineersand Scientists, 8.baskı, Prentice-Hall, ABD, [3] Montgomery, D.C.Design and Analysis of Experiments, John Wileyand Sons, Hoboken, NJ, ABD, [4] Sommervile, I. Software Engineering, 7. baskı, AddisonWesley, Boston, MA, ABD, [5] ÖZGEÇMİŞ Seda ÖZMUTLU Doç. Dr. Seda Özmutlu, İTÜ İşletme Mühendisliği lisansından sonra, ABD Pennsylvania State Üniversitesi nde Endüstri Mühendisliği ve Yöneylem Araştırması konusunda Yüksek Lisans ve doktora çalışmalarını tamamlamıştır yılından beri Uludağ Üniversitesi Endüstri Mühendisliği Bölümü nde öğretim üyesi olan Doç. Dr. Seda Özmutlu İstatistik, Yapay Zeka, Bilişim Teknolojileri, Kalite Kontrol ve çizelgeleme üzerine çalışmalarına akademik ortamda ve Uludağ Üniversitesi Teknoloji Bölgesi ndeki girişimi olan Yöneylem Bilgi Sistemleri Ltd. Şti. nde devam etmektedir. Birçok Uludağ Üniversitesi ve TÜBİTAK destekli projede yürütücü ve araştırmacı olarak yer almış olan Özmutlu nun, 21 adet uluslararası dergide yayını, 22 adet uluslar arası/ulusal kongre bildirisi ve bu çalışmalara yapılan 273 adet atıfı bulunmaktadır. H. Cenk ÖZMUTLU Doç. Dr. Cenk Özmutlu, İTÜ İşletme Mühendisliği lisansından sonra, ABD George Washington Üniversitesi nde Yöneylem Araştırması konusunda Yüksek Lisans ve Pennsylvania State Üniversitesi nde Endüstri Mühendisliği konusunda doktora çalışmalarını tamamlamıştır yılından beri Uludağ Üniversitesi Endüstri Mühendisliği Bölümü nde öğretim üyesi olan Doç. Dr. Cenk Özmutlu Yöneylem Araştırması, Yapay Zeka, Bilişim Teknolojileri ve çizelgeleme üzerine çalışmalarına akademik ortamda ve Uludağ Üniversitesi Teknoloji Bölgesi ndeki girişimi olan Yöneylem Bilgi Sistemleri Ltd. Şti. nde devam etmektedir. Birçok Uludağ Üniversitesi ve TÜBİTAK destekli projede yürütücü ve araştırmacı olarak yer almış olan Özmutlu nun, 24 adet uluslararası dergide yayını, 21 adet uluslar arası/ulusal kongre bildirisi ve bu çalışmalara yapılan 254 adet atıfı bulunmaktadır. Şener SEMERCİOĞLU 1980 yılında doğmuş olan Şener Semercioğlu, Boğaziçi Üniversitesi Bilgisayar Mühendisliği bölümünden mezun olmuştur. Skylinedatabase ve tıptaki uygulamaları, risk analizi, atmosphere zamanda kullanıcı limiti ayarlanması, Eclipse platformunda java uygulamaları, İnternet bankacılığı aracı kurum otomasyon sistemi, Portfolyo yönetimi Java projesi gibi uygulamalarda ve projelerde çalışan Semercioğlu, Eindhoven University of Technology de Bilişim Sistemleri üzerindeki Yüksek Lisans çalışmalarına devam etmektedir. Şener Semercioğlu Yön-Eylem Bilgi Sistemleri nde Baş Yazılımcı olarak E-Mühendis: İstatistiksel Kalite Kontrol yazılımının geliştirilmesinde çalışmaktadır.

31 20 Koray KIVAM 1986 yılında Kağızman/Kars ta doğmuş olan Koray Kıvam, Kars Fen Lisesi ndeki eğitiminin ardından, 2010 yılında Uludağ Üniversitesi Endüstri Mühendisliği bölümünden mezun olmuştur. Lisans eğitimi sırasında sağlık, tekstil ve otomotiv yan sanayi kuruluşlarında staj ve proje çalışmalarının yanı sıra, EMSAZ (Endüstri Mühendisliği Sanayi Zirvesi)koordinatörlüğü ve Uludağ Üniversitesi Endüstri Mühendisliği topluluğu başkanlığı faaliyetlerini gerçekleştirmiştir. Koray Kıvam şu anda Yön-Eylem Bilgi Sistemleri nde Yazılım Koordinatörü olarak E-Mühendis: 1D Kesim ve E-Mühendis: İstatistiksel Kalite Kontrol yazılımlarının geliştirilmesinde çalışmaktadır.

32 İLERİ ÜRETİM ÇİZELGELEME YAZILIMI IPS YAĞMUR MELİH GÜRTUNCA YALIN BİLİŞİM YAZILIM DANIŞMANLIK LTD. ŞTİ. H. CENK ÖZMUTLU ULUDAĞ ÜNİVERSİTESİ YÖN-EYLEM BİLGİ SİSTEMLERİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

33

34 23 İLERİ ÜRETİM ÇİZELGELEME YAZILIMI IPS Yağmur Melih GÜRTUNCA H. Cenk ÖZMUTLU ÖZET Türkiye'deki işletmeler, rekabetçi güçlerini koruyabilmek için, verimliliklerini arttırmak ve çok adette ufak partili siparişin hızlı teslimatını gerçekleştirmek durumundadır. Bu ise özünde karmaşık bir üretim çizelgeleme problemidir. Ancak Türkiye'deki pek çok işletmede çizelgeleme bilinci mevcut değildir ve çizelgeleme faaliyetleri gelişigüzel şekilde yapılmaktadır. Bu sebeple IPS (Intelligent Production Scheduling) yazılımı ile değişik sektörlere uygun, bünyesinde pek çok fonksiyonu barındıran, yurtdışı menşeli yazılımlara rakip olabilecek bir üretim çizelgeleme yazılımı geliştirilmesi amaçlanmıştır. IPS in sahip olduğu fonksiyonlar; değişik performans ölçütlerine göre operasyon çizelgeleme, alternatif çözümler üretebilme, ileri ve geriye doğru çizelgeleme, hat dengeleme, iş gücü planlama, kısa dönemli kapasite planlama, parti büyüklüğü belirleme, parti birleştirme, yeniden çizelgeleme, paralel ve alternatif kaynaklar ve Web uygulamalarıdır. Bu yazılım ile operasyonlarını doğru şekilde planlayabilen işletmeler, düşük maliyetli üretim yaparken terminleri daha istikrarlı şekilde yakalayabilmektedirler. IPS sistemi bilimsel bir yaklaşım ve Uludağ Üniversitesi Endüstri Mühendisliği öğretim üyeleri ile işbirliği sonucunda ortaya çıkartılmıştır. Anahtar Kelimeler: Üretim çizelgeleme, yazılım, Endüstri Mühendisliği, sezgisel algoritmalar, yapay zeka, verimlilik, üretim planlama ABSTRACT Firms in Turkey, to keep on the power of challenge, need to increase productivity and realize fast delivery of orders with big numbers and small parties. This is fundamentally a complex production scheduling problem. But in Turkey, there is not a scheduling conscious in many firms and scheduling activities have been doing casually. Therefore, with IPS (Intelligent Production Scheduling) software, it is aimed at developing a software which is appropriate for distinct sectors, has many functions and can compete with other abroad softwares. IPS have some functions like operation scheduling according to different performance criterion, being generate alternative solutions, forward and backward scheduling, line balancing, workforce planning, short period capacity planning, lot size determining, lot merging, rescheduling, parallel and alternative resources and web applications. Companies plan their operations truly using this software. Those firms manufacture in low costs and achive stabilized due dates. IPS system had been developed in consequence of scientific approach and collaboration with Uludag University Industrial Engineering professors. Key Words Production Scheduling, Software, Industrial Engineering, Heuristic algorithms, Artificial Intelligence, Productivity, Production Planning

35 24 1. GiRiŞ Yazılım sektörü, otomotiv ve tekstil gibi Türkiye nin aktif olduğu ve pek çok firmanın faaliyet gösterdiği sektörlerden biridir. Yazılım sektöründeki firmalar şimdiye kadar daha ziyade iş yönetimi yazılımları alanında faaliyet göstermişlerdir. İş yönetimi yazılımları da ağırlıklı olarak, ERP, MRP ve fabrika otomasyonu bazlı yazılımlar olmuştur. Bu iş yönetimi yazılımlarını kullanan işletmelerde envanter, satışlar, imalat ile ilgili pek çok veri toplanmakta ve takip edilmektedir. Ancak bu verilerin sadece toplanması yeterli değildir. Bilindiği üzere, verinin faydalı olabilmesi ve bilgi haline gelebilmesi için işlenmesi ve bir amaca hizmet etmesi gereklidir. Mevcut ERP, MRP ve veri toplama yazılımlarını kullanan işletmeler ellerinde yığın veriler bulunduğunu ancak ellerinde bulunan verileri nasıl kullanacaklarını ve nasıl faydalanacaklarını bilmediklerini ifade etmektedirler. Bu sebeple ERP, MRP ve veri toplama yazılımlarına oldukça büyük yatırım yapmış olan işletmeler, yönetim ve üretim problemlerine tam olarak çözüm bulamamış durumdadırlar. Bu durum Türkiye de iş zekası yazılımlarının geliştirilmesi gerekliliğine işaret etmektedir. Yurtdışında pek çok iş zekası yazılımı bulunmakla beraber, bu yazılımların bazılarının temsilcisi olmadığı için, bazılarının fiyatı çok yüksek olduğu için, ayrıca da çoğu firmalarda verinin kullanılması ile ilgili uzmanlar ve yol göstericiler bulunmadığı için, mevcut iş zekası yazılımları Türk firmalarınca yeterince kullanılamamaktadır. İş zekası yazılımları Türkiye nin geri kaldığı bir alandır ve bu konuda ilerleme kaydedilmesi Türkiye için faydalı olacaktır. İş zekası yazılımları değişik konularda olabilir. Görüntü işleme bazlı kalite yazılımlarından, akıllı raporlama ve veri madenciliği yazılımlarına kadar pek çok alanda yazılımlar geliştirmek mümkündür. Bu yazılımlar arasında özel olarak ihtiyaç hissedilenlerden bir tanesi de İleri Üretim Çizelgeleme yazılımlarıdır. Üretim çizelgeleme kavramı firmaların fiziki kapasitelerini arttırmadan, daha fazla üretim yapabilmeleri ve dolayısıyla verimliliklerini arttırmaları için en faydalı yollardan biridir. Bilindiği üzere Türkiye tüm sektörlerde ve özellikle tekstil sektöründe Çin ve Hindistan gibi ülkelerin yarattığı yoğun rekabet ortamında üretimini ve ihracatını devam ettirmek durumundadır. Enerji ve işçilik maliyetlerinin oldukça yüksek olduğu Türkiye de, verimliliği arttırmak suretiyle maliyetlerde azalmaya gidebilmek son derece önemlidir. Bu sebeple çizelgeleme fonksiyonlarının üretici firmalarda doğru şekilde uygulanması son derece önemlidir. Bunun yanı sıra, Çin ve Hindistan gibi çeşitli sektörlerde Türkiye ye rakip ülkeler her çeşit üründe istenilen kalitede üretimi talep eden ülkelere sunabilmektedir. Ancak bu ülkelerin ticaret stratejisindeki dezavantajları genellikle büyük ölçekli çalışmaları ve ufak partiler halinde ürünleri kısa zamanda AB ülkelerine ve ABD ye ulaştıramamalarıdır. Türkiye ise, mesafenin de azlığı emrinler alınarak, özellikle AB ülkelerine çok kısa zamanda ufak partilerle ürün temin edebilmektedir. Sonuç olarak, Türk firmalarının diğer ülkelerdeki firmalara göre avantajı emrin tutturabilmeleridir ve Türkiye de üreticilerin müşteri taleplerine çok hızlı bir şekilde cevap verebilmesi gerekmektedir. Bu durumda ise Türkiye deki üreticilerin çok hızlı şekilde üretim yapıp, ufak miktarlardaki pek çok değişik talepleri doğru şekilde planlayarak üretebilmesi gereklidir. Bilindiği üzere üretim çizelgeleme, siparişlerin işletmedeki mevcut kaynaklara atanması problemidir. Çizelgeleme problemleri için tüm dünyada ve özellikle ABD de pek çok pratik ve akademik çalışmalar yapılmıştır ve yapılmaya devam edilmektedir. Çizelgeleme problemleri Endüstri Mühendisliği disiplininde göz önüne alınan oldukça karışık problemlerdendir. Yukarıda belirtildiği gibi, Türkiye nin karşı karşıya olduğu ufak miktarlardaki partilerin hızlı şekilde üretilmesi durumu ise son derece karışık bir üretim planlama ve çizelgeleme problemidir ve çalışanlar tarafından herhangi bir algoritmik ve bilişimsel yardım almadan doğru şekilde yapılması imkansız gibidir. Ancak Türkiye deki işletmelerde maalesef çizelgeleme bilinci eksiktir ve üretim çizelgeleme faaliyetleri, firma planlama personeli tarafından elle veya Excel gibi yazılımlar yardımıyla herhangi bir algoritmik yaklaşım kullanılmadan gelişigüzel şekilde ve deneme-yanılma yöntemi ile yapılmaktadır. Bu durum sadece KOBİ boyutundaki işletmelerde değil, pek çok büyük tesislerde bile bu şekildedir. Ayrıca şimdiye kadar üreticilere sunulmuş olan ERP/MRP yazılımları da, üretim planlama ve üretim çizelgeleme kavramları aslında oldukça farklı olduğundan dolayı, üretim çizelgeleme problemine cevap bulamamışlardır. Türkiye nin ihracat yapısı nedeniyle, rekabetçi gücünü sürdürebilmesi ve avantajlı yönünü kuvvetlendirebilmesi açısından, değişik üretim sistemlerine hitap edebilen, işletmelerin çözmekte zorlandıkları pek çok çizelgeleme problemini çözebilen, bünyesinde pek çok fonksiyonu barındıran uygun fiyatlı bir yerli çizelgeleme yazılımının geliştirilmesi büyük önem arz etmektedir. Türkiye de

36 25 herhangi bir işletme üretim çizelgeleme kavramının önemini fark etse bile, mevcut yazılım alternatifleri sınırlıdır ve genellikle yurtdışı kaynaklı yazılımlar mevcuttur. Bu yazılımlar ise son derece yüksek fiyatlıdır; bu durumda ise zaten maliyet baskısı altında olan özellikle ufak boyutlu firmalar için çizelgeleme çözümlerini alıp uygulayabilmek imkansız olmaktadır. Geliştirilen yerli çizelgeleme yazılımları, uygun fiyatları sebebi ile piyasaya yayılıp Türk işletmelerinde çizelgeleme bilincinin yaygınlaşmasına katkıda bulunmaktadır. Siparişlerini ve operasyonlarını doğru şekilde planlayabilen işletmeler, daha verimli daha düşük maliyetli üretim yapabilirken temrinleri daha istikrarlı şekilde yakalayabilmektedirler. Bu gereksinimlerden yola çıkarak, parametrik yapısı sayesinde değişik sektörlere ve değişik üretim sistemlerine hitap eden; bünyesinde pek çok değişik fonksiyon ve zor çizelgeleme problemlerine çözümler barındıran, uygun fiyatlı, ancak özellikle yurtdışında üretilmiş olan kapsamlı çizelgeleme yazılımlarına rakip olabilecek IPS ileri üretim çizelgeleme yazılımı gerçekleştirilmiştir. 2. IPS YAZILIMININ YENİLİKÇİ YÖNLERİ, ÖZELLİKLERİ VE MODÜLLERİ IPS ile belirtilmesi gereken ilk yenilik, IPS'ın yerli bir üretim çizelgeleme yazılımı olmasıdır. Türkiye'de geliştirilmiş üretim çizelgeleme yazılımlarının adedi azdır ve özellikleri sınırlıdır. Yurtdışında geliştirilmiş olan çizelgeleme yazılımlarının bir kısmı üniversite kaynaklı ve bedavadır. Bu yazılımlar LEKIN, Lİsa, Frepple, Open Workbench, A Job Shop Scheduler, job-shop scheduling, EJSP, ERP5 dir. Bu yazılımlar genellikle sektörel ihtiyaçları karşılamaktan uzak olup, daha ziyade eğitim amaçları için kullanılmaktadırlar. Ticari çizelgeleme yazılımları ise SAP APO, ILOG, 4C@Cite, Asprova Scheduling, ComMIT, Giraffe Scheduling System, Preactor APS vb. yazılımlardır. Bu yazılımlar oldukça kapsamlı yazılımlar olmakla beraber, yüksek yatırım maliyetleri gerektirmektedirler. IPS hem kapsamlı çizelgeleme problemlerini çözebilecek bir yapıya sahip olduğu için, hem de yurtiçinde geliştirildiği için yatırım maliyeti uygun bir opsiyon olarak ortaya çıkmıştır. IPS parametrik bir yapıya sahiptir. Yazılım kullanıcıları kendi sistemlerini tanımlayacak olan opsiyonları seçerek, gerekli üretim çizelgeleme sistemlerini yaratabilmektedirler ve IPS tanımlanan sistemler için çizelgeleme çözümleri verebilmektir. Her ne kadar tüm işletmelerdeki tüm üretim sistemlerini tanımlamak ve yazılım üzerinde çözümler üretebilmek mümkün olmasa da, Türkiye'de ve yazılımın ihraç potansiyeli yüksek olan ülkelerdeki sistemler genel hatlarıyla yorumlanarak, sıklıkla görülen sistemlerin yazılım içerisinde kapsanması mümkün olmaktadır. Ancak burada gözönüne alınması gereken nokta şudur: Akademik literatürde çeşitli değişik sistemler, değişik varsayımlar ve performans ölçütleri için değişik algoritmalar bulunmaktadır IPS ın geliştirme aşamasındaki kısa süresi ve sınırlı kaynakları gözönüne alındığında her değişik üretim sistemi, değişik varsayım ve performans ölçütü için değişik algoritma tespit edilmesi ve kodlanması mümkün olmamaktadır. Ancak bazı temel çözüm algoritmaları geliştirilip, çeşitli sistemlere bazı sezgisel kuralların adaptasyonu ile entegre edilebilmektedir. IPS yazılımının parametrik yapısı sayesinde değişik sektörlere ve değişik üretim sistemlerine hitap eden; bünyesinde pek çok değişik fonksiyon ve zor çizelgeleme problemlerine çözümler barındıran, uygun fiyatlı, ancak özellikle yurtdışında üretilmiş olan kapsamlı çizelgeleme yazılımlarına rakip olabilecek özelliklerinin yanı sıra bazı temel özellikleri aşağıdaki gibidir. Bu temel özellikler IPS in hitap edebildiği üretim sistemlerinin varsayımlarını da göstermektedir. Kullanıcı tarafından tanımlanmış kaynaklar ve işler vardır. İşler arası öncelik ilişkileri göz önüne alınmıştır. Montaj işlemlerini de kapsayacak şekilde geniş bir üretim sistemleri yelpazesine hitap etmektedir. IPS yazılımı ile günlük-haftalık-aylık zaman pencerelerini gözönüne alarak detay operasyon planlarının kullanıcılar tarafından belirlenebilmektedir. İşyerlerinin takvimi göz önüne alınmıştır. Tatil günleri ve hafta sonları hariç tutularak çizelgeleme yapılmıştır. İşlerin dinamik olarak sisteme vardıkları göz önüne alınmıştır.

37 26 İşlerin teslim tarihleri olduğu kabul edilmiştir. Ancak isterse teslim tarihi olmadan da çizelgeleme yapılabilir. IPS her operasyon için en erken başlama tarihini gözönüne almaktadır. Her operasyon için tek kaynakta işlenebilme kısıtı uygulanabilmektedir. Her operasyon için çoklu kısıtlar gözönüne alınabilir; ardışık operasyonlar arasında kısıtlar gözönüne alınabilir. Tercih edilen kaynak tanımlaması mevcuttur. Paralel ve alternatif makineler gözönüne alınmaktadır. İş atölyesi, akış atölyesi ve montaj çizelgeleme ortamları gözönüne alınmaktadır. Mümkün olan tüm esneklikler sağlanmıştır. Makineler bozulabilir; siparişler ve hammadde varışları iptal edilebilir, sisteme geliş tarihi değiştirilebilir, erkene alınabilir, geciktirilebilir, yeniden işlenebilir, termin tarihleri değişebilir. Taşıyıcılarda bozukluklar olabilir, nakliye ve hazırlık süreleri değişebilir. Yazılımın çözüm metodları ile ilgili özellikleri aşağıdaki gibidir: Operasyon planlarının değişik hedefleri (performans ölçütlerini) tatmin edecek şekilde belirlenebilmesi mümkündür. Performans ölçütlerini kullanıcı seçebilir; tek veya çoklu performans ölçütleri kullanabilir. Kullanılan performans ölçütleri ortalama pozitif geç kalma, ortalama akış süresi, maksimum tamamlanma süresi, vb. ölçütlerdir. IPS yazılımında gözönüne alınan çizelgeleme problemleri Endüstri Mühendisliği, optimizasyon, yapay zeka disiplinleri içerisindeki algoritmalar ile çözülmektedir. IPS yazılımında gözönüne alınan çizelgeleme problemlerine optimale yakın çözümler mümkün olan en kısa zamanda ve birkaç bilgisayarın eşzamanlı kullanımı ile elde edilebilmektedir. IPS yazılımının muadillerinde bulunmayan hat dengeleme, parti büyüklüğü belirleme, kısa dönem kapasite planlama, işgücü planlama, parti birleştirme, parti büyüklüğü belirleme gibi pek çok özelliği ve fonksiyonu bünyesinde barındırmaktadır. Fonksiyonların detayları aşağıdaki paragraflarda verilmiştir. Operasyonlara ve işlere göre fason kaynak kullanımına karar verilerek; hangi fason kaynağın kullanılacağına dair seçim yapılmak suretiyle kısa dönemli kapasite planlama yapılabilmektedir. Çizelgelerde düzeltme yapılması ve acil siparişler, makine bozulmaları, hammaddelerin gecikmesi, işlerin başlangıç tarihlerinin değişmesi, işleme sürelerinin değişmesi, sipariş iptali, yeni işlerin gelmesi, işlerin yeniden işlenmesi, termin tarihlerinin değişmesi durumlarında yeniden çizelgeleme mümkündür ve bu durumların çoğu yerli yazılımlar tarafından gözönüne alınmamaktadır. Bir üretim sistemi için alternatif çözümler üreterek tavsiyeler verilebilmektedir. IPS yazılımı fabrikadan veri toplayan sistemler ve ERP/MRP sistemleri ile bütünleşebilir. Yazılımda Web uygulamaları mevcuttur. IPS yazılımının içerdiği modüllerin irdelenmesi gerekirse: İş atölyesi çizelgeleme: İş akışlarının karmaşık olduğu ve doğrusal olmadığı durumlardaki çizelgeleme problemlerini çözebilen modüldür. Montaj atölyesi çizelgelemede gerçekleştirilebilmektedir. Akış atölyesi çizelgeleme: İş akışlarının doğrusal olduğu çizelgeleme problemlerini çözebilen modüldür. İşgücü planlama: İşletmelerin çizelgeleme ihtiyaçları arasında sadece ekipmanın değil işgücünün de çizelgelenmesi önem arz etmektedir. Bu nedenle yazılıma bir de işgücü planlama modülü eklenmiştir. Hat dengeleme: Belli bir akış hızının söz konusu olduğu sistemlerde hat dengeleme faaliyetleri gerçekleştirilmesi gerekmektedir. İlgili fonksiyonlar yazılıma entegre edilmiştir. Darboğaz çizelgeleme fonksiyonlarının geliştirilmesi: Gerçek çizelgeleme sistemlerinde darboğazlar sıklıkla karşılaşılan bir durumdur. Darboğaz çizelgeleme için gerekli algoritmalar üzerinde karara varılmış ve kodlama çalışmaları gerçekleştirilmiştir.

38 27 Parti birleşme algoritmasının geliştirilmesi: Bazı işlerin bir noktada birleşerek aynı makinede işlenmesi söz konusu olabilir. Bu sebeple parti birleşme algoritmaları yazılıma entegre edilmiştir. Parti büyüklüklerinin belirlenmesi: Üretilecek parti büyüklüklerinin belirlenmesi önemli bir problemdir. Parti büyüklüklerinin belirlenmesi için gerekli algoritmalar geliştirilerek yazılıma entegre edilmiştir. Kısa dönemli kapasite planlama çalışmaları: Talebin çabuk cevap isteyen bir yapıda olduğu günümüzde kısa dönemli kapasite planlama önem arz etmektedir. Bu alt faaliyette kısa dönemli kapasite planlama ile ilgili olarak işler için tesis içinde yap/fasonda yaptır ve fasoncu seç kararlarının verilmesi, çalışma ve vardiya takvimi revizyonu gibi fonksiyonlar geliştirilmiştir. Termin belirleme: Herhangi bir müşteri fuar ortamında geldiği zaman veya acele bir termin istediği zaman, sipariş için termin verilmesini sağlayan modüldür. Çizelgeleme koşullarının değiştiği durumlarda yeniden çizelgeleme yapılması: Üretim sistemlerinde her an ani değişiklikler ortaya çıkabilir. Bu sebeple yazılımda makinelerin bozulması, işlerin başlangıç ve termin tarihinin değişmesi, siparişlerin iptali, acil işlerin gelmesi, vb. durumları gözönüne alan yeniden çizelgeleme algoritmaları geliştirilmiştir. Hazırlık ve nakliye süreleri: İş atölyesi ve akış atölyesi algoritmalarına hazırlık ve transfer sürelerinin eklenmesi ile adaptasyonlar gerçekleştirilmiştir. Geriye doğru çizelgeleme: Çizelgeleme sistemleri için akademik arenada daha yaygın olan ve IPS de mevcut olan ileriye doğru çizelgelemenin yanı sıra, terminler gözönüne alınarak geriye doğru çizelgeleme de bir opsiyon olabilir. Bu tarz bir yaklaşım reel ortamda sıklıkla kullanılmaktadır. Bu sebeple geriye doğru çizelgeleme de bir alternatif olarak IPS içerisine entegre edilmiştir. Bu modüller ve öncesinde listelenen özelliklerin büyük bir kısmı yerli çizelgeleme yazılımlarının hiçbirinde bulunmamaktadır. IPS in diğer yerli yazılımlar ve yurtdışında geliştirilmiş ve çok kapsamlı bir yabancı yazılımın IPS yazılımı ile karşılaştırılması Tablo 1 de görülmektedir. Tablo 1. IPS in Sahip Olduğu Özellikler ve Yerli-Yurtdışı Menşeili Muadilleri ile Karşılaştırılması Özellikler IPS Yerli yazılım1 Yerli yazılım2 Yerli yazılım 3 İleri, geri ve çift yönlü çizelgeleme Yükleme Kuralları Parti bölme, operasyon drag&drop Operasyonların kilitlenmesi Her operasyon için en erken başlama tarihi Alternatif ve ek operasyonlar Her ürün için farklı rota Rotada paralel operasyonların gerçekleştirilmesi Ürüne, saate, partiye göre üretim hızları Sınırlı, sınırsız kaynaklar İşletme takviminin gözönüne alınması Her operasyon için tek kaynakta işlenebilme kısıtı İş istasyonları arasında seçim yapabilme Kullanıcı tarafından tanımlanmış kaynaklar Makine bozulmaları, makine bakımları Grafik ve metin halinde raporlama Gantt şemaları Kullanıcı tarafından belirlenen veritabanı, menü ve raporlar Operasyona göre ek kaynaklar kullanılıp kullanılmaması ile ilgili kararlar İş istasyonu bazında belirlenen işleme süreleri Operasyonlar arası işleme bağlı hazırlık süreleri matrisi Yabancı yazılım 1

39 28 Parti büyüklüğü belirleme Çizelgelerde düzeltme yapılması Her operasyon için çoklu kısıtlar Bir sonraki operasyon kısıtlarının güncel operasyona bağlı olması Tercih edilen kaynak olması durumu Bir sonraki operasyona kadar konulabilecek maksimum gecikme Rotanın her aşamasında paralel ve sıralı kaynaklar Parti ortası değerlendirmeler Tankların ve dolma sürelerinin gözönüne alınması Montaj çizelgeleme Mrp bağlantısı Değişik işlerin operasyonların birbirine bağlanması Değişik işlerin operasyonlarının aynı anda yüklenmesi Operasyon ve ürüne özel kurallar Otomatik sıralama kuralı oluşturulması Dinamik malzeme kontrolü Tedarik zinciri modülü Dağıtık çizelgeleme Fason imalat ihtiyacının belirlenmesi, fason imalatçının seçilmesi Hat Dengeleme Acil siparişler durumunda yeninden çizelgeleme Hammaddelerin gecikmesi, işlerin başlangıç tarihlerinin değişmesi durumunda yeniden çizelgeleme İşleme sürelerinin değişmesi durumunda yeninden çizelgeleme Sipariş iptali durumunda yeniden çizelgeleme Yeni işlerin gelmesi durumunda yeninden çizelgeleme Rework-yeniden işleme durumunda yeninden çizelgeleme Termin tarihlerinin değişmesi durumunda yeninden çizelgeleme Bir çizelgeleme problemi için Alternatif senaryolar üretilmesi Web uygulaması Performans iyileştirme özellikleri Değişik sistemlerin gözönüne alınması Operasyonlar arası nakliye sürelerinin gözönüne alınması Değişik performans ölçütleri Darboğaz çizelgeleme İş gücü planlama Termin planlama Gerçekleşen-planlanan farklılıklarının gösterilmesi Maliyete dayalı üretim planlama Maliyet sapmalarının takibi 3. METODOLOJİ Yazılım geliştirme faaliyetleri kapsamlı metodoloji adımları içermektedir. Hem yazılım geliştirme algoritmaları; hem de yazılımı geliştirilen konu ile ilgili algoritmalar iç içe geçmiş şekilde uygulanmaktadır. Benzer şekilde IPS yazılımının geliştirilmesi ile ilgili olarak, hem yazılım geliştirme

40 29 metodolojileri, hem de çizelgeleme metodolojilerinin kullanılması söz konusudur. İlgili metodolojiler aşağıdaki bölümlerde verilmiştir. a) Yazılım Geliştirme Esnasında Kullanılan Yazılım Araçları ve Dilleri IPS.NET platformu üzerinde geliştirilmiştir. Yazılım geliştirilmesi ile ilgili olarak, döngüsel yazılım geliştirme tekniklerinden olan evrimsel yazılım geliştirme metodolojisi kullanılmıştır [1]. Bu metodolojinin şeması Şekil-1'deki gibidir. Bu metodoloji çerçevesinde, yazılım ihtiyaçları belirlendikten sonra, yazılımın kaba hatlarıyla ilk versiyonu belirlenmiş, gerekli testler yapıldıktan sonra eksiklikleri kapatmak açısından yeni bir versiyon daha geliştirilerek en son validasyon çalışmaları yapıldıktan sonra da yazılımın son versiyonu çıkartılmıştır. Yazılım geliştirme ortamı olarak MSDN paketi içerisinde Visual Studio 2010 Ultimate Edition kullanılmıştır. özellikler İlk versiyon Taslak tanımlama geliştirme Orta versiyon onay Son versiyon Şekil 1. Evrimci Yazılım Geliştirme Metodolojisi Bu geliştirme felsefesinde yazılım geliştirme için uygulanan aşamalar aşağıdaki gibidir: Yazılımın genel tasarımının (konfigürasyon planı, test planı, vb.) tamamlanması, Yazılım mimarisinin tanımlanması ve tasarlanması, Yazılımda söz konusu olan süreçlerin tanımlanması, analizi ve planlanması, Yazılımdaki ayrı modüllerin tanımlanması ve tasarlanması (Müşteriler ile yapılan görüşmeler ve firma içi çalışmalar ile beraber yazılımın ana fonksiyonları belirlenmiş olmakla beraber, müşterilerle devam eden görüşmeler sonucunda eklenmesi gereken yeni fonksiyonlar ile hangi üretim çizelgeleme modüllerinin olacağı belirlenmiştir.) Modüller arası bilgi akışının (hangi bilgilerin ve nereden nereye, hangi sıklıkla) tanımlanması, Bilgi akışlarını sağlayabilecek modüllerin ve yapıların tasarlanması, Kullanılacak veri tabanlarının tanımlanması, veri tabanlarının yapısının, içeriğinin, veri yapılarının belirlenmesi, veri tabanlarının birbirleri ile ilişkilerinin tanımlanması, Kodların geliştirilmesi Kullanıcı ara yüzlerinin tasarlanması. Testlerin ve düzeltmelerin yapılması Sürüm geliştirme (SSS sayfası geliştirilmesi, kullanım kılavuzu geliştirilmesi) Tasarlanmış olan modüller için yazılım geliştirme çalışmaları yapılarak, geliştirilen tasarıma uyacak olan prototip yazılım geliştirilmiştir. Daha sonra tüm testler de yapılmıştır. Bu aşamalar ile ilgili kullanılan yazılım metodolojilerinin detayları ise aşağıdaki gibidir: Kullanılan Uygulama Geliştirme Dili: Yazılımın geliştirilmesi için kullanılan programlama dili Visual Studio'nun içinde de entegre olan C#dır. Bunun yanı sıra, geliştirilen yazılımda C# yazılımının içinde olan standart özelikler dışında, Gantt şeması geliştirme gibi yazılım geliştirme komponentleri de kullanılmıştır. IPS Web uygulamalarının geliştirilmesi için Silverlight kullanılmıştır. Microsoft SQL Server 2008 ile veri tabanı düzenlenmesi: YALIN system. NET veri tabanı yönetim sistemi olarak Microsoft SQL Server 2008 kullanılmıştır. Microsoft firmasının bir ürünü olan Microsoft SQL Server (MS SQL), iyi bir performansa sahiptir. IPS veri tabanlarını geliştirmek için kullanılan metodoloji klasik veri tabanı geliştirme metodolojisi olarak da adlandırılabilir [2]. Bu metodoloji, analiz (ihtiyaçların analizi), tanımlama (hangi veri tabanları, hangi veri tabloları, hangi alanlara, vb. ihtiyaç olacağının tanımlanması), tasarım (varlık-ilişki diyagramlarının oluşturulması, vb.), uygulama (kodun

41 30 hazırlanması ve veri tabanlarının oluşturulması), test (veri tabanlarının testedilmesi) aşamalarından oluşmaktadır. Veri tabanı tasarımında önemli olan noktalar, veri tabanının lojik modelinin geliştirilmesi esnasında gerekli veri tabanlarının belirlenmesi, veri tabanındaki tabloların belirlenmesi, veritabanı hiyerarşilerinin ve ilişkisel veri tabanı modelinin tanımlanması, her bir veri tabanının kaç adet alandan oluşacağının belirlenmesi, üst veri (metaveri) yapılarının belirlenmesi, aktivite tablosunun hazırlanması, çeşitli veritabanı ve tablo özelliklerinin belirlenmesi, birincil anahtar seçilmesi, diğer anahtarların ve yabancı anahtarların seçilmesi, veriler arasındaki ilişkilerin, üstünlüklerin anlaşılması, obje-ilişki diyagramının oluşturulmasıdır. Veritabanları bu unsurlara dikkat edilerek tasarlandıktan sonra, gereksiz veri girişlerinin ve tekrarlanmış verilerin yok edilmesi, veri tabanlarında arama fonksiyonlarında zorlukların yok edilmesi, verilerdeki tutarsızlıklar varsa yok edilmesi, veriler eklendiği, silindiği, düzeltildiği zaman ortaya çıkan anormalliklerin yok edilmesi ile ilgili çalışmalar gerçekleştirilir. Daha sonra veri tabanlarının performanslı çalışması ve veri güvenliğinin sağlanması için gerekli çalışmalar yapılmalıdır. Bunun yanı sıra MS SQL Server 2008'in raporlama araçlarından da istifade edilecektir. Sistem testlerinin gerçekleştirilmesi: Yukarıdaki teknolojilerin kullanılarak IPS`in geliştirilmesinin yanı sıra, sistem testlerinin gerçekleştirilmesi de son derece önemlidir. Testlerin gerçekleştirilmesinde Sommerville'de [1] belirtilen test metodolojisi kullanılmıştır. Bu test metodolojisi Şekil- 2'degösterilmektedir. Buna göre, sistemin tüm bileşenleri önceden tasarlanmış test süreçleri kapsamında denetlenecek ve uyumsuzluklarla arızalar ve eksiklikler bir sonraki aşamada düzeltilmek üzere raporlanacaktır. Tasarım-geliştirme süreci ile uyarlama aşamalarının zaman ve tekrarlama sıklığı yukarıda açıklandığı üzere, benimsenmiş nihai tasarım-geliştirme stratejisiyle doğrudan bağlantılı olmaktadır. Şekil-2. Sistem Test Metodolojisi Bunun yanı sıra test senaryolarının geliştirilmesi için gri kutu yöntemi kullanılacaktır [3]. İlk önce kullanıcı gibi sistem çalıştırıldıktan sonra sistemin durumu kontrol edilir. Örnek senaryolar yaratılarak, veri tabanındaki durum incelenir. Gerçekleştirilen testler aşağıdaki gibidir: Yazılımın Test Edilmesi, nesne özelliklerin test edilmesi Ara yüzlerin Test Edilmesi, ara yüz nesne özelliklerinin kontrolü Veritabanının Test Edilmesi Görsellerin Test Edilmesi Güvenlik Testi Raporların Test Edilmesi Performans Testi Performans iyileştirme: IPS yazılımının herhangi bir üretim çizelgeleme problemi için alternatif çözümler üretebilmesi için hızlı çalışması gereklidir. Bunun için ise performans iyileştirme çalışmaları yapılmıştır. Bu performans iyileştirme çalışmaları için paralel hesaplama yaklaşımları kullanılmıştır. Yazılım yapısı itibarıyla paralel hesaplamaların gerçekleştirilmesine uygundur. Kullanılan algoritmalar Aynı çizelgeleme problemi için bir işlemcide bir alternatif çözüm üretilirken, başka bir işlemcide başka bir çözüm üzerinde çalışılabilir ya da bir problemin çözümü esnasında uygulanan metodolojinin eğer yapısı uygunsa hesaplamaları ayrı bilgisayarlar üzerinde yapılabilir. Bunun için geliştirilen yazılımda thread kavramının olması ile yazılımda paralel hesaplama çalışmalarına sadece bir giriş yapılmıştır.

42 31 b) Üretim Çizelgeleme Algoritmaları: Bu projede klasik yazılım geliştirme metodolojisinin yanı sıra bilimsel bir yaklaşımda izlenmiştir. Bunun sebebi yazılımda göz önüne alınan üretim sistemlerinin çizelgelemelerinin dene-yanıl, vb.iptidai tekniklerle değil, bilimsel metotlarla çözülmesidir. Üretim çizelgeleme fonksiyonlarının yaratılması amacıyla, ilgili üretim çizelgeleme sistemlerinin incelenmesi, bu sistemlerin çizelgelenmesi için kullanılabilecek olası algoritmaların tespiti için literatür taramasının gerçekleştirilmesi ve akabinde alternatif algoritmaların değerlendirilmesi sonucu üretim çizelgeleme algoritmasının seçimi adımlarından oluşan bir yaklaşımdır. Daha sonrasında üretim çizelgeleme modülünün tasarımı, kodlamanın gerçekleştirilmesi, gerçek sistemler ve örnek problemler ile testi, sonuçların değerlendirilmesi, koddaki problemlerin düzeltilmesi ve modülün sistemin tamamı ile entegre edilmesi söz konusudur. Yazılımda kullanılan üretim çizelgeleme çözümlerinin optimizasyon tekniklerinde ziyade, sezgisel algoritmalar ve yapay zeka metotları düşünülmüştür. Projenin hedeflerinden biri hızlı çözümler üretebilen bir yazılım yaratmaktır. Ancak günümüzdeki gelişmiş bilgi işleme kapasitelerinde bile yüzlerce değişik tip ürünün onbinlerce operasyonunun onlarca-yüzlerce makine üzerinde belli bir zaman penceresi içinde işlenme probleminin matematiksel modelleme ile çözülmesi pratik ihtiyaçlara cevap verecek şekilde hızlı olmamaktır. Ayrıca optimizasyon çözümünün sağlanması için CPLEX gibi çözücü modüllere de ihtiyaç olmakta ve bu durum sistemin nihai kullanıcıları için ek maliyet ortaya çıkartmaktadır. IPS yazılımı geliştirilirken matematiksel programlama çözüm motorlarının geliştirilmesi mümkün olmadığına göre, üretim çizelgeleme modülünde optimizasyondan ziyade sezgisel algoritmalar ve yapay zeka metotları kullanılması çok daha mantıklı olmaktadır. Yazılımın geliştirilmesinde kullanılan sezgisel algoritmaların üretim çizelgeleme literatüründe mevcut olan bir sıralama algoritması mı, bir tarama algoritması mı, bir meta-sezgisel mi, literatürde bulunmayan ve geliştirilecek olan herhangi başka bir sezgisel metot mu, bir yapay zeka metodu mu veya hibrid bir metod mu olacağı, çözülen üretim çizelgeleme probleminin yapısına göre değişmektedir. Bunun yanı sıra, projede pek çok değişik çizelgeleme sistemi göz önüne alınmıştır. Ayrıca bu pek çok değişik sistem ve performans ölçütü için değişik algoritmalar literatürde mevcuttur. Ancak değişik sektörlerde sık karşılaşılan önemli durumlar için yeni algoritmalar uygulanması ve geliştirilmesi de mümkün olmaktadır. Hangi üretim sisteminin tam olarak hangi algoritma veya algoritmalar ile çizelgeleneceği proje esnasında belirlenmiştir. Ayrıca yazılımın bir çizelgeleme problemi için alternatif çözümler üretmesi de, yazılımın özelliklerden biridir. Üreticilere sunulan alternatif senaryolar sistem tarafından karşılaştırılarak, bir çoklu geçiş (multipass) çizelgeleme kavramı içerisinde en iyi alternatifi kullanıcıya açıklayabilir veya seçim kullanıcıya bırakılabilir. Çoklu geçiş çizelgeleme yaklaşımı ise çizelgeleme yazılımının son derece hızlı şekilde çalışmasını gerektirmektedir. Proje bilimsel bir yaklaşım içerdiği için gerçekleştirilen deneyler de bilimsel bir yaklaşım ile oluşturulmuştur. Deney problemleri seti deneysel tasarım prensipleri kullanılarak yaratılmıştır. Üretim sistemleri için çeşitli parametreler göz önüne alınarak, bu parametrelerin metodik şekilde değiştirilmesi ile değişik özelliklere sahip bir test problemleri seti oluşturulabilir. SONUÇ Üretim çizelgeleme fonksiyonu üretimin verimliliğin artmasının ve maliyetinin düşmesi için en önemli iyileştirme alanlarından biridir. Ancak bu konuda Türkiye de geliştirilmiş yerli yazılım adedi az ve özellikleri yetersizdir. Türkiye deki ve yurtdışındaki kullanıcıların ihtiyaç duyduğu ve piyasadaki yazılımların sahip olmadığı özellikleri barındıran, parametrik yapısı sayesinde değişik sektörlere ve değişik üretim sistemlerine hitap eden, bünyesinde pek çok değişik fonksiyon ve zor çizelgeleme problemlerine çözümler barındıran, uygun fiyatlıips yazılımı mevcut talepleri karşılayabilecek konumdadır. IPS yazılımının Türkiye açısından çıktıları ve faydaları aşağıdaki gibidir:

43 32 Geliştirilmiş olan yerli yazılımlara göre birçok yenilikçi unsur ve modül barındırması Türkiye'de işletmelerin üretim çizelgeleme problemlerini yerli bir yazılımla, kendi yapılarına uygun bir üretim çizelgeleme modülünün kullanma olanağına erişmeleri, çizelgeleme ihtiyaçlarını ülkenin gerçeklerine uygun, yaygın ve hızlı kullanıma açık, dışa bağımlı olmayan bir şekilde gerçekleştirmelerinin sağlanması, İşletmelerin etkin üretim çizelgeleme çözümlerini kullanarak kapasite arttırmadan, üretimlerini arttırmaları ve verimliliğin artması, maliyetler açısından rekabet güçlerinin artması, İşletmelerin termin tarihlerini yakalama şanslarının artarak, AB ve ABD'ye ihracatta rekabet güçlerini arttırmaları, Geliştirilmekte olan ürünün mevcut ve geleceğe yönelik son yazılım teknolojilerini kapsaması nedeniyle gerek yurtiçinde, gerekse de uluslararası rekabette artı değer yaratılması, Üniversiteler, kamu ve özel teknoloji geliştirme kuruluşları ile yapılacak işbirlikleri sayesinde, teknoloji tüketen bir ülke yerine teknolojiyi geliştiren, üreten ve satan bir ülke konumuna geçilmesinin sağlanmasıdır. KAYNAKLAR [1] Sommervile, I.Software Engineering, 7. baskı, Addison Wesley, Boston, MA, ABD, [2] [3] ÖZGEÇMİŞ Yağmur Melih GÜRTUNCA Yağmur Melih Gürtunca, Ege Üniversitesi Endüstri Mühendisliği lisansını 1982 yılında tamamlamıştır. Makine ve Kimya Endüstrisi, Türkiye Şişe ve Cam Fabrikaları ve diğer birkaç üretim işletmesinde Endüstri Mühendisi ve Sistem Analist-Yazılımcı olarak çalışmıştır yılında meslekdaşı Ertan Yılmaz ile birlikte YALIN Bilişim Yazılım Danışmanlık Hizmetleri San.ve Tic. Limited Şirketini kurduktan sonra, üretim işletmeleri için MRP, ERP, Otomasyon, Akıllı Planlama ve Çizelgeleme, İş Zekası yazılımlarının geliştirilmesi ve sahada uygulanması için çalışmıştır. 10 yıl içersinde yaklaşık 100 işletmede 1000 in üzerinde kullanıcı ile uygulamalar yapmıştır.yalin Yazılım firması bünyesinde 2010 yılı sonlarından itibaren EFQM Mükemmellik Modeli kurulması ve yaygınlaştırılması için çalışmalar yapmaktadır. TÜBİTAK-TEYDEB desteği ile gerçekleştirilen no.lu YALINsystem.NET ve no.lu İleri Üretim Çizelgeleme Yazılımı - YALINas Extended projelerinin yürütücüsü olan Yağmur Gürtunca, IPS yazılımını bu projeler kapsamında geliştirmiştir. H. Cenk ÖZMUTLU Doç. Dr. H. Cenk Özmutlu, İTÜ İşletme Mühendisliği lisansından sonra, ABD George Washington Üniversitesi nde Yöneylem Araştırması konusunda Yüksek Lisans ve Pennsylvania State Üniversitesi nde Endüstri Mühendisliği konusunda doktora çalışmalarını tamamlamıştır yılından beri Uludağ Üniversitesi Endüstri Mühendisliği Bölümü nde öğretim üyesi olan Doç. Dr. Cenk Özmutlu Yöneylem Araştırması, Yapay Zeka, Bilişim Teknolojileri ve çizelgeleme üzerine çalışmalarına akademik ortamda ve Uludağ Üniversitesi Teknoloji Bölgesi ndeki girişimi olan Yöneylem Bilgi Sistemleri Ltd. Şti. nde devam etmektedir. Birçok Uludağ Üniversitesi ve TÜBİTAK destekli projede yürütücü ve araştırmacı olarak yeralmış olan Özmutlu nun, 24 adet uluslararası dergide yayını, 21 adet uluslar arası/ulusal kongre bildirisi ve bu çalışmalara yapılan 24 adet atıfı bulunmaktadır. IPS yazılımının geliştirilmesinde Yalın Yazılım ile birlikte çalışmış olan Özmutlu, projede gerekli çizelgeleme algoritmalarının tespitini ve aktarımını gerçekleştirmiştir.

44 KURUMSAL ÖĞRENME BAĞLAMINDA BİLGİ HARİTALAMA SAİT GÜL HALİÇ ÜNİVERSİTESİ KENAN ÖZDEN HALİÇ ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

45

46 35 KURUMSAL ÖĞRENME BAĞLAMINDA BĠLGĠ HARĠTALAMA Sait GÜL Kenan ÖZDEN ÖZET Son yıllardaki bilgi yönetimi ve işletme yönetiminde yeni arayışlar konulu bilimsel çalışmalar, modern örgütlerin, artan küresel rekabet ortamında var olabilmeleri için kendi iç ve dış iş süreçlerini sistemli bir şekilde bütünleştiren bir yapıya kavuşturulmalarının stratejik bir önem taşıdığını göstermektedir. Bu entegrasyonu sağlamak için işletme içinde ve dışında var olan ve çalışanlarca bilinmesi gereken örtülü bilgilerin açık bir duruma getirilerek işletme çalışanlarıyla paylaşılması önem kazanmaktadır. Bu durum ise kurumsal öğrenme yapısının somutlaştırılmasının önemini ortaya çıkarmaktadır. Öğrenmenin temelinde yer alan bilgi paylaşımı, bireysel alanda daha yalın bir biçimde gerçekleştirilebilirken, kurumsal alanın karmaşık yapısı gereğince örgütsel yapılarda bazı katılımcı yöntem ve araçların sağlanmasını gerektirmektedir. Söz konusu araçların en önemlilerinden biri de bilgi haritalamadır. Bu çalışmada kurumsal öğrenmenin, işletmelerin stratejik rekabet avantajı sağlamalarında ne gibi bir rol oynadığı; bilgi haritalarının, işletmelerin bilgi yönetimindeki öneminin ne olduğu ve bilgi haritalama çalışmalarının örgütsel öğrenmeye yaptığı katkılar tartışılmaktadır. Ayrıca, çalışmada bilgi haritalama yazılımlarından uygulama örnekleri verilerek yapılan açıklamalara somut dayanaklar gösterilmeye çalışılmaktadır. Anahtar Sözcükler: Örgütsel Öğrenme, Bilgi Paylaşım Altyapıları, Bilgi Haritalama Yazılımları ABSTRACT In recent years, many scientific researches concerning knowledge management and new pursuits in business management shows that modern organizations should have been retrieved a systematical structure integrating inner and outer business processes to prevent their existence in growing global competitive environment and gain strategic benefits. In order to provide this integration, implicit knowledge in and out of organization, that employees need to know, should be converted to an explicit form to share knowledge easily with involved employees. This formation process introduces the importance of embodying of organizational learning structure. Knowledge sharing takes an important part in learning process and it can be realized more easily for individuals than for organizations because of their complex humanistic structure. Therefore, knowledge sharing in organizations usually requires specific and collaborative methods and tools. One of the most important knowledge management tools is knowledge mapping. This study discusses how organizational learning effects the organization s gaining of strategic competitive advantage; what kind of a role knowledge mapping is playing in organizational knowledge management and the contributions of knowledge mapping approach to organizational learning. Furthermore, explanations are being supported by concrete visual evidence including an application prepared by using a knowledge mapping software. Key Words: Organizational Learning, Infrastructures of Knowledge Sharing, Software of Knowledge Mapping

47 36 1. GĠRĠġ Günümüz işletmeleri için bilginin temel üretim kaynaklarından biri haline gelmesiyle birlikte kurumsal öğrenme büyük bir önem kazanmıştır. Bu çalışmanın ana odağı, işletmelerin veriden bilgiye ulaşmada kullandıkları yolların kurumsal öğrenme dinamikleriyle ilişkisinin ortaya konulmasıdır. Bilgi oluşturulduktan sonraki en önemli adımlar, bu bilginin saklanması ve paylaşılması olup bilgi haritalama tekniği de bilginin paylaşım olanaklarından biridir. Bu çalışmanın ikinci bölümünde öğrenmenin temelleri verildikten sonra kurumsal öğrenmenin ne olduğu, işletme için önemi ve bilgi yönetimi ile ilişkisinden söz edilecektir. Üçüncü bölümde bilgi yönetiminin tanımı verildikten sonra bilgi haritalamanın temellerinden, aşamalarından, yöntemlerinden ve işletmeye yaptığı katkılardan bahsedilecektir. Dördüncü bölümde bir vakıf üniversitesi için hazırlanan bilgi haritası sunulacaktır. Beşinci bölümdeyse bilgi haritalama yapılırken dikkat edilmesi gereken konulardan söz edilerek çalışma sonlandırılacaktır. 2. KURUMSAL ÖĞRENME Öğrenme kavramı, gerçekte bireysel bir süreç olsa da yoğun rekabet ve teknolojik değişimin damgasını vurduğu küreselleşen iş dünyasında örgütlerin varlıklarını sürdürebilmeleri için sistemli bir biçimde gerçekleştirilmesi gereken bir süreç durumunu almıştır. Günümüzde sürekli iyileştirme, esneklik, yaratıcılık ve kalite kavramları küresel rekabetin temel öğeleri haline gelmiştir. Bu gelişme, sürekli öğrenme ve değişimi içselleştirmeyi zorunlu kılmaktadır. Her şeyden önemlisi, artık yalnız bireylerin öğrenmesi yeterli olmamakta, örgütlerin de öğrenmeyi öğrenmesi zorunlu olmaktadır. Bu nedenle örgütlerin, katılımcı beceriler, kurumsal zekâ ve kurumsal bellek geliştirme etkinliklerine gereken önemi verecek şekilde tasarımlanmaları gerekmektedir Öğrenme ile Ġlgili Kavramlar Öğrenme, alıştırma ve uygulamaların süreklilik gösteren etkilerini kapsayan belirli bilgi, beceri ve anlayışlar edinme eylemidir (BSTS Eğitim Terimleri Sözlüğü, 1974). Öğrenme, davranışlarda değişiklik yaratan bir süreçtir. Her bireyin zihinsel gelişimi, içinde bulunduğu kültürel, çevresel, ailesel, teknolojik ve psikolojik etkenler nedeniyle birbirinden farklı olarak biçimlenir. Bir örgütte bireyler ve onların birlikte gerçekleştirdikleri değişimler örgütleri de etkilediğinden; kurumsal öğrenmeyi etkinleştirebilmek için öncelikle bireysel öğrenmeyi kusursuzlaştırmak gerekir. Öğrenmenin 3 boyutu vardır: Bireysel, Grupsal ve Örgütsel (Akgün ve diğ., 2009: 75). Grup öğrenmesi, bireyin içinde bulunduğu bir takımın kendini değişen koşullara göre yenileyebilme yeteneği olarak tanımlanmaktadır (Tang, 2008). Bu düzeydeki öğrenme bireysel ve kurumsal öğrenme arasında bir köprü görevi gördüğünden dolayı büyük önem taşımaktadır (Senge, 1996). Örgütsel öğrenmeye ancak ve ancak grup öğrenmesi yoluyla ulaşmak mümkün olabilmektedir. Buna göre örgütsel öğrenme kavramı şöyle tanımlanabilir (Chen ve diğ., 2003): örgütlerin kendi sorunlarını çözmelerine, yeni fikirler yaratmak için kapasitelerini arttırmalarına, iç ve dış değişimlere hızlı bir biçimde ayak uydurarak örgütsel sürekliliklerini sağlamalarına katkıda bulunan yaşamsal bir yetenektir. Kurumsal öğrenme, bireysel çabalar, grup içi etkileşim ve örgütsel süreçlerin toplamı olarak anlaşılmalıdır (Carayannis ve Alexander, 2002). Örgütsel öğrenmeyle ilgili en üst düzeydeki kavram öğrenen örgütler kavramıdır. İlk kez 1978 yılında Argris ve Schon tarafından örgütsel yanlışların saptanması ve düzeltilmesi anlamında kullanılan bu terim, Peter Senge nin 1990 tarihli Beşinci Disiplin (The Fifth Discipline) isimli kitabıyla iş dünyasında bilinirlik kazanmıştır. Bu beş disiplin şöyledir: 1. Bir amaca uygun davranma (Düşünce Modelleri), 2. Paylaşılan kurumsal vizyonlar oluşturma (Paylaşılan Vizyon), 3. Sistem düşüncesi çerçevesinde daha geniş modelleri anlayabilme (Sistem Düşüncesi), 4. Karşılıklı bağımlılığı anlama (Takım Halinde Öğrenme), 5. Bireysel bilgilerin anlaşılması ve paylaşılma arzusu (Kişisel Uzmanlık).

48 37 Garvin (1993), öğrenen örgütü, bilgiyi yaratma, edinme ve aktarma, yeni bilgi ve kavrayışları yansıtmak için davranışları değiştirme becerisine sahip olan örgütlerdir biçiminde tanımlamaktadır. Örgütsel öğrenme, öğrenen örgüt olmanın temel dayanağıdır. Yine de bu iki kavram bazen karıştırılabilmektedir. Bu nedenle Örtenblad (2001), örgütsel öğrenmeyi işletme içerisinde sürekli var olan bir süreç ve etkinlik; öğrenen örgütü ise ideal bir örgüt tipi olarak ortaya koymaktadır Kurumsal Öğrenmenin KoĢulları İşletme içerisinde öğrenmenin bazı koşulları bulunmaktadır. Bu koşullar, bireysel öğrenmenin önündeki engellerin kaldırılarak kişilerdeki bilgilerin kuruma aktarılmasını kolaylaştırıcı nitelik taşımaktadır (Çam, 2002: 85): 1. Tepe yönetiminin desteği ve strateji belirlemesi, 2. İşletme politikalarının oluşturulmasında katılımcı yaklaşım, paylaşılan özgörüş (vizyon) ve özgörev (misyon) oluşturma, 3. Bilgi teknolojilerinin etkin kullanımı, 4. Birimler arası iletişim, 5. Ödüllendirme sistemleri, 6. Esnek ve dinamik işletme yapısı, 7. Koç luk anlayışına uygun bir liderlik yaklaşımı, 8. İşletme dışı analizler, 9. Kıyaslama (Benchmarking), 10. Öğrenmeye elverişli örgüt iklimi oluşturma, 11. Bireylerin kişisel gelişimlerine olanak tanıma ve öğrenimsel hatalara izin verilmesi Kurumsal Öğrenme ve Yönetim Etkinlikleri Yazında kurumsal öğrenme ve diğer yönetimsel etkinlikler arasında ilişki kuran pek çok çalışma yapılmıştır. Toplam Kalite Yönetimi (TKY) ve Kurumsal Öğrenme ilişkisinin incelendiği bir çalışmada üç farklı ilişki tipi tanımlanmıştır (Aydemir, 2000): 1. MüĢteri Memnuniyeti: İşletmelerin, müşterilerinin değişen istek ve taleplerine hızlı ve doğru yanıtlar verebilmeleri, onların öğrenme yeteneklerinden, diğer bir deyişle, yeni fikirleri özümseme ve rakiplerinden daha çabuk eyleme dönüştürebilme özelliklerinden kaynaklanmaktadır. Bu yeteneklere sahip olmayan işletmeler, değişen müşteri beklentilerini zamanında fark edemeyecek ve rakiplerinin manevralarına uygun yanıtlar veremeyeceklerdir. 2. Sürekli ĠyileĢtirme: Şiddetlenen rekabet ve kısalan ürün yaşam eğrileri işletmeleri sürekli yenilik yaratmaya itmekte ve hatta en iyi ürünlerini daha iyilerini geliştirerek, demode etmek zorunda bırakmaktadır. TKY, sürekli iyileştirme ilkesi ile işletmelerin bu zor işi başarmalarına yardımcı olmaktadır. İşletmedeki bütün bölümlerin sürekli iyileştirme üzerinde yoğunlaşmak zorunda olduğu TKY felsefesinde, bu amaçla yeni bilgilerin ve yeteneklerin kazanılması, diğer bir deyişle sürekli öğrenme, örgütteki herkesin sorumluluğundadır. 3. ĠĢgören Memnuniyeti ve Takım ÇalıĢması: Küresel pazarda başarı, büyük ölçüde işgörenlerin ve işletmelerin öğrenme yeteneklerine bağlı bulunduğundan yönetici ve işgörenlerin öğrenen bireyler durumuna getirilmesi ve sahip oldukları bilgi ve becerilerin işletmenin amaçları doğrultusunda harekete geçirilmesi, büyük bir önem kazanmış bulunmaktadır. Beer ve arkadaşları (2005), stratejik yönetim ve öğrenme arasındaki ilişkiyi ortaya koymuşlardır. Liderlik, yönetim süreçleri, insan kaynakları çalışmaları ve kültür gibi yönetim öğeleri; koordinasyon, yeterlilik, yaratıcılık ve iletişim gibi işletme yetenekleriyle ilişki içerisindedir. Bu yetenekler ise işletmenin stratejik hedeflerine ulaşmasında önem taşımaktadır. Tüm bu sürecin piyasada rekabet üstünlüğü sağlama amacına yönlendirilebilmesi ancak ve ancak örgütsel öğrenme süreçlerinin stratejik hedeflerle ilişkilendirilmesiyle mümkün olabilmektedir.

49 38 Kurumsal öğrenmeyle ilgili olarak en çok çalışma, bilgi yönetimi alanında gerçekleştirilmiştir (bkz. Bhatt, 2000; Irani ve diğ., 2009; Lachner ve Pirnay-Dummer, 2008; Pemberton ve Stonehouse, 2000). Kurumsal öğrenmenin ölçülmesi konusunda pek çok sayısal teknik uygulanmaktadır. Sistemlerin işlerliğinin ölçülmesinde kullanılan deneyim eğrileri, yarı yaşam eğrileri ve anket çalışmalarına ek olarak genetik algoritmalar, karınca kolonisi algoritmaları ve yapay sinir ağları gibi tekniklerin kullanımı da mümkündür. Anket çalışmalarında iki model dikkat çekmektedir (Dinçmen ve diğ., 2010: 264): Örgütsel Öğrenme Profili (kümeleme analizine dayalı) ve Örgütsel Öğrenmenin Boyutları Anketi. Bunların dışında Dawid ve arkadaşları (2002), daha önce sözü edilen sezgisel eniyileme (optimizasyon) tekniklerinden yararlanmışlardır. Bunlar, örgütlerde bilgilerin saklanması ve paylaşımı ile stratejik hedeflerle olan uyumlarının araştırılması konularında uygulanmaktadırlar Kurumsal Öğrenme ve Bilgi Yönetimi Günümüz işletmeleri, çevrelerindeki rekabetçi avantajları elde etmek ve sürdürmek için rakiplerinin başarılarından ve başarısızlıklarından daha iyi ve daha hızlı öğrenmek zorundadırlar. Bir işletmeyi farklı yapan ve o işletmeye özgü olan kaynak; bilimsel ve teknik bilgisinden, sosyal, ekonomik ve yönetim bilgisine kadar her tür bilgiyi kullanabilme yeteneğidir. Dolayısıyla, bir işletmeyi farklı yapan, pazar yerinde belli bir değere sahip bir şey üretmesini sağlayan; sadece bilgidir (Drucker, 1998: 15). Günümüz işletmelerinin en değerli varlıkları bu nedenle bilgi dir. Örgütsel bilginin kodlanması, işlenmesi, saklanması ve paylaşılması, öğrenmenin temel aşamalarını oluşturmaktadır (Dinçmen ve diğ., 2010: 15). Öte yandan bilgi, günümüzde temel üretim etmenlerinden biri sayılmaktadır. Bu nedenle, kurumsal öğrenme ve kurumlardaki bilgi yönetimi çalışmaları birbirini etkilemektedir. Örgütsel bellek, geçmiş deneyimleri içinde barındıran ve örgüt üyelerince kullanılıp gerektiğinde tekrar erişilmek üzere depolanan örgütsel bilgi olarak tanımlanmaktadır (Niklanta ve diğ., 2006). İşletmenin, geçmişine dayanarak bugününü değerlendirebilmesi ve geleceğine ilişkin öngörülerde bulunabilmesi, örgütsel belleğini etkin bir biçimde kullanıp kullanamamasına bağlıdır. Örgütsel bilgilerin örgüt içerisinde öğrenilmesi ve bunun fiziki olarak saklanarak daha sonraki kullanımlarına olanak tanınması örgütün belleğiyle ilişkilidir. Kurumsal öğrenmenin temel amacı kurumsal bir bellek ve bilinç geliştirerek dinamik işletme yapısının kurulması ve korunmasıdır. Burada da bilgi yönetimi kavramı karşımıza çıkmaktadır. Şekil 1 de örgütsel öğrenme ve bilgi yönetimi çevresi ilişkisi verilmiştir (Pemberton ve Stonehouse, 2000). Üretilen Kurumsal Öğrenme Eklenen Yeni Bilgi Varlıkları Kurumsal Kültür Kurumsal Biçim Kurumsal Altyapı Mevcut Bilgi Kaynakları İşlenen ve Koordine Edilen Bilgi Yönetimi Depolanan, Dağıtılan ve Paylaşılan ġekil 1. Örgütsel Öğrenme ve Bilgi Yönetimi Çevresi (Pemberton ve Stonehouse, 2000) Bilgi yönetiminin temeli ise teknolojik gelişmelerdir. Bilgi teknolojisi, öğrenen örgütlerde işbirliğine dayalı öğrenme için yeni stratejik fırsatlar sunar. İşletmelere bilgiyi otomatikleştirme olanağı verir. Maliyetleri düşürür. Bilgiyi kişilerin tekelinden kurtarır ve bu gücün örgüt geneline dağıtılmasını sağlar. Bu teknoloji yardımıyla işlev ve denetim nerede gerekiyorsa orada gerçekleştirilerek üretim, eşgüdüm (koordinasyon) ve yönetim, hızlı, kolayca ve daha iyi bir biçimde tamamlanır (Çam, 2002: 132).

50 39 3. BĠLGĠ HARĠTALARI Kurumsal öğrenmenin gerçekleştirilebilmesi için en önemli tekniklerden biri olan bilgi haritalama, çok çeşitli tanım, yöntem ve uygulama biçimleri içermektedir. Bu başlık altında hem kurumsal bilgi yaratımının öğrenme açısından önemi açıklanmakta hem de bilgi haritalamanın öğrenmeye yaptığı katkılardan bahsedilmektedir Kurumsal Bilgi Yaratımı Daha önce bildirildiği gibi günümüz işletmelerinin en önemli ve stratejik varlıkları, kodlayabildikleri, saklayabildikleri, koruyabildikleri ve paylaşabildikleri kurumsal bilgi leridir. Bilgi yaratma süreci üç aşamada gerçekleştirilir (Dinçmen ve diğ., 201: 16): 1. Veri: Temelde sayılar, harfler ve?,!, * gibi çeşitli işaretlerin belli kurallar çerçevesinde bir araya gelmesiyle oluşan, işlenmemiş, ham bilgidir. Örneğin; işyeri ve 9: BiliĢim (Enformasyon): Verinin dilbilimsel kurallar çerçevesinde anlam kazanmasıyla oluşur. Örneğin; Bu işyerinde mesai saat 9:00 da başlar. 3. Bilgi: Bilişimin süzülerek işletme sürecinde yarar sağlayacağı düşüncesiyle kullanılabilecek olanlarının kaydedilmesi ve çıkarımlarda bulunulmasıyla oluşur. Örneğin, bir çalışanın çalıştığı işyerindeki mesai başlangıç saatinde işyerinde olabilmesi için evinden saat 7:30 da çıkması gerektiği, çalışan için bir bilgidir. Tanım ve örneklerden anlaşılabileceği gibi, bilgi aslında deneyimlemeye bağlıdır ve işletme açısından herhangi bir karara temel oluşturur. Bu açıdan bakıldığında bilgi yönetilmesi gereken yönetimsel bir sorun durumuna gelmektedir. Çünkü değişik alanlarda çalışan değişik kişiler farklı bilgilere gereksinim duyarlar ve bunların birbirleriyle çelişmeksizin bir bütün halinde işletme hedeflerine uydurulması gerekmektedir. Bu açıdan bilgi yönetimi kavramı şöyle tanımlanabilir: Değer yaratmak amacına dönük olarak ilgili bilgilerin yaratılmasını ve işletme içinde akışını sağlayan süreç ve stratejiler bütünüdür (Rumizen, 1998). Yazında ve uygulamalarda pek çok bilgi yönetim sistemi bulunmakla birlikte genel kabul görmüş bir sistemin mevcut olduğu söylenememektedir. İşletmelerin kendilerine özgü bilgi yapıları ve bağlantıları bulunduğundan dolayı her işletme kendine özgü bir bilgi yönetim modeli oluşturmaktadır. Bilginin problematik bir alan olarak yönetilmesi sorunu, işletmelerin veri-bilişim-bilgi dönüşümlerini nasıl gerçekleştirdikleri ve bilgiye ulaşmada nasıl bir yol izledikleriyle doğrudan bir ilişki içerisindedir. Her bir yönetim modelinde farklı adımlardan bahsedilmekte olsa da temelde 5 adımın söz konusu olduğu gözlemlenmektedir. Bunlar (Akgün ve diğ., 2009: 49): 1. Bilgi Edinimi, 2. Bilgi Depolama, 3. Bilgi Paylaşımı (Dağıtımı), 4. Bilgi Yorumlama, 5. Bilginin Uygulanması. Diğer tüm adımlar farklılıklar göstermesine karşın bilgi paylaşımı bu adımlar içinde en önemli bilgi yönetim adımı olarak belirtilmektedir. Bilginin paylaşılabilmesi için öncelikle örtülü bilgilerin açık bilgi durumuna getirilmesi gerekmektedir. Açık bilgi, tüm işletme çalışanları tarafından rahatça ulaşılabilecek ve kullanılabilecek bir formatta bulunurken; örtülü bilgi, ilgili çalışandadır. İnsan bilincinde, davranışlarında ve algılarında yattığından dolayı biçimlendirilmesi ve diğerlerinin kullanımına sunulması olanaklı değildir. Bu nedenle çalışanların örtülü bilgilerinin işletme amaçlarına yönlendirilebilmeleri için öncelikle açık duruma getirilmeleri gerekmektedir. Bilginin, örtülü veya açık karakteristik göstermesi açısından bilgi paylaşımı SECI çevrimi (Socialisation, Externalisation, Combination, Internatisation) olarak da bilinen şu 4 adımda gerçekleştirilebilir (Nonaka, 1998): 1. BirleĢtirme (Combination): Açık bilginin kişiselden kurumsala geçirilmesi çalışmalarıdır. Örgütler zaten ulaşılabilir olan bilgileri çeşitli sistemler aracılığıyla yeni bilgileri oluşturmak için dönüşüme tabii tutmaktadırlar.

51 40 2. ĠçselleĢtirme (Internatisation): Açık bilgilerin çalışanlarca kullanılmasıyla örtülü duruma getirilmesi sürecidir. Çalışanlar açık bilgileri kullanarak yürüttükleri etkinlikler ve bunların sonuçları aracılığıyla kişisel deneyimler elde ederler. 3. DıĢsallaĢtırma (Externalisation): Analoji, eğretileme, kavram, model ve hipotezler aracılığıyla çalışanlarda bulunan örtülü bilgilerin açık bilgiler durumuna getirilerek ilgililerce ulaşılabilir kılınmasıdır. Kişideki bilginin işletmeye aktarılması sürecidir. 4. SosyalleĢme (Socialisation): Usta-çırak ilişkisinde olduğu gibi çalışanlardaki örtülü bilgilerin diğer çalışanların örtülü bilgileri durumuna getirilmesi sürecidir. Burada gözlem ve taklit etme söz konusudur. Görüldüğü gibi bilgi yönetiminin sorunları çoğunlukla paylaşımla ilgilidir. Çözülmesi gereken bu sorunlar şöyle sıralanabilir (Burkhard ve diğ., 2005):, 1. Bilgi Derinliği: İletişim kurulması istenen genel bakış ve ayrıntı arasındaki takas düzeyinin saptanması. 2. Azaltma: Alıcıların sahip oldukları kısıtlı zaman, dikkat düzeyleri ve bilişsel kapasiteleri. 3. Farklı Ġlgi Alanları: Kişiden kişiye farklılık gösteren bilişsel, eğitimsel ve kültürel altyapı ve ilgi alanları. 4. Uygunluk: Farklı paydaşlara ve ilgililere, kendi ihtiyaçlarına uygun bilgilerin sağlanması Bilgi Haritasının Tanımı ve Bilgi Haritalama Süreci Bilgi haritalama kavramı, bir önceki başlık altında belirtilen zorlukların üstesinden gelinebilmesi açısından en uygun bilgi yönetim araçlarından biridir. Bilgi paylaşım altyapısının örgütsel öğrenme açısından önemi yukarıda belirtilmişti. Bu paylaşım altyapılarından en bilinenleri bilgi haritaları, intranet, extranet ve bilgi portalları, veri madenciliği, belge ve içerik yönetim sistemleri ile bilgi bilançolarıdır. Bilgi haritaları, en yalın anlatımla işletme içerisindeki bilgi kaynaklarının yerlerini ve onlara nasıl ulaşılabileceğini gösteren görsel malzemelerdir. Tablo 1 de yazında en yaygın alıntı yapılan bilgi haritası tanımlamaları verilmiştir. Özetle söylemek gerekirse bilgi haritaları, bir örgüt içerisinde bilgi taşıyan alanlar arasındaki anlamlı ilişkileri şekiller, semboller, sayılar, grafik ve akış modelleri gibi görsel malzemeler kullanarak ortaya koyan yapay görsellerdir. Temel kullanım amacı kurumdaki bilgi nesnelerinin kaynaklarını ve bunlar arasındaki ilişkileri görselleştirmektir. Görüldüğü gibi bilginin işletme içerisindeki konumunun ve ilişkilerinin görselleştirilmesi bilgi paylaşımının verimliliğine olumlu etkilerde bulunmaktadır. Bilgi haritalama gereksinimi aşağıdaki üç nedenden doğar (Dinçmen ve diğ., 2010: 167): 1. Bilginin yerini, sahibini, kullanım şeklini ve değerini bulmak, 2. Çalışanların uzmanlık ve becerileri yanında üstlendikleri rolleri bilmek, 3. Bilgi akışını önleyen engelleri keşfetmek. Örgütsel belleğin geliştirilebilmesi, bilgi paylaşımının etkin bir biçimde yürütülmesiyle ilgilidir. Bu açıdan bilgi haritaları bazı önemli temellere dayandırılmalıdır (Wexler, 2001): 1. Bilgi haritalama, haritayı hazırlayanlar ile kullananlar arasında iletişim kurulmasına olanak tanıyacak biçimde tasarlanmalıdır. 2. Bilgi haritasını hazırlayanlar ile kullananlar aynı değer, sembol ve temsil nesnelerine sahip olmalıdırlar. 3. Harita hazırlayıcıları hazırlamaya devam ederken ve kullanıcıları haritayı kullanırken bilgi haritaları problemleri çözecek biçimde belli bir esnekliğe sahip olacak biçimde tasarlanmalıdırlar. 4. Bilgi haritaları örgütsel bilgiye götürürken, kullanıcılara düzeltme ve güncelleme yapabilme olanakları sunmalıdırlar. 5. Kurumsal değer yaratmak için, bilgi haritaları eleştirel ve yenilikçi düşünceyi azaltmak ya da bağımlılık yaratmaktan kaçınmalıdır.

52 41 6. Bilgi haritaları, işletme içindeki açık ve derlenmiş bilgileri toplama ve paylaşma olanağı sunarken, aynı zamanda yeni ilişkilerin örtülü bilgisinin de ortaya çıkmasını kolaylaştırmalıdır. Bunun için de yenilikçi bilginin oluşturulup paylaşıma sokulmasını desteklemelidirler. Tablo 1. Bilgi Haritası Tanımlamaları Yazar Grey, 1999 Tandukar, 2010 APQC Amerika Verimlilik ve Kalite Merkezi, 2009 Ebener ve diğ, 2006 Le-Khac ve diğ, 2008 IBM Global Services Kayakutlu, 2010 Bilgi Haritası Tanımı Bilgi haritası, açık (kodlanmış) bilgi ile örtülü bilgi arasında gezinmeye olanak tanıyan, bilgi depoları ve dinamikleri arasındaki ilişkileri ve önemi gösteren bir araçtır. Bir örgüt içerisinde bilginin kaynaklarını, akışını, kısıtlarını ve bilgi kayıplarını tanımlayan bir dizi sentez işleminin çıktısıdır. Bilgi haritaları, bir örgüt içerisindeki bilgiyi kullanılabilir saydamlığa getirme ve bu bilginin kalitesini anlayabilmeyi sağlamaya yönelik olarak hazırlanmış şemalardır. Bilgi haritası, örgütlere, hangi bilgilere sahip olduklarını ve nerelerde zayıf bağlantılar bulunduğunu gösteren anlık bir fotoğraf gibidir. Ayrıca, örgütlerdeki bireylerin sahip oldukları bilgilerin ve deneyimlerin önemini gösterir. Bilgi haritası, süreç, ağ, coğrafya, politika gibi bilgilerin tercihen görsel olarak verildiği bir nesneler bileşimidir ve bu bileşim yeni, harekete geçirilebilir bilgiler yaratır. Bilgi haritası, genel olarak bilgi hakkında bilgi veren görsel bir gösterimdir. Temelde bilginin kaynağını ve yapısını, uygulama alanlarının öğeleri ve yapısal bağlantılarını görselleştirerek ortaya koyar. Bilgi haritası bir süreçte hangi bilginin kullanıldığını ve süreçler arasında nasıl akış gösterdiğini tanımlar. Bunlar, bilgi ortaklığının veya çoklu süreçler içerisinde nerelerde benzer bilgilerin kullanıldığını belirler. Bilgi iletmek üzere bir araya getirilen şekiller bütününe bilgi haritası denir Wexler (2001) ayrıca, bilgi haritalama sırasında örgütlerin ne gibi zorluklarla karşılaşabileceklerini de belirtmiştir: Kapsam (tüm işletmeyi mi tek bir birimi mi içerecek?), zaman (süreklilik mi sağlayacak yoksa belli bir zamanı mı gösterecek?), tasarım (çelişkileri nasıl önleyecek?), paylaşım (kullanıcılara basılı biçimde mi dağıtılacak yoksa bir veri tabanından ulaşma olanağı mı verilecek?), modülerlik (tüm bilgi tek bir harita üzerinde gösterilebilir mi?). Eppler (2001) bilgi haritalama sürecinde 4 kalite ölçütünün dikkate alınması gerektiğini belirtmektedir: İşlevsel, bilişsel, teknik ve estetik olma ölçütleri. Bu ölçütlerden ne kastedildiği Tablo 2 de verilmiştir:

53 42 Tablo 2. Bilgi Haritası Kalite Ölçütleri (Eppler, 2001) Bilgi Haritası Kalite Ölçütleri İşlevsellik Bilişsellik Teknik olma Estetik olma Kontrol Soruları Belli bir kullanıcı grubu için açık bir amaca hizmet ediyor mu? Periyodik olarak güncellemeye yönelik uygulanan bir süreç var mı? Kullanıcılardan geribildirim alınmasına olanak sağlayan bir mekanizma var mı? Tek bir bakışta anlaşılabiliyor mu? Farklı ayrıntı düzeyleri sunuyor mu? Görsel olarak bileşenleri karşılaştırma olanağı var mı? Tüm bileşenler açıkça ayırt edilebiliyor mu? Bilgi haritasına ulaşma zamanı uygun mu? Tarayıcı arayüzü ile kullanılabiliyor mu? Farklı bilgisayar ekranı çözünürlüklerinde rahatça kullanılabiliyor mu? Yetkili olmayan kişilere karşı güvenlik önlemi içeriyor mu? Geometrik formlar ve renk düzenlemesi açısından kullanıcıların gözünü rahatsız ediyor mu? Haritanın görsel kimliği yeni bileşenler eklendikçe korunuyor mu? Yazında pek çok bilgi haritalama süreci bulunmakla birlikte, bu çalışmaya içlerinde en anlaşılır olan Kim ve arkadaşlarının uygulama çalışması alınmıştır. Kim ve arkadaşları (2003), bilgi haritalama çalışmalarında bir demir-çelik tesisindeki sıcak haddeleme sürecine yönelik bir bilgi haritası oluşturma sürecini yürütmüşlerdir. Bu çalışmada önerilen yordam şöyledir: 1. Örgütsel bilgiyi tanımlama, 2. İş süreçlerindeki işleri belirleme, 3. Her bir süreç içerisindeki bilgileri ortaya çıkarma (sistem veya doküman analizi, yüz yüze görüşmeler vb. yöntemlerle), 4. Her bir bilgi nesnesi için bir bilgi profili oluşturma ve danışmanlar eşliğinde, tekrarlı ve hatalı bilgileri düzeltme, 5. Profil oluşturularak tanımlanan bilgiler arasındaki ilişkileri ortaya çıkarma, 6. Yaratılan bilgi haritasını kullanıcılarla birlikte çalıştırarak anlaşılırlığını ve kullanılırlığını sağlama. Çalışmada dikkat çeken önemli bir unsur bilgi profilleri kavramıdır (Tablo 3). Bu kavram bir bilgi nesnesine ilişkin tüm özellikleri içerir. Her bir nesneye bir kimlik numarası atanmakta ve o bilgi nesnesiyle ilgili öncel bilgilerin neler olduğu verilmektedir. Bu öncelik ilişkisi verileri kullanılarak bilgi haritalarının oluşturulması yoluna gidilmektedir. Süreç sonucunda oluşturulan bilgi haritası Şekil 2 de sunulmuştur.

54 43 Tablo 3. Bilgi Profili Örneği (Kim ve diğ., 2003) Bilgi Kimlik No'su P1HMC-FEC-0030 Başlık Sıcak rulo dayanak oluşturma Düzenleyen S.Y. Kim Örgüt Sıcak haddeleme takımı Oluşturulma Tar En Son Düzenlenme Tar Anahtar Sözcükler haddeleme, sıcak rulo Son Tarih Önem Derecesi 7 Derece 6 Bilgi Türü Açık bilgi Ulaşım Hakkı Herkes Format Doküman Konum Sıcak haddehane Öncelik P1HMC-FEC-0028 Uzman H.S. Hwang, E.H. Suh Tanım Daha önceden yüzey oksidasyonunun giderilmesi amacıyla bir asit çözeltisi içerisinde tutulan sıcak rulolanmış bobinler, pastan korunmaları amacıyla yağlanırlar. No.5 Asit Yakıcısı'nda oluşan ve soğumamış bulunan rulolar, bileşik atölyeye indirilir. Bu bobinler genelde 20" ID sahibidirler. (Dışarıdan satın alınan sıcak rulo dayanakları 24" ID sahibi olabilmektedirler) İkili disk değiştirme teknolojisi İlmek yapıcı kontrolü Benzetim teknolojisi DDC özel benzetim Bükücü kontrolü İkili çaprazlama Yağ basıncı AGC Öğütme hızı Markalama makinesi kontrolü RM öğütme hızı RM izleme FM konfigürasyonu FM izleme CTC konfigürasyonu Aşınma masası izleme DC izleme FM veri döngüsü Bağlayıcı konfigürasyonu AJC control Karşılıklı makaslama algoritması Sınır ısıtma kontrolü APC control Ses yönü ġekil 2. Bilgi Haritası Örneği (Kim ve diğ., 2003) Yazında bilgi haritası türleri olarak pek çok örnek sınıflandırma bulunmaktadır. Eppler in 2006 yılında sunduğu sınıflandırma Tablo 4 de verilmiştir.

55 44 Tablo 4. Bilgi Haritası Türleri (Eppler, 2006) Amaca göre Şekle göre İçeriğe göre Düzeye göre Yönteme göre Bilgi Yaratma Tablo şeklinde Uzmanlar Kişisel Bilgisayar destekli Haritası Bölümler otomatik şekilde Bilgi Diyagram Patentler İkili Yarı-otomatik Değerlendirme Haritası şeklinde Raporlar Uygulamalar şekilde Bilgi Tanımlama Kartografik Öğrenilenler Takım Uzmanlar Haritası Öğrenme Haritası Bilgi Aktarımı Haritası Bilgi Pazarlama Haritası şekilde Metaforik şekilde Yöntemler Alınan dersler Veritabanları Websiteler Kavramlar Etkinlikler Bölüm Topluluk Örgütsel ve Örgütler-arası aracılığıyla Kullanıcılar tarafından Daha önce de belirtildiği gibi tüm bu sınıflandırmalara karşın her işletmenin kendine özgü bir bilgi yapısı ve bilgi işleme süreci olduğundan, her işletme kendine özel ve sadece kendi kültürüne uygun bir haritalama süreci ve türü seçmek durumunda kalmaktadır. Uygulamada genel olarak karşılaşılan bilgi haritalama yaklaşımları Hellström ve Husted (2004) tarafından şöyle sıralanmıştır: Yetkinlik Haritaları (Competence Maps), Kavram Haritaları (Concept Maps), Strateji Haritaları (Strategy Maps), Neden-Sonuç Haritaları (Causal Maps), Bilişsel Haritalar (Cognitive Maps), Sarı Sayfalar (Yellow Pages) gibi. Bilgi haritalarının işletmeye sağladığı yararları şöyle özetlemek mümkündür (Dinçmen ve diğ., 2010; Tandukar, 2010): 1. Bilgi yaratımının anahtar kaynaklarını belirleme, 2. Yeniden kullanımı cesaretlendirerek varolan bilginin yeniden keşfedilmesini engellemek suretiyle zaman kazandırma, 3. Kritik bilgiye hızlı bir biçimde ulaşma, 4. Deneyim kaynağını vurgulama, 5. Entelektüel ve maddi olmayan varlıkları değerlendirme ve bir envanter sunma, 6. Uygulanabilir bilgiler sunarak karar verme ve problem çözmeyi geliştirme, 7. İşletmeye ilişkin bilgiyi özümseme olanağı sunma, 8. Örgütsel belleği geliştirme, 9. Yeni ilişki yapıları ve bilgilere ulaşma, 10. Yalnızca neyin bilineceğini değil, nasıl bilineceğini de gösterme, 11. Bilgi paylaşımında ortaya çıkan kişisel farklılıkları eleme, 12. İşletmenin güçlü ve zayıf yönlerini, hatta bilgi boşluklarını algılama, 13. Müşteri isteklerinin anlaşılmasında ve bunlara yaklaşımda hız kazandırma, 14. İşletme politikalarının tartışılmasında ve karar alma süreçlerinde etkinlik sağlama, 15. Matematiksel modellemede yaygın kullanım olanağı (örneğin karar ağaçları). 4. BĠLGĠ HARĠTALAMA YAZILIMLARI: BĠR ÜNĠVERSĠTE UYGULAMASI Bu başlık altında kurumsal öğrenme açısından akademik hayatta yer alan üniversitelerde bilgi haritalama süreç ve yazılımlarının kullanım olanaklarından söz edilecektir. Bilgi haritalama süreçleri, çoğunlukla teknolojik altyapı olanaklarından yararlanılmasını gerektirmektedir. İşletmelerin farklı bölümleri arasındaki bilgi paylaşımı ihtiyacı bu tip yazılım ve uygulamaların kullanılmasını gerekli kılmaktadır. Bilgi haritalamaya yönelik olarak tasarlanmış pek çok bilgisayar yazılımı bulunmaktadır. Bunlar, işletme içerisindeki bilgiyi içerikleri, kaynakları ve birbirleriyle ilişkileri açısından

56 45 görselleştirmektedirler. BibTechMon, Information Tamers, IntellectSpace, Knetmap, MindMapper, The Brain, ThemeScape, ThinkMap ve VisualComplexity en bilinen bilgi haritalama yazılımlarındandır. Bu bilgi haritalama yazılımları işletme içerisinde bilginin paylaşılmasına olanak verdikleri gibi kişisel kullanıma da uygundurlar. Örneğin, bu yazılımlar aracılığıyla günlük tutma, roman yazma veya sanat yapıtı oluşturma gibi son derece kişisel etkinliklere ilişkin olarak bilgi kaynağının belirlenmesi ve faaliyet planlarının hazırlanması da mümkün olabilmektedir. Akademik hayatta temel üretim merkezleri olan üniversitelerde bilgi, temel üretim girdisi olarak kabul edilmesi gereken oldukça önemli bir unsurdur. Üniversitelerde entelektüel sermaye bileşenleri şöyledir: bilgi nin yaratılması, öğrenim görenlere ve diğer öğreticilere aktarılması, elverişli alanlara uygulanması ve diğer mevcut bilgilerle ilişkilendirilerek bütünleştirilmesi (Hellström ve Husted, 2004). Bunlardan ilk ikisi karşılıklı ve etkileşimli öğrenci öğretici ilişkisiyle gerçekleştirilebilirken, uygulama ve bütünleştirme işlemleri için özel bir bilgi paylaşım olanağının oluşturulması gerekmektedir. Bilgi paylaşımına ilişkin bir diğer önemli husus ise üniversitelerin şehir içerisinde dağıtık yapıda bulunan yerleşkelerde hizmet veriyor olmalarıdır. Bu nedenle, bilgi kaynağının ortaya konulması yoluyla bilgi paylaşımının etkinliğinin sağlanması ile akademik ve idari süreçler hızlandırılmış olacak, böylece öğrenci ve akademisyenlerin üniversiteye ilişkin gereksinimleri rahatlıkla giderilebilecektir. Buna ek olarak daha geniş bir perspektifte bakılacak olursa belki üniversiteler arası bilgi paylaşımı bile mümkün olabilecektir. Akademik uğraşlarının yanında üniversitelerin yönetimsel faaliyetleri ve idari işlerinin de sürdürülmesi gerekmektedir. Bu idari işler arasında genele hizmet veren öğrenci işleri, personel işleri, bilgi işlem, halkla ilişkiler, muhasebe, yazı işleri ve genel evrak takibi, kütüphane ve dokümantasyon gibi faaliyetler sıralanabilir. Bunların dışında bir de fakülteler, enstitüler, yüksek okullar, meslek yüksek okulları, konservatuarlar ile bunların alt birimleri olan bölüm ve programlardan oluşan akademik birimlerin yönetimsel faaliyetleri söz konusudur. Ayrıca yine tüm bir üniversitenin genel karar odakları olan senato ve yönetim kurulu ile vakıf üniversitelerinde bulunup en üst karar mercii olan mütevelli heyetinin yönetimsel etkinlikleri de bulunmaktadır. Her ikisi de Yükseköğretim Kurulu (YÖK) e bağlı bulunsa da ücretli eğitim öğretim hizmeti vermekte olan vakıf üniversitelerinin düşük ücretle (harçla) hizmet veren devlet üniversitelerinden temel yönetimsel farkı finansal işlemlerin daha fazla olması ile devlet üniversitelerine oranla daha geç kurulmuş olmalarında dolayı tanıtım ihtiyaçlarının daha fazla olması nedeniyle halkla ilişkiler ve tanıtım etkinliklerinin, fuarlar gibi ortamlar aracılığıyla daha geniş yelpazede sunulmasının gerekliliğidir. Ayrıca devlet üniversitelerinde işveren, doğrudan devletin bizatihi kendisi iken vakıf üniversitelerinde mütevelli heyeti işveren konumundadır. Bu nedenlerle idari içerikli veri ve bilgilerin aktarımı ile hangi bilginin nerede bulunduğuna ilişkin bilginin kaynağı unsurları özel üniversitelerde çok özel bir duyarlılık gerektirmektedir.

57 46 YÖNETİM KURULU SENATO MÜTEVELLİ HEYETİ Rektör Yardımcısı REKTÖRLÜK İdari İşler Fakülteler Enstitüler Yüksek Okullar Meslek Yüksek Okullar Konservatuvar Genel Sekreter Fen-Edebiyat Fen Bilimleri Hemşirelik Personel Daire Bşk. Mimarlık Sosyal Bilimleri Sağlık Bilimleri Öğrenci İşleri Daire Bşk. İşletme Sağlık Bilimleri Beden Eğitimi ve Spor Kütüphane ve Dok. Daire Bşk. Mühendislik SKS Daire Bşk. Güzel Sanatlar Yapı İşleri ve Teknik Daire Bşk. İdari ve Mali İşler Daire Bşk. Hukuk Müşavirliği Sivil Savunma Daire Bşk. Bilgi İşlem Daire Bşk. Yazı İşleri ve Genel Evrak Daire Bşk. Basın ve Halkla İlişkiler Daire Bşk. ġekil 3. Vakıf Üniversitesi Organizasyon Şeması Yapılan açıklamalarla birlikte bu çalışmada bir vakıf üniversitesi için PersonalBrain 6.0 bilgi haritalama yazılımı ile hazırlanan bir bilgi haritasından söz edilecektir. Daha önce açıklanan idari ve yönetimsel etkinliklerin söz konusu olduğu bir üniversitenin bilgi haritasının ana mimarisini, hiyerarşik yapısı oluşturur. Bu nedenle Şekil 3 te sunulan örgütsel yapının bilgi haritasına aktarılması ile bilgi haritalamadan beklenen temel yarar olan bilginin kaynağının belirlenmesi ve görselleştirilmesi işlevi gerçekleştirilebilmiş olacaktır. Şekil 3 de verilen bir vakıf üniversitesi örgüt şeması temel alınarak hazırlanan bilgi haritasının ana ekran görüntüsü Şekil 4 de gösterilmiştir. Haritalamanın gerçekleştirildiği PersonalBrain 6.0 yazılımı, bilgi kaynaklarının ebeveyn-çocuk ilişkisi (parent child relationship) mantığıyla ilişkilendirilmesi olanağı sunmaktadır. Bunun dışında bir de atlama (jump) işlevi söz konusudur ve bu işlev, bilgi kaynaklarının çocuk karakterli alt gruplarının ilişkilendirilmesini sağlamaktadır. Şekil 4 de görülen bilgi haritası mimarisi ebeveyn-çocuk ilişkilerini gözler önüne sermektedir.

58 47 ġekil 4. Üniversite Bilgi Haritası Ana Ekran Görüntüsü Şekil 3 ve 4 karşılaştırmalı olarak incelendiğinde ilişkilerin net olarak gösterildiği fark edilecektir. Bilgi haritalamanın temel işlevi, kurum içerisindeki bilgiye ulaşımın kolaylaştırılması amacıyla kurumsal öğrenme etkinliğinin arttırılması olduğundan, bilginin kaynağının net olarak belirlenip görselleştirilmesi büyük önem taşır. Burada da üniversite içerisindeki her bir bilgi kaynağının nerede olduğu, hangi birimlerle ilişki içerisinde bulunduğu ve ilgilenilen bilgiye nasıl ulaşılacağı ortaya konulmuş olmaktadır. Örneğin, Endüstri Mühendisliği bölümü öğrencilerine meslek stajları konusunda bilgi aktarımı yapmakla sorumlu bulunan staj komisyonu üyesinin ilgili kaynağa nasıl ulaşacağı ve onu nasıl değerlendirileceği Şekil 5 deki sıralı görsellerle (a e) verilmiştir. (a) (b)

59 48 (c) (d) (e) ġekil 5. Bilgi Haritası İçerisinde Gezinme Şekil 5a ve Şekil 5b de fakülte sayfasından staj komisyonu sayfasına gelene kadar olan süreç görselleştirilmiş, Şekil 5c de ise staj komisyonu sayfası sunulmuştur. Staj komisyonu üyeleri, herhangi ek bir işlem yapılmaksızın atlama işlevi aracılığıyla ilgili öğretim üyeleriyle ilişkilendirildiğinden dolayı doğrudan gösterilmektedirler. Burada uygun yetkilendirmelerin tanımlanmış olması durumunda ilgili çalışan da kendi diğer evraklarına ulaşma olanağına sahip olmaktadır. Staj Komisyonu nesnesinin yanındaki işaretler oraya atanmış bulunan bilgi unsurlarını belirtmektedir. Şekil 5d de stajlarla ilgili bilgileri içeren evrakların nasıl görselleştirildiği verilmektedir. Kullanılan program bilgi nesnelerinin, kaynaklar üzerine bağlantı işlevi (link) verilerek atanmasına olanak sağladığından, belgeler üzerinde gerçekleştirilen değişikliklerin kaydedilmesinde ayrı bir prosedürün işlemesine gerek kalmamaktadır. Şekil 5e de belgenin bu link işlevi aracılığıyla bağımsız olarak kendi programında açılışı görselleştirilmiştir.

60 49 Bilgi haritalamanın bir diğer önemli unsuru olan bilgi açıklarının (gaps) belirlenmesidir. Bir önceki staj komisyonu bilgi haritası göz önüne alındığında staj komisyonunda sadece komisyon üyelerinin bulunduğu gözükmektedir. Oysa Bölüm Başkanının da staj kılavuz ve yönergesine göre staj komisyonunun oluşturulması ve bazı süreçlerde imza hakkı ve yetkisi bulunmaktadır. Staj komisyonu bilgi haritasının oluşturulması ile birlikte bu eksik belirlenerek görselleştirilmiş ve daha rahat fark edilir duruma getirilmiş olmaktadır. Buradan da Bölüm Başkanının staj komisyonu ile ilişkilendirilmesine gidilir. Ayrıca staja ilişkin sigorta işlemleri de üniversitelerin öğrenci işleri birimlerince yürütüldüğünden dolayı staj komisyonu ile öğrenci işleri birimi de ilişkilendirilir. Böylece staj komisyonu üyeleri, henüz tam olarak bilgi sahibi olamamış olsalar bile bu harita yardımıyla kimin hangi görevden sorumlu olduğunu öğrenebilmekte ve kurumsal öğrenme açısından daha yetkin bir duruma gelmektedirler. Kişisel etkinliklerin planlanması, düzenlenmesi ve gerçekleştirilmesi ile ilgili olarak da bilgi haritasından yararlanmak olanaklıdır. Şekil 6 da bir öğretim elemanının ilgilendiği etkinliklere ilişkin bilgi haritası görünümü sunulmuştur. Kişiler hem kişisel işleri hem de üniversiteyle ilgili işlerini aynı ekran üzerinden gerçekleştirebilmektedir. Burada belli bir tarihte yapılması istenen etkinliklere yönelik olarak tarihleme bilgisi girişine de olanak sağlanmaktadır. Mezuniyet töreni ile ilgili olarak hazırlanan tarihleme işlevi Şekil 7 de sunulmuştur. Burada etkinlik atarken bunun ne olduğu, ne zaman ve nerede gerçekleştirileceği ile ilgili gerek duyulan açıklamalar girilebilmektedir. Ayrıca çakışan etkinlikler için öncelik durumları, ilgili tarih aralığına gelindiğinde girilebilecek bir tamamlanma oranı göstergesi ile etkinliği belli bir süre öncesinden hatırlatma işlevleri kullanılabilmektedir. ġekil 6. Kişisel Faaliyetler Ekranı ġekil 7. Bilgi Nesnesinin Tarihlenmesi

61 50 Yapılan açıklamalardan görülmektedir ki, bilginin haritalanması ilgilenilen bilgiye, onun kaynağı aracılığıyla ulaşmayı olanaklı kılmaktadır. Ayrıca hangi birimin kimlerden oluştuğu ve hangi birimlerle veya kişilerle ilişki içerisinde bulunduğu belirlenerek görselleştirilmektedir. Bilgiye ulaşmak kolaylaşırken bilgi paylaşımı önündeki engeller kolayca giderilmektedir. Ayrıca unutulmamalıdır ki, bilgi haritalarının kullanımının yaygınlaştırılarak etkin bir bilgi paylaşım altyapısı kurmanın en önemli unsurlarından biri olan ödüllendirme ayağı da eksik bırakılmamalı ve çeşitli yollarla özendirme sağlanılmasına çalışılmalıdır. SONUÇ Bu çalışmada kurumsal öğrenmenin günümüz işletmeleri için taşıdıkları önem vurgulanmış ve bilgi yönetimi modellerinden biri olan bilgi haritalamanın bu amaca yönelik olarak nasıl kullanılabileceğinden söz edilerek bir üniversite için geliştirilmiş olan bilgi haritasının işlevleri açıklanmıştır. Küresel rekabetin, işletmeleri diğerlerinden farklılaşabilecekleri etkinlik ve yöntemlere yönelttiği günümüzde, piyasa koşulları etkin bir işletme politikasını zorunlu kılmaktadır. Kurum içi bilgilerin yaratılması, işlenmesi, depolanması ve paylaşılması büyük önem taşımakta, kurumsal gizlilik politikalarının bilgi yönetim modellerine aktarılması gerekmektedir. Bir başka anlatımla işletmelerin kurum içi bilgi paylaşımını arttırırken kurum dışına bu bilgilerin çıkmasını engellemeleri de gerekmektedir. Etkin bir bilgi haritalama için göz önünde bulundurulması gereken konulardan başlıcaları aşağıda belirtilmiştir: 1. Bilgi haritasının bölümler temelinde işletme içi güvenliğinin sağlanmasına yönelik önlemlerin alınması. 2. Belgelerde değişiklik yapılması hakkının, yetkilendirme süreçleri izlenerek görevli kişilere tanınması ve böylece bilginin doğruluğunun sağlanması. 3. Görsel malzemelerin ilgili çalışanlarca anlaşılırlığının sağlanması amacıyla eğitimler düzenlenmesi. 4. Bilgi haritasının kullanımının ve dolayısıyla bilgi paylaşımının tüm çalışanlarca yaygınlaştırılması amacıyla özendirici uygulamaların ve ödüllendirme yollarının geliştirilmesi. 5. İşletmelerin belli bir etkinlik büyüklüğüne ulaşmaları ile dış paydaşlarının da bilgi haritalama süreci içerisinde bütünleştirilmesi. KAYNAKÇA [1] Akgün, A.E., Keskin, H., Günsel, A., Bilgi Yönetimi ve Öğrenen Örgütler, Eflatun Yayıncılık, 2009 [2] APQC, Knowledge Map and Process Map Overview, , Erişim Tarihi: [3] Argyris, C., Schon, D., Organizational Learning: A Theory of Action Perspective, Addison-Wesley, 1978 [4] Aydemir, M., Örgütsel Öğrenme ve Toplam Kalite Yönetimi, Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Cilt.2, Sayı.3, 2000 [5] BSTS Eğitim Terimleri Sözlüğü, 1974 [6] Beer, M., Voelpel, S.C., Leibold, M., Tekie, E.B., Strategic Management as Organizational Learning: Developing Fit and Alignment through a Disciplined Process, Long Range Planning, Cilt.38, s: , 2005 [7] Bhatt, G.D., Information Dynamics, learning and knowledge creation in organizations, The Learning Organization, Cilt.7, Sayı.2, s: 89-99, 2000 [8] Burkhard, R., Meier, M., Smis, M., Allemang, J., Honisch, L., Beyond Excel and Powerpoint: Knowledge Maps for the Transfer and Creation of Knowledge in Organizations, Proceedings of the Ninth International Conference on Information Visualisation, 2005

62 51 [9] Carayannis, E.G., Alexandre,J., Is Technological Learning a Firm Core Competence: When, How and Why?, Technovation, Cilt.22, Sayı.10, s: , 2002 [10] Chen, J.Q., Lee, T.E., Zhang, R., White, R.E., Systems Requirements for Organizational Learning,Communications of the ACM, Cilt.46, Sayı.12, 2003 [11] Çam, S., Öğrenen Organizasyon ve Rekabet Üstünlüğü, Papatya Yayıncılık, 2002 [12] Dawid, H., Doerner, K., Dorffner, G., Fent, T., Markus, M., Hartl, R., Mild, A., Natter, M., Reimann, M., Taudes, A, Quantitative Models of Learning Organizations, Springer-Verlag Wien New York, 2002 [13] Dinçmen, M. (Bölüm Yazarlı), Bilgi Yönetimi ve Uygulamaları, Papatya Yayıncılık, 2010 [14] Drucker, F.P., Sonuç İçin Yönetim, İnkilap Kitabevi, 1998 [15] Ebener, S., Khan, A., Shademani, R., Compernolle, L, Beltran, M., Lansang, M.A., Lippman, M., Knowledge mapping as a technique to support knowledge translation, Bulletin of the World Health Organization, Cilt.84, Sayı.8, s: , 2006 [16] Eppler, M.J., Making Knowledge Visible Through Intranet Knowledge Maps: Concepts, Elements, Cases, System Sciences 2001, Proceedings of the 34th Hawaii International Conference, 2001 [17] Eppler, M.J., Toward a Pragmatic Taxonomy of Knowledge Maps: Classification Principles, Sample Typologies, and Application Examples, Proceedings of the Information Visualization, 2006 [18] Garvin, D.A., Building A Learning Organization, Harvard Business Review, 1993 [19] Grey, D., Knowledge mapping: a practical overview, , Erişim Tarihi: [20] Hellström, T., Husted, K., Mapping knowledge and intellectual capital in academic environments: A focus group study, Journal of Intellectual Capital, Cilt.5, Sayı.1, s: , 2004 [21] Irani, Z., Sharif, A.M., Love, P.E.D., Mapping knowledge management and organizational learning in support of organizational memory, Int. J. Production Economics, Cilt.122, s: , 2009 [22] Kim, S., Suh, E., Hwang, H., Building the knowledge map: an industrial case study, Journal of Knowledge Management, Cilt.7, Sayı.2, s: 34-45, 2003 [23] Lachner, A. ve Pirnay-Dummer, P., Model Based Knowledge Mapping A New Approach for the Automated Graphical Representation of Organizational Knowledge, CELDA 2008, IADIS International Conference on Cognition and Exploratory Learning in Digital Age, 2008 [24] Le-Khac, N., Aouad, L., Kechadi, M., Knowledge Map: Toward A new approach supporting the knowledge management in Distributed Data Mining, Autonomic and Autonomous Systems, ICAS07, s: 67, 2007 [25] Niklanta, S., Miller, L.L., Zhu, D., Organizational Memory Management: Technological and Research Issues, Journal of Database Management, Cilt.17, Sayı.1, 2006 [26] Nonaka, I., The Knowledge Creating Company, Harvard Business Review on Knowledge Management, Harvard Business School Press, 1998 [27] Örtenblad, A., On differences between organizational learning and learning organization, The Learning Organization, Cilt.8, Sayı.3, s: , 2001 [28] Pemberton, J.D., Stonehouse, G.H., Organizational Learning and Knowledge Assests An Essential Partnership, The Learning Organization, Cilt.7, Sayı.4, s: , 2000 [29] Rumizen, M.C., Report on the Second Comparative Study of Knowledge Creation Conference, Journal of Knowledge Management, Cilt.2, Sayı.1, 1998 [30] Senge, P., Beşinci Disiplin, Yapı Kredi Yayınları, İstanbul, 1996 [31] Tandukar, D., Knowledge Mapping, Erişim Tarihi: [32] Tang, J., The Effects of Firm Size on Knowledge Management in Electrical and Electronic Manufacturing Firms, International Journal of Management, Cilt.25, Sayı.2, 2008 [33] Wexler, M.N., The who, what and why of knowledge mapping, Journal of Knowledge Management, Cilt.5, Sayı.3, s: , 2001

63 52 ÖZGEÇMĠġ Sait GÜL 1985 İstanbul doğumludur yılında başladığı anadal lisans eğitimini İstanbul Üniversitesi Deniz Ulaştırma İşletme Mühendisliği Bölümünde 2007 yılında, çift anadal eğitimini ise Endüstri Mühendisliği Bölümünde 2008 yılında tamamlamıştır yılından itibaren bir sene süreyle bir denizcilik işletmesinde gemi operasyonu görevini yürütmüştür yılında başladığı yüksek lisans eğitimine İstanbul Teknik Üniversitesi Endüstri Mühendisliği Bölümü Mühendislik Yönetimi Programında devam etmekte ve çok kriterli karar verme konulu tez çalışmasını sürdürmektedir yılından beri Haliç Üniversitesi Endüstri Mühendisliği bölümünde Araştırma Görevlisi olarak çalışmaktadır. Karar verme, yöneylem araştırması, üretim yönetimi ve bilgi yönetim sistemleri konularında çalışmaktadır. Kenan ÖZDEN 1950 Eskişehir doğumludur. İlk ve ortaokulu Eskişehir de, Askeri Hava Lisesini İzmir de tamamladıktan sonra 1970 yılında Hava Harp Okulunu, 1971 de Hava Lisan Okulunu, 1972 de Hava Muharebe Elektronik Okulunu bitirmiştir. Hava Teknik Okullarda bir süre muharebe subaylığı ve Elektronik Dersler öğretmenliği yapmıştır. Ege Üniversitesi İTBF Üretim Yönetimi Bölümünden 1975 yılında mezun olduktan sonra, Yüksek Lisansını aynı Bölümde 1977 de tamamlamıştır. Ege Üniversitesi İşletme Fakültesinden 1979 yılında Doktora derecesini alarak Hava Harp Okuluna öğretim üyesi olarak atanmıştır yılları arasında Hava Harp Okulunda İşletme Bölüm Başkanlığı ve öğretim üyeliği yapmıştır yılında Doçent olmuş, aynı yıl emekli olarak bu tarihten itibaren 2005 yılına kadar iş yaşamında bulunmuştur yılları arasında Bişkek te Kırgızistan Türkiye Manas Üniversitesi İİBF İşletme Bölüm Başkanlığı, çeşitli kurul üyelikleri ve Senato üyeliği yapmıştır yılında Haliç Üniversitesi Endüstri Mühendisliği bölümünde öğretim görevlisi olarak çalışmaya başlamış, 2010 yılında Profesör unvanını alarak Bölüm başkanı olmuştur. Tesis yerleşimi ve planlaması, üretim yönetimi, yöneylem araştırması ve proje yönetimi konularında çalışmaktadır.

64 TEDARİKÇİ İLİŞKİLERİ YÖNETİMİ ONTOLOJİSİ ESRA ARIÖZ CMA DANIŞMANLIK VE BİLİŞİM TEKNOLOJİLERİ NAİL DİKER CMA DANIŞMANLIK VE BİLİŞİM TEKNOLOJİLERİ EBRU KILINÇ CMA DANIŞMANLIK VE BİLİŞİM TEKNOLOJİLERİ MURAT OSMAN ÜNALIR EGE ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

65

66 55 TEDARİKÇİ İLİŞKİLERİ YÖNETİMİ ONTOLOJİSİ Esra ARIÖZ Nail DİKER Ebru KILINÇ Murat Osman ÜNALIR ÖZET Üretici ve tedarikçi firmalar arasında gerçekleģen tedarik sürecinde, firmaların farklı bilgi sistemleri kullanmasından kaynaklanan bütünleģtirme (entegrasyon) sıkıntısı tedarik sürecini uzatmakta ve maliyeti arttırmaktadır. Ayrıca aynı sektörde benzer ürünler üreten firmalar arasında dahi, benzer kavramlar farklı Ģekillerde ifade edilmekte, firmalar arası iģbirliği bilgi sistemleri üzerinden değil, çalıģanların tecrübeleri üzerinden iģletilmektedir. Yapılan çalıģmada üretim yapan firmalar ile tedarikçi firmalar arasında kavramsal açıdan anlamsal bütünlük sağlayan bir Tedarikçi ĠliĢkileri Yönetimi Ontolojisi geliģtirilmiģtir. GeliĢtirilen ontoloji kullanılarak firmalar arası iletiģimin kolaylaģması hedeflenmektedir. Anahtar Kelimeler: Tedarikçi ĠliĢkileri Yönetimi, Anlamsal Web, Ontoloji. ABSTRACT In procurement process between manufacturer and supplier firms, integration takes long time and cost increases because the firms use different information systems. Even firms in a same sector, use different definitions for the same concepts, so interoperability is provided by experiences of employees. In this work, an Supplier Relationship Management Ontology develop to serve as a common vocabulary and provide interoperability between manufacturer and supplier firms. Key Words: Supplier Relationship Management, Semantic Web, Ontology. 1. GİRİŞ HaberleĢme ve bilgi teknolojilerindeki hızlı geliģmeler, iģletmelerin yeni teknolojileri kullanmasını ve iģ süreçlerinde yeni teknolojilere yönelik düzenlemeler yapmasını sağlamaktadır. Bilgi üreten ve tüketen birimlerin çoğalmasıyla bilgiye duyulan ihtiyaç artmakta ve bilginin etkin kullanımı değer kazanmaktadır. ĠĢletmelerin bilgilerini ve iģ süreçlerini elektronik ortama taģıması, iģletmeler arası iletiģimin elektronik ortam üzerinden yapılmasını ve veri alıģveriģinin bilgi sistemleri üzerinden gerçekleģmesini beraberinde getirmektedir. Bilgi teknolojilerinin kullanılması ile, veri takibi ve yönetimi kolaylaģmakta, firmanın farklı birimlerindeki veriler birarada değerlendirilerek bilgi sistemleri üzerinden raporlar alınmaktadır. Bilgi sistemlerinin kullanılmasıyla gerçekleģen bu geliģmeler firmaların iģ süreçlerini büyük oranda kolaylaģtırmaktadır.

67 56 Günümüzde üretici firmalar, firmalar arası rekabette sadece kendi firmalarıyla ya da ürünleriyle yer almamakta, iģ yaptığı firmalarla birlikte rekabete dahil olmaktadır. Rekabette öne çıkabilmek için firmalar tedarikçileri ile hızlı iletiģim kurarak üretim sürecini hızlandırabilir, kendisine en uygun tedarikçileri seçerek ürün kalitesini arttırabilir, ürünü daha uygun fiyata elde edebilir, ürün bileģenlerinin firmasına daha erken ulaģmasını sağlayarak üretim sürecini hızlandırabilir. ÇalıĢmada, üretici ve tedarikçi firmalar arasındaki iletiģimi kolaylaģtırmak amacıyla, OWL ontoloji dili kullanılarak tedarikçi iliģkileri yönetimine iliģkin bir sözlük görevi görecek Tedarikçi ĠliĢkileri Yönetimi Ontolojisi geliģtirilmektedir. 2. TEDARİKÇİ İLİŞKİLERİ YÖNETİMİ ONTOLOJİSİ Tedarikçi ĠliĢkileri Yönetimi, tedarikçi seçme, değerlendirme, görüģme, sözleģme yönetimi, iliģki yönetimi, iģbirliği geliģtirme vb. faaliyetleri, öngörülen amaçlar doğrultusunda sistematize etme ve bir yazılım üzerinde gerçekleģtirme sistemidir [1]. Üretici ve tedarikçi firmaların organizasyonel yapıları, Ģirket kültürleri, süreç ve kavram isimlendirmeleri, iģ yapıģ Ģekilleri birbirlerinden farklı olabilmektedir. Aynı sektörde benzer ürünler üreten firmalar arasında dahi, benzer kavramların farklı Ģekillerde ifade edildiği, firmalar arası iģbirliğinin bilgi sistemleri üzerinden değil, çalıģanların tecrübeleri üzerinden iģletildiği görülmektedir. Mevcut tedarik sürecinde, üretici firma ile tedarikçileri arasındaki iģlemlerin bir çoğu telefon, elektronik posta, faks gibi iletiģim araçları aracılığıyla sağlanır. Bu yöntemde, iletiģim için çok vakit harcanmaktadır, cevap bekleme süreleri uzundur ve süreç takip edilemez. ÇalıĢmada, firmaların, aynı ya da benzer kavramlar için farklı tanımlamalar kullanması, bilgiyi farklı Ģekillerde organize etmesi gibi nedenlerle iletiģimin güçleģmesine çözüm olarak, Tedarikçi ĠliĢkileri Yönetimine iliģkin bir ontoloji geliģtirilmektedir. Ġleride geliģtirilecek bir bütünleģtirme sistemi ile Tedarikçi ĠliĢkileri Yönetimi Ontolojisi nin kullanımı sağlanarak, firmalar arası iletiģimin bütünleģtirme ortamı üzerinden gerçekleģtirilmesi, telefon, faks elektronik posta gibi araçların kullanımının azaltılması öngörülmektedir. Ontoloji, Türkçe karģılığı varlıkbilim olan bir felsefe dalıdır. Ontoloji, bir bütün olarak varlığı ele alan ve varlığın en temel niteliklerini inceleyen bir felsefi disiplindir [2]. Bilgisayar bilimlerinde ise ontoloji, 1993 yılında Gruber tarafından Belirli bir etki alanındaki (domain) ifadelerin ve ifadeler arasındaki iliģkilerin açık ve biçimsel gösterimi olarak tanımlanmıģtır. Bir ontoloji, belirli bir etki alanı içerisinde çalıģacak kiģiler ve makineler için ortak ve paylaģılan bir sözlük görevi görmektedir. Ontolojideki kavramlar hem insanlar hem de makineler tarafından yorumlanabilir yapıdadırlar. Anlamsal Web de bilginin anlamlı bir paylaģımının gerçekleģebilmesi için ontolojiler kullanılmaktadır. Belirli bir etki alanındaki bilgilerin genel ve paylaģılan bir anlamının oluģturulmasını sağlamakta, alandaki kavramlar ve kavramlar arasındaki iliģkileri tanıtan bir kavram haritası sunmaktadır. Ontolojide kurallar sayesinde kavramlar arasında mantıksal iliģkiler kurmak mümkündür. Bir etki alanı, insanlar ve farklı uygulama sistemleri ile iliģkili olabilir. Ontolojiler, belirli bir alan hakkında tüm taraflar için genel ve ortak bir anlayıģ sağlamaktadırlar [3] [4]. Ontoloji kullanılması ile, Ġnsanlar ve yazılım ajanları tarafından iģlenebilen, ortak anlam içeren bilgi yapıları tanımlanır Etki alanına ait bilginin yeniden kullanılabilir halde tutulması sağlanır Etki alanındaki varsayımlar açık hale getirilir. Böylece etki alanına ait bilgi sahibi olmayan kiģilerin/yazılım ajanlarının etki alanını anlaması kolaylaģır Etki alanına iliģkin bilgi dağarcığının, iģlevsel bilgi dağarcığından ayrı Ģekilde ifade edilmesi sağlanır. Örneğin herhangi bir ürün için, ürün parçalarının birleģtirilerek yapılandırılmasına iliģkin iģlevsel bir program hazırlandığını varsayalım. Bu programa bilgisayar ve bilgisayar parçaları için oluģturulan PC ontoloji verildiğinde, PC yapılandırmasına, televizyon ve televizyon parçaları için oluģturulan TV ontolojisi verildiğinde ise televizyona iliģkin yapılandırmaya ulaģılabilir.

68 57 Ontolojide, etki alanındaki terimlerin bildirimsel tanımları mevcut ise, etki alanındaki bilginin analiz edilmesi de mümkün olmaktadır. Etki alanındaki bilginin analiz edilmesi, mevcut ontolojinin yeniden kullanılması ve mevcut ontolojinin geliģtirilmesi açısından önemlidir. ÇalıĢmada, üretici ve tedarikçi arasındaki temel iģlemlerin yürütülmesinde ortak bir sözlük olarak kullanılabilecek bir Tedarikçi ĠliĢkileri Yönetimi Ontolojisi geliģtirilmektedir. GeliĢtirilen ontoloji, Tedarikçi ĠliĢkileri Yönetimine iliģkin genel bir kavram sözlüğü ve iliģki kataloğu olarak kullanılabilecektir. Yeni kavramlar ve kurallar eklenerek geliģtirilebilecek olan ontolojinin firmalar için ortak bir dil sunarak iletiģimi kolaylaģtırması hedeflenmektedir. GeliĢtirilen Tedarikçi ĠliĢkileri Yönetimi Ontolojisi bir baģka çalıģmada kullanılarak firmalar arası bütünleģtirmeye yönelik bir uygulama geliģtirilebilecektir Ontolojinin Geliştirilmesi Ontoloji tanımlama dili olarak W3C nin Anlamsal Web için standart olarak belirlediği OWL kullanılmaktadır. OWL, XML tabanlı bir dildir. GeliĢtirilmek istenen ontolojide yer alacak kavramlar ve kavramlar arasındaki iliģkiler ontolojideki sözdizimleri dikkate alınarak XML dili ile oluģturulabilir. Fakat elle yürütülen bu iģlemlerin gerçekleģtirimi ve takibi zor olmaktadır. ÇalıĢmada, ontoloji geliģtirme arayüzü olarak Stanford Üniversitesi tarafından geliģtirilen Protégé isimli araç kullanılmaktadır. OWL da 3 temel yapı yer almaktadır. Sınıf (Class) Özellik (Property) Birey (Individual) Sınıflar, benzer karakteristiklere sahip kaynakların soyut bir Ģekilde gruplanmasını sağlayan, o sınıfa ait olacak bireylerin sahip olması gereken özellikleri içeren yapılardır. Özellikler veri tipi özelliği (datatype property) ve nesne özelliği (object property) olmak üzere ikiye ayrılır. Veri tipi özelliği, bir birey ile bir veri değeri arasındaki bağlantıyı gösterirken, nesne özelliği iki birey arasındaki bağlantıyı göstermektedir. Sınıflar ve özellikler arasında sıradüzensel (alt sınıf, üst sınıf) organizasyonlar kurulabilir. Bireyler, ontolojideki sınıfları örnekleyen nesnelerdir. Ontoloji, tanımı itibariyle de belirli bir etki alanına özgü kavramlardan oluģmaktadır. Ontolojinin ilgili olduğu etki alanı, üretici firmaların malzeme sipariģ edeceği tedarikçileri belirleme ve seçilen tedarikçilere malzeme sipariģinde bulunma sürecini kapsamaktadır. Tedarikçi ĠliĢkileri Yönetimi Ontolojisi geliģtirilirken, Stanford Üniversitesi nin ontoloji geliģtirme adımları olarak belirlediği adımlar takip edilmiģtir [5]. 1. Ontolojinin etki alanı olarak tedarikçi iliģkileri yönetimi ele alınmaktadır. Tedarikçi iliģkileri yönetimine iliģkin kavramlar ve kavramlar arası iliģkiler, kurallar tanımlanmaktadır. Etki alanının içereceği kavramlar Tedarikçi ĠliĢkileri Yönetimi kavramlarından oluģmaktadır. 2. Ontolojinin kullanım amacı, üretici ve tedarikçiler arasında ortak, yeniden kullanılabilir ve geniģletilebilir bir kavram sözlüğü oluģturarak firmalar arasında ortak bir dil üzerinden kolay iletiģim kurulmasına yardımcı olmaktır. Tedarikçi ĠliĢkileri Yönetimine iliģkin elde edilen sözlük yeniden kullanılabilir ve paylaģılabilir yapısı sayesinde farklı uygulamalar tarafından kullanılabilir ve yeni verilerle kapsamı geniģletilebilir bir yapıya sahip olmaktadır. Verilerin, geliģtirilen ontoloji üzerinden yönetilmesi ile veriler arasındaki saklı iliģki ve anlamlar ontolojinin kuralları yardımıyla açığa çıkarılabilmektedir. 3. Tedarikçi ĠliĢkileri Yönetimi Ontolojisi oluģturulurken, üretici ve tedarikçi arasındaki Tedarikçi ĠliĢkileri Yönetimi süreci incelenmiģtir. Etki alanında yer alan kavramlar, özellikler, iliģkiler gibi etki alanına yönelik terimlerin listesi oluģturulmuģtur. Farklı firmalarda kullanılan süreç kavramlarının tespit edilmesi amacıyla 4 farklı kurumsal kaynak planlaması uygulamasının veri tabanı modelleri incelenmiģtir. Veri tabanı modellerinde Tedarikçi ĠliĢkileri Yönetimine iliģkin kavramlar ve kavramlar arasındaki iliģkiler belirlenmiģ, böylece Tedarikçi ĠliĢkileri Yönetiminde yer alacak kavramların genel bir listesi elde edilmiģtir. Elde edilen kavram listesinin bir kısmı Tablo de gösterilmektedir.

69 58 Tablo Tedarikçi ĠliĢkileri Yönetimi Ontolojisi Kavram Listesi Material (Malzeme) Uom (Ölçü Birimi) Contract Item (SözleĢme Kalemi) Raw Material (Hammadde) Material Group Description (Mal Grubu Tanımı) Vendor (Satıcı) Manufacturer (Üretici) Purchase Order (SipariĢ) Currency (Döviz Cinsi) Storage (Depo) Material Type (Malzeme Türü) Semi Finished (Yarı Mamul) Purchase Order Item (SipariĢ Kalemi) Material Description (Malzeme Tanımı) Purchase Order Date (SipariĢ Tarihi) Product (Ürün) Finished (Mamul) Material Group (Mal Grubu) Characteristic Group (Karakteristik Grubu) Telephone Number (Telefon No) Stock (Stok) Contract (SözleĢme) Delivery Date (Teslim Tarihi) Material Type (Malzeme Türü) Characteristic (Karakteristik) City (ġehir) Purchase Order Number (SipariĢ Numarası) Purchase Order Quantity (SipariĢ Miktarı) Address (Adres) Supplier (Tedarikçi) 4. Kavram listesindeki kavramlar arasından belirli bir grup bireyi ifade edebilecek ortak özelliklere sahip olan kavramlar ontolojide sınıf olarak ifade edilmek üzere ayrılmıģtır. Sınıf olarak belirlenen kavramlar ayrıldıktan sonra, listede kalan kavramlar özellik olarak ele alınacak kavramlardır. Özellik belirten kavramların hangi tür özellik (veri tipi özelliği, nesne özelliği) olacağı konusunda karar verilirken, kavramın neyi ifade edeceği, ne tür değerler alabileceği ve hangi kavramlarla iliģkili olabileceği göz önünde bulundurulmuģtur. Basit bir veri tipinde değer içeren ve bir sınıfın belirli bir değer özelliğini gösteren özellikler veri tipi özelliği olarak belirlenirken, sınıflar arası iliģkileri gösteren özellikler nesne özelliği olarak ele alınmaktadır. Nesne özelliği ve veri tipi özelliği tanımlanırken özelliği içerecek sınıf (domain) ve değer aralığı (range) belirtilmektedir. OWL ontoloji dili, sınıflar arasında ve özellikler arasında sıradüzensel belirtimlere olanak sağlamaktadır. Benzer özellikleri içeren sınıflar ve özellikler arasında ortak noktalar incelenerek, sınıf ve özellikler için ortak özelliklere sahip bir üst seviye tanım yapılıp yapılamayacağı incelenmiģtir. Sınıf ve sınıf sıradüzenleri belirlenirken 3 tip yaklaģım izlenebilir. 1. Yukarıdan aģağıya, genelden özele yaklaģım (Top down approach): Tanımlamalar etki alanındaki en geniģ kapsamlı kavramdan baģlayarak gittikçe özelleģen alt kavramların tanımlanması ile devam eder. Örneğin ele alınan etki alanında, önce malzeme kavramı bir sınıf olarak tanımlanır, ardından malzemenin daha özelleģmiģ yapıları olan hammadde, yarı mamul, mamul, ürün kavramlarına iliģkin sınıflar malzeme sınıfının alt sınıfları olarak tanımlanır. 2. AĢağıdan yukarıya, özelden genele yaklaģım (Bottom up approach): Tanımlamalar etki alanındaki en özelleģmiģ kavramlardan, sıradüzendeki yaprak düğümlerden, baģlar. Tanımlanan sınıflar ortak özellikleri göz önüne alınarak gruplandırılır ve her bir grup için o grubun ortak özelliklerini içeren üst sınıflar tanımlanır. Sınıflar ile üst sınıflar arasında iliģki kurulur. 3. BirleĢik yaklaģım (Combination approach): Yukarıdan aģağıya ve aģağıdan yukarıya yaklaģımların birleģtiği yaklaģımdır. GeliĢtirmelerde sıralama yoktur, genel bir kavram tanımlamasının ardından özel bir kavramın tanımlaması yapılabilir ve bu iki kavram arasında ara kavramlar da oluģturulabilir. ÇalıĢmada ontoloji geliģtirme yaklaģımı olarak birleģik yaklaģım kullanılmaktadır. Örneğin, Manufacturer sınıfı ve Supplier sınıfı ontolojide tanımlanmakta, ardından bu iki kavramın ortak özelliklerinin yer aldığı bir Firm sınıfı ontolojiye eklenmekte ve Manufacturer ile Supplier sınıfları Firm sınıfının alt sınıfları olarak ifade edilmektedir. Material sınıfının tanımlanmasında ise, önce Material sınıfı, ardından RawMaterial, SemiFinished, Finished, Product sınıfları tanımlanmakta, son olarak da aralarındaki sıradüzensel iliģkiler ontolojiye tanıtılmaktadır.

70 59 Sınıflar arası sıradüzensel iliģkiler (alt sınıf/üst sınıf iliģkisi) geçiģlilik özelliğine sahiptir, bir sınıf alt sınıflarının tüm bireylerini kapsar. ġekil Material sınıfı ile alt sınıfları arasındaki sıradüzeni göstermektedir. Sıradüzendeki Product, RawMaterial, SemiFinished, Finished sınıflarının bireyleri aynı zamanda Material sınıfının da bir bireyidirler. subclassof Class Material subclassof subclassof subclassof Class Product Class RawMaterial Class SemiFinished Class Finished Şekil Sınıflar Arası Sıradüzensel ĠliĢkiler 5. Sınıfların yapısını ve özelliklerini belirlemek amacıyla sınıf özellikleri tanımlanmıģtır. Örneğin Firm sınıfının belirleyici özellikleri FirmTitle, FirmId, ContactInfo gibi özelliklerdir. Bu özellikler veri tipi özelliği olarak tanımlanırken, bir firmanın birlikte çalıģtığı tedarikçisini belirten hassupplier özelliği, iki sınıf bireyleri arasındaki bir iliģkiyi belirttiği için nesne özelliği olarak tanımlanmaktadır. Aralarında sıradüzensel iliģki bulunan sınıflarda, üst sınıfta tanımlanan tüm özellikler alt sınıfa doğrudan aktarılmaktadır. Tedarikçi ĠliĢkileri Yönetimi Ontolojisinde Material sınıfında tanımlanan hascharacteristic, hasmaterialgroup, MaterialId, MaterialDescription gibi özellikler, kalıtım yoluyla doğrudan RawMaterial, SemiFinished, Finished, Product sınıflarına aktarılmıģtır. Kavram listesinde doğrudan yer almayan nesne özellikleri, sınıflar arasındaki iliģkiler göz önüne alınarak tanımlanmaktadır. Örneğin, PurchaseOrder ve PurchaseOrderItem sınıfları arasında bir aitlik iliģkisi bulunmalıdır, bu iliģki haspurchaseorderitem adlı nesne özelliğiyle ontoloji içerisinde gösterilmektedir. Şekil Kavram Listesinde Yer Almayan haspurchaseorderitem Adlı Nesne Özelliği

71 60 6. Sınıf özelliklerinin alabileceği değerler, özellik değerleri olarak ontolojide tanımlanır. Bir özelliğin alabileceği değer kümesine iliģkin sayısal kısıtlar (cardinality), veri tipi kısıtlamaları, özelliğin alabileceği değer kısıtlamaları ontolojiye tanıtılır. Örneğin MaterialId özelliğinin alabileceği değerlerin veri tipi string olmalıdır. Veri tipi kısıtlamasının özelleģmiģ bir biçimi nesne özellikleri için kullanılmaktadır. Nesne özellikleri iki ontoloji sınıfı arasındaki iliģkiyi belirttiği için, özelliğin bağladığı sınıflar, nesne özelliklerinin domain ve range i olarak tanımlanmaktadır. Bir nesne özelliği olan hasmaterialgroup özelliği Material sınıfının bir özelliğidir ve sadece MaterialGroup sınıfı tipinde değer içerebilir, bu alana farklı bir sınıf bireyinin bağlanması hatalı olacaktır. Şekil hasmaterialgroup Adlı Nesne Özelliğinin Domain ve Range Bilgileri GeliĢtirilen ontolojide 27 adet sınıf, 33 adet nesne özelliği, 33 adet veri tipi özelliği tanımlanmıģtır. Protégé ontoloji arayüzü ile ontolojideki sınıfların görünümü ġekil te gösterilmektedir. Şekil Tedarikçi ĠliĢkileri Yönetimi Ontolojisi nde Yer Alan Sınıflar

72 61 Tedarikçi ĠliĢkileri Yönetimi Ontolojisinde yer alan nesne özelliklerine iliģkin ekran görüntüsü ġekil te gösterilmektedir. Ekranın Description bölümünde nesne özelliğinin tanımı, domain-range bilgileri ve nesne özelliğinin sıradüzensel iliģkileri gösterilmektedir. Nesne özelliğinin ontolojideki kullanımına iliģkin bilgiler, ekranın ObjectPropertyUsage bölümünde yer almaktadır. Şekil Tedarikçi ĠliĢkileri Yönetimi Ontolojisi nde Yer Alan Nesne Özellikleri ġekil da ontolojideki veri tipi özellikleri yer almaktadır. Şekil Tedarikçi ĠliĢkileri Yönetimi Ontolojisi nde Yer Alan Veri Tipi Özellikleri

73 62 Ontolojide yer alan sınıflar arasındaki sıradüzensel iliģkilerin, Protégé in grafiksel gösterim sağlayan eklentisi (OwlViz) ile gösterimi ġekil de gösterilmektedir. Şekil Tedarikçi ĠliĢkileri Yönetimi Ontolojisi nde Yer Alan Sınıfların Sıradüzeni

74 63 SONUÇ Üretici ve tedarikçi firmalar arasında farklı terminolojilerin kullanılması ve aynı kavramların farklı Ģekillerde ifade edilmesi firmalar arasındaki iletiģimi güçleģtirmektedir. Bu çalıģmada, tedarikçi iliģkileri yönetimi sürecinde yer alan kavramlar ve iliģkilerini içeren bir ontoloji geliģtirilmektedir. Ontoloji, hem insanlar hem de makineler tarafından yorumlanabilen bilgiler içermektedir. Belirli bir etki alanına dair, geniģletilebilir ve yeniden kullanılabilir bilgi sunmanın yanında, kurallar aracılığıyla ontoloji içinde yer alan saklı bilgilerin ortaya çıkarılması sağlanmaktadır. Ontolojinin bu özellikleri sayesinde, geliģtirilen Tedarikçi ĠliĢkileri Yönetimi Ontolojisi firmalar arasında ortak bir sözlük görevi görerek firmalar arasındaki iletiģim sıkıntılarına çözüm sunmayı hedeflemektedir. Ġleride, firmalar arası iletiģimi kolaylaģtırmayı hedefleyen, firmalar arası iģlemleri bütünleģtirmeye yönelik geliģtirilen uygulamalarda, Tedarikçi ĠliĢkileri Yönetimi Ontolojisi referans olarak kullanılabilecektir. Ontoloji üzerinde çıkarsama kurallarının çalıģtırılmasıyla, ontoloji içinde yer alan saklı bilgiler ortaya çıkartılarak ontoloji geniģletilecektir. KAYNAKLAR [1] TANYAġ, M., Lojistik ve Tedarik Zinciri Yönetimi, Ġstanbul. [2] HANÇERLĠOĞLU, O., Felsefe Sözlüğü, Remzi Kitabevi, Ġstanbul, 1994, s. 439 [3] GRUBER, T., Ontology, Encyclopedia of Database Systems, Ling Liu and M. Tamer Özsu (Eds.), Springer-Verlag, 2009 [4] HORRIDGE, M., A Practical Guide To Building OWL Ontologies Using Protégé 4 and CO-ODE Tools, 2011 [5] NOY, N. F., McGuinness D. L., Ontology Development 101: A Guide to Creating Your First Ontology, 2000 [6] SMITH, M. K., WELTY, C., MCGUINNESS, D., OWL Web Ontology Guide, W3C Recommendation, 2004, URL: [7] [8] MCGUINNESS, D., VAN HARMELEN, F. (Eds.), OWL Web Ontology Language Overview, W3C Recommendation, 2004, URL: [9] SZWEJCZEWSKI, M., LEMKE, F., GOFFIN, K., Manufacturer Supplier Relationships An Empirical Study of German Manufacturing Companies, International Journal of Operations & Production Management, 25, , [10] DACONTA, M. C., OBRST, L. J., SMITH, K. T., The Semantic Web A Guide to the Future of XML, Web Services, and Knowledge Management, Wiley, 2003 [11] ÖZTÜRK, Ö., ÖZACAR, T., ÜNALIR, M. O., Ontoloji Tabanlı Türk ġarap Portalı Tasarımı ÖZGEÇMİŞ Esra ARIÖZ 1985 yılı Ankara doğumludur yılında Ege Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü nü bitirmiģtir. Aynı üniversitede yüksek öğrenimine devam etmektedir yılının ilk 7 aylık döneminde yarı zamanlı olarak çalıģtığı CMA DanıĢmanlık ve BiliĢim Teknolojileri firmasında, 2008 yılının Ağustos ayından beri tam zamanlı olarak çalıģmaktadır. Nail DİKER 1981 yılı Ġzmir, KarĢıyaka doğumludur yılında Ege Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümünü bitirmiģtir. Aynı Üniversiteden 2006 yılında Yüksek Mühendis ünvanını

75 64 almıģtır yılları arasında yarı zamanlı olarak Glaza Ġthalat ve Maersk Denizcilik'de bilgisayar teknolojileri üzerine çalıģmıģ, 2003 yıllından itibaren tam zamanlı olarak sırası ile Maersk Denizcilik, Netsis Yazılım, VeriPark Yazılım'da ağırlıklı olarak Microsoft teknolojileri ile yazılım geliģtirmiģtir yılından bu yana CMA DanıĢmanlık ve BiliĢim Teknolojileri bünyesinde çalıģmaktadır. Ebru KILINÇ 1975 yılı Tunceli, Çemizgezek doğumludur yılında Ege Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü'nü bitirmiģtir. Aynı üniversiteden 2003 yılında Yüksek Mühendis ünvanını almıģtır yılında yarı zamanlı olarak baģladığı YaĢar Holding DYO Boya Fabrikası'ndaki sistem analistliği görevine, aynı yılın ikinci yarısından 1999 yılına kadar tam zamanlı olarak devam etmiģtir yılından 2006 yılına kadar sırasıyla Vestel DanıĢmanlık ve T-Systems'da SAP Yazılım DanıĢmanı olarak çalıģmıģtır yılından beri CMA DanıĢmanlık ve BiliĢim Teknolojileri'nde kurucu ortak olarak çalıģmaktadır. Murat Osman ÜNALIR 1971 Nazilli doğumludur yılında Ege Üniversitesi Bilgisayar Bilimleri Mühendisliği'ni bitirmiģtir. Aynı bölümde 1995 yılında Yüksek Mühendis, 2001 yılında Doktor ünvanını almıģtır yılları arasında aynı üniversitede AraĢtırma Görevlisi olarak görev yapmıģtır yılından beri Ege Üniversitesi Bilgisayar Mühendisliği Bölümü'nde Yrd. Doç. Dr. olarak görev yapmaktadır. Anlamsal Web, Ontoloji Mühendisliği, Ontoloji Tabanlı Bilgi BütünleĢtirme, KiĢiselleĢtirme konularında çalıģmaktadır.

76 KISIT TABANLI ÇOK ETMENLİ BİR TEDARİK ZİNCİRİ YÖNETİMİ UYGULAMASI ERHUN GİRAY TUNCAY MİLLİ PRODÜKTİVİTE MERKEZİ TATYANA YAKHNO İZMIR ÜNIVERSITESI MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

77

78 67 KISIT TABANLI ÇOK ETMENLİ BİR TEDARİK ZİNCİRİ YÖNETİMİ UYGULAMASI Erhun Giray TUNCAY Tatyana YAKHNO ÖZET Günümüzde piyasada bulunan mevcut Tedarik Zinciri Yönetimi yazılımları bağımsız iş birimleri arasındaki ilişkilerin esnek bir biçimde tanımlanmasına ve farklı iş birimlerinin kısıtlarının ve önceliklerinin optimize edilmesine olanak vermemektedir. Bu yazılımlar tasarım süreçlerinde organizasyonlardaki çeşitli aktörlerin davranışlarının modellenmesiyle esnek ve akıllı işlevler kazanabilirler. Bu çalışmada, bir organizasyon ile ilgili tedarikçi, müşteri, taşeron ve ortak gibi aktörler arasındaki bilgi akışını sağlayan etmen tabanlı kurumsal bir yazılımın tasarımından bahsedilmektedir. Söz konusu tasarım, iş birimlerine özgü farklı kısıtları ve öncelikleri göz önünde bulundurarak çeşitli rollerin gereksinimlerine göre esnek bir biçimde özelleştirmeler yapma yeteneğine sahiptir. Bu kapsamda akıllı etmenler temsil ettikleri organizasyon birimlerinin ya da aktörlerin kısıtlarını ve önceliklerini göz önünde bulundurarak diğer birimlerin ilgili temsilci etmenleriyle işbirliği, rekabet ve müzakere gibi davranışlar çerçevesinde iletişim kurabilmektedir. Böylece sistemin aktörleri arasındaki ilişkiler gerçekçi bir şekilde tanımlanabilmektedir ve optimum faydayı sağlayacak tedarikçiler seçilebilmektedir. Çalışmanın uygulaması rol tabanlı birçoklu etmen çerçevesi ve çeşitli kısıt sağlama yöntemlerinin kullanıldığı bir yapı üzerinde tasarlanmıştır. Anahtar kelimeler: Çok Etmenli Sistemler, Tedarik Zinciri Yönetimi ABSTRACT Nowadays Supply Chain Management software available in the market doesn t enable to define relations in a flexible way between independent business units and to optimize constraints and priorities of different business units. These software may attain a flexible and intelligent functionality by modeling behaviors of various actors in organizations during their design processes. In this study, the design of an enterprise software that ensures information flow between organizational units and actors such as subcontractors, suppliers, customers or partners is mentioned. The subject design has the capability of carrying out flexible customizations for the requirements of certain roles by considering the specific constraints and priorities of business units. In this scope, intelligent agents may communicate with relevant agents representing other units in a context of behaviors such as cooperation, competition and negotiation by considering the constraints and priorities of the organizational units or actors that they represent. Consequently the relations between the actors of the system can be defined in a realistic way so that suppliers that will satisfy the optimum benefit can be chosen. The implementation of the study is designed on a structure that employs a role based multi agent framework and various constraint satisfaction methods. Keywords: Multi Agent Systems, Supply Chain Management

79 68 1. GİRİŞ Tedarik süreçleri kuruluşların iç süreçlerini doğrudan etkiledikleri için bu süreçlerde kuruluşlar farklı kuruluşlardan aldıkları ürün ya da hizmetin verimliliğini artırmayı hedeflemektedirler. Başka kuruluşlarla etkileşim halinde gerçekleşmesinden dolayı sürekli bir değişkenlik içinde olan tedarik süreçlerinde alınan kararların tutarlılık ve bütünlük içinde olması verimliliği artıracak en önemli etkenlerden biridir. Bunu gerçekleştirebilmek için uygulanabilecek en sistematik yöntem, tedarik süreçlerinde kullanılacak karar alma ölçütlerinin oluşturulması ve bu ölçütlerin her durumda kullanılabilecek standartlara ve modellere dönüştürülmesine dayanır. Bir kuruluşun tedarikçi ya da müşteri kuruluşlarla etkileşim içindeyken uyguladığı politikaların farklı durumlara uyum sağlayabilecek genellikte olması, pek çok kuruluşla etkileşime uygun olması ve ileriye yönelik ya da tepkisel kararları otonom biçimde alabilmesi uygulayacağı tedarik modeline önemli avantajlar sağlayabilir. Bu avantajlar kuruluşlar arası bilgi sistemlerinde çoklu etmen altyapısı ile gerçekleştirilebilecek özelliklerdir. Bir kuruluşun tedarik süreçlerini sağlıklı biçimde ele alabilmesi için bir diğer önemli etken de tedarikçilerinin kendi tedarikçileriyle etkileşiminin de verimli biçimde gerçekleşmesidir. Zincir halindeki bu etkileşimin verimli biçimde gerçekleşebilmesi için kuruluşlar tedarikçileriyle karşılıklı kısıtlarını göz önünde bulundurarak müzakere edebilmelidir. Böylelikle kuruluşlar kendileri için optimum verimi sağlayacak tedarikçileri seçerek gerektiğinde bu tedarikçilerle sağlıklı stratejik ortaklıklar kurabilir. Bu çalışmada tedarik zincirlerinde seçim ölçütleri, tedarik zincirlerinde çoklu etmen sistemlerinin kullanımı ve yukarıda belirtilen gereksinimleri karşılamak üzere kullanılabilecek bir rol tabanlı çoklu etmen altyapısından bahsedilmektedir. 2. TEDARİKÇİ SEÇİM SÜRECİ VE TEDARİKÇİ SEÇİM ÖLÇÜTLERİ Tedarik Zincirleri müşterilere gerekli hizmet ya da ürünlerin doğru biçimde ulaştırılması için tedarikçiler, üreticiler, toptancılar, dağıtımcılar, perakendeciler ve tüketiciler arasındaki hareketini sağlayan ilişkiler ve bağlantıları içerir. Tedarik Zinciri Yönetimi bütünleşik olarak müşteriye, doğru ürünün, doğru zamanda, doğru yerde, doğru fiyata tüm tedarik zinciri için mümkün olan en düşük maliyetle ulaşmasını sağlayan malzeme, bilgi ve para akışının yönetimidir. Tedarik zinciri yönetiminin amacı olarak işletme içinde ve işletmeler arasında temel iş süreçlerinin bütünleştirilmesini sağlayarak daha yüksek performanslı iş modelleri yaratmaktır. Böylece tüm lojistik ve üretim faaliyetleri izlenerek pazarlama, satış, ürün geliştirme, finans ve bilgi teknolojilerini kapsayacak şekilde koordinasyon sağlanabilir. Bu tanım kuruluşlar için Tedarik Zinciri Yönetiminin yetki ve sorumluluk alanını artırmaktadır ve yöneticiler için üretimi etkileyecek her konuyu planlama, gerçekleştirme ve kontrol etme gerekliliğini ortaya çıkarmıştır. [15] Tedarik Zinciri Yönetiminde performans ölçütlerinin belirlenmesi optimum tedarikçilerin belirlenen performans ölçütlerine göre seçilmesini sağlayacaktır. Tedarikçi seçim sürecini belgelendirmek ve kuruluşun gereksinimlerinin tanımlanmasını ve değerlendirilmesini sağlamak için yapılandırılmış bir yaklaşım gereklidir. Bu süreçte tedarikçi seçim ölçütleri müşteri beklentilerine göre belirlenmelidir ve kuruluşun genel politikası, satın alma politikası ve müşteri kitlesine göz önünde bulunan bir yaklaşım uygulanmalıdır. Daha sonra her ölçütün göreceli önemi belirlenmelidir ve burada özellikle reddetme ölçütlerine dikkat edilmelidir. Bunun arkasından bu ölçütler için bir ölçüm sistemi oluşturulmalıdır ve ölçütler önem derecelerine göre ağırlık katsayıları verilerek aday tedarikçilere yönelik puanlama ve sıralama yapılabilecek biçime sokulmalıdır. Oluşturulan bu sistem belgelendirilerek farklı insanlar tarafından homojen sonuçlar verecek şekilde kullanılabilmesi sağlanmalıdır. Böylece tüm tedarikçiler aynı kurallara göre değerlendirilmiş olacaklardır. Son olarak da aday tedarikçiler bulunmalı ve bu ölçüm sistemi profiline göre değerlendirilmelidir. Ayrıca tedarikçi değerlendirme sonuçlarının okunabilir ve anlaşılabilir bir biçimde olmasına dikkat edilmelidir. Tedarik Zinciri Yönetimi ile, tedarik zinciri üyelerinin tek bir şirket gibi davranarak kaynaklarının ortak kullanımı sayesinde bir sinerji oluşturmak hedeflenmektedir. Bu bağlamda Tedarik Zinciri Yönetimi nin

80 69 en zor yanlarından birisi tedarik zinciri ilişkilerini sağlıklı olarak oluşturmaktır Bir tedarik zinciri üyesi ile olan ilişki, tedarik zincirinin tüm diğer üyeleri için olumsuz etkilere sahip olabilmektedir. Bu nedenle tedarikçinin seçimi gerçekleştirilirken uygun tasarlanmış bir bilgi sistemine dayalı seçim ölçütlerinin listesi oluşturulmalıdır [2] Tedarik Zincirlerinin Performans ölçümünde kullanılacak ölçütler için geliştirilen farklı sınıflandırmalar bulunmaktadır. Aşağıdaki tabloda bu ölçütlere yönelik kapsamlı sınıflamalardan bir tanesi gösterilmektedir [2]. Bu ölçütler çeşitli tedarikçi performans değerlendirmelerinde ağırlık katsayıları verilerek kullanılabilmektedir ve çeşitli ölçütler müşterinin öncelikli sipariş kısıtları karşılanmadığı durumlarda değerlendirilen tedarikçinin doğrudan elenmesini sağlamaktadır. Tablo 1. Tedarikçi Seçim Ölçütleri Amaç En İyi Servis En İyi üretim En iyi ürün En iyi yönetim En iyi maliyet Tedarikçi Seçim Ölçütleri Nakliye yetenekleri Nakliye bilgileri Stok bilgileri Teslim hızı Teslim performansı Güvenilirlik Gecikme zamanı Stok dışı kalma sıklığı Çevrim süresi Esneklik Egitim kaynakları Kalite kontrol Görsel nitelik İşlev Dayanıklılık Ürün çıkıs dogruluğu Kusursuz siparisler Ürün uygunlugu Paketleme olanakları Finansal uygunluk Sabit sermaye Nakit akış bilgileri Fiyat Satış bilgileri Satış pazar tahmini Müşteriye karşı tutum Uyumsuzluk sayısı Bilgi teknolojileri kaynakları Ürün ve üretim bilgi destekleri Bilgi paylaşımı Müşteri bilgileri İşletme ünü İşletme geçmişi Maliyet bilgileri Maliyet hesaplama prosedürü Garantiler Sabit sermaye

81 70 3. TEDARİK ZİNCİRİ YÖNETİMİNDE ÇOK ETMENLİ SİSTEMLER Tedarik Zincirlerini otomatize etmek için uygulanabilecek yaklaşımlardan biri, kuruluşları e-pazaryeri gibi uygulamalarla ürün ya da hizmetler için müzakere edebilecekleri bir ortamda toplamaktır. Ancak bu merkeziyetçi yaklaşım tedarikçi ve temin edici kuruluşların bağımsız olarak uzun vadeli anlaşmalar ve işbirlikleri kurmasına engel olmaktadır. [5][6] Buna karşılık olarak Çok etmenli sistemlerin sunduğu uyum sağlama, otonom karar verebilme ve dağıtık bir yapıda belirli sosyal davranışların benzetimini yapma gibi özellikler Tedarik Zinciri Yönetimi uygulamaları için uygun bir altyapı sağlamaktadır. Otonom kontrol lojistik sistemlerinin artan karmaşıklığının ve dinamikliğinin üstesinden gelmek için bir seçenek olarak görülmektedir. Otonom kontrol kavramı hiyerarşik yapılarda merkezi olmayan karar alma süreçleri olarak tanımlanabilir. Bu kavram belirlenebilir olmayan sistemlerde bağımsız karar alabilen etkileşim halindeki birimler olduğu varsayımına dayanır. Otonom kontrolün amacı bütün sistemin sağlamlığını artırmak ve esnek ve dağıtık bir biçimde dinamiklik ve karmaşıklıkla başa çıkmasını sağlamaktır. [14] Tedarik zincirleri arz ve talep, ortaklar arasındaki karmaşık ve dinamik ilişkiler ve değişikliklere daha kısa zamanda verilmesi gereken cevaplar nedeniyle artan iş dinamikleri ile yüz yüze gelirler. Sonuç olarak bugünün global ve rekabetçi pazarında Tedarik Zinciri Yönetiminin odağı üretim etkenliğinden müşteri yönelimli ve ortak eşgüdümlü yaklaşımlara kaymaktadır. [16] Bu durum, tedarik zincirlerinde dağıtık bir altyapı ile farklı birimlerin rollerinin benzetiminin yapılması gerekliliğini ortaya koymaktadır. Global üretim ve lojistik kavramlarının arkasındaki itici güç, üreticilerin stok için üretimden sipariş için üretime ya da sipariş için düzenlemeye kaymalarıdır. Taleplerdeki belirsizlik ve geniş stoklarla baş edebilmek için üreticiler tedarik zinciri ağlarını müşteri siparişlerini fason tedarikle karşılayacak şekilde dinamik olarak düzenlemelidirler. Tedarik zinciri birimlerinin düzenlemesi Malzeme İhtiyaç Planlaması ile başlar. Nihai bir ürün için planlanacak malzeme gereksinimleri Ürün Ağacı üzerinde ilerlenerek belirlenir. [7] Optimum tedarikçi seçimini sağlamak için Malzeme İhtiyaç Planlaması sonucu ortaya çıkan gereksinimlerin tedarikçi seçim ölçütlerine göre çeşitli farklı tedarikçilerden müzakereye dayalı bir biçimde temin edilebilmesi gerekmektedir. Çoklu etmen sistemlerinde müzakere yöntemleri uyuşmazlıkları çözmek, etmenler arasında işbirliği ve anlaşma sağlamak için kullanılır [13]. Her etmen kendi görevlerinin kısıtlarını gerçekleştirmeye çalıştığı için bazı çözümlerin müzakere ile bulunması kaçınılmazdır ve her etmen kısıtlarının tam anlamıyla karşılanamadığı durumlarda kısıtlarını azaltma, kısıtların yerine koyma ve önceliklerini koruma politikalarına sahip olmalıdır. Ayrıca Tedarik Zincirlerinde belirli iş birimlerini temsil eden etmenler farklı iş birimleri ile etkileşime girildiğinde farklı rollere bürünmek durumunda olabilmektedirler. Örneğin bir durumda tedarikçi rolünü üstlenen bir etmen başka bir durumda müşteri rolünü üstlenebilmektedir. Bunun sonucu olarak bir temsilci etmen belirli durumlarda tedarikçilerinin yeterliliğini kontrol etmekte, belirli durumlarda ise müşterilerinin beklentilerine uymaya çalışmaktadır. Böyle durumlarda etmen yeteneklerinin çok davranışlı olarak modellenmesi ile etmenler oyun teorisi, tartışma, açık artırma, sezgi vb. davranışlara dayalı müzakere yöntemleri ve karar destek mekanizmaları oluşturulabilmektedir [4]. Üretici kuruluşlar ve lojistik hizmeti sağlayan kuruluşlar, farklı otomasyon seviyelerinde pazarlık ve müzakere etmeyi destekleyen yazılımlar kullanarak aralarındaki işbirliğini organize etmeyi ve bu işbirliğinin etkenliğini optimum seviyeye çıkarmaya çalışmaktadırlar. E-Pazaryeri uygulamaları bu tarz yazılımlar için örnek oluşturmaktadır. Merkezi olarak organize olan yazılım çözümlerinin aksine, etmen yaklaşımını kullanan sistemler sanal örgütlerin dağıtık ve özerk doğasını uygun biçimde yapılandırarak böyle ortamların doğal bir biçimde tasarlanması ve uygulanmasını sağlarlar. Örneğin bir sistemin gerçekleştirimini optimize etmek için karmaşık bir akıl yürütme ve müzakere mekanizması uygulanması gerektiğinde, etmen yetenekleri merkezi optimizasyon tekniklerine dayalı çözümler ve geleneksel kurumlar arası iş süreci altyapılarına göre avantajlı olabilir. Bir çizelgeleme probleminin optimum çözümünü bulmak basit olmayan bir iştir. Örneğin birden çok makinede ürün siparişlerinin çizelgelenmesi Deterministik olmayan polinomlarla (NP) zor olan bir problemdir. Böyle problemlerin en iyi çözümünü doğrudan bir yöntemle bulmak olası değildir. Bu yüzden en iyi çözümü seçebilmek için bütün olası çözümlerin hesaplanması gerekir. Ancak bu problem setiyle makine sayısı ve ürün siparişi gibi girdi değişkenlerinin değerleri artırıldığında sonuç sayısı aşırı biçimde artmaktadır. [8]

82 71 İş sistemlerinin bütünleştirilmesi, iş akışının yapılandırılması, görevlerin ve kaynakların aktörlere dağıtılması, kaynaklar, aktörler ve görevler arası bağımlılıkların yönetilmesi ve çoklu iş sistemleri arası iletişimin sağlanmasını içerir. [9] Çoklu etmen sistemleri bu iletişim altyapısını dağıtık olarak sağlayabilecek özelliklere sahiptir. Ayrıca yukarıda bahsedilen diğer davranışları ile çeşitli yapay zeka yaklaşımlarının ve karar destek sistemlerinin dağıtık olarak uygulanmasına olanak verdikleri için Tedarik Zinciri Yönetimi ve bu kapsamda optimum tedarikçi seçimlerini yapabilmeleri için uygun bir bilgi sistemi altyapısı olarak kullanılabilecekleri çıkarılabilir. Ancak burada dikkat edilmesi gereken bir unsur da tedarikçi seçimine yönelik kuruluşlar arası bir bilgi sisteminin bir kuruluşun iç bilgi sistemi ile bütünleştirilmesi ve bu sistemler arasında bilgi alış verişinin sağlanmasıdır. 4. UYGULAMA a) Platform Bu çalışmada Ege Üniversitesi Bilgisayar Mühendisliği Bölümü nde geliştirilmekte olan Rol Tabanlı Çoklu Etmen geliştirme platformu SEAGENT kullanılmıştır. SEAGENT platformu Eclipse Bütünleşik Geliştirme Ortamına bir eklenti olarak kurulup çalıştırılmaktadır. Karmaşık amaçların gerçekleştirilmesine yönelik bir tasarım yapılabilen bu platformda karmaşık amaçlar gerçekleştirilebilir sıradan amaçlardan oluşmaktadır. Sıradan amaçlar ise kendi içlerinde eylem ve davranışlardan oluşan yapılarla modellenebilmektedir. SEAGENT projesi yeni sürümlerinde platformunu anlamsal bir çerçeve desteği ile amaç odaklı ve dağıtık bir yaklaşıma doğru geliştirmektedir. Bu platformda oluşturulan etmen organizasyonlarında etmenler platform tarafından komutla çalıştırılabildiği gibi java kodunun içinde platformda etmenleri temsil eden Seagent sınıfı ile aşağıdaki şekilde çalıştırılabilmektedir [17]. Seagent agent1 = new Seagent(new AgentIdentifier("giray@ege.edu.tr")); Daha sonra yine etken hale gelen etmenlere java kodu içinde sıradan görevler aşağıdaki gibi verilebilmektedir. agent1.addgoal("teklifver"); b) Tasarlanan Tedarik Zinciri Senaryosu Bu uygulama müşterinin siparişi üzerine stoksuz çalışan kuruluşlardan oluşan bir Tedarik Zincirinde kullanılacağı varsayılarak tasarlanmıştır. Özyinelemeli bir şekilde gerçekleşen uygulamadaki senaryo basitçe şu şekildedir: Müşteri kısıtlarıyla birlikte siparişini ortama duyurur. Müşteri Nihai Ürün Üreticisi ile müzakere eder ve aralarından birini seçerek anlaşır. Nihai Ürün Üreticisi anlaşmayla birlikte kendi tedarikçileri ile iletişime geçer. Nihai Ürün Üreticisi tedarikçiler ile müzakere eder ve aralarından birini seçerek anlaşır. Bu süreç ham madde üreticilerine kadar devam eder. Aşağıdaki şekilde bir müşterinin tek bir üretici kuruluşla ve üretici kuruluşun sadece ilk tedarik seviyesindeki tek bir tedarikçiyle gerçekleştirdiği anlaşma süreci bir Sıralama Diyagramında gösterilmiştir. Buradaki etkileşimde Müşterinin tetiklediği bir eylem iç içe özyinelemeli bir biçimde hammadde tedarikçisine kadar gitmektedir.

83 72 Şekil 1. Sıralama Diyagramı Uygulama için tasarlanan Tedarik Zinciri Senaryosunda bir kuruluşun sistemdeki rolü girdi olarak neleri aldığı ve çıktı olarak neleri sattığına bağlı olarak belirlenir. Sistem içinde herhangi bir siparişin duyurulmasıyla aşağıdaki süreçler gerçekleşir: Üretici bir kuruluş kendisine gelen çeşitli siparişlere göre sistemde tedarikçi olarak etiketlenen şirketler arasından kendine uygun bir tedarikçi listesi oluşturur. Bu liste oluşturulurken üreticinin ürettiği nihai ürünlerin gerektirdiği kısıtlara göre aday tedarikçiler arasında eleme yapılır. Uygun tedarikçi kuruluşlar etiketlenirken belirli sınıflara ayrılır. Üretici kuruluş gelen herhangi bir siparişin üretimini gerçekleştirmek için öncelikle söz konusu siparişin kısıtlarına uygun olmayan adayları eler Daha sonra müzakere yoluyla sipariş kısıtlarına uygun tedarikçi listesinden siparişin ölçütlerine göre en uygun tedarikçi ve tedarikçileri seçer. Daha sonra seçilen tedarikçilerin kendi tedarikçilerini seçmesiyle zincir özyinelemeli bir biçimde tamamlanır. Bu özyineleme hammadde tedarikçisine kadar devam eder. Bir sipariş miktar bakımından tek bir tedarikçiden tedarik edilemeyebilir. Böyle durumlarda siparişin birden çok tedarikçiden optimum biçimde karşılanması hedeflenir ve özyineleme ile birden çok tedarikçinin kendi tedarikçilerini seçmesine dayalı bir zincir oluşturulur. Aşağıdaki şekilde bir Durum Makinesi Diyagramı ile tedarik süreci açıklanmaya çalışılmıştır. Şekildeki Durum Makinesi içinde büyük elipslerle gösterilen Alt Durum Makineleri tedarik sürecinin alt seviye detaylarını içermektedir. Örneğin tek bir üreticiye yönelik olan Tedarikçileri Seç Alt Durum Makinesi benzer süreçleri içerdiği için bu şekildeki ile benzer bir yapıdadır.

84 73 c) Tedarik Organizasyonu Şekil 2. Tedarik Sürecinin Durum Makinesi Diyagramı SEAGENT platformunda birçoklu etmen sisteminin sosyal yapısı sıradan amaçların gerçekleşmesi ile kendini gerçekleştirebilen karmaşık amaçlara dayalı bir gösterime sahiptir. Bu gösterimde her sıradan amacın modellenmesi için eylem ve davranışlardan oluşan planlar kullanılmaktadır. Planlar organizasyon içinde, eylem ve davranışlar ise tek bir plana özel olarak bir Eylem-Davranış Diyagramında gösterilmektedir. Aşağıdaki şekilde gösterilen nihai TedarikEt amacı diğer karmaşık amaçların birbirlerine + ile gösterilen VE mantıksal kapısıyla elde edilmiştir. Diğer karmaşık amaçlar ise kendileri için ön koşul olan karmaşık ya da sıradan amaçların VE mantıksal kapısıyla birleştirilmesinden oluşmuştur. Ayrıca bütün organizasyon için Müşteri rolünün başlatıcı, Tedarikçi rolünün ise katılımcı olduğu bir sorgu protokolü kullanılmıştır.

85 74 d) Kısıtların Sağlanması Şekil 3. SEAGENT Platformunda Tedarik Organizasyonu Bu uygulamada Kısıt Programlama yöntemleri, herhangi bir tedarik probleminde diğer bir deyişle bir siparişin nasıl tedarik edilebileceği belirlenmeye çalışılırken çeşitli seçimli durumlar arasında ilgili kısıtları sağlamayanların elenmesi biçiminde kullanılır. Çeşitli tedarik senaryoları arasında uygun olanların aranması sırasında baştan elenenlerin aramalardan çıkarılması ve diğer bazı sezgisel arama yöntemlerinin kullanılması uygun tedarik senaryolarının belirlenmesini hızlandırmaktadır. Bir tedarik zinciri senaryosunda Kısıt Programlama yöntemlerinden birikimli, tek işleme yönelik ya da karma olarak farklı şekillerde yararlanılır. Örneğin bir siparişe yönelik bütün alt tedarikler için ayrı ayrı tek işlemlik kısıtlar konulması ya da bir performans alt sınır değeri kısıt olarak verilmesi tek işlemlik bir yaklaşımken, sipariş için gerçekleştirilecek bütün tedariklerin performanslarının kendilerine özgü ağırlıklarına göre puanlanması ve toplanması birikimli bir yaklaşımdır. Hem bir toplam performans puanının hem de her işlem için kendine has kısıtların belirlenmesi ise kısıtların sağlanmasında kullanılan karma bir yaklaşımdır. Karma yaklaşımlar bir sipariş ile ilgili kısıtların optimum biçimde sağlanmasına yardımcı olurlar. SEAGENT Platformu java programlama dili ile yazıldığı için uygulamada kısıtların çözülmesi için JaCop ve Cream gibi Kısıt Programlamaya yönelik java kütüphaneleri kullanılacaktır. Bu kütüphaneleri kullanan etmenler; teklif, pazarlık ve seçim aşamalarında kısıtları sağlamayan ya da sağlayamayacak olan karşı taraf etmenleriyle iletişimi sonlandırarak ya da askıya alarak diğer olası karşı taraf etmenlerine yönelmektedirler. e) Çok Şekillilik Java programlama dili ile geliştirilen Tedarik Zinciri uygulamasında Kuruluşlar Kurulus sınıfı ile belirtilirler ve bu sınıf Seagent sınıfından türetilerek hem müşteri hem de tedarikçi rollerini gerçekleştirebilecek şekilde tasarlanmıştır.

86 75 f) Müzakere Sistemde müzakereler müşteri siparişlerindeki değişmez kısıtlar dışarıda bırakılarak gerçekleştirilmektedir. Eğer tedarikçiler tarafından değişmez kısıt olmayan müşteri beklentileri tam anlamıyla karşılanamıyorsa bu durumda bu beklentilerin bir tedarik performans ölçütü olarak ağırlık katsayılarına ya da kritiklik derecelerine göre müşteri ile tedarikçi arasında müzakere edilir. Temsilci etmenlerin temsil ettikleri tarafın pazarlık politikasına göre gerçekleştirdikleri müzakereler, tarafların birbirlerine karşılık olarak sunduğu tekliflerdeki farkların ihmal edilebilir bir noktaya gelmesiyle sonlandırılır. Eğer ihmal edilebilir bir pazarlık seviyesi belirlenmezse müzakere karşılık olarak önerilen teklifler arasındaki fark sıfırlanana kadar sürecektir ve bu farkın hiçbir zaman sıfırlanmaması riski vardır. Aşağıdaki şekilde bu müzakere süreci sonu olmayan bir biçimde bir Durum Makinesi Diyagramına gösterilmiştir: g) Eylem ve Davranışlar Şekil 4. Müzakere için Durum Makinesi Diyagramı SEAGENT platformunda davranışlar birbirlerine alt görev, kalıtlama, görev, hüküm gibi bağlantılarla bağlı eylemlerden oluşur. Örneğin aşağıdaki şekildeki tasarım araçlarını kullanarak karmaşık bir pazarlık etme planı ortaya çıkarmak mümkündür. Aşağıdaki şekilde bu davranış sadece sorgu iletişiminin gerçekleşmesi ve başarısız olması durumlarına göre modellenmiştir.

87 76 Şekil 5. SEAGENT Geliştirme Ortamında Eylem ve Davranışlar SONUÇ Bu çalışmada rol tabanlı ve karmaşık amaçları gerçekleştirmeye yönelik bir çoklu etmen platformunu kullanarak tedarik zincirlerinde müşterilerin kısıtlarına uygun biçimde optimum tedarikçilerin seçimi için kullanılabilecek bir uygulamanın tasarımından bahsedilmektedir. Böyle bir uygulama, tüm ilgili kuruluşların iletişim içinde olduğu ve bu iletişim ortamında gizli bilgilerinin korunduğu bir ağ altyapısının kurulması ve tedarik zinciri uygulamalarının kuruluşların iç bilgi sistemi ya da Kurumsal Kaynak Planlaması sistemleri ile bütünleşik olarak kullanılabilmesi sağlandığında başarıya ulaşacaktır. Ayrıca SEAGENT projesinin yeni sürümlerinde tam anlamıyla anlamsal bir çerçeve ile amaç odaklı ve dağıtık bir yaklaşıma sahip olacak biçimde ilerlemesi, bu çalışma kapsamındaki uygulamanın modellenmesini de kolaylaştıracaktır. KAYNAKÇA [1] Al-zu bi, H., Applying Electronic Supply Chain Management Using Multi-Agent System: A Managerial Perspective, International Arab Journal of e-technology, Sayı 1, No. 3, , 2010 [2] Aydın, A., O, Çörekçioğlu, M., Tedarik Zincirinde Kalite Odaklı Bilgi Yönetimi Yaklaşımı, Niğde Üniversitesi Mühendislik Bilimleri Dergisi, Cilt 5, Sayı 2, 1-12, 2001 [3] Barutçu, S., Internet tabanli tedarik zinciri yönetimi (Denizli Tekstil İşletmelerinin İnternet Tabanlı Tedarik Zinciri Yönetiminden Yararlanma Durumuna Yönelik bir Araştırma), Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, Sayı 18, 2007 [4] Forget, P., Monteiro, T., D amours, S., Frayret, J., M., Collaborative Agent Based Negotiation in Supply Chain Planning using Multi Behaviour Agents, CIRRELT, Sayı 54, 2008 [5] Huhns, M., N., Stephens, L., M., Automating Supply Chains, IEEE Internet Computing, Temmuz-

88 77 Ağustos Sayısı, 2001 [6] Huhns, M., N., Stephens, L., M., Ivezic, N., Automating Supply Chain Management, AAMAS 02, 2002 [7] Jiao, J., R., You, X., Kumar, A., An agent-based framework for collaborative negotiation in the global manufacturing supply chain network, Robotics and Computer-Integrated Manufacturing, Sayı 22, , 2006 [8] Karageorgos, A., Mehandjiev, N., Weichhart, G., Haemmerle, A., Agent-based optimisation of logistics and production planning, Engineering Applications of Artificial Intelligence, Sayı 16, , 2003 [9] Kishore, R., Zhang, H., Ramesh, R., Enterprise integration using the agent paradigm: foundations of multi-agent-based integrative business information systems, Decision Support Systems, Sayı 42, 48 78, 2006 [10] Min, J., U., Bjornsson, H., C., Agent-Based Supply Chain Management Automation, The 2nd Worldwide European Council of Civil Engineering Symposium, , 2001 [11] Öz, E., Baykoç, Ö., F., Tedarikçi Seçimi Problemine Karar Teorisi Destekli Uzman Sistem Yaklaşımı, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt 19, No 3, , 2004 [12] Paolucci, M., Revetria, R., Tonelli, F., An Agent-based System for Sales and Operations Planning in Manufacturing Supply Chains, International Journal of Systems Applicatıons, Engineering & Development, Cilt 4, Sayı 1, , 2007 [13] Saberi, S., Makatsoris, C., Multi Agent System For Negotiation In Supply Chain Management, The 6th International Conference on Manufacturing Research, , 2008 [14] Scholz-Reiter, B., Sowade, S., Rippel, D., Modeling the Infrastructure of Autonomous Logistic Control Systems, Advances in Communications, Computers, Systems, Circuits and Devices, ISBN: , , 2010 [15] Şen, E., Kobi lerin Uluslararasi Rekabet Güçlerini Artirmada Tedarik Zinciri Yönetiminin Önemi, İGEME İhracatı Geliştirme Etüd Merkezi, 2008 [16] Wang, M., Liu, J., Wang, H., Cheung, W., K., Xie, X., On-demand e-supply chain integration: A multi-agent constraint-based approach, Expert Systems with Applications, Sayı 34, , 2008 [17] Wiki SEAGENT, ÖZGEÇMİŞ Erhun Giray TUNCAY 1979 İzmir doğumludur. İzmir Yüksek Teknoloji Enstitüsü Makine Mühendisliği Bölümü nden 2003 yılında lisans derecesini, Dokuz Eylül Üniversitesi Bilgisayar Mühendisliği Bölümü nden 2007 yılında yüksek lisans derecesini aldı. Halen Ege Üniversitesi Bilgisayar Mühendisliği Bölümü nde doktora öğrenimine devam etmektedir yılından beri Milli Prodüktivite Merkezi nde uzmanlık görevini sürdürmektedir. Yönetim Bilgi Sistemleri, Proje Yönetimi, Veri Madenciliği ve Çok Etmenli Sistemler konularında çalışmaktadır. Tatyana YAKHNO 1953 Rusya doğumludur. Novosibirsk Devlet Üniversitesi Matematik Bölümü nden 1975 yılında lisans derecesini, aynı üniversitenin Bilgisayar Bilimleri Bölümü nden 1975 yılında yüksek lisans derecesini, Rus Bilim Akademisi Bilgisayar Merkezi nden 1987 yılında doktora derecesini aldı yılları arasında Dokuz Eylül Üniversitesi Bilgisayar Mühendisliği Bölümü nde Bölüm Başkan Yardımcılığı görevini yapmıştır. Halen İzmir Üniversitesi Bilgisayar Mühendisliği Bölümü nde Bölüm Başkanlığı görevini sürdürmektedir. Yapay Zeka, Bilgi Tabanlı Sistemler, Kısıt Programlama ve Çok Etmenli Sistemler konularında çalışmaktadır.

89

90 SEZGİSEL YÖNTEMLERE DAYALI ÇOKLU-DİLME BIÇKI MAKİNESİ MİL TASARIMI VE YAZILIMI VURAL AKSAKALLI İSTANBUL ŞEHİR ÜNİVERSİTESİ İBRAHİM ARI İSTANBUL ŞEHİR ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

91

92 81 SEZGĠSEL YÖNTEMLERE DAYALI ÇOKLU-DĠLME BIÇKI MAKĠNESĠ MĠL TASARIMI VE YAZILIMI Vural AKSAKALLI Ġbrahim ARI ÖZET Mobilya üretim endüstrisinde karşılaşılan tipik bir kereste işleme yöntemi, kerestenin değişik genişliklerde boylamasına kesilmesidir. Bu işlemi gerçekleştirmek için üzerinde birden fazla kesme kanalı bulunan bir bıçkı makinesi geliştirilmiştir. Bu bıçkı, dönen bir mil üzerinde belirli aralıklarla yerleştirilmiş bıçaklardan oluşur. Bu yönteme çoklu-dilme kereste kesimi adı verilir. Bu işlemdeki temel problem --ki biz bunu çoklu-dilme makinesi mil tasarım problemi olarak adlandırıyoruz-- müşterinin talep ettiği genişliklerdeki dilimlerden, yine müşterinin istediği miktarda üretilirken ortaya çıkan kenar dilim artıklarını ve talaşı en aza indirecek bıçak yerleşim düzenini bulmaktır. Çoklu-dilme mil tasarım problemi zor bir kombinatoryal eniyileme problemidir. Bu çalışmada, bu problemin sayısal karmaşıklığı incelenecek ve yaklaşık çözümü için yerel iyileştirme esasına dayalı bir sezgisel yöntem sunulacaktır. Daha sonra çoklu-dilme mil tasarım probleminin yaklaşık çözümü için geliştirilmiş, eniyileme motoru olarak bu sezgisel yöntemi kullanan, görsel bir kullanıcı arayüzü olan ve kullanımı kolay bir yazılım tanıtılacaktır. Anahtar Kelimeler: Mil tasarımı, sezgisel yöntem, yerel iyileştirme prosedürü. ABSTRACT A typical lumber processing method within the furniture manufacturing industry is the cutting of lumber along the length into strips of different widths. A saw with multiple cutting channels has been developed to carry out this task. This saw has fixed blades at specific positions on a rotating shaft which rip incoming lumber boards lengthwise into desired finished widths. This method is commonly referred to as the gang-rip method of lumber cutting, and the setting of the blades (i.e., the pattern of cutting channels) along the saw shaft is called an arbor. The fundamental challenge in this process, called the gang-rip saw arbor design problem, is to find the optimal arbor that minimizes edge strips and saw dust while meeting demand for a set of desired finished widths and their corresponding quantities. The gang-rip saw arbor design problem is a difficult combinatorial optimization problem. In this study, we investigate the problem s computational complexity and propose a local improvement based heuristic method. We also present an easy-to-use software with a graphical user interface that uses this heuristic method as the optimization engine. Keywords: Saw arbor design, heuristic method, local improvement procedure. 1. GĠRĠġ Mobilya üretim endüstrisinde tipik bir kereste işleme yöntemi, kerestenin boyunca (gövde eksenine paralel) farklı genişliklerde dilimler halinde kesilmesidir. Sonra da bu dilimler gerekli uzunluklarda kesilerek üretimde kullanılır.

93 82 Bu işlemi gerçekleştirmek için çoklu kesme kanallı ticari bir bıçkı makinesi geliştirilmiştir (bakınız Şekil 1 ve 2). Bu bıçkı makinesi, dönen bir şaftın üzerinde belirli bir konumda sabitlenmiş bıçakları vardır ve gelen kereste tahtalarını istenilen ürün genişliğinde uzunlamasına biçer. Bu yöntem genellikle kerestelerin çoklu-dilme yöntemi ile kesilmesi alarak adlandırılır ve bıçkı şaftının boyunca bıçakların ayarı (yani, kesme kanallarının deseni) mil olarak adlandırılır. ġekil 1. Ticari Bir Çoklu Dilme Makinesi (Kaynak: ġekil 2. Ticari Birçoklu Dilme Makinesinin Genel Bir Çalışma Şeması (Kaynak: Kesim işlemi süresince, kesilmemiş tahtalar gelen öbekten rastgele bir şekilde çekilip bıçkı makinesi beslenir; genişliğe göre bir ön sıralama gerçekleştirilmez. Gelen tahtaların genişliğinin olasılık dağılımı, örnek bir tablodan türetilmiş ampirik frekans dağılımına dayanarak bulunur.

94 83 Bir kesim işi sürecinde üretilen zayiat miktarı, problemde anahtar meseledir. Zayiat, (1) talaş kaybı ve (2) gelen tahtaların talep planındaki hiçbir ürün genişliğine uygun olmamasından dolayı kenarlarının dilimler halinde kesilmesinin (kenar dilimi) sonucudur. Buradaki kesim işinde kullanılan bıçkı makinesi ekstra yeteneklere sahiptir. Bu yetenekler, gelen kereste tahtalarının kullanılabilir genişliklerinin kaydedilmesi ve tahtaların mil üzerindeki birbirine komşu kesme kanalları bloğundan, gelen tahta için en az zayiat üretene doğru (şafta paralel) taşınmasıdır. Zayiatı en aza indirmenin ötesinde, çoklu dilme makinesinin çalışmasıyla ilgili iki mesele vardır. Birinci mesele fazlalık, yani talep planındaki ürün genişliklerinden herhangi birinden fazla üretimdir. Her bir ürün genişliği için üretilen miktarın, karşılık gelen talebi önemli ölçüde aşmaması arzulanır (fakat gerekli değildir). İkinci mesele de bir kesim işini yapmak için kullanılacak mil sayısıdır. Doğal olarak, çok sayıda mil kullanmak daha fazla esnekliğe izin verir ve muhtemelen daha iyi bir verim elde edilmesine yol açar. Fakat mil değiştirmek için 15 dakika bıçkıyı durdurmamız gerekmektedir. Bundan dolayı, belirli bir kesme işinde böyle bir üretim kaybından sakınmak için genellikle en az mil sayısını (muhtemelen bir) kullanmak tercih edilir. Kereste miktarını ifade etmek için çoğunlukla iki ölçüm birimi kullanılır. Bunlardan biri olan lineer foot sadece uzunlukla ilgilidir; on ayak uzunluğundaki bir tahta, genişlik ve kalınlığına bakılmaksızın on lineer foot olarak ölçülür. Diğer taraftan board foot birimi, kerestenin hacminin bir ölçüsü olup 3 boyutu da eş zamanlı olarak içerir. Sunumun kolaylığı için bu makalenin tamamında kullandığımız board foot birimi kalınlığını dikkate almaksızın kerestenin bir lineer foot karesine karşılık gelmektedir. Çünkü kesme işindeki tüm kesim stokunun aynı kalınlıkta olduğu varsayılmıştır. Terminolojideki bu değişiklik bizim sonuçlarımızın geçerliliğini etkilemez. Yukarıda açıklanan durumu da göz önünde bulundurarak Çoklu-Dilme Makinesi Mil Tasarımı ve Planlama Problemi ni şu şekilde tanımlıyoruz: ÇDMT: Verilenler, (1) istenen ürün genişliklerinin (kesilen-genişlikler) bir kümesi ve bunlara karşılık gelen miktarları (talep planı), (2) gelen tahtaların (hammadde) dağılım frekansı, (3) şaft uzunluğu ve (4) bıçak genişliğidir. İstenen ise, millerin (bir veya daha fazla) bir kümesi (yani, bıçak ayarları) ve buna karşılık gelen her bir milden geçecek kerestenin miktarı, öyle ki zayiatın toplam board foot miktarı en aza indirilerek talep karşılansın. Bu tanımda, millerin sayısı belirtilmemiştir ve problem çözücü uygun bulduğu çoklukta mil seçmekte serbesttir. Kesme ve paketleme üzerine olan literatür bağlamında, bu problem bir boyutlu stok kesim problemi (veya [3] de önerilen gösterime göre SK1) olarak kategorize edilebilir. Bunun uygulamalarının geniş bir alanı olmasından dolayı SK1, kesme ve paketleme üzerine olan açık literatürde en fazla referans gösterilen problemlerden biridir. Fakat burada üzerinde çalıştığımız problem, mil tasarımının ilişkilendirilmesiyle diğerlerinden ayrılır. Milin üzerindeki birbirine komşu kesme kanalları bloğunda mevcut olan genişlik için, her bir gelen tahta genişliği en iyi kesme desenine göre kesilir. Böylece, bu problemdeki başlıca en zor kısım, bir veya daha fazla milin bir kümesini ve bunların her birine karşılık gelen koşma sürelerini tasarlamak, böylece her bir gelen tahta toplam zayiatı en aza indirecek şekilde ve talebi karşılama bağlamında verimli bir tarzda kesilmesidir. Bu mil tasarım probleminin kombinasyonel doğasıdır (yani, bıçkı şaftının boylu boyunca kesme kanallarının ve karşılık gelen kesilen-genişlik ağırlıklarının düzenlenmesi) ki bununla diğer SK1 problemlerinden ayrılır. Daha önceki makalelerden [3] de, ÇDMT yi çözmek için bir doğrusal programlama (DP) modelini önerdik ve bu modeli çözmek için sütun üretme kavramını kullandık. Bu yaklaşımı kullanarak, makul bir CPU zamanında iyi sonuçlar (az zayiat ve az fazlalık) elde ettik. Fakat, birçok durumda optimal çözümde kullanılan millerin toplam sayısı diğerlerine nazaran çok fazla (çoğunlukla gerekli ürün genişlik miktarlarının sayısı kadar çok mil). Bu, yukarıda bahsedildiği gibi üretimde önemli bir zaman kaybıdır. Açıkça biz her zaman az zayiatı gerçekleştiren ve nispeten az sayıda mil kullanan (ideal olarak bir mil) çözümü tercih ederiz. Fakat DP modeli bağlamında mil sayısını sınırlamak [3], az çok problematiktir. Bu sayı, DP modelindeki bazların büyüklüğü ile ilişkilidir ve bu sayıyı sınırlamak, nispeten çok fazla sayıda ikili değişkenlerle tanışmamızı gerektirir. Bunun sonucu olan karışık

95 84 tamsayılı doğrusal programlama modelin çözülmesi, önemli ölçüde zordur. Bu makalede biz, millerin sayısının sınırlı olması durumunda bu problemi çözmek için farklı bir yaklaşım öneriyoruz. Daha belirgin olarak, biz Bir Milli Çoklu Dilme Bıçkısı Mil Tasarımı ve Planlama Problemi (ÇDMT/1) tanımladık, ÇDMT yi 1 mil kullanarak çözdük. ÇDMT/1 i çözmek için birkaç prosedür bulduk ve bunların efektifliğini araştırmak için hesaplamasal deneyler gerçekleştirdik. Bölüm 2 de, problemin kalıbını tanımlamak için gerekli olan çeşitli gösterimler ve terminolojiyi tanımladık. Bölüm 3, ÇDMT/1 in karmaşıklığı üzerinedir. Sonraki üç bölüm, bu problem için geliştirdiğimiz üç sezgisel prosedürün açıklamasına tahsis edilmiştir. Son olarak, Bölüm 7 de, bu prosedürlerle yapılan hesaplamasal deneylerin sonuçlarının bir özetini sunduk ve sonuç olarak bazı çıkarımlar yaptık. 2. GÖSTERĠM VE TERMĠNOLOJĠ Bu bölümde, gösterimlerle tanışacağız ve verilen bir mili değerlendirmek için kullandığımız prosedürleri açıklayacağız Problemin Bir Kalıbı Aşağıdaki gösterimler problemimizin kalıbını gelen (kesilmemiş) kerestenin karakteristiği, talep planı ve bıçkı karakteristikleri cinsinden belirtir. M w i r i K b k l k l Talep planındaki farklı ürün genişliklerinin (kesilmiş-genişlikler) sayısı i nci farklı ürün genişliği, i=1,,m w i ürün genişliği için gerekli board feet i (yani, lineer feet kare), i=1,,m Kesilmemiş stoktaki ayrık gelen tahta genişliklerinin sayısı k ıncı ayrık gelen tahta genişliği, k=1,,k Gelen kerestenin rastgele bir örnekleminde b k genişlikli tahtanın lineer feet miktarı, k=1, K Rastgele bir örneklemdeki tüm gelen tahtaların toplam uzunluğu (lineer foot). Bu, dir. p k b Bıçkıya beslenen gelen tahta genişliği (anlık rastgele seçimde) b k nın olasığı, k=1,,k (l k /l ile hesaplanır) Gelen kerestenin bir lineer footundaki kerestenin beklenen board feet miktarı. Bu da, denklemidir L h Şaft uzunluğu Bıçak genişliği 2.2. Mil Gösterimi ve Karakteristikleri Mümkün olan tüm millerin kümesini Ω göstersin. Bu kümedeki j milini göstermek için aşağıdaki notasyonu kullanacağız: n j R i j mili üzerindeki kesme kanallarının sayısı n j büyüklüğünün vektörüdür. Başarılı girdiler, j mili üzerindeki başarılı kesme kanallarının genişliklerini gösterir

96 85 R ij j milinin üzerindeki soldan i nci kesme kanalının genişliği, i=1,,n j. Örneğin, R 1 =(w 1,w 3,w 2,w 1,w 3 ) soldan sağa başarılı bir şekilde düzenlenmiş w 1, w 3, w 2, w 1 ve w 3 genişliklerine sahip 5 kesme kanallı bir mili gösterir. (yani, R 11 =w 1, R 21 =w 3, vb.) j milinin uzunluğu L j Bu da, olmalıdır. Herbir denklemidir ve mili verilen şaft uzunluğuna uydurmak için mili için, aşağıdaki karakteristikleri de tanımladık A ijk T jk j mili tarafından gelen tahta genişliği b k dan kesilen w i genişlikli dilimlerin sayısı, i=1,,m ve k=1,,k. A ijk, b k genişlikli gelen tahtaların 1 lineer foot undan kesilen w i ürün genişliğinin lineer feet i olarak da yorumlanabilir. b k genişlikli gelen tahtanın j mili ile kesilmesiyle üretilen zayiatın (talaş artı kenar dilim artıkları) a ij genişliği. Denklemi, şeklindedir. Gelen kerestenin 1 lineer foot undan j mili ile kesilen w i ürün genişliğinin beklenen lineer feet i, yani, şeklindedir. Gelen kerestenin 1 lineer foot undan j mili ile kesilen w i ürün genişliğinin beklenen board feet i, d j yani, şeklindedir. Gelen kerestenin 1 lineer foot undan j mili ile üretilen zayiatın beklenen board feet i, yani x j şeklindedir. Talebi karşılamak için j mili tarafından kesilen gelen kerestenin beklenen lineer feet i. Bu da, T j şeklindedir. j miline karşılık gelen toplam zayiat, buda d j x j ye eşittir Mil DeğerlendiriĢi Ġçin Kriterler Verilen bir j milini ÇDMT/1 bağlamında değerlendirmek birincil kriterimiz olarak kullandığımız ölçümler aşağıdadır: j miline karşılık beklenen zayiat yüzdesi WP j =100xd j /b. j miline karşılık beklenen ürün yüzdesi YP j =100-WP j. j mile karşılık beklenen aşırı üretim yüzdesi Problemin verilen kalıbı bağlamında bir mile ilişkin aşağıdaki iki terimi kullanacağız: Uygulanabilir mil: En az bir tane w i (bütün i=1 M için) genişlikli kesme kanalını içeren mildir. Tam-uzunluklu mil: L-L j < w 1 +h eşitsizliğini sağlayan L j uzunluklu j milidir, burada w 1 talep planındaki en az genişliği gösterir. Başka bir deyişle, tam-uzunluklu mil için, şaft üzerinde geriye kalan uzunluk, en küçük ürün genişliği artı bıçak genişliğinden daha küçüktür.

97 Bir Milin Değerlendirilmesi Bir j mili, bu mile karşılık beklenen toplam T j zayiatının bulunmasıyla değerlendirilir. Değerlendirme prosedürü her bir b k genişlikli gelen tahtalara karşılık gelen A ijk (bütün i değerleri için) değerini belirlemek için bıçkı işleminin simülasyonu ile başlar (yani, mil üzerindeki tüm kesme kanalları taranır ve b k için zayiatı en aza indiren kesme deseni belirlenir). d j ve x j değerleri yukarıda açıklandığı gibi belirlenir ve karşılık gelen T j =d j x j hesaplanır. Şuna dikkat edin, bu değerlendirme prosedürü nispeten hesaplamasal olarak yoğundur, çünkü kesilmemiş stoktaki b k genişlikli gelen tahtaların her biri için ayrı ayrı bıçkı işleminin simülasyonuna ihtiyaç vardır (tipik olarak çok büyük sayıda ayrık tahta genişliklerine sahibiz). 3. ÇDMT/1 ĠN KARMAġIKLIĞI ÜZERĠNE Bu bölümde, ÇDMT/1 ile ilişkili karar problemini tanımlayacağız ve bunun NP-tam problemi olduğunu göstereceğiz. Eğer her bir b k genişlikli gelen tahta, talep planına ve milin üzerinde gerçekten uygun desesinin olup olmamasına bakılmaksızın, belirli bir b k için toplam zayiatı en aza indiren desene göre kesilirse, her bir problem örneği için ürün yüzdesi üzerine teorik üst sınır elde edilebilir. Biz bu üst sınırı, bu örnek için Ürün Sınırı olarak adlandırıyoruz ve Ürün Sınırı Problemi ni (ÜSP) aşağıdaki gibi tanımlıyoruz: YLP: ÇDMT/1 deki ürün sınırı, talep planına bakılmaksızın, verilen şaft uzunluğu ve bıçak kalınlığı ile başarılabilinir mi? ÜSP nin aslında NP-tam problemi olduğunu gösterilmesi yeterlidir ve bu [1] de gösterilmiştir. Benzer bir karar problemini, ÜSP ye eşit veya daha küçük herhangi bir ürün değeri için tanımlayabilir ve bu karar probleminin de NP-tam olduğu aynı argümanlarla gösterebiliriz. Şuna dikkat edin, verilen bir ürün değerini başarmak için mil, her bir knapsack problemi için karşılık gelen çözümlerin bir koleksiyonunda en az bir adet olmalıdır. Pratikte ÇDMT/1 için optimal çözümü bulmak için, bir toplam numaralandırma prosedürü geliştirdik. Bu yöntemin küçük boyutlu problemler için iyi çalışmasına rağmen, birçok pratik uygulama için zaman gereksinimi aşırı derecede fazladır (çok fazla uygulanabilir-mil sayısından dolayı ve nispeten her bir milin değerlendirilmesi için çok fazla zamanın gerekmesinden). Bu prosedürün detayları ve hesaplamasal gereksinimleri [2] de bulunabilir. Bu problemi çözmek için tamolmayan (sezgisel) prosedürler, [2] de geliştirilmiştir. Yine aynı makalede optimal çözüm için en iyi prosedürün yerel iyileştirme prosedürleri olduğu gösterilmiştir. Bu nedenle, bundan sonraki bölümlerde, yerel iyileştirme prosedürlerini inceleyeceğiz, sonra bu yerel iyileştirme prosedürlerinden en iyi sonuç veren için akış şemasını vereceğiz ve en sonunda bu akış şemasını gerçekleyen yazılımımızı tanıtacağız. 4. YEREL ĠYĠLEġTĠRME PROSEDÜRLERĠ Bu bölümde, ÇDMT/1 i çözmek için birkaç tane yerel iyileştirme prosedürü (YİP) sunacağız ve bu prosedürlerin hesaplamasal deneylerinin, ampirik temeller üzerine karşılaştırmasını tartışacağız. Şekil 3, en aza indirme problemleri için YİP in genel bir tarifini içerir. Burada, f(s) verilen bir S çözümündeki amaç fonksiyonudur ve N(S) S nin tüm komşularının kümesini gösterir. Belirli bir problem kapsamında YIP i uygulamak için temel elemanları, yani, (1) çözüm değerlendirmesi ve sunumunu, (2) komşuluk yapısını/yapılarını ve (3) arama stratejisini tanımlamamız gerekir. Biz, ÇDMT/1 kapsamında bu elemanlarının her birini kısaca açıkladık ve prosedürlerin değişik varyasyonlarını tarif ettik.

98 87 ġekil 3. Genel Bir YİP Çözüm değerlendirmesi ve sunumu: j milini göstermek için R j vektörünü kullanacağız ve buna karşılık gelen T j beklenen toplam zayiatı Bölüm 2 de gösterildiği gibi belirleyeceğiz. Komşuluk yapıları: j milinin, verilen bir çözümü için, N s (j) kaydırma komşuluğu ve N u (j) birim komşuluğu olmak üzere iki farklı komşuluk yapısını göz önüne alacağız. Aşağıda her bir komşuluğun açıklaması vardır. N s (j) j üzerindeki bir kesme kanalı seçilerek bulunduğu konumdan çıkarılıp başka bir konuma sokulmasıyla elde edilebilecek tüm millerinin kümesidir. N u (j) j üzerindeki bir kesme kanalı seçilerek genişliğinin başka bir ürün genişliğine değiştirilmesi ve gerektiğinde yeni mil uzunluğunda düzeltme yapılarak elde edilebilecek tüm millerinin kümesidir. N s (j) kaydırma komşuluğu yapısında, her çözüme diğer bütün çözümlerden bu tip bir kaydırma hareketi ile ulaşılamaz ve bu ciddi dezavantajından dolayı uygulanabilir değildir. Diğer yandan N u (j) birim komşuluğu yapısının dezavantajı, kesme kanalının genişliğini değiştirdikten sonra elde ettiğimiz milinin uzunluğunun şaft için çok kısa veya çok uzun olabilmesi durumudur. Bu durumda, milini uygulanabilir ve tam-uzunluklu yapmak için düzeltme işlemi gerçekleştireceğiz. Bu işlem iki adımdan oluşmaktadır: i. Çıkarma: Eğer mil şaft için çok uzunsa, mil boyu şaft boyunu aşmayıncaya kadar milin sağ ucundan kesme kanalları çıkartılır. ii. Ekleme: Eğer mil çok kısa ise, mil üzerindeki kalan boşluk rasgele üretilen kanalların milin sağına eklenmesi ve bu işlemin milin uzunluğunun şaftınkine eşit oluncaya kadar devam etmesidir. Arama stratejisi: YİP bağlamında kullanılan genellikle iki adet arama stratejisi vardır ve bunlar birinciiyileştirme stratejisi ve dik iniş stratejisidir. Birinci-iyileştirme stratejisinde, tatminkâr bir değişimle karşılanır karşılanmaz kabul edilir ve bu çözümle daha fazla arama yapılmaz. Diğer taraftan, dik iniş stratejisinde ise tüm komşuluklar aranır ve en az maliyetli çözüm seçilir. Biz YİP lerin uygulanmasında birinci-iyileştirme stratejisini kullandık, çünkü daha önceki araştırmalarımızda tüm komşuluğu aramanın (dik iniş stratejisinde olduğu gibi) sonuçlarına değmeyecek kadar çok zaman gerektirdiğini gözlemledik. Tüm durumlarda, aramaya başlamak için rastgele üretilmiş uygulanabilir tam-uzunluklu milleri kullandık. Algoritmaların açıklaması: Yukarıda tarif edilen komşuluk yapılarını kullanarak ÇDMT/1 için dört ayrı YİP geliştirdik. İlk iki prosedür, kaydırma ve birim komşuluklarını yukarıda anlatıldığı gibi kullanarak

99 88 Şekil 3 de gösterilen genel YİP temellidir. Bu algoritmaları sırasıyla YİP/S ve YİP/U olarak adlandıracağız. Diğer iki prosedür, bu iki komşuluk yapısının bir karışımına dayanmaktadır. Bu prosedürleri Bileşik Kaydırmalı YİP (BYİP/S) ve Bileşik Birim YİP (BYİP/U) olarak adlandıracağız ve bunlardan yazılımımızda kullandığımız BYİP/S için akış şeması Şekil 4 de verilmiştir. Bu bileşik YİP lerin her biri iki tane iç içe döngüye sahiptir, her bir döngüde farklı bir komşuluk yapısıyla yerel arama gerçekleştirilir. Buradaki anafikir, bir mil üzerinde bir komşuluğa göre yerel aramaya başlamadan önce, bu mil üzerine diğer komşuluğa göre yerel arama gerçekleştirilir. Bu YİP lerin performansını karşılaştırmak için, problemin birkaç örneği için dört prosedürün her biri için çoklu koşmalar gerçekleştirdik. Adil bir karşılaştırma olması için, her bir prosedürün çalışma süresini bir dakikaya sabitledik ve bu zaman diliminde olabildiğince çok rastgele üretilmiş başlangıç noktaları ile prosedürü koştuk. Her bir problem örneği üzerinde her bir prosedürden elde ettiğimiz en iyi sonucu raporladık. Bütün problem örnekleri için BYİP/S nin diğer prosedürlerden daha iyi olduğunu gözlemledik. Bu nedenle, ÇDMT/1 in çözümünde BYİP/S i birincil YİP imiz olarak seçtik. ġekil 4. BYİP/S İçin Akış Şeması 5. YAZILIM Bu bölüme kadar, ÇDMT/1 problemi ve bu problem için gerekli kavram ve parametreleri tanımladık, sonra bu kavram ve parametreleri kullanarak problemin sayısal karmaşıklığını inceledik, daha sonrada gözlemlerimiz sonucunda bu problemin optimal çözümü için en iyi prosedürün YİP olduğunu belirttik [2]. Bu prosedürün değişik varyasyonlarından (seçilen komşuluk yapılarından ve bunların karışımından doğan) en iyisi olan BYİP/S in akış şemasını Şekil 4 de verdik. Bu bölümde ise, BYİP/S akış şemasını gerçekleyen bilgisayar programımızı tanıtacağız. Bu yazılımın amacı ÇDMT/1 probleminin optimal çözümünü kullanıcının istediği bir zaman aralığında bulmasıdır. Bölüm 2 deki gösterimleri daha anlaşılabilir etiketlerle, kullanıcı dostu, sade ve basit bir kullanıcı arayüzü ile sunan çok kullanışlı bir bilgisayar programı yazdık. Bu yazılım ile ek herhangi bir

100 89 matematik veya bilgisayar bilgisi gerektirmeden, sadece problemi bilen herhangi biri bu problem için optimal çözüme rahatlıkla ulaşabilir. Yazılımın kullanıcı arayüzünü tek bir ekran olarak tasarlayarak kullanıcının menüler arasında kaybolmasının önüne geçmeyi ve aynı zamanda da tüm parametreler ile sonuçları aynı ekranda görülmesini sağlayarak problemin girdi ve çıktılarına tam bir hakimiyetin elde edilmesini amaçladık. Şekil 5 de yazılımın kullanıcı arayüzü gösterdik ve sonrada bu arayüzdeki etiket ve alanların açıklamasını yaptık. ġekil 5. Sezgisel Yöntemlere Dayalı Çoklu-Dilme Makinesi Yazılımı 5.1. Yazılımın Parametre ve Etiketlerin Açıklaması Units: Seçilecek veya girilecek olan Saw Kerf, Arbor Length ve Width parametrelerinin birimi, alabileceği değer mm veya inç dir. Saw Kerf: Bıçak kalınlığıdır. Arbor Length: Toplam mil uzunluğudur (aynı zamanda şaft uzunluğu). Lumber Distrubition File: Kesilmemiş kereste yığınının genişliklerine göre dağılımının girildiği dosyadır. Var olan bir dosya kullanılabilir veya Change butonuna basılarak Şekil 6 daki gibi üzerinde değişiklik yapılabilir. Eğer hazır bir dağılım dosyası yoksa New butonuna basarak gelen ekran aracılığıyla yeni bir dosya oluşturulup kaydedilir.

101 90 ġekil 6. Kereste Dağılım Fonksiyonu Dosyasının Düzenlenmesi Minimization Mode: Problemimiz için, Total lumber usage seçeneği ile en az kereste harcanarak, Total waste generation seçeneği ile de toplam zayiat en az olacak şekilde optimal çözüm bulunur. Deman Schedule: Talep planıdır. İstenilen ürün genişliklikleri Width alanına, istenilen miktarları da Demand alanına girilir. Overages (%): Milin en iyi, 2. en iyi ve 3.en iyi dizilimleri için fazla üretim miktarıdır. Arbor Found: Milin en iyi, 2. en iyi ve 3.en iyi dizilimlerini verir. Properties: Çözümün çıktı verilerini içeren gruptur. Yield: Ürün verimidir. Overage (%): Toplam üretilen fazlalığın yüzdesidir. Waste: Toplam zayiat miktarıdır. Overage (bf): Toplam üretilen fazlalığın board feet cinsinden miktarıdır. Total (bf): Toplam kullanılan kerestenin board feet cinsinden miktarıdır. Linear Feet: Üretimin/Kerestenin toplam uzunluğunun lineer feet cinsinden miktarıdır. Yield Limit: Ürün verimi için teorik üst sınır değeridir. Search Time: Optimal çözümü ne kadar bir süre aranacağı seçilir. Uzun zaman aralığı, daha iyi bir optimal çözüm verme ihtimaline sahiptir. Time Remaining: Yazılım koşturulmaya başlandığında seçilen Search Time dan geriye doğru saymaya başlar ve bu alanda kalan zamanı görüntüler. Mode: Tüm kesim sürecinde toplam kaç mil kullanılacağı belirtilir. Submit Current Settings: Bu butona basıldığında, girdiğiniz değerlerin uygunluğu kontrol edilir ve eğer uygunsa yazılım koşturulmaya hazır duruma getirilir. Run: Son olarak bu butona basılır ve yazılım koşturulmaya başlanır.

102 Yazılımın KoĢturulması ve Sonuçlar Bu bölümde, yazılıma örnek bir talep planı girerek, 3 mm bıçak kalınlıklı ve tam-uzunluğu 711 mm olan mil için, bir mille toplam zayiatı minimum yapacak şekilde optimal çözümü aramak için yazılımı 5 saniyeliğine koşturduk ve sonuçları Şekil 7 de sunduk. ġekil 7. Yazılımın Koşturulması ve Sonuçların Görüntülenmesi Yazılım bize burada, girilen koşullar altında istenen talep planını en az zayiatla üretmek için gerekli olan en iyi, 2.en iyi ve 3.en iyi mil desenini verdi. Burada yazılımızın bir artısı daha görülmektedir, o da şudur: Ürün veriminin birbirine çok yakın olduğu durumlarda, sonraki üretim planlarını da göz önüne alarak hangi ürün genişliğinden fazlalık üretilmesini istiyorsak ( Overages grubuna bakarak), 3 mil deseninden buna en uygun olanını seçebiliriz. KAYNAKLAR [1] Aksakalli, V., Heuristic methods for gang-rip saw arbor design and scheduling, Master s Thesis, Department of IE, NCSU, Raleigh, NC, [2] Fathi, Y., Aksakalli, V., Heuristic methods for gang-rip saw arbor design, European Journal of Operational Research, 154, , 2004.

103 92 [3] Fathi, Y., Kegler, S.R., Culbreth, C.T., A column generation procedure for gang-rip arbor design and scheduling, International Journal of Production Research, 2, 34, , ÖZGEÇMĠġ Vural AKSAKALLI Lisans derecesini Orta Doğu Teknik Üniversitesi Matematik Bölümü nden ve yüksek lisans derecesini North Carolina State University Endüstri Mühendisliği nden aldı. İkinci yüksek lisans derecesini ve doktora derecesini Johns Hopkins University (Baltimore, Maryland) Uygulamalı Matematik ve İstatistik Bölümü nden aldı. Şuan İstanbul Şehir Üniversitesi Endüstri Mühendisliği nde yardımcı doçenttir. İlgi alanları, sezgisel eniyileme, veri madenciliği ve elektronik ticarettir. Ġbrahim ARI Lisans ve yüksek lisans derecelerini Yıldız Teknik Üniversitesi Fizik Bölümü nden aldı. Özel bir şirkette, iki yıl bilgisayar programcısı olarak çalıştı. Şuan İstanbul Şehir Üniversitesi Endüstri Mühendisliği nde ikinci yüksek lisansını yapmaktadır.

104 PROMETHEE İÇİN DECISION LAB YAZILIMI VE ÖRNEK BİR PROBLEM ÜZERİNDE UYGULANMASI BURCU YILMAZ GAZİ ÜNİVERSİTESİ METİN DAĞDEVİREN GAZİ ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

105

106 95 PROMETHEE İÇİN DECISION LAB YAZILIMI VE ÖRNEK BİR PROBLEM ÜZERİNDE UYGULANMASI Burcu YILMAZ Metin DAĞDEVİREN ÖZET PROMETHEE, 1982 de Brans ın geliştirdiği çok kriterli bir öncelik belirleme yöntemidir. PROMETHEE nin daha kolay ve hızlı kullanımında karar vericilere yardımcı olması amacı ile Decision Lab yazılımı geliştirilmiştir. Bu yazılım PROMETHEE & GAIA yöntemlerinin modern bir yürütücüsüdür ve karar verilmesi zor durumlarda dahi en iyi sonucu bulabilmektedir. Yazılımda, her bir kriter için yöntemin altı farklı tercih fonksiyonundan uygun olanı ve eşik değerleri kolaylıkla seçilebilmektedir. Hesaplama işlemleri, alternatiflerin kesin sayı, oran veya nitel ifade şeklinde girdi verileri ile temsil edildiği tüm durumlarda gerçekleştirilebilmektedir. Pozitif (Φ + ) ve negatif (Φ - ) üstünlükler ile tam sıralama değerleri (Φ net ) tek tuşla hesaplanabilmekte, kısmi ve tam sıralamalar kolayca ve çok kısa zamanda elde edilebilmektedir. Kriterlerin çelişen yapıları, alternatifler üzerindeki etkileri, hesaplanan değerlerin doğruluğu ve ağırlıklardan doğan uzlaşmanın yönü (π karar ekseni) yazılımın kullanılmasıyla GAIA düzlemi üzerinde net bir şekilde görülebilmektedir. PROMETHEE VI prosedürü kullanılarak, problemin soft mu yoksa hard mı olduğuna karar verilebilmekte, ayrıca ağırlıklar için sabitlenmiş değerlerdense, olası değerler aralığı belirtilebilmektedir. Bunların yanında, duyarlılık analizleri ve farklı senaryolar ile sonuç analizleri gerçekleştirilebilmektedir. Çalışmada, günümüz global ekonomik çevresinde büyük önem kazanan tedarik zinciri yönetimi konusuna dair bir karar verme problemi, PROMETHEE yöntemi ile ele alınacak, Decision Lab yazılımı kullanılarak çözülecek, ve yazılımın özellikleri ile bu özelliklerin nasıl kullanıldığı detaylı olarak anlatılacaktır. Anahtar Kelimeler: Çok kriterli karar verme, PROMETHEE, Decision Lab, Tedarik zinciri yönetimi. ABSTRACT PROMETHEE is a multi criteria priority determination method developed by Brans in Decision Lab software is developed to be helpful to the decision makers in easier and faster usage of PROMETHEE. This software is a modern executive of PROMETHEE & GAIS methods, and it can find the best solution even in the situations where it is hard to make a decision. The suitable preference function among six different one and its threshold values can easily be chosen for each criteria, with this software. Calculation operations can be carried out while alternatives are represented with the input data like absolute, percentage or qualitative values. Positive (Φ + ), negative (Φ - ) and net flow (Φ net ) values can be calculated with a button, partial and full rankings can be gained easily and within in a very short time. Conflicting structure of criteria, their impacts on alternatives, the accuracy of the calculated values and the way of the compromise resource from the weights (decision axis π) can be seen clearly on GAIA plane, by using the software. The decision if the problem is soft or hard can be made by the usage of PROMETHEE VI procedure, furthermore, a possible values interval can be stated instead of fixed values for the weights. Besides these, sensitivity analyses and result analyses with different scenarios can be executed. A decision making problem relating to supply chain management which is gathering a big importance due to the nowadays global economic environment, will be analysed by PROMETHEE method, solved with the usage of Decision Lab software, and the properties of the software and how to use these properties will be explained in detail, in the study.

107 96 Key Words: Multi criteria decision making, PROMETHEE, Decision Lab, Supply chain management. 1. GİRİŞ Son yıllarda endüstride birçok yenilikler, gelişmeler ve değişimler olmuştur. Yeni gelişmelerle birlikte birçok ülkede şiddetli pazar rekabeti oluşmuş, organizasyonlar müşteri ihtiyacını, yeni ürünlerle ve servislerle karşılamak, buna paralel olarak da yeni tedarikçilerle işbirliği yapmak zorunda kalmışlardır [1]. Bu durum ise, tedarik zinciri yönetimi kavramının önemini ve başarı üzerindeki etkisini önemli ölçüde arttırmıştır. Tedarik zinciri yönetimi, toplam maliyetin asgariye indirilmesi için üretici ve tedarikçi arasında yapılan çalışmaların bütünüdür [2]. Tedarik zinciri yönetimi üzerine literatürde yer alan çalışmalar; tedarikçi seçimi, tedarikçi değerlendirme ve tedarikçi geliştirme olmak üzere üç ana başlık altında toplanabilir [3]. Bu bildiride incelenecek olan tedarikçi seçimi, tedarik zinciri yönetiminin en önemli adımlarından birisi olup, işletmenin kısa ve uzun vade için belirlemiş olduğu hedeflere ulaşmasında önemli rol oynamaktadır. Tedarikçi seçimi aynı anda hem nicel hem de nitel faktörleri içeren, karmaşık birçok kriterli karar verme (ÇKKV) problemidir. En iyi tedarikçinin seçimi için ise genellikle çelişen ve kesin olmayabilen bu faktörler göz önüne alınarak karar verilmelidir [4]. Dolayısıyla bu süreçte analitik yöntemlerin kullanılması yöneticilerin karar vermesini kolaylaştırmakta, aynı zamanda doğru kararların verilmesine de katkı sağlamaktadır [5]. PROMETHEE yöntemi bu tip problemlerle başa çıkabilmek için Brans (1982) tarafından geliştirilmiş bir sıralama yöntemi ve ÇKKV aracıdır [6]. Ancak, tanımından da anlaşıldığı gibi çok büyük boyutlara ulaşabilen, çok sayıda veri içerebilecek olan ve karmaşık hesaplamaların yapılmasını gerektiren bu yöntemin uygulanması, kayda değer bir emek ve zaman sarfedilemesini gerektirmektedir. Bu nedenle, çağımızın getirdiği kolaylıklar çerçevisinde, bu yöntemin daha kolay ve hızlı kullanımında karar vericilere yardımcı olması amacı ile bir yazılım geliştirilmiştir. Geliştirilen Decision Lab yazılımı gerek kullanıcı dostu tasarımı, gerekse yönteme dair her türlü işlemi hızlı ve güvenilir şekilde gerçekleştirebilme yeteneği ile dikkat çekmekte, ve bunun yanı sıra en önemli özelliği olarak da veri yoğunluğu ve işlem yükü açısından karar verilmesi çok zor durumlarda dahi en iyi sonucu bulabilmekte, istenilen tüm ek analizleri de gerçekleştirebilmektedir. 2. DECISION LAB YAZILIMI Decision Lab yazılımı PROMETHEE & GAIA metodlarının modern bir yürütücüsüdür. Kaybolan değerlerin işlenmesi, eylemler ya da kriterler kategorilerinin tanımları, bunların yanı sıra çoklu senaryo tanımlarından güçlü karar vermeler gibi pek çok pratik gelişim içermektedir. Bu bildiride Decision Lab, , copyright , Visual Decision Inc., Canada [7] yazılım paketi kullanılmıştır. Visual Decision ın resmi sitesinden yazılımın hem demo versiyonu hem de tam versiyonları elde edilebilmektedir. Programın kullanıcı arayüzünde dört ayrı bölge bulunur. Bunlar; menüler (application menu), hızlı çalıştır çubuğu (main toolbar), değerlendirme tablosu (evaluation table) ve özellikler penceresi (properties window) dir. Arayüzün büyük bölümünü değerlendirme tablosu kaplamaktadır, bu tabloda sütunlar kriterleri, satırlar alternatifleri göstermektedir. Program ilk başlatıldığında veya yeni bir çalışma sayfası açıldığında iki alternatif satırı ve bir kriter sütunu bulunur. Özellikler penceresi, kriterlerin, alternatiflerin, kategorilerin ve senaryoların özelliklerinin düzenlenmesine yardımcı olur [8]. Yazılımın kullanımına ve sahip olduğu özelliklerin incelenmesine ilişkin, daha anlaşılır bilgi verebilmek amacıyla bildiri içerisinde kapsamlı bir uygulama gerçekleştirilmiştir. Yazılımın nasıl çalıştığı, hesaplamaların, incelemelerin, duyarlılık analizlerinin ve yorumlarının nasıl yapıldığı bu uygulama üzerinde anlatılacaktır.

108 97 3. UYGULAMA Bildiri kapsamında tanıtılan yazılımın kullanımının, tedarik zinciri yönetimi konu başlığının en önemli alt konu başlıklarından tedarikçi seçimi problemi için bir çözüm üretilmeye çalışılırken uygulamalı olarak anlatılmasının daha açıklayıcı ve yararlı olacağı düşünülmüştür. İnceleme için neden bu problem tipinin seçilmiş olduğu Giriş Bölümü nde açıklanmıştır. Ele alınan problemde ulusal temelde faaliyet gösteren bir firma için tedarikçi seçimi yapılacaktır. Firmanın, pazarda faaliyet gösteren tedarikçi firmaların içinden belirlenen toplam 18 alternatifi bulunmaktadır. Ayrıca bu alternatif tedarikçiler firma yetkilileri ve uzmanlardan oluşan karar verme takımının belirlemiş olduğu sekiz kriter temelinde değerlendirilecektir. Bu kriterler sırası ile ürünlerin kalitesi, tedarikçi firmanın güvenilirliği, tedarikçi firmanın prestiji, ürün için sunulan satış sonrası hizmetler, tedarikçi firmanın üretim kapasitesi, tedarikçi firmanın seçim yapan firmaya uzaklığı, ürünlerin teslim zamanı ve maliyettir. Problemin yapısından da rahatlıkla görülmektedir ki, incelenecek durum oldukça fazla veri içermekte, çelişen kriterler temelinde yapılacak pek çok sayısal işlem ve değerlendirme gerektirmektedir. Bu nedenle problemin çözümünde Decision Lab yazılımının kullanılması zaruri görülmüştür. İlk olarak verileri yüklemek için hızlı başlat çubuğundan ya da file menüsünden new tıklanır. Program *.Dlab uzantılı dosyaları çalıştırır. Açılan ekranda default olarak iki alternatif ve bir kriterin bulunduğu değerlendirme tablosu görülmektedir. Bu tabloya incelenecek problemdeki tüm alternatifleri ve kriterleri aktarabilmek amacıyla hızlı başlat çubuğundaki insert column ve/veya insert row tuşları kullanılarak ya da insert menüsünden insert action ve/veya insert criterion tıklanarak değerlendirme tablosunda yeterli alternatif ve kriter sayısı sağlanır. Daha sonra incelenen probleme dair alternatiflerin kriterler temelinde sahip olduğu değerlendirme verileri değerlendirme tablosuna yazılır. Özellikler pencerisinden kriterlere dair girilmesi gereken veriler, özellikler penceresinin criterion sekmesi altından girilecek olan, kriterin sırası, adı, kısa adı ( C1 gibi), tanımlaması (opsiyonel), geçerli olup olmadığı (doğru, yanlış), birimi, içindeki verinin virgülden sonraki kaç basamağının dikkate alınacağı, içinde bulunduğu kategori (opsiyonel), eşik biriminin türü (gerçek, yüzdesel), amaç fonksiyonu türü (enbüyükleme, enküçükleme), ağırlığı, tercih fonksiyonu türü (olağan, u tipi, v tipi, seviyeli, doğrusal ve gauss), kriterdeki verilerin türü (sayısal ya da sözel) ve seçilen tercih fonsiyonunun eşik değerleridir. Burada kriterdeki verilerin türü yani scale özellikleri tasarıma göre yapılır. Örneğin beş nokta (çok az, az, normal, fazla, çok fazla; 1-5 skalası) için scale in yanındaki tıklanır. Scale penceresinde new tıklanarak yeni scale eklenir. Buradan isimi, isim karşılığı ve sayısal karşılığı girilir. Böylece değer tablosundan oluşturulan yeni scale seçilebilir. Yine aynı pencereden action sekmesi altından alternatiflere dair alternatif sırası, adı, kısa adı ( Act. gibi), tanımlaması (opsiyonel), geçerli olup olmadığı (doğru, yanlış) ve içinde bulunduğu kategori (opsiyonel) verileri girilmelidir. Yapılacak incelemede duyarlılık analizleri gerçekleştirilecekse ve bu analizlerde kategoriler kullanılacaksa, yine bu penceredeki category sekmesi altından kategorilere dair kategori sırası, adı, kısa adı, tanımlaması (opsiyonel), geçerli olup olmadığı (doğru, yanlış), rengi, sembolü ve grupları verileri girilmelidir. Bu duyarlılık analizlerinin nasıl gerçekleştirildiği bu bölümün ilerleyen kısımlarında anlatılacaktır. Girilen bu verilerin de değerlendirme tablosunda görülmesi istenirse, view menüsünden preferences tıklanmalıdır. Bu adımların gerçekleştirilmesinin ardından oluşturulan tablo save tuşu ile kaydedilir. İncelenen problem için açıklanan şekilde hazırlanan değerlendirme tablosu Şekil 1 de görülmektedir. Kriterlere dair verilerden tercih fonksiyonu türü ve kriterdeki verilerin türünün belirlenmesi çok önemlidir. Tercih fonksiyonu türü karart vericilerin bu kriter temelindeki alternatiflerin performanslarının nasıl değerlendirilmesini istediklerine göre değişir ve literatürde tanımlanmış olan altı farklı tercih fonksiyonunun herhangi birinin kullanılması yazılım ile mümkündür. Kriterdeki veri türleri ise, alternatiflerin söz konusu kriter temelinde sayılar kullanılarak sayısal değerlendirmelerle mi yoksa sözel ifadelerle mi karşılaştırıldığını göstermektedir. Yazılım kullanılırken her iki durumun da temsili mümkündür, ve sözel ifadeler için farklı değer ölçekleri de (1-3, 1-5, 1-7, vb. skalaları) kullanılabilmekte, kullanıcı bu ölçekleri kendi isteğine göre düzenleyebilmektedir. Gerçekleştirilen uygulamada 1. ve 2. kriterler için 1-5, 3. kriter için 1-3 ve 4. kriter için 1-7 skalası kullanılmıştır, 5., 6., 7. ve 8. kriterler ise sayısal verilere sahip kriterlerdir. Ağırlıklar, kriterlerin önemini belirtir. Satır üzerinde bulunun ağırlık değerleri toplamı 100 olmalıdır. Ağırlıklar karar vericilerin tecrübelerine dayanarak ya da Analaitik Hiyerarşi Prosesi (AHP) veya Analitik Ağ Süreci (ANP) gibi ÇKKV yöntemleri aracılığıyla belirlenebilirler. Bu uygulamada kriter ağırlıkları karar verme takımı tarafından

109 98 tüm kriterler için eşit alınmıştır. Unit satırında, kriterlerin birimleri tanımlanmaktadır. Alternatiflerin verileri, değerlendirme tablosunda kriter özelliklerine göre yeşil (en uygun) ve kırmızı (en kötü) olarak gösterilir. Böylece karar verici, alternatiflerin hangi kriterler temelinde en iyi ve en kötü olduğunu rahatlıkla görebilir, bu da programın kullanıcı dostu özelliklerinden biridir. Şekil 1. Decision Lab ile Bu Uygulama İçin Oluşturulan Değelerlendirme Tablosu Programda alternatifler, kategoriler ve senaryoların gösteriminde bir isim kullanılır. Programda bu otomatik olarak ismin ilk üç harfi ve. İle gösterilir. İsim elle manuel olarak her zaman değiştirilebilir. Bu değişiklikler views de name menüsünden yapılabilir. Yapılan karşılaştırmaların doğruluğundan emin olmak için view menüsünden statistics seçilebilir. Burada ortalama ve standart sapmalar sonuçların doğruluğu ile ilgili yorum yapılmasını sağlar. Alternatiflerin ve kriterlerin sırasının değiştirilmesi Tools menüsü içinde sort düğmesi ile açılan pencereden yapılır. Buradan isime göre (standart ayar) kısa isim, kategori adı, Ф değerine ve ağırlıklarına göre sıralanması büyükten küçüğe ya da küçükten büyüğe doğru ayarlanabilir. Kriterler veya alternatifler, özellikler penceresinden pasif hale getirilebilir. Böylece özellikle belirli bir kritere, öteki kriterleri silmek zorunda kalmadan, odaklanılabilir. Özelliklerde, Enabled özelliğini False olarak işaretleyerek kolayca yapılır. Böylelikle ayrıca analiz yapılırken çok geniş tablolarda kısaltmalara gidilip sonuçlar alınabilir [8]. Program karar verme için çeşitli yollar sunar; karşılaştırma, PROMETHEE I ve II seviyeleri ile kolayca yapılır. Hızlı başlat çubuğundan ya da view menüsünde rankings tıklanarak açılır [8]. Alternatifler grafiksel olarak, hesaplanan Ф değerlerine göre gösterilirler. İncelenen probleme dair hesaplanan PROMETHEE I kısmi ve PROMETHEE II tam sıralamaları aşağıda (Şekil 2 ve Şekil 3) görülmektedir. Şekil 3 ten de görülmektedir ki problemin çözümü sonucunda seçilen tedarikçi Alternatfi 12 dir, ve bu sonuç değerlendirme tablosu verileri ile tutarlıdır, bu durum da yazılımın geçerliliğini ve doğru sonuçlar

110 99 verdiğini kanıtlamaktadır. Yazılımın tek bir tuşun tıklanması ile saniyeden az bir sürede hesapladığı Ф +, Ф - ve Ф net değerleri ise Tablo 1 de görülmektedir. Şekil 2. Decision Lab ile Hesaplanan PROMETHEE I Kısmi Sıralaması Şekil 3. Decision Lab ile Hesaplanan PROMETHEE II Tam Sıralaması GAIA düzlemi, bütün alternatiflerin, kriterlerin rahatlıkla görüldüğü, özellikle yorum yapmakta kolaylıklar sağlayan grafiksel bir gösterimdir. Sol alt köşede (delta) parametresi yüzdesel olarak hesaplanan değerlerin doğruluğunu gösterir. parametresi değeri %100 e yaklaştıkça doğruluk artar, %60 ın altında bulunuyor ise problemin doğruluğu azdır ve analizinin daha dikkatli yapılması gerektiği anlaşılmaktadır. PROMETHEE ve GAIA karar veren kişiye önemli bilgiler sağlamaktadır. Bu bilgilerin analizi oldukça önemlidir. k tane kriter içeren bir karar problemine ilişkin bilgi k- boyutlu bir uzayda temsil edilebilir. GAIA düzlemi bu bilginin olabildiğince az bilginin kaybolmasını sağlayacak türden bir düzlemde gösterimi ile elde edilmektedir. Alternatifler noktalarla kriterler ise arklarla gösterilmektedir. GAIA düzlemi incelemesi kullanılarak kriterlerin çelişen yapıları net bir şekilde görülebilmektedir; veriler üzerinde benzer üstünlükler gösteren kriterler aynı doğrultuda, çelişen kriterler ise zıt doğrultuda yönlendirilmektedir [8]. Bildiride incelenmiş olan örneğe dair yazılım aracılığı ile elde edilen GAIA düzlemi Şekil 4 te görülmektedir. Alternatiflerin ve kriterlerin gösterilmesine ek olarak, ağırlıklar vektörünün GAIA düzleminde gösterimi, kriterlere atanan ağırlıklardan doğan uzlaşmanın yönünü gösteren başka bir eksene tekabül etmektedir (PROMETHEE karar ekseni π). Bu yüzden karar verici bu yönde bulunan alternatifleri göz önünde tutmaya davet edilmektedir. Ağırlıklardaki değişimlere bağlı olarak eksenin hareketleri GAIA ekranının 3D görüntü penceresinde direk olarak gösterilmektedir. Karar vericiler özellikle bu duyarlılık analizi aracını beğenmektedir [8]. Şekil 4 te incelenen problem için GAIA grafiği ve karar ekseni görülmektedir. Yazılımın aracılığıyla yapılan analizlerde parametresi değerinin %87.49 olarak hesaplandığı görülmektedir, bu da çözümün güvenilirliğini ortaya koymaktadır. Şekil 4 incelendiğinde elde edilen PROMETHEE II tam sıralaması ile grafiğin sonuçlarının ve karar ekseni yönünün tutarlı olduğu da izlenmektedir.

111 100 Tablo 1. Decision Lab ile hesaplanan akış değerleri Ф + Ф - Фnet Alternatif 1 0,1552 0,0342 0,121 Alternatif 2 0,0892 0,1392-0,05 Alternatif 3 0,0844 0,1943-0,1099 Alternatif 4 0,1165 0,0614 0,0551 Alternatif 5 0,0758 0,1597-0,0839 Alternatif 6 0,1471 0,0469 0,1002 Alternatif 7 0,1023 0,0614 0,0409 Alternatif 8 0,0852 0,2737-0,1885 Alternatif 9 0,1784 0,1034 0,075 Alternatif 10 0,0512 0,1286-0,0774 Alternatif 11 0,1185 0,1558-0,0373 Alternatif 12 0,1869 0,0573 0,1296 Alternatif 13 0,1556 0,0379 0,1177 Alternatif 14 0,0514 0,1419-0,0905 Alternatif 15 0,143 0,096 0,047 Alternatif 16 0,1535 0,0923 0,0613 Alternatif 17 0,0874 0,1744-0,087 Alternatif 18 0,0915 0,115-0,0234 Şekil 4. Decision Lab ile Elde Edilen GAIA Düzlemi ve Karar Ekseni Program duyarlılık analizleri yapabilmek için de kullanılabilmektedir. Action profiles penceresi, hızlı başlat çubuğundan veya view menüsünden tıklatılarak başlatılır. Alternatiflerin kriterlere göre uygunluk karşılaştırması yapılır. Bu inceleme için öncelikle problemde bulunan alternatiflerin ikisi seçilir. Elde edilen grafikte altta kalan bölümler o alternatifin ilişkin kriter için uygun olmadığını gösterirken üstte kalan bölüm ise uygun olduğunu gösterir. Böylece alternatifler birbirleri arasında analiz edilebilir. Bu

112 101 incelemeye dair örnek teşkil etmesi açısından Alternatif 1 ile Alternatif 3 ün karşılaştırması yapılmıştır, karşılaştırmaya dair program görüntüsü Şekil 5 te görülmektedir. Şekil 5 incelendiğinde görülmektedir ki, incelenen kriterler temelinde Alternatif 3 ile karşılaştırıldığında Alternatif 1 1., 2., 3., 5. ve 6. kriterler temelinde uygun iken, 3. ve 4. kriterler için uygunluğu konusunda yorum getirilememektedir. Alternatif 3 ise yalnızca 3. kriter temelinde tercih edilebilirken, 1., 2. ve 5. kriterler temelinde yorum yapılamamakta, diğer kriterler temelinde ise Alternatif 1 e göre daha kötü performans sergilemektedir. Şekil 5. Decision Lab ile Alternatif 1 ve 3 İçin Action profiles Duyarlılık Analizi Sonuçları Yazılımın bir diğer duyarlılık analizi olan Walking weights, hızlı başlat çubuğundan veya view menüsünden başlatılır. Bu pencerede üstteki grafik, alternatiflerin hesaplanan Ф değerlerini gösterir. Alttaki grafik kriterlerin ağırlık değerlerinin yüzdesini gösterir [8]. Açılan menüden ağırlığı değiştirilmek istenen kriter seçilir ve en altta bulunan tuşla ağırlık değerleri, değerlendirme tablosuna kaydedilmeden değiştirilir. Bu değişimler üstte bulunan grafiğe yansır. Böylece farklı ağırlıklarda alternatiflerin nasıl seçilmesi gerektiği hakkında yararlı analizler yapılabilir. Reset tuşu ağırlıkları değerlendirme tablosundaki haline geri çevirir. Update tuşu ise ayarlanan değerlerin değerlendirme tablosuna kaydedilmesini sağlar. İncelenen probleme Decision Lab yazılımı kullanılarak bu duyarlılık analizi aracı da uygulanmış, örnek teşkil etmesi açısından Kalite kriteri için bir inceleme yapılmış ve elde edilen sonuçlar Şekil 6-8 de verilmiştir. Şekil 6 da problemin orjinal kriter ağırlıkları için walking weights grafiği görülmektedir. İncelenen kriter olan Kalite kriterinin ağırlığı değiştirildikçe alternatiflerin tercih edilebilirlikleri değişmiştir, Kalite kriterinin ağırlığı 40 a çıkarıldığında Alternatif 9 un tercih edilebilirliği yok olmakta, ve ağırlık büyütüldükçe daha da kötüleşmektedir, diğer alternatiflerin de tercih edilebilirlikleri değişmektedir, ancak bu durum tercih sırasını etkilememektedir. (Şekil 7 ve 8). Ayrıca yine aynı kriterin ağırlığı 90 a getirildiğinde, Alternatif 8 in tercih edilebilir hale geldiği gözlemlenmiştir (Şekil 8).

113 102 Şekil 6. Decision Lab ile Orjinal Kriter Ağırlıkları İçin Walking Weights Grafiği Şekil 7. Decision Lab ile Kalite Kriteri İçin Walking Weights Duyarlılık Analizi Sonuçları I Şekil 8. Decision Lab ile Kalite Kriteri İçin Walking Weights Duyarlılık Analizi Sonuçları - II

114 Decision Lab Yazılımı Kullanılarak Gerçekleştirilebilecek Daha Öte Ek Analizler Decision Lab yazılımının, bu bildiri temelinde incelenen oldukça karmaşık tedarikçi seçimi probleminden daha da yüksek boyutlarda karmaşık problemleri ele alma becerisi vardır. Yazılımın bu gibi durumlar için geliştirilen özel analiz ve gruplama araçları bulunmaktadır. Daha önce de bahsedildiği gibi, Decision Lab yazılımı kullanıldığında pek çok veriyi aynı anda ele almak mümkündür. Bu durumda hesaplama süresinin kısalması ve elde edilen sonuçların güvenilirliğinin yüksek tutulması amacı ile yazılıma alternatif ve kriterlerin gruplandırılabilmesi özelliği eklenmiştir. Yeni eklenen her alternatif ve kriter otomatik olarak kategorilendirilir. Başlangıçta alternatifler actions kategorisi adı altında yeşil, kriterler criteria adı altında mavi, senaryolar scenarios adı altında mor renkte simgelenerek kategorilendirirlir. Ancak yeni kategoriler yaratarak alternatiflerin, kriterlerin ya da senaryoların çok sayıda olduğu durumlarda daha doğru sonuçlar alınabilir, daha kolay analizler yapılabilir. Değerlendirme tablosunda renklerle kategoriler kolayca birbirinden ayırt edilebilir. Yeni kategori, hızlı başlat çubuğunda insert group ya da insert menüsünden category tuşlarıyla oluşturulur. Özellikler penceresinden kategorinin adı, sembolü, rengi, grup olarak değerlendirilip değerlendirilmeyeceği vb. gibi özellikleri ayarlanır. Kategori oluşturulduktan sonra özellikler penceresinden hangi alternatifler, kriterler veya senaryolar içinse özellikler penceresinin kategori listesinden yaratılan kategori seçilir. Gerekli yerlerde problemin çözümüne uygun doğru kategorilere ayırmak seçimin yapılmasında hata payını düşürür ve GAIA daki parametresi oranını yükseltir. Grup özellikleri aktif yapılarak kriterlerin grup olarak analiz edilmesi sağlanır. Bu durum özellikle duyarlılık analizinde çok sayıda verilerin sadeleştirilmesi ve basitleştirilmesiyle kullanışlıdır. Walking weights penceresinde de grafikte grup olarak işaretlenmiş kriterler kategorileri gösterir, böylece kategorinin ortak ağırlığı değiştirilir. Bazı durumlarda karar alınırken, tek faktöre göre değil bazen birden çok faktöre göre karar almak gerekebilir. Geliştirilen özel analiz araçlarından biri de bu duruma çözüm getirmek amacıyla yazılıma eklenmiştir. Örneğin alternatiflerin seçim kriterleri durumdan duruma değişiyorsa, ÇKKV analizi Decision Lab yazılımı kullanılarak farklı senaryolar temelinde çok kısa sürede ve kolayca yapılabilmektedir. Yazılım, bunun gibi durumlarda karar vericilere farklı açılardan farklı faktörleri değerlendirip anlamasına yardımcı olur, farklı kriter ağırlıkları ve karar çevreleri içinde aynı alternatif ve kriterlerin ele alınmasına, ayrıca bu sonuçların da sıralamalar ya da grafikler temelinde karşılaştırılmasına olanak sağlar. Senaryolar değerlendirme tablosundaki açılır menüden ya da altındaki sekmeden değiştirilebilir. Yeni senaryo hızlı çalıştır çubuğundan kolayca eklenebilir. Senaryoların karşılaştırılması programın bazı özellikleri kullanılarak yapılır. Bunlardan Multi-scenario penceresi hızlı çalıştır çubuğundan ya da view menüsünden çalıştırılabilir. Bu pencere PROMETHEE II deki Ф değerlerini karşılaştırır. Birinci sekmede sol taraftaki senaryo, ikinci sekmede sağ taraftaki senaryo seçilir. Böylece kolaylıkla iki senaryonun arasındaki seçim farklı analiz edilebilir. GAIA da ise çok senaryoyu karşılaştırmak için iki seçenek mevcuttur. İlk önce all scenarios seçeneği seçilerek bütün senaryoların ortak hesaplanması sağlanır. Böylece GAIA penceresinde bulunan iki seçenek aktifleşir. İlki; GAIA criteria ile kriterlerin bütün senaryolardaki ortak sonucu bulunur ve gösterilir. Öteki seçenek GAIA-scenarios ise bütün senaryoların alternatiflerle ilişkileri grafikte gösterilir. PROMETHEE I ve II pencerelerinde bütün senaryoları içeren grafikler gösterilir. Ayrıca Walking Weights ile duyarlılık analizi yapılabilir. Bu durumların yanı sıra, karar verici kriterleri daha önceden ağırlıklandıramadığı ya da bunu yapmak istemediği zaman, her ağırlık için sabitlenmiş bir değerdense olası değerler aralığının belirtilmesi mümkündür. Bu durumda, PROMETHEE VI prosedürü problemin saf mı yoksa katı mı olduğuna karar vermek için kullanılabilir. π karar ekseni, aralıklarla bağdaşan ağırlık dağılımları için aynı doğrultuda kaldığında problem saftır. Ağırlıkların gerçek değerlerine bağlı olarak zıt yönler mümkün olduğunda problem katıdır. Katı problemin söz konusu olduğu durumda, karar verici ağırlıkların daha kesin değerleri üzerine konsantre olmalıdır. Bu özellik Decision Lab de henüz geliştirilmemiştir [8].

115 104 SONUÇ Decision Lab yazılımı PROMETHEE ÇKKV sıralama yönteminin hızlı ve güvenilir bir şekilde uygulanması için oluşturulmuş, kullanıcı dostu bir karar verme programdır. Yazılım, günümüz globalleşen dünyasında, Endüstri Mühendisliği uygulamalarının çoğunda söz konusu olan ÇKKV problemlerini ele almak için geliştirilen diğer yöntemler için oluşturulan diğer yazılımlara göre gerek arayüz tasarımı, gerekse sunulan analizlerin çeşitliliği hususunda oldukça ileri bir noktadadır. Ele alınan problemlerin yüksek karmaşıklık seviyesi ve içerdikleri veri sayısının fazlalığı da göz önünde bulundurulduğunda, daha az zamanda daha yüksek güvenilirlikli sonuçlar almak mümkündür. Yazılım ile elle gerçekleştirilmesi oldukça zor ve zaman alıcı olan, hatta bazı durumlarda mümkün olmayan pek çok duyarlılık analizi ve grafiksel incelemeler kısa süre içinde kolaylıkla gerçekleştirilebilmektedir. Bu özellikleri ile kullanıcıya kayda değer oranda fayda sağlayan bu yazılım, sadece bildiride sunulan uygulama alanı olan tedarik zinciri yönetimi alanında değil, üretim planlamadan çizelgelemeye, çevre yönetiminden lojistiğe, montaj hattı dengelemeden enerji yönetimine, pek çok Endüstri Mühendisliği alanındaki inceleme ve çalışmalarda rahatlıkla kullanılmaktadır. KAYNAKLAR [1] Dağdeviren, M., Eren, T., Analytical Hierarchy Process and use of 0-1 goal programming methods in selecting supplier firm, J. Fac. Eng. Arch. Gazi Univ., Vol 16, No 2, 41-52, [2] Ballou, R.H., Business Logistics: Supply Chain Management, Prentice Hall, New York, [3] Dağdeviren, M., Eraslan, E., PROMETHEE sıralama yöntemi ile tedarikçi seçimi, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 23, 1, 69-76, [4] Sanayei A, Mousavi S. F., Abdi M. R., Mohaghar A., An integrated group decision-making process for supplier selection and order allocation using multi-attribute utility theory and linear programming, Journal of the Franklin Institute, 345, 7, , [5] Dağdeviren, M., Eraslan, E., Kurt, M.,Dizdar, E. E., Tedarikçi seçimi problemine analitik ağ süreci ile alternatif bir yaklaşım, Teknoloji, 8, 2, , [6] Brans, J. P., L ingénièrie de la décision; Elaboration d instruments d aide à la décision. La méthode PROMETHEE, L aide à la décision: Nature, Instruments et Perspectives d Avenir, , [7] Decision Lab, , copyright , Visual Decision Inc., Canada. < [8] Brans, J. P., ve Mareschal, B., How to decide with PROMETHEE, Visual Decision Inc., Montreal, Canada, < ÖZGEÇMİŞ Burcu YILMAZ 1985 yılı Ankara doğumludur yılında İstanbul Ticaret Üniversitesi Mühendislik ve Tasarım Fakültesi Endüstri Mühendisliği Bölümü (Burslu) nü onur belgesi ile bitirmiştir yılında Gazi Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı Yüksek Lisans programını tamamlayarak, yine 2010 yılıda Gazi Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı Doktora Programı na başlamıştır yılından bu yana Gazi Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümü nde Araştırma Görevlisi olarak çalışmaktadır. Metin DAĞDEVİREN 1976 yılı Ankara doğumludur yılında Osmangazi Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümünü birincilikle bitirmiştir yılında Gazi Üniversitesi Fen Bilimleri Enstitüsü

116 105 Endüstri Mühendisliği Anabilim Dalı Yüksek Lisans programını, 2005 yılıda ise Gazi Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı Doktora Programı tamamlamıştır. 2001/2005 yılları arasında Gazi Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümünde Araştırma Görevlisi olarak, yılları arasında aynı bölümde Dr. Araştırma Görevlisi olarak, yılları arasında aynı bölümde Yrd. Doç. Dr. olarak çalışmıştır, 2010 yılından bu yana yine Gazi Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümünde Doç. Dr. olarak görev yapmaktadır. Çok ölçütlü karar verme, belirsizlik ortamında karar verme, tedarikçi seçme ve değerlendirme, performans ölçme ve değerlendirme, stratejik yönetim alanlarında çalışmaktadır.

117

118 BİR ELEKTRONİK FİRMASINDA PARALEL İSTASYON VE ATAMA KISITLI MONTAJ HATTI DENGELEME ÇALIŞMASI ŞEYDA TOPALOĞLU DOKUZ EYLÜL ÜNİVERSİTESİ GONCA TUNÇEL DOKUZ EYLÜL ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

119

120 109 BİR ELEKTRONİK FİRMASINDA PARALEL İSTASYON VE ATAMA KISITLI MONTAJ HATTI DENGELEME ÇALIŞMASI Şeyda TOPALOĞLU Gonca TUNÇEL ÖZET Bu çalışmada, bir elektronik firmasının montaj hattı dengeleme problemi ele alınmıştır. Firma haftalık müşteri talebini minimum işçilik maliyetiyle karşılayabilmek için hattını yeniden dengelemeye gereksinim duymuştur. Problemin temel özellikleri şu şekildedir: (i) çevrim süresini aşan işlerin atanabilmesi için paralel istasyonlar açılabilir (ii) teknolojik veya ekipman kısıtları nedeniyle birbiriyle bağımlı işler mevcuttur iii) işler iş parçasının pozisyonuna bağlı olup, bazıları iş parçasının ön, bazıları ise arka bölümünde yapılmaktadır. Amaç hat etkinliğini en büyüklerken, ihtiyaç duyulan toplam operatör sayısını en aza indirmektir. Problem tam sayı programlama modeli olarak formüle edilerek LINGO optimizasyon yazılımı ile çözülmüştür. Ayrıca, günlük ve haftalık fazla mesai, çoklu vardiya (akşam ve gece vardiyası) gibi alternatif çalışma programlarının hattın beklenen işgücü maliyetine etkileri analiz edilmiştir. Önerilen model, haftalık talebi karşılayacak şekilde alternatif iş çizelgelerine göre belirlenmiş çevrim süreleri için ayrı ayrı çalıştırılmıştır. Böylece, en düşük işgücü maliyeti ve en yüksek hat etkinliğini sağlayan çalışma programı belirlenmiştir. Anahtar kelimeler: Montaj hattı dengeleme, Tamsayı programlama, Matematiksel modelleme, İmalat sistemleri, LINGO optimizasyon yazılımı. ABSTRACT: In this paper, we present a real-life assembly line balancing problem for an electronics manufacturing company. The main characteristics of the problem are as follows: (i) parallel stations are allowed to overcome the problem of assigning tasks with operation times that exceed the cycle time (ii) some tasks are dependent on each other and they must be assigned to the same station due to technological restrictions or equipment constraints (iii) some of the operations are related to front parts of the workpiece and the others are related to back parts of the workpiece, which in turn make all tasks dependent on the position of the workpiece. The goal is to minimize the total number of workers required, while maximizing the line efficiency. The problem is formulated as an integer programming model and solved using LINGO software. Furthermore, we analyze the effects of alternative work schedules such as daily or weekly over time, multiple shifts on the expected labour cost of the line. The analysis of alternative work schedules with the consideration of balancing the line for corresponding cycle times allows us to select an adequate assembly line for the company, resulting in a lower labour cost and a more balanced line with respect to the operation times in the stations and the activity of the workers. The company has subsequently implemented our proposed schedule, obtaining remarkable improvements in its productivity. Keywords: Assembly line balancing, Integer programming, Mathematical modeling, Manufacturing systems, LINGO Optimization Software

121 GİRİŞ Günümüzde, montaj hatları başta otomotiv, beyaz eşya ve elektronik endüstrisi olmak üzere birçok üretim sisteminin temelini oluşturmaktadır. Bir montaj hattı, iş parçalarının işgücü veya malzeme taşıma donanımı aracılığıyla hat boyunca aktarıldığı birbiri ardına sıralanmış bir dizi iş istasyonlarından oluşur. Her bir iş istasyonunda, son ürünü üretmek için belirli montaj operasyonları tekrarlı bir şekilde gerçekleştirilir. Görevler öncelik kısıtları, çevrim zamanı, iş istasyonu sayısı ve görevler arasındaki birtakım uyuşmazlıkları içeren bazı ek kısıtlar göz önüne alınarak istasyonlara atanmaktadır. Gerekli görev, işlem zamanları ve önceden belirlenmiş kısıtlara bağlı olarak bir veya daha fazla amacı eniyileyecek şekilde ardışık istasyonlara işlerin atanması işlemi Montaj Hattı Dengeleme Problemi (MHDP) olarak adlandırılmaktadır. Hat dengeleme süreci, yüksek verimlilikte ve maliyet etkin bir montaj hattı tasarlamada son derece önemlidir. Literatürde, montaj hatları hat üzerinde işlem gören ürün modeli sayısına göre tek modelli, karışık modelli ve çok modelli; hattın kontrol yapısına göre gecikmesiz, asenkronize gecikmeli ve senkronize gecikmeli; kurulum sıklığına göre ilk kez dengeleme ve yeniden dengeleme; otomasyon düzeyine göre manüel ve otomatik, hattın yerleşim şekline göre düz, U-tipi ve toplayıcı montaj hatları olarak sınıflandırılmaktadır. Karışık modelli hatlarda aynı üretim sürecine sahip birden fazla ürün modeli, tek modelli hatlarda ise tek tip ürün üretilmektedir. Çok modelli montaj hatlarında ise farklı üretim sürecine sahip bir kaç farklı model yığınlar halinde üretilmektedir. Yeniden dengeleme, üretim programının yapısında bir değişiklik olduğunda gerekli olurken, ilk-kez dengeleme bir montaj hattının kurulum aşamasında gerekli olur. İş parçasının kırılgan olduğu veya endüstriyel robotlar tarafından tutulamadığı durumlarda manüel hatlar kullanılır. Bunun yanı sıra, çalışma ortamının operatörler için güvensiz olduğu iş çevrelerinde ve/veya endüstriyel robotların ihtiyaç duyulduğu yüksek hassasiyet gerektiren işlemler içeren üretim sistemlerinde çoğunlukla otomatik hatlar kullanılmaktadır. U-tipi hatlar, giriş ve çıkışın aynı pozisyonda olduğu u şeklinde düzenlenmiş iş istasyonlarından oluşurken, düz hatlar ise ardışık olarak sıralanmış iş istasyonlarından oluşmaktadır. Bu özellik U-tipi hatları düz hatlardan farklı kılmaktadır. Diğer bir yerleşim şekli ise alt montajlarla bağlantıların olduğu ana bir hattan oluşan toplayıcı hatlardır. Baybars [3] tarafından önerilen ilk sınıflandırma montaj hattı problemini iki bölüme ayırmaktadır: Basit Montaj Hattı Dengeleme Problemi (BMHDP) ve Genel Montaj Hattı Dengeleme Problemi (GMHDP). BMHDP de, işlem süreleri deterministik olup görevlerin gerçekleştirildiği iş istasyonuna bağlı değildir. Ayrıca işlem sürelerinin hiç biri çevrim süresinden büyük değildir. Bütün istasyonlar ekipman, donanım ve işgücü açısından eşdeğer olup, görevler her hangi bir istasyona atanabilirler. Görevler teknolojik öncelik gereksinimlerine uygun olarak atandığı istasyonda gerçekleştirilir, istasyonlar arasında bölüştürülemez. Bu nedenle, BMHD problemleri sadece teknolojik öncelik ve çevrim zamanı kısıtlarını içerir. GMHD problemleri ise görevler arası uyuşmazlık, farklı hat biçimleri, alan kısıtları ya da paralel istasyonlar gibi pek çok ek kısıt ve problem özelliklerini içerir. BMHDP için Scholl ve Becker [20] ve GMHDP için ise Becker ve Scholl [4] tarafından kapsamlı bir inceleme ve literatür taraması sunulmuştur. Diğer yandan, MHDP amaç fonksiyonuna bağlı olarak çeşitli sınıflara ayrılmaktadır. Bu sınıflandırmaya temel teşkil eden amaçların bir kısmı şu şekildedir; istasyon sayısını minimize etmek (Tip-1), çevrim zamanını minimize etmek (Tip-2), iş yükü dengesini maksimize etmek (Tip-3), iş uyumluluğunu maksimize etmek (Tip-4), ve Tip-3 ve Tip-4 e dayalı çoklu amaçlar (Tip-5). En yaygın MHDP tipi, çevrim zamanı ve istasyon sayısını eş zamanlı olarak minimize ederken hat etkinliğini maksimize etmeyi amaçlayan Tip-E dir. Diğer bir MHDP tipi, verilen çevrim zamanı ve istasyon sayısı için uygun bir denge bulmaya dayalı olurluk problemidir (Tip-F) [19]. MHD problemlerine çözüm yaklaşımları iki ana grupta incelenebilir: kesin ve yaklaşık yöntemler. Kesin yöntemler, en iyi çözümü bulan ve genellikle dal sınır algoritması [1] gibi ağaç yapısında arama veya dinamik programlama gibi grafik tabanlı yöntemlerden oluşmaktadır. Baybars [3] tarafından BMHDP için en iyi çözümü veren yöntemler incelenmiştir. MHDP için kesin çözüm yöntemleri üzerine bir araştırma ise Scholl [19] de sunulmuştur. Yaklaşık yöntemler, sezgisel yaklaşımları ve meta-sezgiselleri içerir. Son on yılda, geniş çeşitlilikte sezgisel yaklaşımlar araştırmacıların odağı olmuştur. Sezgisel yaklaşımlar konstrüktif veya aç

122 111 gözlü prosedürlerden oluşmuştur. Bu prosedürler, görevleri farklı istasyonlara atamak için statik ya da dinamik öncelik kuralından faydalanmaktadır [24]. BMHDP ve GMHDP için sezgisel prosedürler Ghosh ve Gagnon [10] ve Erel ve Sarin [9] tarafından kapsamlı olarak incelenmiştir. Bu prosedürler kısa işlem sürelerinde oldukça iyi çözümler sunmaktadır. Diğer yandan, tabu arama [23], karınca kolonisi optimizasyonu [18], benzetimli tavlama [7], genetik algoritma [13, 22] ve diferansiyel gelişim [16] gibi meta-sezgiseller iyileştirme prosedürleridir. Son yıllardaki araştırmalar, GMHDP ile karakterize edilmiş daha gerçekçi problemleri tanımlamak, formüle etmek ve çözmek üzerine odaklanmıştır. Üretim ortamlarındaki farklı koşullar nedeniyle montaj hattı sistemleri yüksek oranda çeşitlilik göstermektedir ve gerçek hayat problemlerin gerektirdikleri ile akademik araştırmalar arasında hala bir boşluk bulunmaktadır [4]. Gerçek hayat montaj sistemleri eşzamanlı olarak dikkate alınan pratik genişlemelere gerek duymaktadır. Paralellik kavramı, pratikte MHD çalışmalarının gelişmesinde büyük bir öneme sahiptir. Çok modelli bir hatta paralel hatlar daha iyi bir denge sağlamak ve verimliliği arttırmak için belirli bir ürün ya da ürün ailesi için tasarlanır. Bu durum kurulması gereken hattın sayısı, ürünlerin ve iş gücünün hatlara nasıl paylaştırılacağı gibi karar problemlerini beraberinde getirmektedir. Diğer yandan, görev zamanlarının ihtiyaç duyulan çevrim zamanından daha uzun olduğu durumlar, paralel istasyonlar kullanılarak çözülebilir ve bu paralellik sistemin verimlilik oranındaki artışla birlikte çevrim zamanını düşürmeye olanak sağlamaktadır [2, 6]. Çevrim zamanını azaltmanın bir başka yolu, en uzun işlem süresine sahip görevi eş zamanlı gerçekleştirerek paralel görevler düzenlemektir [11]. Ayrıca, paralel durumdaki düz hatlardan oluşan iki taraflı montaj hatları, büyük ölçekli yüksek hacimli ürünler için kullanılabilir [13]. Bu durumda, tek istasyon yerine karşılıklı işleyen istasyon çiftleri paralel olarak kurulmaktadır. Bu tür üretim hatlarında tüm istasyonlar, kalifiye operatörlerden ve aynı iş parçalarında karşılıklı atanan görevleri gerçekleştirmek için gerekli teknolojik yeterlilikte makinelerden oluşmaktadır. Paralelliğe ek olarak, çevrim zamanı ve öncelik ilişkileri kısıtlarının yanında görev atama kısıtları pratik hayatta MHD probleminin diğer bir özelliğini oluşturmaktadır. Özellikle karmaşık ürünlerin üretiminde, her bir istasyona aynı özellikleri sağlamak genellikle mümkün olmaz ve bu durum istasyonla ilgili atama kısıtlarını beraberinde getirmektedir [5]. Örneğin, görevleri gerçekleşirken iş parçası pozisyon değişikliğine ihtiyaç duyuyorsa, görevler belirli bir istasyon tipine atanmakla kısıtlanabilir ve iş parçası sadece görevin gerçekleşmesi için gerekli pozisyonda konumlu olduğu istasyona atanabilir (pozisyon kısıtı gibi) [14]. Ağır, geniş ve konveyör banda sabitlenmesi nedeniyle her hangi bir pozisyona çevrilemeyen bazı iş parçalarının belirli bir istasyonda yapılması gerekebilir [25]. İstasyon kısıtları için diğer bir durum da; belirli bir istasyona sabitlenmiş ağır makineler ya da taşıma ekipmanlarına ihtiyacı olan görevlerin söz konusu istasyonda gerçekleştirilme zorunluluğudur [21]. Ayrıca, görev atamaları, ya görevleri aynı istasyona atamaya zorlayan ya da birbiriyle uyuşmayan görevleri farklı istasyonlara atamayı sağlayan görev tabanlı kısıtları (bölge kısıtları) göz önüne alarak yapılmış olmalıdır [8]. Diğer yandan, zaman içerisinde ölçülen minimum veya maksimum mesafeler, yer ya da istasyon pozisyonları gibi mesafe kısıtlarının da görev atamalarında dikkate alınmasının gerekli olduğu durumlar mevcuttur [6, 17]. Bir başka atama kısıdı türü ise operatörlerin farklı yeteneklere sahip olmasından kaynaklanan operatör atamalarıyla ilgilidir ve görevler ancak gerekli yeteneklere sahip belirli operatörler tarafından yapılabilir [12]. Bu çalışmada, deterministik görev zamanlı, tek modelli, gecikmesiz ve düz hat olarak sınıflandırılmış bir endüstriyel montaj hattı ele alınmıştır. Bu sınıflandırmaya ek olarak, ele alınan problemle ilgili temel özellikler şu şekildedir: (i) paralel istasyonlar, (ii) görev atama kısıtları, (iii) istasyon kısıtları. Kullanılan toplam istasyon sayısını minimize etmek amacıyla öncelik ve çevrim zamanı kısıtları dışında bu üç ilave kısıdı da içeren bir matematiksel model geliştirilmiştir. Çalışma şu şekilde düzenlenmiştir: İkinci bölümde bir elektronik firmasının montaj hattı tanıtılmış ve dengeleme probleminin temel özellikleri açıklanmıştır. Üçüncü bölümde, ilgili problem için bir tamsayı programlama modeli geliştirilerek modelin formülasyonu oluşturulmuştur. Toplam işgücü maliyeti üzerindeki alternatif iş çizelgesinin etkisi dördüncü bölümde analiz edilmiştir. Son olarak, sonuç ve değerlendirmeler beşinci bölümde sunulmuştur.

123 PROBLEM TANIMI Bu çalışmada, Manisa da bulunan ve Avrupa nın önde gelen tüketici elektroniği üreticisi olan bir firmanın montaj hattı dengeleme problemi incelenmiştir. Firmanın ürünlerini üç grupta sınıflandırabiliriz: ilk grup masaüstü/dizüstü bilgisayar, monitor ve notebook ürünlerini içeren digital computing, ikinci grup DVD, DVB, DivX Player ve Recorder ürünlerini içeren digital media; ve son olarak backlight (panel üretiminde kullanılan yarı ürün) ve panel ürünlerini içeren digital display dir. Bu makalede, digital diplay üretim hattının montaj hattı dengeleme problemi ele alınmıştır. Firma minimum işgücü maliyetiyle haftalık müşteri talebini karşılamak için hattı yeniden dengelemeye ihtiyaç duymuştur. Üretim alanı dört ana bölümden oluşmaktadır: (1) malzeme temizlik alanı, (2) backlight alanı, (3) mekanik montaj ve (4) final test alanı. Malzeme hazırlık ve backlight montajında kullanılacak tüm malzemeler ilk olarak malzeme temizlik alanından geçmek zorundadır. Burada, yüzeydeki tozları temizlemek için malzemeler, iyonizeli hava sıkan hava duşlarından geçirilir. Backlight montajında kullanılacak malzemelerin bazıları malzeme hazırlık alanında hazırlanır ve sonra backlight montaj hattına transfer edilir. Bu hatta, flüoresanlar, yansıtıcılar, filmler ve yan-alt-üst destek elemanları takılır ve sonra ürüne panel ön camı, kartlar ve çerçevelerin takıldığı mekanik montaj hattına transfer edilir. Bitmiş ürünler, belirli bir sürede ve belirli bir sıcaklıkta beklemesi için bir ısı odasına transfer edilir. Bu ısıl işlemden sonra, ürünler soğumaları ve kalite testleri için test alanına gönderilmesi için soğutma alanına alınır. Testi geçen ürünler paketlenir ve depoya transfer edilir. Montaj hattı dengeleme probleminin genel özellikleri ve varsayımları aşağıdaki gibidir: Montaj hattında tek bir model veya ürünün üretimi gerçekleşmektedir. İşler arasındaki öncelik ilişkileri bilinmektedir. İşlem süreleri deterministiktir. İş parçası bir iş istasyondan diğerine bantlı konveyör üzerinde sabit hızla taşınmaktadır. Çevrim süresinden daha uzun süreli işler için paralel istasyonlar açılabilmektedir. Bazı işler birlikte aynı istasyonda yapılmak zorundadır. Bazı işler iş parçasının ön yüzeyinde, bazıları arka yüzeyinde yapılmaktadır. Bazı işler tek başına bir istasyona atanmalıdır. Firmanın amacı, iş istasyonu sayısını dolayısıyla operatör sayısını minimize etmeye çalışırken hat etkinliğini maksimize etmektir. Şekil 1 de işlerin yapılış sırasını gösteren öncelik ilişkileri diyagramı verilmektedir. İşlem sürelerini tespit etmek için detaylı bir zaman etüdü çalışması yapılmıştır. Tablo 1 de işlem süreleri, bir işten hemen önce yapılması gereken işler (öncül işler) ve iş parçasının duruş pozisyonuyla (ön yüz, arka yüz) ile ilgili bilgiler verilmektedir. ön yüzey işleri arka yüzey işleri ön yüzey işleri Şekil 1. Öncelik İlişkileri Diyagramı

124 113 Tablo 1. Problem Verileri İş İşlem süresi Öncül işler İş parçası pozisyonu (Ön yüz/arka yüz) Ö Ö , 2 Ö Ö Ö Ö Ö Ö Ö , 8 Ö Ö , 11 A A A A Ö , 11 Ö Ö Ö Ö Ö Ö , 22 Ö Ö , 24 Ö Montaj hattının çevrim süresi firmanın istediği üretim hızına göre önceden belirlenir. Hattan çıkan ürüne olan talep haftada 4000 parçadır. Bu talebi karşılamak için 8 saatlik bir iş vardiyasında saatte 100 parça üretilmelidir. Bu durumda çevrim süresi (C) parça başına 36 saniyeye karşılık gelmektedir. Tablo 1 de de görüldüğü gibi bazı işlerin işlem süreleri çevrim süresini aştığı için, bu işler için paralel birer istasyon daha kurulmasına ihtiyaç vardır. Böylelikle her iki istasyonda paralel olarak aynı işler yapılıyor olacaktır. Montaj sisteminde iki tane iş atama kısıtlaması bulunmaktadır: a) 18. iş istasyonda tek başına yapılmalıdır b) 24. ve 25. işler aynı istasyona atanıp, bu istasyona teknolojik kısıtlar ve işlerin hassasiyetinden dolayı başka hiçbir iş atanmamalıdır. Ele alınan problem çerçevesinde istasyon kısıtlaması işler yapılırken iş parçalarının konumlandırılmasına ilişkindir. İstasyon pozisyon kısıtı olarak da düşünülebilir. Bu yüzden, iş parçasının üst yüzeyinde yapılan işler ayrı istasyonlarda, arka yüzeyinde yapılan işler ayrı istasyonlarda gruplandırılmalıdır. Bu şekilde gruplandırmanın sebepleri: ürün pozisyonunun çok sık değiştirilmesinden dolayı üründe oluşacak bozulmaları engellemek, pozisyon değişikliğinden dolayı harcanan süreyi azaltmak. 3. ÖNERİLEN TAMSAYI PROGRAMLAMA MODEL Bu bölümde, elektronik firmasının bir önceki bölümde söz edilen gerçek hayat montaj hattı dengeleme problemi için tamsayı programlama modeli geliştirilmiştir.

125 114 Formülasyonda kullanılan notasyon aşağıdaki gibidir: N J i j C t i P m max F B A T problemdeki toplam iş sayısı açılabilecek maksimum iş istasyonu sayısı işler için indis, i =1,,N iş istasyonları için indis, j = 1,,J çevrim süresi i. işin işlem süresi Öncül iş ilişkisi içerisinde olan iş çiftleri (i,k) kümesi maksimum paralel iş istasyonu sayısı ön yüzey işleri kümesi arka yüzey işleri kümesi iş istasyonuna tek başına atanması gereken işler kümesi aynı istasyona başka işler olmaksızın birlikte atanan iş çiftleri (i,k) kümesi Karar değişkenleri x ij 1 eğer i. iş j. istasyona atanırsa; 0 diğer türlü, i = 1,,N, j = 1,,J a j 1 eğer j. istasyon ön yüzey işleri için kullanılırsa; 0 diğer türlü, j = 1,,J e j 1 eğer j. istasyon arka yüzey işleri için kullanılırsa; 0 diğer türlü, j = 1,,J 1 eğer j. istasyona paralel bir istasyon açılırsa; 0 diğer türlü, j = 1,,J z j Önerilen matematiksel model formülasyonu aşağıdaki gibidir: Amaç fonksiyonu Min (1) Öyle ki: (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)

126 115 {0,1} (13) Amaç fonksiyonu (1) belirlenmiş olan iş çevrim süresine göre ön yüzey ve arka yüzey işlerin gerçekleşeceği iş istasyonları ile paralel kurulacak iş istasyonlarının sayısını minimize etmektedir. 2. kısıt her işin sadece bir istasyona atanmasını sağlamaktadır. 3. kısıt işler arasındaki öncelik ilişkilerini sağlamaktadır; burada i. iş k. işin öncülüdür. 4. kısıta göre işler j. istasyona ancak o istasyon kullanılıyorsa atanabilir. Ayrıca, j. istasyona atanan işlerin toplam süresi çevrim süresinden daha küçük ya da eşit olmalıdır. Paralel istasyon açma durumunda, atanabilecek toplam işlem süresi çevrim süresinin iki katına kadar arttırılabilir. Daha önceden de belirtildiği gibi, bu kısıt özellikle çevrim süresinden uzun işlem sürelerine sahip işler bulunduğunda gerekli olmaktadır. 5. kısıt paralel iş istasyonun, ancak ve ancak ön yüzey ya da arka yüzey iş istasyonunun açılması durumunda kullanılabileceğini garantilemektedir. 6. kısıta göre bir istasyon ya ön yüzey ya da arka yüzey işlemlerin yapıldığı bir iş istasyonu olarak açılabilir. 7. kısıt ön yüzey işlerinin arka yüzey pozisyon kısıtlı iş istasyonlarına atanmasını engellemektedir. Aynı şekilde, 8. kısıt arka yüzey işlerinin ön yüzey pozisyon kısıtlı iş istasyonlarına atanmasını engellemektedir. 9. kısıt açılabilecek paralel iş istasyonu sayısını sınırlandırmaktadır. 10. kısıt tek başına yapılacak işleri bir istasyona, 11. ve 12. kısıtlar ise çiftler halinde yapılan işleri bir istasyona atamaktadır. 13. kısıt 0-1 değişkenlerini ifade etmektedir. Bu çalışmada matematiksel model benzer özellikleri taşıyan herhangi bir montaj sistemine kolaylıkla uyarlanabilecek şekilde genel bir yapıda verilmektedir. Örneğin, bizim problemimizde toplam paralel istasyon sayısı için bir sınırlama bulunmamaktadır. Bu yüzden, 9. kısıt için m max = 25 olarak alınmaktadır kısıtlar atamayla ilgili ilave kısıtlamaları modele dahil etmektedir. 4. DENEYSEL SONUÇLAR Bu bölüm iki kısımdan oluşmaktadır. Birinci kısımda, matematiksel model 36 saniyelik çevrim süresi için MHDP ni çözmek üzere LINGO 9.0 [15] optimizasyon paketinde çalıştırılmıştır. Bu çevrim süresi için elde edilen Tablo 2 deki çözüme göre 20 operatörle %90 hat etkinliğine ulaşılmaktadır. Toplam 11 tane başlıca iş istasyonu açılmakta; bunlardan ikisi (1. ve 6. istasyonlar) tek başına, diğerleri ise paralel iki istasyon şeklinde iki operatör atanarak açılmaktadır. İkinci bölümde, aynı problem alternatif çalışma programlarına (yani fazla mesai ve/veya Cumartesi günü çalışma, gün içinde birden fazla vardiya) karşılık gelen farklı çevrim süreleri için çözülmüştür. Bu şekilde, toplam işgücü maliyeti farklı çalışma stratejilerine göre karşılaştırılmıştır. Normal bir çalışma vardiyası 8 saat ve saatlik işçilik ücreti 5$ dır. Bir operatör için günlük çalışma maliyeti ise 40$ dır. Normal vardiyanın üzerine iki saate kadar fazla mesai yapılabilmektedir ve Cumartesi günleri de maksimum 8 saate kadar çalışılabilmektedir. Fazla mesai için ödenen işçilik ücreti normal işçilik ücretinin %50 fazlası olup, saatlik 7.5$ a karşılık gelmektedir. Tablo 3 de farklı çevrim sürelerine göre bulunan hat etkinlikleri, operatör sayıları ve haftalık işgücü maliyetleri verilmektedir. Tablo 3 de de görüldüğü gibi 36 saniyelik çevrim süresine karşılık gelen, günde bir vardiya şeklinde çalışma programı, 4000$ ile en düşük haftalık işgücü maliyetini vermektedir. Eğer fazla mesai ya da gün içinde birden fazla vardiyayı içeren bir opsiyon en düşük maliyeti vermiş olsaydı, firmanın üretime devam etmesi için katlanılan tüm genel giderlerin de dikkate alınması gerekecekti.

127 116 Tablo 2. İşlerin İstasyonlara Atanması İş istasyonu İş İşlem süresi Toplam zaman Operatör sayısı Toplam işlem zamanı

128 117 Tablo 3. Farklı Çevrim Süreleri İçin Toplam İşgücü Maliyetleri Çevrim süresi Hat etkinliği İş istasyonu sayısı Paralel iş istasyonu sayısı Gerekli operatör sayısı Gerekli haftalık işgücü saati Haftalık işgücü maliyeti C = * *8 saat 4,000* C = C = C = C = C = * 5*8 saat + 8 saat Cumartesi 5 * (8 saat + 2 saat fazla mesai) 5*(8 saat + 2 saat fazla mesai) + 8 saat Cumartesi 2 vardiya (8 saat/vardiya) 3 vardiya (8 saat/vardiya) 4,680 4,950 5,025 4,400 4,800 SONUÇ Klasik montaj hattı dengeleme literatürü genellikle basit montaj hattı problemi üzerine odaklanmıştır; fakat son yıllarda daha gerçekçi problemleri içeren çalışmalar giderek artmaktadır. Bu çalışmada, paralel iş istasyonlu endüstriyel bir montaj hattı sisteminin, hat dengeleme problemi formüle edilip çözülmektedir. İlk olarak, verilen bir çevrim süresi için öncelik ilişkilerini, pozisyon kısıtlarını ve diğer atama kısıtlarını dikkate alarak toplam operatör sayısını minimize edecek şekilde, montaj işlerinin seri hatta atamasını gerçekleştiren bir tamsayı programlama modeli önerilmiştir. Daha sonra, farklı çalışma şekillerine karşılık gelen alternatif çevrim süreleri için problemimiz çözülmüş ve elde edilen sonuçlar toplam işgücü maliyeti ve hat etkinliğine göre karşılaştırılmıştır. Pratikte montaj sistemleri maliyet fonksiyonları, ekipman seçimi, senkronize işler, alternatif prosesler, iş rotasyonu, karışık model üretimi ve maliyet/kar odaklı birden fazla amaç fonksiyonu gibi ilave özellikler ile karakterize edilmektedir. Gelecek araştırmalarda komplike gerçek hayat problemlerinin bu ilave özeliklerle nasıl ele alınacağı ve etkin bir şekilde pratik durumlara entegre edilebileceği incelenmelidir. KAYNAKLAR [1] AMEN, M., Cost-oriented assembly line balancing: Model formulations, solution difficulty, upper and lower bounds, European Journal of Operational Research, 168, , [2] ASKIN R. G. ve ZHOU M., A parallel station heuristic for the mixed-model production line balancing problem, International Journal of Production Research, 35, , [3] BAYBARS, I., A survey of exact algorithms for the simple assembly line balancing problem, Management Science, 32, , [4] BECKER, C. ve SCHOLL, A., A survey on problems and methods in generalized assembly line balancing, European Journal of Operational Research, 168, , [5] BUKCHIN, J. ve TZUR, M., Design of flexible assembly line to minimize equipment cost, IIE Transactions 32, , [6] BUXEY, G.M. Assembly line balancing with multiple stations, Management Science, 20, , [7] CAKIR B., ALTIPARMAK F., ve DENGİZ B., Multi-objective optimization of a stochastic assembly line balancing: A hybrid simulated annealing algorithm, Computers & Industrial Engineering, 30, , 2011.

129 118 [8] DECKRO, R.F., Balancing cycle time and workstations, IIE Transactions 21, , [9] EREL, E. ve SARIN, S. C., A survey of the assembly line balancing procedures, Production Planning and Control, 9, , [10] GHOSH, S. ve GAGNON, R. J., A comprehensive literature review and analysis of the design, balancing and scheduling of assembly systems, International Journal of Production Research, 27, , [11] INMAN, R.R. ve LEON, M., Scheduling duplicate serial stations in transfer lines International Journal of Production Research, 32, , [12] ISKANDER, W.H. ve CHOU, J., Unbalanced production line scheduling with partial job specialization, Naval Research Logistics 37, , [13] KIM Y.K., SONG W.S., ve KIM J.H., A mathematical model and a genetic algorithm for two-sided assembly line balancing Computers & Operations Research, 36, , [14] LAPIERRE, S.D. ve RUIZ, A.B., Balancing assembly lines: An industrial case study, Journal of the Operational Research Society, 55, , [15] LINGO User s Guide. Lindo Systems Inc.,Chicago, Illinois, [16] NOURMOHAMMADIA, A. ve ZANDIEHB, M., Assembly line balancing by a new multi-objective differential evolution algorithm based on TOPSIS, International Journal of Production Research, 49, , [17] PASTOR, R. ve COROMINAS, A., Assembly line balancing with incompatibilities and bounded workstation loads, Ricerca Operativa 30, 23-45, [18] SABUNCUOGLU, I., EREL, E., ve ALP, A., Ant colony optimization for the single model U-type assembly line balancing problem, Intern. Journal of Production Economics, 120, , [19] SCHOLL, A., Balancing and sequencing of assembly lines, New York: Springer-Verlag, [20] SCHOLL, A. ve BECKER, C., State-of-the-art exact and heuristic solution procedures for simple assembly line balancing, European Journal of Operations Research, 168, , [21] SCHOLL, A., FLIEDNER, M., ve BOYSEN, N., Balancing assembly lines with assignment restrictions, European Journal of Operational Research, 200, , [22] SURESH, G., VINOD, V.V., ve SAHU, S., A genetic algorithm for assembly line balancing, Production Planning and Control, 7, 38 46, [23] SUWANNARONGSRI, S. ve PUANGDOWNREONG, D., Optimal assembly line balancing using tabu search with partial random permutation technique, International Journal of Management Science and Engineering Management, 3(1), 3-18, [24] TALBOT, F.B., PATTERSON, J.H., ve GEHRLEIN, W.V., A comparative evaluation of heuristic line balancing techniques, Management Science, 32, , [25] WANG, F. ve WILSON, R.C., Comparative analyses of fixed and removable item mixed model assembly lines, IIE Transactions 18, , ÖZGEÇMİŞ Şeyda TOPALOĞLU Doç.Dr. Şeyda Topaloğlu Dokuz Eylül Üniversitesi (DEÜ), Endüstri Mühendisliği Bölümünde öğretim üyesi olarak görev yapmaktadır. Aynı bölümden Yüksek Lisans Derecesini Temmuz 1997 ve Doktora Derecesini Temmmuz 2003 tarihlerinde almıştır. Başlıca araştırma konuları şöyledir: matematiksel programlama, çizelgeleme, montaj hattı dengeleme, yöneylem uygulamaları. Gonca TUNÇEL Yrd.Doç.Dr.Gonca Tunçel Dokuz Eylül Üniversitesi (DEÜ), Endüstri Mühendisliği Bölümünde öğretim üyesi olarak görev yapmaktadır. Aynı bölümden Yüksek Lisans Derecesini Ağustos 1999 ve Doktora Derecesini Aralık 2005 tarihlerinde almıştır. Bir yıl süreli Post-doktora çalışmasını, Institut National Polytechnique de Grenoble (INPG) - Laboratory G-SCOP, Fransa da Agustos 2007 de tamamlamıştır. Başlıca araştırma konuları şöyledir: kesikli olay sistemlerinin modellenmesi ve analizi, üretim planlama ve çizelgeleme, kurumsal kaynak planlama, esnek imalat sistemleri, montaj hattı dengeleme, lojistik / tedarik zincirlerinde karmaşıklık ve risk yönetimi.

130 KABLOSUZ İLETİŞİMDE KAYNAK ATAMA PROBLEMİ İÇİN ARDIŞIK PAKETLEME MODELİ UĞUR ELİİYİ İZMİR EKONOMİ ÜNİVERSİTESİ EFENDİ NASİBOĞLU DOKUZ EYLÜL ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

131

132 121 KABLOSUZ ĠLETĠġĠMDE KAYNAK ATAMA PROBLEMĠ ĠÇĠN ARDIġIK PAKETLEME MODELĠ Uğur ELĠĠYĠ Efendi NASĠBOĞLU ÖZET Bu çalışmada geniş bant kablosuz erişimdeki modern haberleşme standartlarından biri olan IEEE (WiMAX-Worldwide Interoperability for Microwave Access) kapsamında tanımlanan bir kaynak atama problemi ele alınmaktadır. Problemin kaynağında baz istasyonu ve kullanıcı istasyonları arasındaki veri aktarımını tanımlayan fiziksel katman yapısının en verimli şekilde kullanılması yer almaktadır. Baz istasyonundan yollanan veriler belirli frekans aralıkları ve zaman dilimlerine karşılık gelen dikdörtgen bloklarla modellenmektedir. Dikdörtgen blokların genellikle 5 ms.lik zaman genişliğine sahip olan ve yüksekliği baz istasyonunun kullandığı frekans aralığına bağlı özdeş dikdörtgen dilimler (frame) içine yerleştirilmesi iki boyutlu paketleme problemi olarak modellenmektedir. Literatürdeki çalışmalar genellikle minimum transfer hızı ve maksimum gecikme gibi hizmet kalitesi kısıtlarını kullanarak tek dilim bazında paketleme algoritmaları önermektedir. Dikdörtgenlerin şekilleri bu algoritmalardaki minimum güç tüketimi veya bant aralığının en etkin kullanımı gibi amaçlara göre belirlenmektedir. Geliştirdiğimiz model kablosuz iletişimin dinamik ve belirsiz yapısını daha iyi temsil edebilmek amacıyla kaynak atamayı tek bir dilim değil ardışık bir dilim dizisi için çözmeyi hedeflemektedir. Böylelikle aynı kullanıcıya ait veri talebini dilimler arasında çizelgeleme mantığıyla paylaştırarak birbirlerine bağlı bir çok dikdörtgensel paketleme problemi tanımlanmaktadır. Geliştirilen modelin özel halleri depolama alanlarının kullanımı ve satınalma ödemeler planlaması gibi uygulamalarda da kullanılabilir. Modelin en genel halinin çözüm performansı test edildikten sonra özel halleri için hızlı çözüm sağlayacak sezgisel yöntemler geliştirilecektir. Anahtar Kelimeler: Dikdörtgensel Paketleme Problemi, Kablosuz İletişim, Kaynak Atama, Hizmet Çizelgeleme. ABSTRACT In this study, we propose a resource allocation model for a sequential two-dimensional packing problem which may have direct applications in wireless telecommunications area pertaining to IEEE standard. The model aims the optimal usage of the physical layer defined by the standard which characterizes the data packages sent from a base station to a fixed or mobile network service user station. The data transmitted for each user are modelled as rectangular blocks, dimensions of which correspond to time duration and frequencies used in wireless data transfer process. Placement of these rectangular blocks in identical rectangle bins called frames, whose dimensions are identified by the unit transfer time (usually 5 ms.) and a fixed frequency bandwith depending on the base station s technological specifications, is modelled as a two-dimensional packing problem. Most studies in the area aim to maximize the packing performance of a single frame employing strip packing techniques assuming same user demand levels per frame subject to quality of service (QoS) constraints like minimum transmission rate or maximum allowable delay. Shapes of the rectangles depend on the objective of the problem, like minimum power consumption or maximum bandwidth usage. We consider a planning horizon composed of a sequence of frames instead of a single frame for representing the dynamic nature of the problem better. Thus allowing varying demand sizes for each user, we aim to solve interdependent multiple packing problems integrated with service level

133 122 constraints. Specific cases of our model might also be applied to other topics such as scheduling of storage areas or purchasing payments. After a thorough analysis of the solution of our model, we plan to develop efficient heuristics and algorithms for quick and implementable solutions for special cases of the problem. Key Words: Rectangular Packing Problem, Wireless Telecommunications, Resource Allocation, Service Scheduling. 1. GĠRĠġ Bu çalışmada geniş bant kablosuz erişim sistemlerinin veri iletim esaslarını belirleyen modern telekomünikasyon standartlarından biri olan IEEE [1] veya WiMAX (Worldwide Interoperability for Microwave Access) teknolojisinde rastlanan bir kaynak atama problemi ele alınmaktadır. Bu standart uzun mesafelere ve yüksek hızlarda kablosuz erişim sağlayabildiğinden, kablolu iletişimin imkansız veya yüksek maliyetli olduğu kırsal yerleşimler ve düzensiz altyapılı büyükşehirler için önemlidir. Erişim menzilinin sabit istasyonlar için 50, hareketliler için 5-15 km. ve hareketli istasyonlar için indirme hızının 70 Mbit/s. seviyelerine ulaşılması planlanan bu standart, mevcut iletişim şebekelerin önemli oranda hasara uğradığı doğal felaket hallerinde hızlı ve sağlam iletişim alternatiflerinden biri olarak düşünülmektedir [2]. Hali hazırda 4G şebekelerinin kablosuz iletişimdeki dayanak teknolojilerinden biri olarak tasarlanmaktadır ve geçtiğimiz Mayıs ayında standarda önemli esneklik ve yenilik kazandıran IEEE m ek versiyonu yayımlanmıştır [3]. Standardın en önemli özelliklerinden biri baz istasyonu ve kullanıcı istasyonları arasındaki veri aktarımını tanımlayan fiziksel katmandır. Baz istasyonundan yollanan veriler, belirli frekans aralıkları ve zaman dilimlerine karşılık gelen dikdörtgen bloklarla modellenmektedir. Böylece aynı anda daha çok kullanıcıya erişim sağlanabilmektedir. Dikdörtgen blokların, genellikle 5 ms.lik zaman genişliğine sahip ve yüksekliği baz istasyonunun kullandığı frekans aralığına bağlı dikdörtgen dilimler (frame) içine verimli olarak yerleştirilmesi gerekmektedir. Yukarıda bahsi geçen standart ekinde fiziksel katmandaki dilim tanımlarına dört dilimden oluşan üstdilim (superframe) eklenmiş, altdilim (subframe) süre uzunluklarında frekans aralıklarına bağlı olarak değişen bir esneklik sağlanmıştır. Bu altdilimlerse genellikle bir dilimin sekizde biri genişlikte (sürede) belirlenmiştir [3]. Böylelikle cihaz üreticileri ve geniş bant kablosuz iletişim hizmet sağlayıcıları için teknik tasarımlardaki özgürlük arttırılmıştır. Ayrıca kablosuz iletişimdeki veri iletim hızlarındaki yeni hedef seviyeler hareketli cihazlarda 100 Mbit/s., sabit cihazlardaysa 1 Gbit/s. indirme hızı olarak belirlenmiştir. Her dilim, yollanan verinin kipleme (modulation) ve kodlanma türüne göre değişebilen miktarlarda kapasiteye sahip birim yuvalardan (slot) oluşmaktadır. Bu durumda bir kullanıcıya yollanan verinin değişik boyutta dikdörtgenlerle temsil edilebildiği iki boyutlu bir paketleme problemi söz konusudur. Önemli olan kullanıcıların veri aktarma taleplerini istenilen zaman dilimlerinde karşılayacak iki boyutlu paketlemeyi çok kısa sürelerde çözebilecek algoritmalar geliştirmektir. Dikdörtgenlerin şekilleri bu algoritmalardaki minimum güç tüketimi veya bant aralığının en etkin kullanımı gibi amaçlara göre belirlenmektedir. Geliştirdiğimiz model Mobil Wimax kablosuz iletişiminin dinamik ve belirsiz yapısını daha iyi temsil edebilmek amacıyla kaynak atamayı tek bir dilim değil ardışık bir dilim dizisi için çözmeyi hedeflemektedir. Böylelikle aynı kullanıcıya ait toplam veri talebini dilimler arasında bölüştürme (partition) mantığıyla paylaştırarak birbirlerine bağlı bir çok dikdörtgensel paketleme problemi tanımlanmaktadır. Modelin tanımına geçmeden önce, bir sonraki bölümde bu güncel konuyla ilgili literatürdeki önemli çalışmalardan bahsedilmektedir.

134 KABLOSUZ ĠLETĠġĠMDE ĠKĠ BOYUTLU PAKETLEME PROBLEMLERĠ İlk bölümde belirtildiği gibi IEEE standardının literatürdeki bir çok çalışmayı ilgilendiren en önemli özelliği baz istasyonundan kullanıcılara veri iletiminin yapısını tanımlayan fiziksel katmandır. Dikey Frekans Bölüşümlü Çoklu Erişim (Orthogonal Frequency Division Multiple Access - OFDMA) olarak adlandırılan katman tipinde iniş yolu (downlink - DL) yönündeki yani baz istasyonundan kullanıcıya gönderilen veri paketlerinin zaman-frekans düzlemindeki altdilimler içerisinde dikdörtgen bloklar halinde yerleştirilmesi zorunlu kılınmıştır [1]. Bu bloklar veri parçacığı (DL burst) olarak adlandırılmaktadır. İki yönlü veri aktarımının tasarlandığı bu yapı içerisinde dilimin temsil ettiği baz istasyonu veri kaynağının hangi kriterlere göre ayrıştırılıp kullanılacağı iki çiftleme (duplexing) moduna bağlıdır. Bunlardan ilki farklı yöndeki veri akışı için farklı taşıyıcı frekans aralıklarının kullanıldığı Frekans bölüşümlü çiftleme (frequency division duplexing - FDD), diğeriyse aynı taşıyıcı frekans aralığının kullanıldığı fakat DL bağlantısının çıkış yolu (uplink - UL) yönündeki aktarımdan önce sağlandığı Zaman bölüşümlü çiftleme (time division duplexing - TDD) modudur. Çalışmamızda olduğu gibi literatürden ilgili çalışmaların çoğunda bu ikinci mod kullanılmaktadır. Hangi modun kullanıldığı iki boyutlu paketleme probleminin modelleme mantığı açısından bir fark yaratmamaktadır. Şekil 1 de TDD modunda yapılandırılmış bir OFDMA dilimi gösterilmektedir. ġekil 1. TDD Modundaki Bir OFDMA Dilimi Örneği [4]. Fiziksel katman yapısı dışında, kablosuz iletişim hizmetine ait kalite (Quality of Service - QoS) kısıtları sınıfları da probleme ait önemli parametreleri oluşturmaktadır. Bu kısıtlar kullanıcı istasyonlarının minimum veri iletim hızı, maksimum gecikme kısıtları, gönderilen veri veya kullanıcının abonelik türü gibi belirli kriterlere göre sınıflandırılmasını sağlar. Böylelikle kullanıcılara DL altdilimlerinde yollanan veri parçacıklarının (dikdörtgen blokların), kablosuz ağ bağlantılarının doğası gereği zaman ve konuma göre değişkenlik gösteren bir çok olumsuz etmenin etkisini kullanıcı lehinde dengelenmesini garantileyen, bir başka deyişle problemi olurlu yapan minimum hizmet seviyelerine göre atanması sağlanmaktadır [2,5]. Bu ve literatürdeki diğer tüm çalışmalardaki modellerin uygulanma alanı baz istasyonu cihazına ait Ortam Erişim Denetleme (Media Access Control - MAC) çizelgeleyicisidir. Bu çizelgeleyicinin görevi özetle kullanıcı istasyonları için zaman ve frekans aralıklarının atanmasıdır. Yani kablosuz iletişim hizmeti bekleyen kullanıcılara ait sıra ve gönderilen veri miktarlarının belirlenmesi yanında, her bir bağlantı için zaman ve frekans aralıklarının atanması (dilim paketleme) probleminin dinamik bir şekilde

135 124 gerçekleştirilmesi bu elektronik bileşenin görevidir. Bu çizelgeleyici için standart tarafından özellikle belirlenmiş özel bir bağlantı giriş denetimi ya da kaynak atama mekanizması yoktur. Bu da her WiMAX cihaz üreticisi veya servis sağlayıcısı için farklılaşmış ve özelleştirilmiş hizmet açısından çizelgeleme nin ve problemin en yeni teknolojiler kullanılarak verimli bir şekilde çözümünün önemini arttırmaktadır. Belirli ağ hizmet kalitesi parametrelerine karşılık gelen kullanıcı kuyruklarının ve her kullanıcıya dilim başına gönderilecek veri miktarının belirlenmesi konusu veri parçacığı oluşturma başlığı olarak çalışılmıştır [6]. Aynı konu paket çizelgeleme başlığıyla da ele alınmıştır [7]. Ortam Erişim Denetleme bileşeninin çözmesi gereken diğer ana problemle ilgili olarak, yani kullanıcı bağlantısı için zaman ve frekans aralıklarının atanmasına karşılık gelen ve dilim paketleme, paket veya veri parçacığı eşleştirmesi başlıklarıyla adlandırılan konuyla ilgili ilk çalışma Ben-Shimol vd.ye aittir [8]. Yazarlar hizmet kalitesi kısıtları kullanan ve kullanmayan iki sezgisel yöntem geliştirip, bunları gerçek sistemlere ait verilerle çalıştırdıkları simülasyonlarla test etmişlerdir. Veri parçacıklarını satır satır ve büyüklükleri artmayan sırada yerleştirmişlerdir. Ohseki vd. ise hizmet kalitesi sınıflarını kullanarak her kullanıcı bağlantısı için bitiş süreleri belirlemiş ve veri gönderim kuyruğunu bu sürelere göre oluşturmuştur [6]. IEEE standardı bir kullanıcı istasyon bağlantısına birden fazla dikdörtgen ya da birden fazla bağlantıya bir dikdörtgen atamasına (parçacık sıkıştırma - burst compaction) izin vermektedir. Bu eşleştirmelerde dilim başına düşen parçacık sayısı hem problemin çözüm süresinde hem de bu atama bilgilerinin baz istasyonunda tutulduğu yer büyüklüğünde artışa sebep olmaktadır. Ağ kullanımında daha verimsiz olmasına rağmen veri güvenliğiyle ilgili olarak tek bir bağlantının birden fazla dikdörtgen blokla temsil edildiği durumlar üzerinde de çalışılmıştır [9]. Tersi durumda, yani bir çok bağlantıya ait veri parçacığının sıkıştırılıp tek bir dikdörtgenle temsil edildiği durumlardaysa verinin hangi kullanıcıya gönderildiği özgün bağlantı kimliği (unique connection identifier - CID) yardımıyla belirlenmektedir. Fakat bu kimliğin kullanıcı tarafındaki çözümlenme süreci veri paketi alımında, yani dilim trafiğinde gecikmeye sebep olabilir [2]. DL dilim paketleme problemi için ağ trafiğinin üç farklı hizmet kalitesi sınıfı kullanılarak yaratılan simülasyon verileri üzerinde bir genetik algoritma çözümü önerilmiştir [5]. Yazarlar, iki boyutlu paketleme literatüründen Azalan-Yüksekliğe-Sonraki-Uygun (Next-Fit-Decreasing-Height - NFDH) parça seçimini uygulayan ve dilim kapasite kullanımını maksimize eden bir şerit paketleme yaklaşımı hedeflemişlerdir. Bir veri parçasının alanına karşılık gelen bir çok genişlik ve yükseklik kombinasyonu olduğu için, genom modellemelerinde veri parçacığının değişken genişlik ve yükseklik ölçülerini baz almışlardır. Şerit paketlemedeki hedef tüm parçalar yerleştirildiğinde mümkün olan en düşük paket yüksekliğine ulaşmaktır. Lodi vd. bu yöntem de dahil olmak üzere iki boyutlu paketleme problemlerin geneli için kesin ve sezgisel çözümler sunan algoritmaları değerlendirmişlerdir [10]. Çalışmalarında şerit paketleme yanında, tüm parçaların minimum sayıda kutuya yerleştirilmesi problemi olan kutu paketleme (bin packing) problemlerine de değinilmiştir. Benzer şekilde So-In vd. maksimum kapasite kullanımı hedefiyle QoS veri çıktısı garantisi kısıtlarıyla DL veri parçacıklarını dilim üzerinde sağdan sola ve aşağıdan yukarıya yerleştirme yaklaşımını kullanmışlardır [4,11]. Birbirinin takip eden iki algoritmada da kullanıcı istasyonunun elektrik devresinin açık olduğu süreyi yani enerji tüketimini minimize etmek için en dar genişliğe sahip veri parçacığı ya da en düşük yüksekliğe yani en küçük frekans aralığına sahip parçacık seçilmiştir. Yukarıda özetlenen çalışmalarda uygulanmış tek kriterin iyileştirilmesi yönünde ve tek dilim üzerindeki paketleme yaklaşımları yanında, bulanık QoS kısıt ve parametreleriyle tanımlanan kalite seviyelerinin hedeflendiği bir modelleme örneği de vardır [12]. Yazarlar, kullanıcılara atanacak veri parçacık alanlarını bulanık sayılarla tanımlayarak belirli hizmet seviyelerine karşılık gelen paketleme çözümleri üretmeyi planlamışlardır. Paketleme problemi çözüm yönteminde kullanıcı veri talepleri ve değişken ağ koşulları yanında, kullanıcılara ait öncelikler (abonelik tipi vs.) de gözönünde bulundurulmuştur. Modelleri için temel alıp bu problem özelinde geliştirdikleri yaklaşım, parça ve kutuların kendi ve birbirleri arasında, dilim üzerindeki yerleşimlerinde kullanılan kısıtlara karşılık gelen dört farklı bulanık bağıntının tanımlandığı Nasibov a ait çalışmadır [13]. Yazar, bu bulanık kısıtları temel alan etkileşimli bir algoritma sayesinde paketleme kalitesinin maksimum seviyeye ulaşmasını sağlamaktadır. Bu

136 125 bağıntılar sırasıyla parçalar arasındaki bağlılık ve uyumluluk, ve parça ve kutular arasındaki bağlılık ve uyumluluk ilişkilerini [0,1] aralığında gerçel sayı değerleriyle tanımlanmış matrisler aracılığıyla yansıtmaktadır. Genel paketleme yaklaşımları yanında maksimum-kar hedefli belirli bir dikdörtgen altkümesinin seçimi amaçlı iki boyutlu sırtçantası problemi ele alınmıştır [14]. İki boyutlu problemin, parça alanlarının ağırlıklara eşitlendiği tek boyuta doğal bir gevşetmesi çalışılmıştır. Bu gevşetmeyi temel alıp geliştirdikleri dört kesin çözüm algoritmasının hesaplamalı karşılaştırmalarını, üst sınırlara ait en kötü durum analizi ve ispatlarıyla beraber sunmuşlardır. İlk bölümde bahsettiğimiz ve bir sonraki bölümde sunulan modelle daha doğrudan ilgili bir güncel çalışma bulunmaktadır [15]. Yazarlar ardışık dikdörtgen yerleştirme problemini ele almışlar ve problemin hesaplama zorluğunu veri parçacığı boyutlarının dilim büyüklüğüne oranlarıyla ilişkili olarak incelemişlerdir. Parçacıklar arasında kesin bir öncelik sıralaması tanımlanmış ve dilim dizisi üzerindeki bir veri parçasının, önceliği daha büyük olan diğer tüm kullanıcıların transferi bitmeden dilime yerleştirilmesine izin verilmemiştir. Yerleştirme sonucu oluşan kapasite kullanımında pratik açıdan başarılı olan bir çalışmada öncelikler ve hizmet kısıtları kullanılarak daha az esnek olan kullanıcı verileri DL altdilimleri kuyruğunda ilk sıralara atanmıştır [16]. Bu ve daha önce bahsedilen çalışmalarda geliştirilen algoritmaların [11,16] dilim başına kapasite kullanım seviyelerinin daha da üstüne çıkan sezgisel algoritmalar geliştirilmiştir [17,18]. Bu güncel çalışmalarda problemin hesaplama karmaşıklığının NP-zor olduğu ispatlanmış ve geliştirilen yöntemlerin gerçekçi trafik yükü ve OFDMA parametreleriyle beraber üretilen verileri çözümünde 1 ms.den az sürelere ulaştığı sonucuyla baz istasyonları üzerinde pratik olarak uygulanabilirliği gösterilmiştir. Kullanıcılara atanan veri parçacıklarının kar tanımlarıyla sıralandığı bu yaklaşımlarda, herhangi bir dilime atanabilecek veri parçacıklarının seçiminde maksimum karı sağlayan altkümenin bulunması hedeflenmektedir. Geliştirilen algoritmaların IEEE m standart ekiyle getirilen kısıtlamalarla uyumlu olduğu, yeni standarta uygun cihazların seri üretiminin başlangıcına kadar geçerlilik ve üstünlüklerini koruyacağı vurgulanmıştır. 3. ARDIġIK DĠLĠM PAKETLEME MODELĠ IEEE kablosuz iletişim standardıyla belirlenen baz istasyonundan sabit veya mobil kullanıcı istasyonlarına gönderilen veri transferi kaynağının atanması için, belirli ağ hizmet kalitesi kısıtlarını sağlayacak çözümler elde edecek tamsayılı doğrusal olmayan bir matematiksel programlama modeli geliştirilmiştir. Model her kullanıcıya iletilmesi gereken toplam veri miktarının, kullanıcılara ait minimum hız ve maksimum gecikme gibi kısıtları sağlayarak belli sayıdaki ardışık dilim üstünde dağıtılmasını ve dağıtılan bu miktarların her bir dilim / altdilim üzerine dikdörtgen bloklar halinde paketlenmesini hedeflemektedir. Çalışmanın bu safhasında sadece olurlu çözüm bulmaya öncelik verildiğinden amaç fonksiyon konusunda belirli bir tercih yoktur. Geçerli ve verimli çözüm kesin veya sezgisel yöntemleri geliştirildikten sonra aynı model, özel halleriyle beraber maksimum kapasite kullanımı hedefiyle çözdürülecektir. IEEE m standart ekinin getirdiği üstdilim tanımına yaklaşan vadelerde problemin her dilimde bir değil de birkaç dilimde bir çözümüyle, literatürden örneğini verdiğimiz 1 ms. içerisinde çözüm elde edilmesi kısıtları gevşetilmiş olacaktır [17,18]. Modelimize ait temel varsayımlar, kullanılan indis ve parametrelerle beraber aşağıda sıralanmaktadır. Bunları karar değişken tanımları ve olurlu çözümün bulunmasında kullanılan kısıtlar izlemektedir. 3.1 Varsayımlar Kablosuz iletişimde baz istasyonundan veri talebinde bulunan herhangi bir sabit veya mobil kullanıcı istasyonu modelde kullanıcı olarak adlandırılmaktadır. Baz istasyonunun kaynağı olan ve problemimizdeki paketlemenin geçtiği iki boyutlu ortam olan DL alt dilimleri modelimizde kısaca dilim

137 126 olarak adlandırılmaktadır. Kullanıcı ve veri parçacıkları birebir eşleştirilmektedir, yani herhangi bir dilim için bir kullanıcıya en fazla tek dikdörtgen atanabilmekte ve benzer şekilde bu dikdörtgendeki veri sadece o tek kullanıcıya gönderilmektedir. Modelin çözüm değerleri ve parametreleri birbirlerini takip eden sürekli bir döngü halindedir. Bir ardışık dilim dizisinin çözümü sonraki dizi için girdi olmaktadır. Böylelikle bazı parametreler devam etmekte olan veri transferleri, bazılarıysa yeni başlayacak ve kuyruktaki veri taleplerine ait niceliklere karşılık gelmektedir. Hizmet kalitesi kısıtları olarak minimum veri transfer hızı ve izin verilen maksimum gecikme süresi kullanılmaktadır. Maksimum gecikme süresi, kullanıcıya veri transferi sürerken karşılaşılabilecek en uzun kesintiyi yani kullanıcıya atama yapılamayacak en uzun ardışık zaman miktarını tanımlar. Eğer veri transferi izin verilen süreden fazla kesintiye uğrarsa, daha önce gönderilen verinin gönderilmemiş sayıldığı zamanaşımı hatası meydana gelmiş olur. Veri parçalarının yerleştirildiği dilimlerin alan birimi olarak ilk bölümde bahsi geçen yuva kullanılmaktadır. Literatürdeki çoğu çalışmada olduğu gibi bu yuvaların aynı miktarda veri taşıyabileceği, kısacası dilimlerin birim yuva kapasite yoğunlukları açısından homojen olduğu varsayılmıştır. Yani aynı sayıda yuvadan oluşan bir dikdörtgensel alan, dilimin neresine yerleştirilirse yerleştirilsin aynı miktarda veri taşıyacaktır. Model sırada bekleyen her kullanıcıya hizmet etmek zorundadır. Bu sebeple en azından toplam kapasite olurluğu açısından, belirlenen sayıdaki dilime karşılık gelen veri kapasitesi kuyruktaki toplam veri talebini karşılamalıdır. Karşılanmadığı durumlar için literatürde örneği bulunan öncelik veya kar değerlendirmeleriyle kapasitenin karşılandığı en iyi kullanıcı altkümelerinin bulunması yöntemleri kullanılabilir. Aşağıda gösterimleri ve tanımları sunulan modele ait tüm parametrelerin pozitif ve karar değişkenlerininse negatif olmayan tamsayılar olduğu varsayılmıştır. 3.2 Modelde Kullanılan Ġndis ve Parametreler Kullanıcı ve dilimleri tanımlayan iki indis vardır. Kullanıcı indisi i I = {1,...,m}, j J = {1,...,n} ile gösterilmektedir. m, veri talebi sırasındaki toplam kullanıcı sayısına, n= ardışık dizideki dilim sayısına eşittir. Kaynak ve hizmet seviyesiyle ilgili ihityaçları ilgilendiren diğer parametreler aşağıda tanımlanmaktadır: W : dilim genişliği,, H : dilim yüksekliği height, A = WH : dilim alanı (tüm dilimler özdeş), d i : i kullanıcısına ait kalan toplam veri talep miktarı (yuva), s i : i kullanıcısına ait minimum veri transfer hızı limiti (yuva/dilim), i = min{ns i, d i } : i kullanıcısına dilim dizisi boyunca atanması gereken toplam veri miktarı (yuva), öyle ki na eşitsizliği sağlanmalıdır, i I i λ i : i kullanıcısına ait veri transferinde zamanaşımı hatasına düşülmemesi için izin verilen maksimum gecikme süresi (dilim), i i A : i kullanıcısına atanması gereken minimum dilim sayısı, θ i : i kullanıcısına ait veri transferinin başlaması veya devam etmesi için atanması gereken en geç dilim (devam eden tranferler için λ i, sıradaki kullanıcılar için ise n e eşittir). Basitlik açısından şimdilik dilim dizisi uzunluğu olan n, max{λ i }+1 e eşit olarak alınmaktadır. Tüm d i, s i, i, λ i, W, H, α i ve θ i parametreleri pozitif tamsayılardır ( Z +, i I). Bir önceki bölümde bahsi geçen bulanık kısıt perspektifi için doğallıkla uygulanabilecek esneklik varsayımları için en uygun parametrelerin d i ve λ i olması planlanmıştır [12].

138 Karar DeğiĢkenleri Modelde kullanılan karar değişkenleri aşağıdaki şekilde tanımlanmaktadır 1, i kullanıcısı j dilimine atandıysa), zij, i I, j J 0,aksi halde. t i J : i kullanıcısına ait veri transferinin başladığı / atandığı ilk dilim, x ij : i kullanıcısına j diliminde atanan dikdörtgenin sol-alt köşesine ait x-koordinatı, y ij : i kullanıcısına j diliminde atanan dikdörtgenin sol-alt köşesine ait y-koordinatı, w ij : i kullanıcısına j diliminde atanan dikdörtgenin genişliği, h ij : i kullanıcısına j diliminde atanan dikdörtgenin yüksekliği, a ij = w ij h ij : i kullanıcısına j diliminde atanan dikdörtgenin alanı, i, j ti için, rij, i I, j diliminden sonra i kullanıcısına kalan dilimlerde atanması r a, j t için. i ( j 1) ij i gereken toplam veri miktarı. 3.4 Model Kısıtları Modelin çözümünü olurlu yapacak kısıtlar açıklamalarıyla beraber aşağıdaki gibidir: 1. Her kullanıcıya ait toplam veri talebinin dilim dizisi boyunca karşılanmasını sağlar, wijhij i, i I. (1) j J 2. Kullanıcı dikdörtgenleri ve dilimlere ait temel konum (aynı zamanda boyut) kısıtları, x w W, y h H, i I, j J. (2) ij ij ij ij 3. Kullanıcıya yeterli sayıda dilim atama yapılmasını sağlar, zij i, i I. (3) j J 4. z ij ve t i değişkenlerini birbirine bağlayan tanımlayıcı kısıtlar, ti 1 1 z 0, z 1, i I. (4) ij iti 5. t i değerlerine ait üst limitler, t min n 1,, i I. (5) i i i 6. z ij değişkenleriyle x ij, y ij, w ij ve h ij değişkenlerini birbirine bağlayan kısıtlar, zij 1 xij ( W 1) zij, zij 1 yij ( H 1) zij, i I, j J. zij wij Wzij, z, ij hij Hzij 7. Zamanaşımı hatalarını önleyen maksimum gecikme süresi kısıtları, ik rik ik i ( ) ( ) ik 0,1, k ti i,.., n 1, i I. rik i k r i i k i β ik = 1, eğer r ik 1 ise (kalan veri talebi sıfırdan büyükse), aksi halde 0. r 0, i I. in (6) (7)

139 Her dilimde yerleştirilen dikdörtgenlerin çakışmamasıyla ilgili ikili değişken içeren kısıtlar, Aynı dilim içerisinde yerleştirilen kullanıcıların seçimi, zpj zqj pqj 1, pqj 0,1, p, q I, p q, j J, (8-a) zpj zqj 2 pqj, δ pqj = 1, eğer hem p hem de q kullanıcısı aynı j dilimine atandıysa, aksi halde 0. Yatay eksendeki çakışmaları önler; x pj w pj xqj 1 pqj1 W, xqj wqj xpj 1 pqj 2 W, pqj1, pqj 2 0,1, p, q I, p q, j J. (8-b) pqj1 pqj 2 2 pqj, γ pqj1, p kullanıcısına ait dikdörtgen j diliminde q kullanıcısına ait dikdörtgenin sol tarafına yerleştirilmişse 1 e eşittir; γ pqj2, q kullanıcısı için benzer şekilde tanımlanmıştır; Dikey eksendeki çakışmaları önler; y pj hpj yqj 1 pqj 3 H, yqj hqj y pj 1 pqj 4 H, pqj 3, pqj 4 0,1, p, q I, p q, j J. (8-c) pqj 3 pqj 4 2 pqj, γ pqj3, p kullanıcısına ait dikdörtgen j diliminde q kullanıcısına ait dikdörtgenin alt tarafına yerleştirilmişse 1 e eşittir; γ pqj4, q kullanıcısı için benzer şekilde tanımlanmıştır; (8-a), (8-b) ve (8-c) kısıtlarını birbirine bağlayan doğrusal mantıksal kısıtlar, pqj1 pqj zpj pqj, pqj 2 pqj zqj pqj, p, q I, p q, j J. (8-d) pqj1 pqj 2 pqj 3 pqj 4 pqj. 9. Modelde kullanılan değişkenlere ait işaret kısıtları, hepsi negatif olmayan tamsayılar veya ikili değişkendir. x ij, y ij, w ij, h ij, a ij, t i ve r ij {0,1,2,3,...}, i I, j J. (9) Bu bölümün başında belirtildiği gibi sadece olurluluk problemini çözmeyi hedeflediğimiz için amaç fonksiyonu için belirli bir tercihimiz yoktur ve basitçe aşağıdaki gibi sabit bir değeri minimize etmek şeklinde tanımlanabilir: Min Z = 1 Modelimiz öncelikle IBM ILOG CPLEX 12.1 optimizasyon yazılım paketi üzerinde çalışan OPL 6.3 dili kullanarak test edilmiştir. Beklediğimiz üzere doğrusal olmayan r ij karar değişkenleri ve aynı miktarda veri talebine karşılık gelen değişken genişlik ve yükseklikle ilgili (1) numaralı kısıtlar sebebiyle CPLEX le bir çözüm elde edilememektedir. Çalışmanın gelecek safhalarında aynı modelin kesin çözümünün doğrusal olmayan AMPL ve GAMS çözüm motorlarıyla denenmesi ve sonuçların raporlanması planlanmaktadır. Test için kullanılacak bilgisayar 4 GB bellekli ve 3-çekirdekli 1.8 GHz hızında işlemciye sahiptir. Yazılım veya donanım olarak en güçlü çözüm olanaklarına sahip olunsa bile, problemin bütün olarak tüm kısıtlar aynı anda gözetilerek çözülmesi imkansız gözükmektedir [15]. Ayrı ayrı ve boyutları bilinmeyen parçalardan oluşan zaten çok zor çözülebilen iki boyutlu paketleme problemlerinin üzerine bir de toplam veri talebininin bölüştürülmesi yaklaşımı eklenmiştir. Aşağıdaki Şekil 2. de hiçbir hizmet kalite kısıtı kullanılmadan 4 dilim üzerinde yerleştirilen, belirli boyutlardaki 14 kullanıcıya ait dikdörtgenler gösterilmektedir. Bu çözüm bile yukarıda konfigürasyonu verilen donanım üstünde bir

140 129 saat sonunda elde edilmiş ve çözüm süresine rağmen CPLEX çözüm motoru tarafından optimalliği bile ispatlanamamıştır. ġekil Kullanıcıya Ait Bir Paketleme Örneği. SONUÇ Önceki bölümlerde anlatıldığı üzere, çalışmamızın ilk hedefi problemimiz için kabul edilebilir süre sınırları içerisinde olurlu çözümler elde etmektir. Süre anlamında etkin ve verimli geçerli çözümler elde edebilecek kesin veya sezgisel yöntemler geliştirildikten sonra maksimum kapasite kullanımını hedefleyen optimizasyon problemi çözdürülecektir. Modelde kullanılan değişken ve kısıt sayısının yüksekliği, basit sayısal örnekler üzerinde bile çalışmayı zorlaştırmaktadır. Tüm kısıtları ve bütün problemi aynı anda ele almaktansa problemin en az iki alt problem halinde tanımlanıp çözdürülmesi planlanmaktadır. Ana problem kullanıcı veri taleplerinin dilimler üzerinde maksimum gecikme kısıtları açısından olurlu bölüştürme çözümlerine karşılık gelmektedir. Böylelikle z ij karar değişkenlerinin değerleri türetilecek, ikinci alt problemin en iyi sınırları elde etmesiyle dilimler bazında paketleme problemleri çözülecektir. Devam eden bu çözüm döngüsü tüm kullanıcılar için olurlu bir yerleştirme gerçekleştirdiğinde sona erecektir. Her iki alt problem de NP-zor olduğundan, kapsamlı bir literatür incelemesiyle en yeni ve etkin sezgisel çözüm yöntemlerinin karşılaştırmalı olarak test edilmesi gerekecektir. Optimizasyon probleminin çözümüne ancak bu aşamadan sonra başlanması daha anlamlı gözükmektedir. Sezgisel algoritmalar ve ticari optimizasyon yazılım alternatiflerine ek olarak, kısıt programlama üzerinde de çalışmak mümkündür. Bilgisayar bilimleri, yapay zeka, veritabanları, programlama dilleri ve yöneylem araştırması gibi bir çok teknik alanda karşılaşılan önemli kombinatoryel arama problemlerinin çözümlerinde etkin bir şekilde kullanılan güncel ve güçlü bir metodolojidir [19]. Kısıt programlamadaki temel fikir kısıtların değişkenler arasındaki ilişkiler olarak ifade edilmesi ve eldeki değişken kümeleri üzerinde hangi kısıtların kullanılması gerektiğinin her amaca uygun bir kısıt çözücü tarafından verimli bir şekilde kontrol edilmesidir. Bu çalışmada tanımlanan problem özelinde belirtmek gerekirse, kullanıcılara ait toplam veri taleplerinin hangi dilimlere atanması gerektiğiyle ilgili olan bölüştürme alt probleminin çözümünde kısıt karşılama problemi (constraint satisfaction problem - CSP) yaklaşımının kullanılması uygun görülmektedir. Konuyla ilgili gelecek çalışma başlıklarından bir diğeri, yukarıda özetlenen tüm iki boyutlu paketleme problem tipleri kapsamında literatürde önemli uygulamaları olan çizge kuramından güncel ve pratik yaklaşımların kablosuz iletişimdeki kaynak atama problemi özelinde ele alınmasıdır. Modelimizin depolama alanlarının kullanımı ve satınalma ödemeler planlaması gibi optimizasyon

141 130 uygulamalarıyla büyük ölçüde paralelliklerinin olduğu özel hallerinin incelemeye değer olduğu öngörülmektedir. Mevcut ve etkin çözüm yöntemlerinin her iki yönde uyarlanmasıyla pratik ve teorik olarak karşılıklı bir çok ilerleme sağlanabileceği düşünülmektedir. Geliştirilen tüm model ve algoritmalar literatürde yaygın kullanımı olan veri setleri ile denenip çözdürülecek, gerektiğinde kablosuz iletişimle ilgili geçerli kalite kısıtları ve trafik parametre verilerini türetecek simülasyonlardan faydalanılacaktır. Çalışmanın ilerleyen safhalarında elde edilecek sonuçlara göre varsayımlarda ve karar değişken sayılarında bazı gevşetmelere gidilmesi gerekebilir. Her durumda, veri türetim mekanizmaları ve çözüm test konfigürasyonlarının en güncel çalışmalar paralelinde sürdürülmesiyle, çalışma sonunda kullanışlı ve tekrar kullanılabilir çözüm yöntemlerinin geliştirilmesi planlanmıştır. KAYNAKLAR [1] IEEE , IEEE Standard for Local and metropolitan area networks, Part 16: Air Interface for Broadband Wireless Access Systems, Mayıs [2] SO-IN, C., JAIN, R., TAMIMI, A.K., Scheduling in IEEE e Mobile WiMAX Networks: Key Issues and a Survey, IEEE Journal on Selected Areas in Communications, Vol. 27, No. 2, s , [3] IEEE m, IEEE Standard for Local and metropolitan area networks - Part 16: Air Interface for Broadband Wireless Access Systems, Amendment 3: Advanced Air Interface to IEEE , Mayıs [4] SO-IN, C., JAIN, R., TAMIMI, A.K., OCSA: An Algorithm for Burst Mapping in IEEE e Mobile WiMAX Networks, Proceedings of 15th Asia Pacific Conference on Communications (APCC 2009), Shanghai, Çin, [5] NECKER, M.C., KÖHN, M., REIFERT, A., SCHARF, J., SOMMER, J., Optimized Frame Packing for OFDMA Systems, Proceedings of the 67th IEEE Vehicular Technology Conference (VTC Spring), Singapur, [6] OHSEKI, T., MORITA, M., INOUE, T., Burst Construction and Packet Mapping Scheme for OFDMA Downlinks in IEEE Systems, Proceedings of IEEE Global Telecommunications Conference, Washington, ABD, s , [7] WONGTHAVARAWAT, K., GANZ, A., Packet scheduling for QoS support in IEEE broadband wireless access systems, International Journal of Communication Systems, Vol. 16, No. 1, s , [8] BEN-SHIMOL, Y., KITROSER, I., DINITZ, Y., Two-dimensional mapping for wireless OFDMA systems, IEEE Transactions on Broadcasting, Vol. 52, No. 3, s , [9] BACIOCCOLA, A., CICCONETTI, C., LENZINI, L., MINGOZZI, E., ERTA, A., A downlink data region allocation algorithm for IEEE e OFDMA, Proceedings of 6th Int. Conf. Information, Communications & Signal Processing (ICICS 2007), Singapur, [10] LODI, A., MARTELLO, S., MONACI, M., Two-dimensional packing problems: A survey, European Journal of Operational Research, Vol. 141, No. 2, s , [11] SO-IN, C., JAIN, R., TAMIMI, A.K., eocsa: An algorithm for burst mapping with strict QoS requirements in IEEE e Mobile WiMAX networks, Proceedings of 2nd Wireless Days (2009 IFIP), Paris, Fransa, s. 1-5, [12] ELİİYİ, U., NASİBOV, E., A Fuzzy Perspective for Two-dimensional Packing of Variable-sized Items, 24th Mini EURO Conference (MEC-EurOPT-2010) Selected Papers, s , İzmir, [13] NASİBOV, E.N., An algorithm for constructing an admissible solution to the bin packing problem with fuzzy constraints, Journal of Computer and Systems Sciences International, Vol. 43, No. 2, s , [14] CAPRARA, A., MONACI, M., On the two-dimensional knapsack problem, Operations Research Letters, Vol. 32, No. 1, s. 5-14, [15] ISRAELI, A., RAWITZ, D., SHARON, O., On the complexity of sequential rectangle placement in IEEE /WiMAX systems, Information and Computation, Vol. 206, No.11, s , 2008.

142 131 [16] WANG, T., FENG, H. HU, B., Two-dimensional resource allocation for OFDMA system, Proceedings of IEEE ICC Workshops 08, s. 1-5, Beijing, Çin, [17] CICCONETTI, C., LENZINI, L., LODI, A., MARTELLO, S., MINGOZZI, E., MONACI, M., Efficient two-dimensional data allocation in IEEE OFDMA, Proceedings of IEEE INFOCOM 2010, s , San Diego, ABD, [18] LODI, A., MARTELLO, S., MONACI, M., CICCONETTI, C., LENZINI, L., MINGOZZI, E., EKLUND, C., MOILANEN, J.,"Efficient two dimensional packing algorithms for mobile WiMAX", Research Report OR-09-14, DEIS, University of Bologna, İtalya, [19] ROSSI, F., VAN BEEK, P., WALSH, T., Handbook of Constraint Programming, Elsevier, Amsterdam, ÖZGEÇMĠġ Uğur ELĠĠYĠ Lisans ve Yüksek Lisans derecelerini 1999 ve 2004 yıllarında sırasıyla Orta Doğu Teknik Üniversitesi Matematik ve Endüstri Mühendisliği Bölümleri nden almıştır yıllarında Ankara da ve yılları arasında İzmir de olmak üzere yazılım, gıda ve eğitim sektörlerindeki çeşitli yerli ve uluslararası firmalarda planlama ve geliştirme uzmanı, teknik danışman, eğitmen ve analist olarak görev aldı yılları arasında ODTÜ MODSİMMER de çoğunlukla savunma sanayi projelerinde olmak üzere araştırma görevlisi olarak çalıştı yılından bu yana Dokuz Eylül Üniversitesi Fen Bilimleri Enstitüsü İstatistik Anabilim Dalında Doktora programına devam etmekte ve İzmir Ekonomi Üniversitesi Endüstri Sistemleri Mühendisliği Bölümü nde araştırma görevlisi olarak çalışmaktadır. Ana çalışma alanları Kombinatoryel Optimizasyon, Algoritmalar, Sezgisel Yöntemler ve Karar Destek Sistemleridir. Efendi NASĠBOĞLU (NASĠBOV) Lisans ve Yüksek Lisans derecelerini 1983 yılında Azerbaycan Devlet Üniversitesi, Uygulamalı Matematik Bölümü nden aldı yılında Moskova da SSCB Merkezi Matematiksel Ekonomi Enstitüsü nde Doktora tezini tamamlayarak Matematiksel Sibernetik alanında Ph. D. ve 2003 yılında Azerbaycan Milli Bilimler Akademisi Sibernetik Entitüsü nde Bilgisayar Bilimleri alanında Dr. Sc. derecelerini aldı yıllarında AZERBVODSTROY Uluslararası Şirketinde Bilgisayar Yazılımları Bölüm Başkanı, yıllarında Azerbaycan MBA Sibernetik Enstitüsü nde Karar Modelleri ve Sistemleri Bölüm Başkanı, yıllarında Ege Üniversitesi İstatistik Bölümünde, yıllarında Dokuz Eylül Üniversitesi İstatistik Bölümü nde Prof. Dr. olarak çalışmıştır yılından bu yana Dokuz Eylül Üniversitesi Fen Fakültesi bünyesinde Bilgisayar Bilimleri Bölümü nü kurmuş ve halen bu bölümde Prof. Dr. ve Bölüm Başkanı olarak görev yapmaktadır. Bulanık Karar Sistemleri, Veri Madenciliği ve Bilgisayar Programlama alanlarında çalışmaktadır.

143

144 ŞEHİRİÇİ TOPLU TAŞIMADA ÖLÜ KİLOMETRE MİNİMİZASYONU İÇİN BİR UYGULAMA EFENDİ NASİBOĞLU DOKUZ EYLÜL ÜNİVERSİTESİ UĞUR ELİİYİ İZMİR EKONOMİ ÜNİVERSİTESİ MEFHARET ÖZKILÇIK ESHOT GENEL MÜDÜRLÜĞÜ ÜMİT KUVVETLİ ESHOT GENEL MÜDÜRLÜĞÜ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

145

146 135 ġehġrġçġ TOPLU TAġIMADA ÖLÜ KĠLOMETRE MĠNĠMĠZASYONU ĠÇĠN BĠR UYGULAMA Efendi NASĠBOĞLU Uğur ELĠĠYĠ Mefharet ÖZKILÇIK Ümit KUVVETLĠ ÖZET Şehir içi toplu ulaşım hizmetlerinin kalitesi modern şehircilik politikalarının gerek planlama, gerekse uygulama süreçleri açısından en önemli performans göstergelerinden biridir. Şehirlerin büyüklükleri ile orantılı olarak bu hizmetlerin ilişkili olduğu faaliyetlerin doğru değerlendirilmesi, iyileştirilmesi ve yeni planların geliştirilmesinin önemi artmaktadır. Taşınan yolcu miktarına bakılarak kâr elde ettikleri düşünülen toplu taşıma hizmeti veren kurumların çoğu elde ettikleri gelirlerle giderlerini karşılamada bile zorluk yaşamaktadır. Araç yakıt tüketimine ait harcamalar bu gider kalemlerinin en önemlilerinden bir tanesini oluşturmaktadır. Büyükşehirlerdeki otobüs hatlarının seferlerindeki mesafeleri için kullanılan yakıt miktarına ek olarak, araçların yolcu taşımadığı, sabah garaj ile servisin başladığı ilk durak ve akşam servisin bittiği son durak ile garaj arasında kat ettiği kilometre olarak tanımlanan ölü kilometre mesafeleri için de önemli miktarda yakıt harcanmaktadır. Toplam ölü kilometre miktarı doğal olarak kullanılan garajların kapasitesine, hizmet verilen hat ve hatlardaki araç sayısına, başlangıç ve bitiş duraklarıyla garajlar arasındaki uzaklıklara bağlı olarak değişmektedir. Bu çalışmada İzmir Büyükşehir Belediyesi ESHOT Genel Müdürlüğü nün sahip olduğu 293 hatta çalışan 1,424 otobüsün, 10 garaja ölü kilometreyi minimize edecek şekilde atanması için gerçek kısıtlarla uyumlu matematiksel modeller oluşturulmuş, orta-uzun vade hat planlamalarında kullanılabilecek optimum hat-garaj atama çözümleri elde edilmiştir. Çözümler sonucunda elde edilen iyileştirmenin finansal yönü kadar çevresel faktörlerdeki kazanımlar da çalışmayı önemli kılmaktadır. Anahtar Kelimeler: Toplu taşıma, Ölü kilometre minimizasyonu, Otobüs atama modeli. ABSTRACT The quality of public transportation services is one of the most important performance indicators of modern urban policies for both planning and implementation aspects. Therefore along with the size of the city, the importance of appropriate evaluation and improvement of all related transportation activities, and development of new plans increases as well. Most of the public transport agencies that are thought to make profit because of their high passenger capacities actually have great difficulty in covering their expenses. One of the most important cost factors is naturally the fuel consumption of the vehicles. In addition to the amount of fuel used for the distance of the services of bus lines in metropolitans, a significant portion of this item is due to the so called dead mileage or deadhead trip that is defined as the idle distance covered by the vehicle between the garage and route terminal stops without carrying any passengers. The amount of dead mileage naturally depends on the capacities of the garages, the number of service routes, route vehicle requirements and the distance between the garages and route terminal stops. In this study, we developed mathematical models for minimizing the dead mileage of Izmir Metropolitan Municipality ESHOT General Directorate City Bus service comprised by 293 routes, 1,424 buses and 10 garages to obtain the optimal route bus-garage allocations for medium-to-long-term planning purposes. The environmental gains as well as the

147 136 financial benefits to be achieved when the improvement solutions are applied also justify the practical contribution of our study. Key Words: Public transportation, Dead mileage minimization, Bus allocation model. 1. GĠRĠġ Bu çalışmada analizini gerçekleştirdiğimiz ve çözüm önerisi sunduğumuz Ölü Kilometre Minimizasyonu problemi yapısı gereği toplu taşıma hizmetlerinin en önemli maliyet kalemlerinden birini oluşturan akaryakıt giderlerini doğrudan etkilemektedir. Araçların yolcu taşımadığı, sabah garaj ile servisin başladığı ilk durak ve akşam servisin bittiği son durak ile garaj arasında kat ettiği mesafe ölü kilometre olarak tanımlanmaktadır. Kullanılan araç sayısı ve hizmet verilen bölgenin büyüklüğü arttıkça, oransal olarak önemli gözükmeyecek iyileştirmeler bile önemli bütçe rakamlarına denk gelebilmektedir. Garajların kapasitesine, hizmet verilen hat sayısına ve hatlar ile garajlar arasındaki uzaklıklara bağlı olarak, ölü kilometre yapılırken harcanan akaryakıt miktarı değişmektedir. Yapılan ölü kilometreyi belirlenen kısıtlar altında minimum hale getirmek, harcanan akaryakıt miktarı açısından ciddi bir tasarruf sağlamasının yanı sıra, uzun vadede çevresel bağlamda da olumlu etkileri olacaktır. Çalışma kapsamında İzmir Büyükşehir Belediyesi ESHOT Genel Müdürlüğü nün çalıştırdığı 293 otobüs hattında çalışan 1,424 otobüsün, kat edilecek ölü kilometreyi minimum hale getirecek şekilde belirli kapasite ve sayıdaki garajlara atanması için gerçek kısıtlarla uyumlu ve gelecek planlama dönemlerinde kullanılabilecek esnek modeller geliştirilmiştir. Ölü Kilometre Minimizasyonu için geliştirilmiş bu matematiksel modellerin gerçek verilerle ve en yeni optimizasyon yazılımlarıyla bütünleşik olarak çözdürülmesi mevcut durumla anlamlı karşılaştırmalar yapılmasına olanak sağlamaktadır. Bu sayede optimum hat-garaj atamalarını yapabilecek ve orta-uzun vade hat planlamalarında kullanılacak özel bir karar destek sisteminin temeli olacak yazılım altyapısının model ve veri tabanı yapısı belirlenmiştir. İzmir deki otobüs toplu taşıma şirketi özelinde tanımlanan problemin ayrıntılarına geçmeden önce kentsel ulaşım sistemlerinin operasyonel maliyetlerin azaltılması açısından en önemli konularından biri olan ölü kilometre minimizasyonuyla ilgili bilimsel literatürden çalışmalar sunulmaktadır. Sharma ve Prakash, çalışmalarında ilgili garajlara geceleri park edecek otobüslerin optimal sayısına ve garajlarından otobüsleri hatlardaki başlangıç noktalarına götürecek optimal plana karar verme problemine yer verdiler [1]. Agrawal ve Dhingra, garajların kapasitelerinin arttırılması için optimal hat programına, ilgili garajlarda geceleri park edecek araçların sayısına ve bu araçların garajlardan hatlarının başlangıç noktalarına yolculuklarına karar verme problemi üzerine çalıştılar [2]. Prakash ve Saini, birçok potansiyel alan içinden belirtilen kapasitede yeni bir garajın optimal yerini seçen, otobüsleri garajlardan hatlarının başlangıç noktalarına taşıyacak optimal plana karar veren ve bunun yanında yeni bir garaj kurulduktan sonra garajların her birindeki boş kapasiteye de karar veren problemin çözümü ile ilgili çalışmalarını sundular [3]. Sridharan'ın 1991 tarihli çalışması Hindistan daki MDK şirketi için ölü kilometreyi minimize eden araç atamasını yaparak, 13 garaj için günlük 4,910 kilometre olan ölü kilometre miktarını günde 3,984 kilometreye düşmesini sağladı. Bu miktar, ölü kilometre miktarında %19 luk bir azalışa denk gelmekte idi [4]. Uyeno ve Willoughby Kanada daki büyük bir kent içi ulaşım sistemi (BC Transit) için garajların yerine, büyüklüğüne ve sayısına karar veren karışık tam sayılı programlama modeli geliştirdiler ve elde ettikleri optimal sonucun uygulanmasıyla yıllık işletim harcamalarında yaklaşık %4 (560,000 $), ölü kilometre harcamalarında ise yaklaşık %11 bir azalış elde edilmesini sağladılar [5]. Temel otobüs atama problemi, gerekli tamir yerlerinin sayısını optimize eden ve otobüslerin hatlara tip olarak doğru dağılımını sağlayan iki ilişkili problemin birleşmesiyle oluşur. Genel olarak bütünleşik problemler (boş çalışma ve tamir optimizasyonu, boş çalışma, tamir optimizasyonu ve otobüs tiplerinin tekrar dağılımı) hiyerarşik olarak veya entegre olarak çözülür. Van der Perre ve Van Oudheusden Bangkok taki büyük bir otobüs işletmesi (BMTA) için bütünleşik problemin boyutları hızla çok yüksek seviyelere ulaştığından temel otobüs atama problemini hiyerarşik yaklaşımla çözdüler. Optimizasyon sonucunda servis dışı harcamaların %42 oranında azalması sağlandı [6]. Prakash vd. otobüsleri

148 137 garajlardan hatlarının başlangıç noktalarına atayacak baskın olmayan planların kararı, boş kapasite ve geceleri her bir garaja park edecek otobüs sayısı problemini hiçbirine öncelik vermeden iki amaç aynı anda olmak üzere göz önünde bulundurdu [7]. Willoughby ve Uyeno otobüsleri garajlara belirli bir hattaki otobüsler aynı garaja atanacak şekilde atayan sezgisel bir yöntem geliştirdiler. İlk olarak bir hattın tüm otobüslerini tek bir garaja atama, daha sonra hatları kapasite kısıtlarını sağlamak için alternatif garajlara yerleştirme olmak üzere iki aşamadan oluşan bu yöntemi Kanada nın en büyük toplu taşıma şirketinde (VRTS) uyguladılar [8]. Willoughby, Kanada daki Vancouver Yerel Ulaşım Sistemi nin garajlarının yerlerini ve araçların bu garajlara atanmasını analiz etti. Model ölü kilometre maliyetlerinin yanında yeni garaj kurulumları için anapara maliyetlerini de göz önünde bulunduruyordu. Bu modelle toplam harcamalarda %5, ölü kilometre ile ilgili harcamalarda %12 azalış sağladı [9]. Daha güncel bir çalışmada Kepaptsoglou vd. otobüsleri garajlara atarken ölü kilometre maliyetlerini minimize eden ve garajları ideal işletim düzeylerinde tutan karar destek modeli geliştirdiler. Model Atina daki otobüs işletmesi için uygulandı ve ölü kilometreye bağlı harcamalarda %10 tasarruf sağlanırken, garajlar arası doluluk dengesi de korundu [10]. Şehir içi otobüs taşımacılığıyla ilgili yukarıda özetlenen dünya literatüründeki çalışmalar ve var olan bazı şehir içi toplu taşıma örneklerinde görüldüğü gibi İzmir Büyükşehir Belediyesi'nin ilgili faaliyetlerinde de birden fazla işletici firma vardır. Otobüslerin özellikleri, kapasiteleri ve hatta bakımlarıyla ilgili ihtiyaçlara göre araçların park edildiği garajlar ve bu garajların hangi firma tarafından işletildiği, problemin modellenmesinde bir firma ayrımını gerektirmektedir. Çalışmamız özelinde gözönünde bulundurulan 10 garajın 8 i ve araçların yaklaşık %80 i Eshot, kalan garaj ve araçlarsa İzulaş firması tarafından işletilmektedir. 2. MODEL TANIMLARI Çalışmada tanımlanan modeller işletici firma ayrımının olup olmaması ve garajların kapasite limitlerinin olup olmaması gibi iki kriterle ortaya çıkan dört senaryo kombinasyonundan oluşmaktadır. İlk model Firma Ayrımsız - Kapasite Limitsiz senaryosudur. Bu model otobüs hatlarındaki araçların sadece bir firmaya ait olduğu ve var olan garajların kapasitelerinin istenildiği kadar arttırılabildiği duruma karşılık gelmektedir. Modelin çözümü ile beraber taktik ve stratejik hedeflerde bir limit tanımlanacak, yani olabilecek en düşük ölü kilometre miktarı elde edilecektir. Kısıt açısından en esnek olması sebebiyle beklenildiği gibi bundan sonraki tüm modellerde bu ilk modelde ulaşılan ölü kilometre rakamına ulaşılamayacaktır. Sonraki modeller sırasıyla Firma Ayrımsız - Kapasite Limitli, Firma Ayrımlı - Kapasite Limitsiz ve Firma Ayrımlı - Kapasite Limitli senaryolarını içeren modellerdir. Bu model ve çalışmadaki diğer üç model bağlamında vurgulanması gereken önemli varsayımlardan biri sabahları herhangi bir garajdan bir başlangıç veya bitiş durağına giden otobüslerin, akşamları da aynı duraktan garajlarına dönecekleri varsayımıdır. Bu şekilde geliştirilen modellerde sabah ve akşam katedilen ölü kilometre mesafeleri böylelikle eşit kabul edilmektedir. Geliştirilen model tanımlarına geçmeden önce problemin çözümündeki matematiksel yapıda kullanılan karar değişkenlerini belirleyen ve sınırlayan endeks ve parametreler sunulmakta, karşılık gelen somut kavramlar ve gerçek veri tipleri sırasıyla açıklanmaktadır. Modellerde kullanılan endeks harf ve kümeleri tanımları, modellerin amaç fonksiyon ve kısıtlarında kullanılan parametre ve değişken bilgileri aşağıda verilmektedir. Hat endeksi, i I = {1,...,h} : Otobüs/araç hatları kümesi, h = toplam hat sayısı. Garaj endeksi, j J = {1,...,g} : Garajlar kümesi, g = toplam garaj sayısı. Durak endeksi, k K = {0,1} : Hatlar için kullanılacak durak kümesi, 0=başlangıç, 1=bitiş durağı. İşletici firma endeksi, f F = {0,1} : Araç veya garajları işleten firma kümesi, 0=ESHOT, 1=İZULAŞ. Modelde kullanılacak ihtiyaç, kapasite ve uzaklık gibi verilere karşılık gelen parametreler aşağıdaki şekilde tanımlanmaktadır.

149 138 d ijk : i hattının k durağının j garajına uzaklığı (km), b ik : i hattının k durağının araç ihtiyacı (adet), b ikf : i hattının k durağının f firmasına ait araç ihtiyacı (adet), a j : j garajının araç kapasitesi (adet), bu ve bir sonraki parametre kullanılabilir net araç sayısını tanımlamaktadır. Eğer garajda duran yedek veya arızalı araçlarla ilgili oran veya sayı verilirse, bunlar düşüldükten sonra kalan kapasite modelde kullanılacaktır. a jf : j garajının f firmasına ait araç kapasitesi (adet) Firma Ayrımsız - Kapasite Limitsiz Araç Atama Modeli Daha önce belirtildiği üzere, ilk olarak kurulan bu esnek modelde araçlarda işletici firma ayrımı yoktur. Garaj kapasiteleri sınırsız varsayılmış sadece hatların başlangıç ve bitiş duraklarının araç ihtiyaçları dikkate alınmıştır. Yukarıdaki değişken ve parametreleri kullanarak oluşturduğumuz en esnek ölü kilometre minimizasyonu modeli aşağıdaki gibidir. Bu modelde kullandığımız karar değişkeni x ijk, i. hattın k. durağına j. garajdan kaç adet araç atandığı bilgisini içermektedir. Diğer bir deyişle, herhangi bir garajda bulunan araçların hangi hattın hangi durağına ne miktarda atandığı bilgisi olarak da ifade edilebilir. Model 1: Min Z 1 = s.t. g j 1 h g i 1 j 1 k K x d (1) ijk ijk x b, i I, k K (2) ijk ik x {0,1, 2,...}, i I, j J, k K (3) ijk (1) numarayla tanımlanmış amaç fonksiyonu Z 1, tüm hat başlangıç ve bitiş duraklarından, tüm garajlara atanan otobüs miktarlarının, karşılık gelen uzaklıklarla çarpımlarının toplamına karşılık gelen ölü kilometre miktarıdır. Modelin amacı bu miktarı en küçük (minimum) yapacak x ijk değerlerini bulmaktır. Mevcut ölü kilometre değeriyle karşılaştırırken bu toplamın iki katı kullanılacaktır, çünkü Z 1 toplamının değeri sadece sabah veya akşam katedilen ölü kilometre miktarına eşittir. (2) numaralı kısıtlar kümesi her hattın ilk ve son duraklarına ait araç ihtiyacını tanımlamaktadır. Yani her hattın başlangıç ve bitiş durak otobüs ihtiyaçlarının tüm garajlardan eşitlik olarak karşılanması gerektiğini ifade eder, ihtiyaç altı miktarları olduğu gibi ihtiyaç fazlasını da reddeder. (3) numaralı kısıt kümesi araç sayılarının negatif olmayan tamsayılar olması varsayımını sağlar. Model 1 in çözümü sonucu ölü kilometre miktarının en düşük limiti için optimum garaj-hat araç atamaları yanında ESHOT Genel Müdürlüğü için ihtiyaçları karşılayan ideal garaj kapasite seviyeleri de belirlenmiş olacaktır Firma Ayrımsız - Kapasite Limitli Araç Atama Modeli Bu ikinci modelin Model 1 den farkı garaj araç kapasite kısıtlarının eklenmesidir. Böylelikle 2.bölümde tanımlanmış a j (j garajının araç kapasitesi) parametrelerinin kullanılması gerekmektedir. Model 2: Min Z 1 = s.t. h g i 1 j 1 k K x d (1) ijk ijk

150 139 g j 1 h x b, i I, k K (2) ijk i 1 k K ik x a, j J (4) ijk j x {0,1, 2,...}, i I, j J, k K (3) ijk (4) numaralı kısıtlar kümesi her garaj için o garajdan hatların ilk ve son duraklarına atanan araç miktarları toplamının o garajın araç kapasitesini (firma ayrımsız) aşmaması gerektiği kısıtını sağlamaktadır. Modelin amaç fonksiyonu ve diğer kısıtlar ilk modeldekilerle aynıdır. Model 2 nin çözümü ile verilmiş garaj kapasitelerine karşılık gelen optimum garaj-hat araç atamaları bulunacaktır. Bu modelin çözümündeki amaç fonksiyon değeri, yani toplam ölü kilometre miktarı Model 1 dekinden fazla olacaktır. Bunun sebebi de (4) numaralı kısıtta belirtilen garaj araç kapasite kısıtlarının modele eklenmiş olmasıdır Firma Ayrımlı - Kapasite Limitsiz Araç Atama Modeli Model 1 ve Model 2 den farklı olarak bu modelde kullanılan karar değişkeni x ijkf, i. hattın k. durağının j. garajdan ve f. firmaya ait kaç adet araç atandığı bilgisini içermektedir. Karar değişkenine eklediğimiz f endeksi firma ayrımının modellemedeki sembolik karşılığıdır. Karar değişkenine ek olarak hatların araç ihtiyaçlarına karşılık gelen b ikf (i hattının k durağının f firmasına ait araç ihtiyacı) parametreleri de firma ayrımını modellememiz için kullanmamız gerekir. Yeni karar değişkenleriyle farklı bir amaç fonksiyonu ve farklı kısıtlar kümesi içeren üçüncü modelimiz aşağıdaki şekilde tanımlanmaktadır: Model 3: Min Z 2 = s.t. g j 1 h g i 1 j 1 k K f F x d (5) ijkf ijk x b, i I, k K, f F (6) ijkf ikf x {0,1,2,...}, i I, j J, k K, f F (7) ijkf (5) numarayla tanımlanmış amaç fonksiyonu Z 2, tüm hat başlangıç ve bitiş duraklarından, tüm garajlara atanan belli firmalara ait otobüs miktarlarının, karşılık gelen uzaklıklarla çarpımlarının toplamına karşılık gelen ölü kilometre miktarıdır. İlk iki modelden farklı olarak firma ayrımlı toplam ifadesi de eklenmiştir. Modelin amacı benzer şekilde bu toplamı en küçük (minimum) yapacak x ijkf değerlerini bulmaktır. (6) numaralı kısıtlar kümesi her hattın ilk ve son duraklarına hangi firmadan kaç araç atanması gerektiğini belirlemektedir. Yani her hattın başlangıç ve bitiş duraklarındaki otobüs ihtiyaçlarının firma ayrımlı olarak tüm garajlardan tam olarak karşılanması gerektiğini ifade eder. (7) numaralı kısıt kümesi x ijkf araç sayılarının negatif olmayan tamsayılar olması varsayımını sağlar. Bu modelin çözümü ile garaj kapasite limitleri ve garajlara atanacak araçlar hangi firmaya ait olursa olsun hat duraklarındaki firma ayrımlı araç ihtiyacını karşılayan garaj-hat firma araçları atamaları elde edilecektir.

151 Firma Ayrımlı - Kapasite Limitli Araç Atama Modeli Bu modelde de 2.3 kısmında tanımlanan modelde kullanılan x ijkf karar değişkeni kullanılmaktadır. Üçüncü modelden farkı firma ayrımlı garaj araç kapasite kısıtlarının eklenmesidir. Böylelikle 2.bölümde tanımlanmış a jf (j garajının f firmasına ait araç kapasitesi) parametrelerinin kullanılması gerekmektedir. Örneğin bir garaj sadece belli bir firmaya ait araçların park etmesine izin veriyorsa diğer firmalar için a jf değerleri sıfır kabul edilecektir. Bu parametrelerle belirlenen yeni kısıtların eklendiği son modelimiz aşağıdaki gibidir. Model 4: Min Z 2 = s.t. g j 1 h h g i 1 j 1 k K f F x d (5) ijkf ijk x b, i I, k K, f F (6) ijkf i 1 k K ikf x a, j J, f F (8) ijkf jf x {0,1,2,...}, i I, j J, k K, f F (7) ijkf (8) numaralı kısıtlar kümesi her garaj için o garajdan hatların ilk ve son duraklarına atanan belli firmaya ait olan araç miktarları toplamının o garajdaki firma araç kapasitesini aşmaması gerektiği kısıtını sağlamaktadır. Modelin amaç fonksiyonu ve diğer kısıtlar üçüncü modeldekilerle aynıdır. Modelin çözümü ile verilmiş garajdaki firma araç kapasitelerine karşılık gelen optimum garaj-hat firma araçları atamaları bulunacaktır. Modeller gerçek durumu daha çok yansıttıkça, başka bir deyişle daha çok kısıt koyulduğunda toplam ölü kilometre tasarruf miktarının azalması olağandır. Öte yandan, çözüm sonuçlarının da göstereceği üzere geliştirdiğimiz modellerde bulunan en kötü günlük ölü kilometre değeri bile mevcut duruma oranla önemli bir iyileştirme sağlamaktadır. 3. MODEL ÇÖZÜMLERĠ Çalışmanın bu bölümünde elimizdeki en güncel uzaklık, hat araç ihtiyacı ve garaj kapasite verileri ile ikinci bölümde tanımladığımız dört modele ait çözümlerin sayısal sonuçları sunulmaktadır. Garajlar ve hatların başlangıç ve bitiş durakları arasındaki uzaklıklar sayısal haritalar kullanılarak oluşturulan yazılım aracılığıyla en kısa yollar baz alınarak hesaplanmıştır. Garajlar, hatların başlangıç ve bitiş durakları ve garajlar ve baş ve son duraklar arasındaki en kısa yollar Şekil 1 de İzmir şehiriçi haritası üzerinde sunulmaktadır. Bu uzaklıklar kullanılarak dört modele ait çözümlerin karşılaştırmasında baz olacak mevcut bölge-hatgaraj eşleşmesine ait toplam ölü kilometre miktarı 16,851 km. olarak hesaplanmıştır. En güncel hat araç ihtiyaçlarını karşılayan bu mevcut durum hesabı Tablo 1 de garajlara yapılan araç atama sayıları ve karşılık gelen ölü km miktarlarıyla beraber sunulmaktadır.

152 141 ġekil 1. Garajlar, Hatların Başlangıç ve Bitiş Durakları ve En Kısa Yollar Tablo 1. Mevcut Durum Ölü Km ve Garaj Kullanım Bilgileri Mevcut Araç Sayıları Ölü Km Garajlar Başlangıç Bitiş Toplam Başlangıç Bitiş Toplam 1-Gediz , , İnciraltı , , Adatepe , , Mersinli , , Soğukkuyu Çiğli , , Urla Torbalı Stad , , Belkahve , , TOPLAM 3, , , ESHOT 2, , , İZULAŞ , , Özetlemek gerekirse, bu çalışma genelinde mevcut durumu temsil etmek için ESHOT ve İZULAŞ atama verilerine dayanan, ESHOT için 12,793 km., İZULAŞ için 4,058 km. ve genel toplamda 16,851 km.lik ölü kilometre değerleri kullanılacaktır. Araç ihtiyaç, garaj-durak uzaklıkları, garaj kapasiteleri gibi model parametreleriyle, hat-garaj atama ve ölü km. sonuçları için MS Excel formatında dosyalar kullanılmış, kullanılan optimizasyon yazılımının girdi ve çıktı veri kaynağını bu dosyalar oluşturmuştur. Dört modelin çözümünde IBM ILOG CPLEX 12.1 optimizasyon yazılım paketinden yararlanılmıştır. Matematiksel modellerin kodlanmasında ILOG OPL 6.3 model programlama dili kullanılmıştır. Çözümler 3 çekirdekli, 4 GB Ram ve 1.8 GHz işlemciye sahip bir PC üzerinde gerçekleştirilmiştir.

153 Model 1 (Firma Ayrımsız - Kapasite Limitsiz) Çözümleri Çalışmanın 2.1 kısmında da belirtildiği gibi tanımlanan kısıtlar açısından en esnek olan bu modelin çözümüyle en düşük günlük ölü kilometre değeri elde edilmiştir (11,564 km). Mevcut duruma göre yaklaşık % 31.4 oranında bir iyileştirme sağlayan bu model, eldeki araç ihtiyacı ve uzaklık verilerine karşılık gelen ideal garaj kapasitelerini ve bu firma ayrımsız garajlara atanan hat-araç sayılarını bulmaktadır. Bu modele göre tüm hatların yaklaşık yarısında (161 hat) başlangıç ya da bitiş durağına atanan garajlar değişmiştir. Tablo 2 de Model 1 in tasarruf miktarları verilmektedir. Bu ve sonraki hesaplamalarda 100 km.de ortalama yakıt tüketiminin 50 litre olduğu varsayılmıştır. Tablo 2. Model 1 Tasarruf Miktarları Ölü km miktarı Ölü km azalış miktarı (Günlük) Azalış Oranı Yıllık yakıt tasarruf miktarı (l) ESHOT+İZULAŞ 11,564 5,287 % ,878 Model 1 de önerilen değişiklikler gerçekleştirilirse elde edilecek yıllık akaryakıt tasarruf miktarı yaklaşık 965,000 l. olmaktadır. Akaryakıt maliyet kaleminde neredeyse üçte bir oranında tasarruf imkanı sunan bu rakamlar, garaj kapasitelerindeki artış ve tek firmalı işletmeye geçiş için gerekli değişikliklerin yapılmasını sağlayacak yatırım masraflarının tümünü veya çoğunu kısa vadede karşılayacak gibi gözükmektedir Model 2 (Firma Ayrımsız - Kapasite Limitli) Çözümleri Model 1 de olduğu gibi ESHOT veya İZULAŞ gibi hat ve garaj işletici firma ayrımı gözetmeyen bu çözümde gerçek garaj kapasiteleri dikkate alınmıştır. Bu sebeple ikinci modelin çözüm miktarı 2.2 kısmında da vurgulandığı gibi Model 1'deki ölü kilometre miktarından fazladır (13,198 km). Model 2 ile belirlenen atamalar mevcut duruma oranla ölü kilometre miktarında %21.7'lik bir azalma sağlamaktadır. Model 2 ye ait tasarruf miktarları Tablo 3 de özetlenmektedir. Tablo 3. Model 2 Tasarruf Miktarları Ölü km miktarı Ölü km azalış miktarı (Günlük) Azalış Oranı Yıllık yakıt tasarruf miktarı (l) ESHOT+İZULAŞ 13,197 3,652 % ,490 Firmalarda çalışması gereken hatların belirlenmesi ve atama sonuçlarının uygulanmasıyla gerçekleşecek yıllık akaryakıt tasarruf tutarı yaklaşık 670,000 l.dir. İlk aşamada uygulanması zor olsa da uzun vadede bu modelin uygulanması ve hatların firmalar arasında değişiminin sağlanması ciddi miktarda akaryakıt tasarrufu sağlayacaktır. 3.3 Model 3 (Firma Ayrımlı - Kapasite Limitsiz) Çözümleri Model 3 firma ayrımını dikkate almasından dolayı gerçek duruma daha yakın bir çözüm alternatifi sunmaktadır. Garaj kapasitelerini dikkate almayarak firma ayrımlı durumdaki ideal garaj kapasite seviyeleri hakkında bilgi vermektedir. Araçlara ve garajlara ait firma kısıtlarıyla üçüncü modeldeki ölü km miktarı 13,837 km. olarak hesaplanmaktadır. Bu rakama karşılık gelen iyileşme oranı %17.9'dur (Tablo 4).

154 143 Tablo 4. Model 3 Tasarruf Miktarları Ölü km miktarı Ölü km azalış miktarı (Günlük) Azalış Oranı Yıllık yakıt tasarruf miktarı (l) ESHOT 10,185 2,608 % ,960 İZULAŞ 3, % ,095 ESHOT+İZULAŞ 13,837 3,014 % ,055 Model 3'te 111 hattın garaj bilgisi değişmekte, yıllık yaklaşık 550,000 l. yakıt tasarrufu elde edilmektedir Model 4 (Firma Ayrımlı - Kapasite Limitli ) Çözümleri Modellerden sonuncusu firma ayrımı ve garaj kapasiteleriyle ilgili kısıtları dikkate alan, dolayısıyla mevcut durumu temsil açısından en gerçekçi modeldir. Bu sebeple tanımlandığı 2.4 kısmında açıklandığı gibi çözümüyle elde edilen ölü kilometre miktarı en yüksek olmaktadır. Mevcut duruma göre %7.8'lik bir iyileştirme sağlayan 15,529 km.lik çözüm ile kapasitelerinin kullanımı açısından en kritik ESHOT ve İZULAŞ garajları belirlenmiştir. Buna göre ESHOT'un işlettiği araç ve garajlar için bakıldığında Mersinli, Soğukkuyu ve Urla garajları tam kapasite kullanılmaktadır. İZULAŞ tarafında ise Stad garajı kapasitesi tüm atamalarla tüketilmektedir (Tablo 5). Tablo 5. Model 4 Çözümü Garajlar Atanan Araç sayısı Mevcut Kapasite Fark (fazla kapasite) 1-Gediz İnciraltı Adatepe Mersinli Soğukkuyu Çiğli Urla Torbalı Stad Belkahve Bu kısıtlar altında elde edilen çözümde Model 4'ün taahhüt ettiği yıllık akaryakıt tasarruf tutarı yaklaşık l.dir (Tablo 6) ve bu tasarruf toplam 49 hattın garaj atamasının değişmesiyle gerçekleşebilir. Mevcut duruma en yakın model olmasından ve bu açıdan uygulama kolaylığından dolayı firma ayrımı ve garaj kapasite limitinin birlikte göz önünde bulundurulduğu Model 4 ün uygulanmasına karar verilmiştir. Bunun yanı sıra, gelecekte firmalar arası hatların değişimi söz konusu olduğunda firma ayrımsız, kapasite limitli model olan Model 2 nin uygulanması da ölü kilometre azalışını ciddi miktarda arttıracağından (%21.7) oldukça mantıklı gözükmektedir.

155 144 Tablo 6. Model 4 Tasarruf Miktarları Ölü km miktarı Ölü km azalış miktarı (Günlük) Azalış Oranı Yıllık yakıt tasarruf miktarı (l) ESHOT 11,736 1,057 % ,903 İZULAŞ 3, %6.5 48,363 ESHOT+İZULAŞ 15,529 1,322 % ,266 SONUÇ Bu çalışmada, İzmir Büyükşehir Belediyesi ESHOT Genel Müdürlüğü nün otobüslerini ölü kilometreyi minimize edecek şekilde atayacak bir otobüs atama modelleri geliştirilmiş ve çözümleri elde edilmiştir. Modellerin çözümleri sonucunda yakıt tüketimindeki tasarruf miktarları çalışmanın geçerlilik ve gerekliliğini ortaya koymaktadır. Firma ayrımı ve garaj kapasiteleriyle ilgili kısıtları dikkate alan, dolayısıyla mevcut durumu temsil açısından en gerçekçi model olduğundan Model 4 ün uygulanmasına karar verilmiştir. Model 4 ile ölü kilometre miktarı %7.8 azalacak, yakıt tüketiminde yıllık yaklaşık 240,000 l. tasarruf sağlanacaktır. Ancak uzun vadede firmalar arası hat değişimleri uygulanabilir olduğunda Model 2 (Firma Ayrımsız - Kapasite Limitli Model) den de yararlanılabilecek ve ölü kilometredeki %21.7 azalışla yıllık akaryakıt tasarrufu 667,000 l. seviyelerine ulaşacaktır. Bunun yanında, çalışmanın çevresel boyutuyla ilgili kazanımlar en az akaryakıt maliyetlerinde beklenen iyileşmeler kadar önemlidir. Çevreyle ilgili çeşitli faktörler gelecekte yapılacak bütünleşik sistem planlama projeleri ve bunların AB Çerçeve programlarına dahil edilebilmesi fırsatlarında kritik değerlendirme ölçütleri olarak proje sahipleri ve karar vericilerin karşısına çıkacaktır. Bu çalışmada sunulan modellerin her birinin uygulanabilir olmasının yanında, dört modelin çözümündeki optimal hatgaraj atamaları ve gereken kapasite değişiklikleri yapıldığında ortalamada yıllık 775 ağaç dikiminden elde edilecek oksijen artışı sağlanacaktır. Diğer taraftan bakılırsa İzmir şehri sakinleri en azından yıllık ortalama 258 ton CO 2 (karbon dioksit) salınımının zararlı etkilerinden kurtulma şansına sahip olacaktır [11]. Çalışmamıza bu bağlamda bakıldığında, uzun vadede yaşanabilir bir kentin çevre şartlarının oluşumuna önemli bir katkı sağlayacak bir problem ortaya konmuş ve sürdürülebilir toplu taşıma sistemlerinin alt yapısının bir halkası için somut bir çözüm sunulmuştur. Çalışmanın bundan sonraki aşamalarında mevcut durumun daha gerçekçi analizi için firma ayrımına ek olarak hatlarda kullanılan araçların tipleri ve bu araç tiplerine karşılık gelen gerçek garaj kapasitelerinin dahil edildiği modeller ve araçların sabah ve akşam park edildiği garajlar yanında gün içindeki hat-otobüs ihtiyaçlarının dinamik değişkenliğini göz önünde bulunduran ve gün içindeki optimum hat-garaj atamasını içeren modeller ve çözümler üzerine çalışılacaktır. Bu çalışma, İzmir Büyükşehir Belediyesi ESHOT Genel Müdürlüğü tarafından desteklenmiştir. KAYNAKLAR [1] SHARMA, V., & PRAKASH, S., Optimizing Dead Mileage in Urban Bus Routes, Journal of Transportation Engineering, Vol.112 No.1, s , [2] AGRAWAL, A.K., & DHINGRA, S.L., An Optimal Programme for Augmentation of Capacities of Depots and Shipment of Buses from Depots to Starting Points of Routes, Indian J.Pure Appl. Math 20(2), s , [3] PRAKASH, S., & SAINI, V., Selection of Optimal Site for New Depot of Specified Capacity with Two Objectives, Indian J.Pure Appl. Math, 20(5), s , 1989.

156 145 [4] SRIDHARAN, R., Allocation of Buses to Depots: A Case Study, Vikalpa 16 No. 2, s.27-32, [5] UYENO, D.H., & WILLOUGHBY, K.A., Transit Center Location-Allocation Decisions, Transpn. Res.-A. Vol.29A No.4, s , [6] VAN DER PERRE, P., & VAN OUDHEUSDEN, D., Reducing depot-related costs of large bus operators a case study in Bangkok, European Journal of Operational Research (96), s.45-53, [7] PRAKASH, S., BALAJI, B.V., & TUTEJA, D., Optimizing dead mileage in urban bus routes through a nondominated solution approach, European Journal of Operational Research 114, s , [8] WILLOUGHBY, K.A., & UYENO, D.H., Resolving splits in location/allocation modeling: a heuristic procedure for transit center decisions, Transportation Research Part E 37, s.71-83, [9] WILLOUGHBY, K.A., A mathematical programming analysis of public transit systems, Omega 30, s , [10] KEPAPTSOGLOU, K., KARLAFTIS, M.G., & BITSIKAS, T., Bus to Depot Allocation: Models and Decision Support System, Journal of Transportation Engineering, Vol.136 No.7, s , [11] TEMA Vakfı (Türkiye Erozyonla Mücadele, Ağaçlandırma ve Doğal Varlıkları Koruma Vakfı), [Son erişim ]. ÖZGEÇMĠġ Efendi NASĠBOĞLU (NASĠBOV) Lisans ve Yüksek Lisans derecelerini 1983 yılında Azerbaycan Devlet Üniversitesi, Uygulamalı Matematik Bölümü nden aldı yılında Moskova da SSCB Merkezi Matematiksel Ekonomi Enstitüsü nde Doktora tezini tamamlayarak Matematiksel Sibernetik alanında Ph.D. ve 2003 yılında Azerbaycan Milli Bilimler Akademisi Sibernetik Entitüsü nde Bilgisayar Bilimleri alanında Dr.Sc. derecelerini aldı yıllarında AZERBVODSTROY Uluslararası Şirketinde Bilgisayar Yazılımları Bölüm Başkanı, yıllarında Azerbaycan MBA Sibernetik Enstitüsü nde Karar Modelleri ve Sistemleri Bölüm Başkanı, yıllarında Ege Üniversitesi İstatistik Bölümünde, yıllarında Doküz Eylül Üniversitesi İstatistik Bölümü nde Prof.Dr. olarak çalışmıştır yılından bu yana Dokuz Eylül Üniversitesi Fen Fakültesi bünyesinde Bilgisayar Bilimleri Bölümü nü kurmuş ve halen bu bölümde Prof.Dr. ve Bölüm Başkanı olarak görev yapmaktadır. Bulanık Karar Sistemleri, Veri Madenciliği ve Bilgisayar Programlama alanlarında çalışmaktadır. Uğur ELĠĠYĠ Lisans ve Yüksek Lisans derecelerini 1999 ve 2004 yıllarında sırasıyla Orta Doğu Teknik Üniversitesi Matematik ve Endüstri Mühendisliği Bölümleri nden almıştır yıllarında Ankara da ve yılları arasında İzmir de olmak üzere yazılım, gıda ve eğitim sektörlerindeki çeşitli yerli ve uluslararası firmalarda planlama ve geliştirme uzmanı, teknik danışman, eğitmen ve analist olarak görev aldı yılları arasında ODTÜ MODSİMMER de çoğunlukla savunma sanayi projelerinde olmak üzere araştırma görevlisi olarak çalıştı yılından bu yana Dokuz Eylül Üniversitesi Fen Bilimleri Enstitüsü İstatistik Anabilim Dalında Doktora programına devam etmekte ve İzmir Ekonomi Üniversitesi Endüstri Sistemleri Mühendisliği Bölümü nde araştırma görevlisi olarak çalışmaktadır. Ana çalışma alanları Kombinatoryel Optimizasyon, Algoritmalar, Sezgisel Yöntemler ve Karar Destek Sistemleridir. Mefharet ÖZKILÇIK 1983 yılı İzmir doğumludur yılında Dokuz Eylül Üniversitesi İstatistik Bölümü nden Lisans derecesi, 2007 yılında ise yine aynı bölümden Yüksek Lisans derecesi aldı yılında Dokuz Eylül Üniversitesi İstatistik Bölümü nde başladığı doktora eğitimini sürdürmektedir. Bununla birlikte, 2007 yılında İzmir Büyükşehir Belediyesi ESHOT Genel Müdürlüğü nde İstatistikçi olarak başladığı görevine Ulaşım Planlama İstatistik Şube Müdürlüğü nde devam etmekte, ulaşım planlama ve toplu taşıma

157 146 sistemlerinde optimizasyon üzerine çalışmaktadır. Doğrusal Olmayan Zaman Serileri, Kaos ve Tahminleme ana çalışma alanlarıdır. Ümit KUVVETLĠ 1984 yılı İzmir doğumludur. Dokuz Eylül Üniversitesi İstatistik Bölümü nden 2006 yılında Lisans, 2008 yılında ise Yüksek Lisans derecesi aldı yılında Dokuz Eylül Üniversitesi İstatistik Bölümü nde başladığı doktora eğitimini sürdürmektedir. Bununla birlikte, 2007 yılında İzmir Büyükşehir Belediyesi ESHOT Genel Müdürlüğü nde İstatistikçi olarak başladığı görevine Ulaşım Planlama İstatistik Şube Müdürlüğü nde devam etmekte, ulaşım planlama ve toplu taşıma sistemlerinde optimizasyon üzerine çalışmaktadır. Hizmet Sektöründe Kalitenin Ölçülmesi ve Geliştirilmesi ve Yalın Altı Sigma Metodolojisi temel çalışma konularıdır.

158 KURUMSAL KAYNAK PLANLAMA OSMAN ORMAN ESHOT GENEL MÜDÜRLÜĞÜ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

159

160 149 KURUMSAL KAYNAK PLANLAMA Osman ORMAN ÖZET Bu çalıģmada, geliģen teknoloji karģısında Eshot Genel Müdürlüğü nün tüm bilgi ve iletiģim teknolojilerini; kaliteli hizmet sunmak, harcama yetkilileri ve yönetim kadrosuna hızlı, güvenilir ve eksiksiz bilgi sağlamak amacıyla bünyesinde 2011 yılından itibaren kullanılmaya baģlanan Kurumsal Kaynak Planlama (ERP) Sisteminden bazı örnekler ve iģletme için önemini anlatmak planlanmıģtır. ERP nin tanımı, temel bileģenleri, genel olarak iģletmeye olan faydaları, sistemi baģarıya ulaģtıracak noktalar ve güvenilir bilgiye en az maliyetle eģ zamanlı olarak ulaģmanın iģletmeye faydaları ele alınmıģtır. ĠĢletmelerde ERP ye olan gereksinimin önemi ve kamu kurumunda sistemin uygulanması üzerine bilgilere yer verilmiģtir. ABSTRACT In this study, it is aimed to emphasise how Eshot Genel Mudurlugu begin to use Enterprise Resource Planning (ERP) in 2010, for serving with high quality, providing fast,secured and exact information for the management department. Definition of ERP, basic components, its general benefits for an enterprise, points which make the enterprises successful, and benefits of getting secured and low-cost information at the same time for enterprises are discussed. Also,it is mentioned about necessity of ERP and some application examples in a public enterprise. Key words: Enterprise Resource Planning, ERP, Eshot Genel Mudurlugu, ERP in a public establishment 1. GİRİŞ Özellikle 20. yüzyılın sonlarından itibaren artan rekabet ortamında iģletmelerin bilgi ve iletiģim teknolojilerine olan ihtiyaçlarının yanı sıra; hızlı karar verme, süreçleri değerlendirme ve kaynaklarını verimli kullanma ihtiyaçlarına karģılık olarak ileri bilgi teknolojilerine ilgi artmıģtır. Bu ilgi baģlarda envanter tutma amacını taģısa da zamanla malzeme gereksinimini hesaplayan malzeme ihtiyaç planlaması (material requirements planning - MRP) olarak Ģekil değiģtirmiģtir. Malzeme ihtiyaç planlamasının yanında mevcut kapasite ve üretim planlarını içermesiyle MRP I olarak anılmaya baģlanmıģtır. Finans, satınalma, üretim planlama, kontrol faaliyetleri gibi fonksiyonların eklenmesiyle MRP II hayata geçirilmiģtir. GeliĢtirilen tüm bu sistemler ilerleyen teknoloji ve değiģen istekler doğrultusunda sürekli yenilenme, daha fazla bilgi giriģi / çıkıģı, diğer birimlerin süreçlerine entegrasyon gibi ihtiyaçlara da karģılık verebilmesi amacıyla iģletme genelinde tam entegrasyonu hedef almıģtır. Bu hedef Kurumsal Kaynak Planlaması sisteminin geliģmesine ıģık tutmuģtur.

161 KURUMSAL KAYNAK PLANLAMANIN TANIMI Kurumsal Kaynak Planlama Sistemi yazılımı; iģletmenin stratejik planları doğrultusunda müģteri ihtiyaçlarını en uygun Ģekilde karģılamak için tedarik, üretim ve dağıtım kaynaklarının verimli ve etkin Ģekilde planlanması, koordine ve kontrol edilebilirliği barındıran bir sistemdir. Ayrıca bu sistem iģletmenin farklı coğrafi bölgelerde faaliyet gösteren iģletmelerindeki tedarik, üretim ve dağıtım kaynaklarını eģ güdümlü olarak planlamaya da olanak sağlamaktadır. 3. KURUMSAL KAYNAK PLANLAMANIN TEMEL BİLEŞENLERİ ĠĢletmelerde müģterilere verilen hizmette verimliliği arttırmak ve rekabet ortamında diğer iģletmelere göre baģarıyı yakalamak için süreçlerin takip edilebilirliğinin Ģeffaf olması kadar, sistemden alınacak verilerin de iģletmenin durumunu eksiksiz olarak yansıtması gerekmektedir. Özel iģletmelerde müģteri odaklı yapılan süreçler, kamu kurumlarında hizmet süreçleri olarak değiģime uğrar. Sistemin iģleyebilmesi için aģağıdaki maddelerin eksiksiz olarak yer alması gerekmektedir. ĠĢletmede tüm birimler arası tam entegrasyon, Veri giriģlerinin tam ve zamanında yapılması, Sistemden alınması istenen karar destek kriterlerinin belirlenmesi, Yukarıdaki bileģenler hem yazılımsal hem de iģ gücü olarak tamamlandığında mutlak ki, kaynakların planlanması için kazanılan zaman ve maliyetler iģletmenin faydasına olacaktır. 3. KURUMSAL KAYNAK PLANLAMANIN İŞLETMEYE FAYDALARI Kurumsal Kaynak Planlama sistemini uygulayan kamu kurumlarında üretim performansında artıģ, kaynakların verimli kullanımı, stratejilere uygun iģletme yönetimi, kesintisiz bilgi paylaģımı konularında olumlu yönde değiģimler beklenmektedir. Eshot Genel Müdürlüğü bünyesinde kullanılan kurumsal kaynak planlama sisteminden bazı örnek ekranlar ve iģleyiģteki süreçlerin takip edilebilirliği açısında bir takım örneklerle sistemi tanıtmak gerekirse, Araç Bakım Onarım Daire BaĢkanlığınca 2010 yılı baģlarında alımı yapılan Kurumsal Kaynak Planlama (ERP) yazılımı ile kurumda belirli konularda yaģanan sıkıntıları gidermek amaçlanmıģtır. Öncelikle ESHOT taki mevcut sistemde var olan malzemeler ana ambarda tutulmakta, postalara toplu Ģekilde verilen malzemeler henüz kullanılmasa bile tüketilmiģ gibi görünmektedir. Postada stok var olsa da mevcut program üzerinde sadece ambardaki stok miktarı takip edilebildiğinden stok miktarı sıfır kabul edilmektedir. Bu durumda postalardaki stoklar hakkında eksik bilgiler nedeniyle aslında ESHOT stoklarında var olan bir malzeme için fazladan bir alıma ihtiyaç duyulabilmekte idi. Çevre ambarlar ya da diğer postaların beklediği bir malzeme baģka bir postada var ise, kiģiler kendi imkanlarıyla araģtırırlarsa mevcut stoğu görebilmektedir. Ayrıca yeni bir malzeme açılırken tanımdan kontrol yapıldığı için stok kodlarında tekrarlar mevcuttur. Bu tür problemlerin özünde departmanlar arası bilgi akıģındaki aksamalar, yetersizlikler yer almaktadır. Birimlerde farklı farklı programlar kullanılarak iģler takip edilmekte, veri giriģi tekrarları, birbirinden bağımsız veriler sorunların baģında gelmektedir. ERP yazılımı ile ambar ile bakım postaları, bakım faaliyetleri ve satın alma faaliyetleri arasında tam bir entegrasyon sağlanması amaçlanmaktadır. Ana ambardan postalara yapılan malzeme çıkıģları takip edilebilecektir. ESHOT genelinde yetki verilen tüm kullanıcılar ana ambarda, çevre ambarlarda ve

162 151 postalarda hangi malzemeden ne kadar var olduğunu görebileceklerdir. Bu amaçla ERP programında her bir posta ayrı birer stok lokasyonu olarak tanımlanmıģtır. ġu an gelinen noktada ambarda kayıtlı bulunan malzemelerin %90 ı tanımlanmıģtır. Malzeme Ġkmal Daire BaĢkanlığı nın mevcut süreci ERP yazılımı üzerinde devam ettirebilmesi için gerekli raporlar sistemden alınabilecek Ģekilde hazırlanmıģtır. Ekranlar üzerinde kullanıcılar ile görüģülerek eklemeler yapılmıģtır. ERP üzerinde birimlerin talep yapabilmesi için artık istedikleri malzemeyi sistemde gerekli özellikleriyle tanımlamaları gerekmektedir. Stok kodu tekrarlarını önlemek için 2 haneli malzeme grubu (örn; 03-Yedek Parçalar), 3 haneli malzeme sınıfı (örn; 001-Motor Silindir Blokları) ve karakteristik özelliklerine göre tekrar kontrolünün yapıldığı 5 haneli sayaç kısmından oluģan kodlama mantığı oluģturulmuģtur. Malzeme grupları ve sınıfları bazında standartlaģtırılan bu karakteristik özellikleri sayesinde stok takibi malzeme tanımından çok listeden seçilerek yapılan tanımlamalar doğrultusunda olacaktır. Böylece takibin farklı yazı karakterlerinden bağımsızlığı sağlanacaktır. Birimler malzeme tanımlamasını yetkili kiģiye yaptırdıktan sonra satın alma taleplerini sistem üzerinden yapacaklardır. Aynı ekran üzerinde istedikleri malzemeden stokta olup olmadığını da görebilmektedirler. Malzeme Kartı Ekranı Ambardaki ve Postalardaki Stok Miktarları Ekranı (Örnek)

163 152 Satın alma Daire BaĢkanlığınca yapılan iģler de doğrudan temin ya da ihale usulü ile olmasına göre sistemden takip edilebilecektir. ESHOT taki mevcut sistemde birimler talep yaptıktan sonra alımın hangi aģamada olduğunu satın alma birimine sorarak öğrenmektedir. ERP yazılımında talep aģamasından mal kabulüne kadar olan tüm aģamalar tanımlanmıģtır. Ġlgili kiģiler kendilerine ait olan aģamayı onayladıklarında istek yapan birim sorumlusu ekran üzerinden satın almanın aģamasını görebilecektir. Bu süreçler için de gerekli olan raporlar sistemden alınabilecek Ģekilde tasarlanmıģtır. Alım Süreçleri ile İlgili Uygulamalar Satınalma Talebi Tüm birimler tarafından yapılan satınalma talepleri, Malzeme Ġkmal Daire BaĢkanlığı ndaki kullanıcılar tarafından gruplanarak alım dosyası haline getirilmektedir. Son alım fiyatı bazında üfe maliyetinin hesaplanması sistem tarafından yapılmaktadır. Alım Dosyası

164 153 Alım Aşamaları AĢağıdaki ekran sayesinde talep numarası bazında alımın ne aģamada olduğu sorgulanabilmektedir. Alım Dosyası-Talep Takip Listesi Bakım faaliyetlerinin sistemden takip edilebilmesi için mevcut otobüsler özellikleri bazında tanımlanmıģtır. Örneğin; 100 adet aynı otobüsten sistemde tanımlamak istenirse, 1 adeti oluģturulacak diğer 99 adetinin ürün ağacı, yedek parçaları, periyodik bakım bilgileri kopyalanarak oluģturulabilecektir. Otobüslerin altında hangi sistemlerin yer aldığı, bu sistemlerin yedek parçaları ağaç yapısı Ģeklinde görülebilmektedir. Böylece bakıma gelen bir otobüs altında hangi seri numaralı parçaların bulunduğu, bir parçanın hangi otobüsten çıkarılıp hangi otobüse takıldığının takibi yapılabilecektir. ĠĢ emrinde ambardan ya da posta stoklarından malzeme kullanıldığında otomatik stok düģüģü olacaktır. Belirlenen oranlara göre azalan stok uyarısı program tarafından verilecektir. Daha önceden alımı yapılan malzemeler, üfesi hesaplanmıģ Ģekilde Satınalma Daire BaĢkanlığı na iletilir. Satınalma Daire BaĢkanlığı kullanıcıları, yaklaģık maliyet tespiti ve gerçek teklifler ayrı olmak üzere gelen fiyatları aģağıdaki ekrandan takip etmektedirler.

165 154 Sipariş Teklifi (örnek) SipariĢin hangi tedarikçide kaldığı netleģtikten sonra yayınlanan satınalma sipariģi tüm kullanıcılar tarafından görülebilir hale gelmektedir. Satınalma Siparişi Beklenen sipariģ tedarikçi tarafından teslim edildiğinde, öncelikle ambar aģağıdaki ekrandan malın emanet stoğuna giriģini gerçekleģtirmektedir.

166 155 Satınalma Teslimalmaları Emanet stoğundaki malzemelerin kabulü ile ilgili süreç ilgili birimler tarafından IFS-ERP üzerinde gerçekleģtirilmektedir. Muayene Sonuçlarını Kaydetme Ekranı Muayene sürecini girdikten sonra malzemenin ana ambara teslim alması yapılmakta ve taģınır iģlem fiģi alınmaktadır. Ana Ambara Teslimalma

167 156 Birimlerin ambarda mevcut olan bir malzemeyi kendi birimlerine çekme talepleri ve sevk iģlemleri iste IFS te varolan Transfer Talebi ekranından takip edilmektedir. Transfer Talebi

168 157 Bakım Süreçleri ile İlgili Uygulamalar Otobüs ve Alt Sistemleri Bilgilerini Kopyalama Ekranı Arıza Kayıt Ekranı

169 158 Atölyelere gelen araçların arıza kayıtları sisteme girildikten sonra araç içeri alınır ve ilgili postalara yönlendirilir. Postalarda araç için kullanılan malzemeler iģ emri bazında kaydedilir. Bakım Emri Malzeme Kullanımı ĠĢ emirlerini tamamlayan çalıģanları hangi iģi ne kadar sürede yaptıkları da sistemde aģağıdaki ekrandan takip edilebilmektedir. Bakım Emri İşçilik Raporlama Bu veri giriģleri doğrultusunda Eshot Genel Müdürlüğü nün tüm atölyelerindeki günlük arıza durumları tekmil listesi Ģeklinde sistemden çekilmektedir.

170 159 Eshot Tekmil Listesi Periyodik bakım faaliyetleri için belirlenen parametreler doğrultusunda otomatik bakım talepleri oluģacak, istenen zamanda bakım emrine dönüģtürülecektir. ĠĢçilik süreleri yapılan operasyonlar bazında raporlanabilecektir. Ayrıca uydu takipten alınan km bilgileri ve alınan günlük akaryakıt bilgileri sisteme aktarılarak km bilgisi kontrolü yapılabilecektir. Puantaj programından alınacak veriler ile hangi personelin vardiyada olduğu sistemden üzerinden de takip edilebilecektir. Uydudan gelen km bilgileri, akaryakıt otomasyon sisteminden alınan yakıt verileri sisteme aktarılmaktadır.

171 160 Kilometre ve Yakıt Takip Ekranı Km ve yakıt takip bilgileri plaka ve tarih bazında kümülatif olarak Liste-Ölçümler ekranına düģmektedir. Bu kayıtlar da periyodik bakım tetiklemelerine veri sağlamaktadır. Liste-Ölçümler Araçlar için sisteme km periyotları tanımlanmıģtır. Böylece yukarıdaki listede km toplamı bazında yağ bakımları ve periyodik bakımlar planlandı statüsünde otomatik oluģmaktadır. Bu listeyi gören ilgili birim sorumluları, araçları ne zaman bakıma çağıracaklarını sisteme girebilmekte, takip edebilmektedirler.

172 161 Yağ Bakıma Çağrılan Araçlar Listesi Sonuç olarak sürekli geliģtirilen ve kurumun konuyla ilgili gereksinimlerinin tamamına cevap verecek bir kurulum olması hedeflenen ERP projemiz ile, YaklaĢık 100 km. çaplı bir coğrafya üzerinde yapılan hizmetin her noktasında yapılması gereken operasyonların tamamında entegre bir sistem kullanımının getireceği bilgi birlikteliği ve güncelliğin izlenebilmesi, çağımızda en değerli Ģey olan zaman ın ekonomik kullanımı kazanımının ortaya çıkması, toplu ulaģımda kullanılan materyallerin bakımlarının sistem tarafından takip edilmesi sonucunun çalıģanlarda yaratacağı baskının getireceği sorumluluk duygusu bilinci en dikkate değer kazanımlar arasında olacak ve bu kazanım, aslında sayısal değere dönüģtürmekte zorlanılan ekonomik kayıpları da ortadan kaldıracaktır. Ġnsanın sistemi yönetmesi ile sistemin insanı yönetmesi arasındaki farklılığın Ġdaremiz lehine olacak kamusal kazanımları arasında, insan hatasının ve keyfiyetin ortadan kaldırılması, bilinçsiz bakım ve kontrol operasyonlarının önüne geçecek kontrol mekanizmalarının geliģimi, idaremizce bu alanda yapılan yatırımın kısa zamanda geri dönmesini de sağlamıģ olacaktır. ERP yazılımı ile ambar, bakım kısımları, bakım faaliyetleri, satın alma faaliyetleri ve bunların mali kaynaklarının kullanılması iģlemlerinin yürütüldüğü karar mekanizmaları arasında tam bir entegrasyon sağlanması gerçekleģecektir. KAYNAKÇA [1] Yrd. Doç. Dr. D. DEMĠRHAN, Yrd. Doç. Dr. B. ARACIOĞLU, ĠĢletmelerde Kurumsal Kaynak Planlama Sistemlerinin Kullanımı ve Finansal Performans Üzerine Etkileri, Celal Bayar Üniversitesi S.B.E., 2010 [2] Yard. Doç. Dr. E. DÜZAKIN, Yard. Doç. Dr. S. SEVĠNÇ, Kurum Kaynak Planlaması (Erp), Uludağ Üniversitesi, Cilt XXI, Sayı 1, s , 2002

173 162 ÖZGEÇMİŞ Osman ORMAN 16 Mart 1958 tarihinde Balıkesir Ayvalık ta doğmuģtur. Ġlk ve orta öğrenimini Ayvalık ta tamamlayıp 1976 yılında Ġstanbul Teknik Üniversitesi Metalurji - Kimya Fakültesi Metalurji Bölümü nde üniversite eğitimine baģlamıģ ve 1982 yılında mezun olmuģtur. Askerliğini 1985 yılında tamamlayıp Ġzmir Pınar Döküm fabrikasında mühendis olarak çalıģmaya baģlamıģtır. Aynı yılın kasım ayında Ġzmir BüyükĢehir Belediyesi Eshot Genel Müdürlüğü nde ürün geliģtirme ve talaģlı imalat departmanında görev alarak baģlamıģ ve sırsıyla Basmane Merkez Atölye ġefliği, Satınalma Komisyon BaĢkanlığı, Gediz Atölye ġefliği, Etüd-Proje Teknik Personeli, Atölye Müdür Yardımcılığı görevlerinden sonra halen Araç Bakım Onarım Daire BaĢkanlığı görevini yürütmektedir. Gediz Atölye ġefliği görevini yürüttüğü dönemde idarenin muhtelif operasyonlarının kayda geçirilmesi ve süreç içerisindeki takip sorunlarının giderilmesine yönelik ihtiyaç doğrultusunda yapmıģ olduğu çalıģmalarla ERP Projesi öncesinde Access yazılımlarıyla çeģitli çözümleri idari anlamda gerçekleģtirmiģ ancak idarenin profesyonel çözümlere ihtiyacı olduğu fikrinden hareketle akaryakıt otomasyon çözümü, personel devam kontrol sistemi kurulumu gibi çalıģmaların ardından ERP projesine iliģkin çalıģmaya baģlanmıģ ve süreç içerisinde ERP kurumsal anlamda tüm atölye operasyonları, satın alma ve malzeme ikmal birimlerini de kapsayacak Ģekilde devreye alınmıģtır.

174 ÖZEL OTURUM 1 ENDÜSTRİ MÜHENDİSLİĞİNDE ETMEN TEMELLİ YAZILIMLAR MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

175

176 ÇOKLU ETMEN GELİŞTİRME PLATFORMU: JACK TM CENK ŞAHİN, VAHİT KAPLANOĞLU, ADİL BAYKASOĞLU, RIZVAN EROL ETMEN TABANLI SİSTEM TASARIM YÖNTEMİ: PROMETHEUS TM VAHİT KAPLANOĞLU, CENK ŞAHİN, ADİL BAYKASOĞLU, RIZVAN EROL ETMEN TABANLI BENZETİM: ANYLOGIC TM YAZILIMI VE ÖRNEK BİR ÇALIŞMA ADİL BAYKASOĞLU, ZEYNEP D.U. DURMUŞOĞLU, LATİFE GÖRKEMLİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

177

178 ÇOKLU ETMEN GELİŞTİRME PLATFORMU: JACK TM CENK ŞAHİN ÇUKUROVA ÜNİVERSİTESİ VAHİT KAPLANOĞLU GAZİANTEP ÜNİVERSİTESİ ADİL BAYKASOĞLU DOKUZ EYLÜL ÜNİVERSİTESİ RIZVAN EROL ÇUKUROVA ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

179

180 169 ÇOKLU ETMEN GELİŞTİRME PLATFORMU: JACK TM Cenk ŞAHİN Vahit KAPLANOĞLU Adil BAYKASOĞLU Rızvan EROL ÖZET Günümüzde, çoklu etmen sistemleri bilgi teknolojilerinde önemli bir yere sahiptir. Etmen tabanlı sistemlerde yer alan etmenlerin özelliklerini kendi problemlerine uygulamak isteyen geliģtiriciler, uygulamada birçok problemle karģılaģırlar. Ancak, bazı etmen tabanlı sistem geliģtirme yazılımları, etmen tabanlı sistem geliģtirmek ve uygulamak isteyen geliģtiricilere etmen özelliklerini kolay ve verimli bir Ģekilde kullanma olanağı sağlarlar. Bu durum onların teknik ayrıntılarla çok fazla meģgul olmadan ana probleme odaklanmalarını sağlar. JACK TM etmen tabanlı sistem geliģtirme yazılımlarından birisidir. JACK TM, takım yapıları, gerçek zamanlı kontrol ve tekrar edilebilirlik gibi etmen yapılarının uygulanmasını ve çalıģtırılmasını destekleyen özelliklere sahip Java temelli bir etmen geliģtirme platformudur. Bu çalıģmada, bir üretim sisteminde yer alan otomatik rehberli taģıtların (AGV) ve makinelerin dinamik çizelgelenmesine yönelik geliģimsel bir çizelgeleme yaklaģımı JACK TM etmen geliģtirme platformu kullanılarak modellenmiģtir. ÇalıĢmanın temel amacı; mevcut problem üzerinden hem JACK TM etmen modelleme ve geliģtirme platformu tanıtmak ve hem de söz konusu çizelgeleme çalıģması ile etkili bir gerçek hayat uygulamanın nasıl geliģtirilebileceği göstermektir. Etmen tabanlı sistemler ve çözümleme yaklaģımları gelecek on yıllarda endüstri mühendisliği ve yöneylem araģtırması çalıģmalarının vazgeçilmez bir aracı olacağından bu konuların Ģimdiden çalıģılması ve öğrenilmesi büyük bir önem arz etmektedir. Anahtar Kelimeler: JACK TM, Etmen modelleme, Dinamik sistemler, Çizelgeleme ABSTRACT Nowadays, multi-agent systems are critically important in information technologies. The developers who want to apply agent characteristics to their own problems face with many difficulties during their application development phase. However, some agent based system development environments help to agent-based system developers while providing the opportunity of easiness and effectiveness of agent system development. This provides the agent based system developers to focus on the main problem without spending time on the technical details. JACK TM is one of the rare agent-based system development software. JACK TM with its extensions to support the design and execution of agent structures which are teams, real-time control, repeatability and etc. is a Java based agent development environment. In this study, an evolutionary scheduling approach to AGVs and machines within a manufacturing system is implemented through JACK TM agent development environment. The main objectives of this study are both introducing JACK TM agent modeling and development environment and showing how to develop an effective real-time scheduling problem application. Since agent based systems and their analysis approaches is assumed to be an indispensable tool in industrial engineering and operation research studies within next ten years, studying and learning these subjects in advance are so important. Key Words: JACK TM, Agent modeling, Dynamic Systems, Scheduling

181 GİRİŞ Kazanca yönelik hiçbir organizasyon tarafından daha fazla ihmal edilemeyecek bir gerçek olan küresel ekonomi, üretim sistemlerini pazarda meydana gelen değiģken durumlara sürekli bir Ģekilde adapte olmaya zorlamaktadır. Bu dinamik üretim ortamı, ürün çeģitliliği, talepteki geniģ dalgalanmalar, daha kısa ürün yaģam döngüsü ile kalite ve teslim zamanı açısından artan müģteri istekleri tarafından Ģekillendirilir. Aynı zamanda hızla değiģen çevre koruma kuralları, yeni geliģtirilen süreçler ve teknolojiler de mevcut üretim sistemlerinin performansı üzerine yeni ihtiyaçlar yüklemektedir. Bunların yanı sıra, aģağı yönlü bölümlerdeki süreçlerin durmasına ve gecikmesine neden olan sıklıkla değiģen ürün sipariģleri ve teslim zamanları ile hazır olmayan hammadde ya da kalite problemleri gibi üretim çevresi ile iliģkili klasik problemler hala üretim sistemlerinde dalgalanmalar yaratmaya devam etmektedir. Artık günümüz üretim sistemlerinin sistemde meydana gelen herhangi bir aksaklığa, hata toleransına ve donanım/yazılımın yeniden Ģekillendirilmesine gerçek zamanlı olarak hızlı bir Ģekilde cevap vermesi istenmektedir. Diğer yeni kavramlarla birlikte etmen tabanlı üretim sistemleri kavramı yeni nesil üretim sistemleri için umut vaat edici bir çözüm olarak görülmektedir [1]. Sistem bilimi ve yazılım mühendisliğinde oldukça yeni sayılan etmen tabanlı yaklaģımlar, özellikle çoklu etmen modelleri karmaģık problemlerin modellenmesinde ve çözülmesinde etkili bir yaklaģım sunmaktadır. Bu sistemler genellikle belirsiz bir sistem çevresinde çalıģırlar ve bu sistemler problem çözümlerinde çok karmaģık etkileģimler içerirler. Dahası, etmen teknolojisi müzakere için gerekli olan gerçek zamanlı bilgiyi de sağlar ve değiģen Ģartlara uygun olan dinamik bir yapıya sahiptir [2, 3]. Çoklu etmen sistemleri yazılımları, etmen tabanlı sitemleri geliģtirme sürecini hızlı ve verimli Ģekilde kolaylaģtırır. Ancak, mevcut birçok yazılım vardır ve bu durum uygun bir tane seçmeyi zor hale getirmektedir. Dolayısıyla bu yazılımları karģılaģtırmak ve analiz etmek gereklidir. Bu yazılım araçlarının temel problemlerinden bir tanesi, tasarım Ģekilleri, sağlanan sınıflar ve performansları bakımından birbirleri arasında önemli farklılıklar göstermesidir. Literatürde bu araçları karģılaģtırmak için yapılmıģ olan çalıģmalar mevcuttur [4-9]. Bu çalıģmada, bir üretim sisteminde yer alan otomatik rehberli taģıtların (AGV) ve makinelerin dinamik çizelgelenmesine yönelik geliģimsel bir çizelgeleme yaklaģımı JACK TM etmen geliģtirme platformu kullanılarak modellenmiģtir. ÇalıĢmanın temel amacı; mevcut problem üzerinden hem JACK TM etmen modelleme ve geliģtirme platformu tanıtmak hem de söz konusu çizelgeleme çalıģması ile etkili bir gerçek hayat uygulamanın nasıl geliģtirilebileceği göstermektir. 2. JACK ÇOKLU ETMEN GELİŞTİRME YAZILIMI JACK etmen geliģtirme aracı ticari bir etmen tabanlı geliģtirme ortamıdır. Etmen tabanlı yazılım grubunun bir ürünüdür ve son sürümü olarak JACK 5.2 versiyonu mevcuttur. Bu araç takımları içerisinde sadece JACK araç kiti, açık kaynak koduna sahip değildir ve sadece 60 günlük deneme sürümü JACK in web sayfasından [10] indirilebilmektedir. JACK, JAVA üzerine kurulmuģ olan bir geliģtirme ortamıdır ve etmen davranıģlarını uygulamak için JAVA sınıflarının bir uzantısı gibi hareket eder. JACK, yürütülecek proje içerisindeki etmenleri tanımlamak için grafiksel kullanıcı ara yüzü sunmaktadır. Bu kullanıcı ara yüzü, kullanıcılara etmenlerin görüģlerinde, inanç setlerinde, kabiliyetlerinde ve planlarında değiģiklik yapmasına olanak sağlamaktadır. JACK ayrıca, etmenleri ve etmen girdileri arasındaki nesnelerin haberleģmesi için nesne modellemeyi sunan bir nesne listeleyicisi (JACOB) de içermektedir [4, 6]. JACK Akıllı Etmenleri ulaģmak istedikleri açık hedeflere, yapay zekânın teorik Ġnanç-Ġstek-Niyet (BDI) modeline göre üstesinden gelecekleri olaylara sahip özerk yazılım bileģenleridir. Buna ilaveten farklı mekanizmalar ile uzak ya da yerel haberleģmeyi de desteklemektedir. JACK, FIPA standartlarına uymamaktadır JACK Etmen Dili Bileşenleri Asgari bir JACK uygulaması, bir ya da birden fazla etmen/takım, plan, olay ve inanç setleri ya da görüģler açısından tanımlanır. Uygulamalar seçmeli olarak yetenekleri (capability) de içerebilirler.

182 171 Etmenler ya da takımlar, bir uygulamanın özerk sayısal varlıklarını ifade etmek için kullanılır. Takım sınıfı ise, çoklu etmen davranıģlarının koordine edilmiģ görünümlerini kapsülleģtirmek için kullanılır [6]. Takımlar, etmen fonksiyonlarının birçoğunu içermektedir. JACK Etmen Dilindeki programlama yapısı Ģunları içerir: Olay: Olaylar, etmenler/takımlar da merkezi motivasyon faktörüdür. Olaylar olmadan bir etmen/takım, düģünmek ya da hareket etmek için uyuģuk, motivasyonsuz bir haldedir. Olaylar, dıģsal bir uyarıcıya karģılık olarak ya da içsel bir hesaplamanın sonucu olarak yaratılabilirler. JACK, iki ana olay kategorisine sahiptir: Normal olaylar ve BDI olayları. Normal olaylar, çevresel anlayıģlar gibi geçici beklenmeyen olayları temsil etmek için kullanılır. Örneğin, eğer etmen/takım ilk denemesinde olayı baģarılı bir Ģekilde ele alamaz ise olay bırakılır çünkü bu ara periyotta etmenin içerisinde bulunmuģ olduğu ortam değiģmiģ olacaktır. Buna zıt Ģekilde BDI olayları, geçici uyarılardan daha ziyade hedefleri temsil etmek için kullanılır. Bir etmen/takım, bir BDI olayına hizmet verdiği zaman olayı baģarılı bir Ģekilde ele alır: Hedef sağlanana kadar birçok alternatif çözüm yolları denenir. Plan: Planlar, olaylara nasıl karģılık verileceğini tanımlayan prosedürlerdir. Bir olay yaratıldığı zaman JACK, o olayla iliģki olan plan setlerini hesap eder (olayla uyuģan planlar). Her bir iliģkili plan, içerik duruma göre filtreden geçirilir. Bir planın, hangi Ģartlar altında uygulanabileceğini tanımlayan durumlar buna örnek olarak verilebilir. Daha sonra, içerik Ģartları mevcut durumları tarafından karģılanan ilgili planlar seti, etmenin bir sonraki amacını oluģturacak olan planın seçileceği tartıģma sürecinin konusu haline gelir. Planlar, olaya karģılık verildiğinde çalıģtırılacak adımların tanımlandığı bir gövdeye sahiptir. Bir plan adımı, ya bir JACK muhakeme ifadesi ya da bir JAVA ifadesidir. Muhakeme metotlarının kullanılması ile plan gövdesinin fonksiyonel ayrıģtırılması için destek sağlanır. JACK operasyon zamanı altyapısı, plan adımlarının çalıģmasının (muhakeme metodu çalıģmasını da içerir) çok küçük olmasını garanti eder. İnanç seti: Ġnanç setleri, ilk olarak etmeni tanıtan inançları temsil etmek için kullanılır. Bir inanç seti iliģkisinin değer alanları, eski JAVA tiplerini ve kullanıcı tanımlı sınıfları içeren herhangi bir veri tipi olabilir. Bir inanç seti açık kaynak ya da kapalı kaynak olabilir ve JACK çekirdeği, inanç setinin mantıksal tutarlılığını sağlar. Ġnanç setleri standart bilgi eriģimi altında ya da üzerinde birçok yararlı fonksiyon sağlar. Örneğin, bir olay güncel bir inanç seti üzerinden otomatik olarak yaratılabilir ve bu durum etmenin aktivitelerini değiģtirip değiģtirmemesi gerekliliği üzerine düģünmesine yol açar. Görüş: Bir görüģ, etmenlere kendi arabirimleri ile ilgilenmeden heterojen veri kaynaklarını kullanmalarına olanak sağlayan veri soyutlama mekanizmasıdır. Aslında görüģler, ara birimi bir inanç seti ile aynı olan dıģsal veri kaynakları haline getirir. Etmen: JACK, BDI modeli üzerine olduğu için bir JACK etmeni inançlara, isteklere ve niyetlere sahiptir. Bunlar etmenin içsel durumunun bir parçasıdır ve sistemdeki diğer etmenler tarafından direk olarak eriģilemez. Bratman [11] tarafından tanımlandığı gibi inançlar, etmenin planları, inanç setleri ve görüģleri tarafından temsil edilir. Bunlar, planlar olması halinde etmenin sahip olduğu prosedürsel bilgiler olan bilgiyi ve inanç setleri ve görüģler olması halinde sahip olduğu gerçeklikleri tanımlar. Aslında JACK isteklerin belirgin bir tanımlamasına sahip olmamasına rağmen bir JACK etmenin istekleri, etmenin mevcut içsel durumuna uygulanabilir olan plan setleri içerisine dâhil edilmiģtir. Her uygulanabilir plan, gevģek bir biçimde bir istek ile uyuģur. Diğer istekler, aynı sayısal kaynaklar için yarıģmıyorken etmenin yükleneceği bir aktivite buna örnek verilebilir. Uygulanabilir bir plan seçildiği zaman, istek niyet haline gelir. Örneğin, etmen seçilmiģ bir planı kullanarak isteğin karģılanmasını sağlar. Takım: Takımlar, sosyal yapıların ve koordine edilmiģ davranıģların modellemesini kolaylaģtıran BDI modelinin bir uzantısıdır. JACK, takım rotasyonunu ayrı muhakeme varlıkları olarak tanıtır (takım üyelerinden ayrı olarak). Bir takımın davranıģı, özellikle takım üyelerinin koordine edilmiģ aktivitesi, direk olarak takım varlığı tarafından tanımlanır. Böylelikle yazılım modelinde, her takım üyelerinin sahip oldukları inanç setlerinden farklı olan inanç setleri ile bir olarak yer alırlar. Bu üretken takım tabanlı yetenek, üzerinde birçok takım algoritmalarının tasarlanabileceği ve test edilebileceği esnek bir zemin sağlar. JACK, takım üyeleri arasındaki sosyal iliģkileri aynı zamanda koordine edilmiģ aktiviteleri ifade etmek için kullanılan uygun yapıları ile takıma dayalı çözümlerin programlamasını destekler.

183 172 JACK, bir uygulamadaki koordine edilmiģ aktiviteleri çalıģtırmak için ihtiyaç duyulan iletiģim servislerini de bünyesinde barındırır. Yetenek: Yetenekler, bileģenlerin etmenler arasında tekrar kullanabilmesini sağlamak için bir etmenin fonksiyonel bileģenlerini (olaylar, planlar, inanç setleri ve diğer yetenekleri) organize etmede kullanılır. Yetenekler alt yetenekleri içerebildiği için bir etmenin becerisi, bir yetenekler hiyerarģisi olarak tanımlanır. Yetenekler, uygulamalar arasında tekrar kullanılabilen etmen tabanlı iģlevsellik kütüphanelerinin geliģimini destekleyen yazılım ihtiyacına karģılık olarak JACK e eklenmiģtir [6] JACK Geliştirme Ortamı JACK, karmaģıklığı dolayısı ile sadece insanlar tarafından ele alınan görevler üzerinde etmenlerin rol almasına ihtiyaç duyulduğu birçok alanda uygulanmaktadır (Ör: meteorolojik değiģimler). Ayrıca JACK geniģ bir Ģekilde insan davranıģlarını modellemede de kullanılmaktadır. Örneğin, askeri komutalar ve savaģ pilotları. Bu tür uygulamalar, bilgi mühendisliği aģaması ve askeri simülasyon olması durumunda uzun ve kapsamlı bir model doğrulama aģamasını içerir. Konu içerik uzmanın alana özgü bilgisinin doğru bir Ģekilde uygulamasını sağlamak, usta bir analiz ve JACK programlamada deneyim gerektirir. Özellikle Konu Ġçerik Uzamanın, geri beslemelerinin bir sonucu olarak etmen ihtiyaçlarının modifiye edildiği yerlerde analizcinin JACK programlama yeteneğine sahip olduğu zamanlarda, geçmiģte bu süreç çok verimli olarak geçmiģtir. BDI modeli, konu içerik uzamanın problem çözme faaliyeti hakkındaki düģünme Ģeklini doğal olarak eģlemesine rağmen, bu uzmanlıklarını ancak bir programcı yardım ile JACK kodlarına çevirmenin yarattığı zorluk geçmiģte JACK in kabulünü sınırlandırmıģtır. Bu düģünce ile JACK, etmen uygulamalarının tasarımı, uygulaması ve takibi destekleyen grafiksel bir araç seti ile geniģletilmiģtir. JACK GeliĢtirme Ortamı (JDE) etmene dayalı uygulamalar geliģtirmeye olanak sağlayan grafiksel bir araç seti sunar. Bu grafiksel ara birimde etmenler, takımlar, takım yapıları ve bileģenler bir biri ile iliģkilerini gösteren çizgiler tarafından bağlanılan ikonlar tarafından temsil edilirler. Bu kabataslak sunuģ hedefleri, içerikleri, düģünme adımlarını ve etmenlerin/takımların eylemlerini tanımlamak için doğal bir ortam kullanır. Bu grafiksel ve doğal dil tanımlamaları daha sonra, Konu Ġçerik Uzmanları/Analist özelliklerine çok yakın haritasını çıkaran hesaplama yapısına sahip, uygulama davranıģ modellerinin üretilebilmesi için programcılar tarafından zenginleģtirilmiģtir. Bu bilgi kodlama sürecini kolaylaģtırmıģ ve Konu Ġçerik Uzmanına ve analistlere, uygulamanın çalıģma davranıģlarını izleyebilme olanağı sağlamıģ ve dolayısı ile bir ayarlama gerekli olup olamadığına ya da ne zaman ayar yapılması gerektiğini belirleme olanağı sağlamıģtır. Karar destek ve insan davranıģı modelleme alanlarında JACK in grafiksel araç seti, etmen/takım davranıģları değiģtirilmesinin /değerlendirmesinin /Ģifrelemesinin tekrarlı süreci üzerinde analiste kontrol sağlaması hayati bir özelliktir [6]. JACK hakkında daha geniģ bilgi için JACK el kitabı incelenebilir [12]. Burada bileģenler Ģu Ģekilde temsil edilmektedir: Etmen-dikdörtgen içerisindeki çubuk insan, Yetenek-dikdörtgen, Plan-köĢeleri yuvarlatılmıģ dikdörtgen, Ġnanç seti- silindir Olay-mektup.

184 173 Şekil 1. JACK Tasarım Örneği

185 Kayıt Ġnancı Endüstri Mühendisliği Yazılımları ve Uygulamaları Kongresi 30 Eylül-01/02 Ekim JACK YAZILIMI İLE ÜRETİM SİSTEMLERİNİN ÇİZELGELENMESİ 3.1. Önerilen Etmen Tabanlı Sistem Önerilen sistem iki farklı paradigma üzerine kuruludur: çoklu-etmen sistemler ve holonik sistemler. Holonik üretim sistemlerinde (HMS) dört farklı ana holon tipleri mevcuttur. Bunların arasında sipariģ holonu, ürün holonu, ve kaynak holon tipleri vardır. Personel holonu tamamlayıcı özelliğe sahip olan dördüncü holon tipidir. Bu dört farklı holon tipi genel holon yapılanmasını oluģtururlar. Bu çalıģma kapsamında esnek üretim sistemlerinin çizelgelenmesi için önerilen çoklu etmen tabanlı sistem ġekil 5 te verilmiģtir. Ġmalat sistemleri açısından bakıldığında bu sistem, yönetici etmen, AGV sistem holonu, sipariģ sistem holonu ve makine sistem holonlarını içermektedir. Bu çalıģmada eğer bir etmen diğer etmenleri içeresin de barındırıyorsa holon olarak adlandırılmaktadır. Yönetici Etmen Personel etmeni SipariĢ Holonu Op-1 etmeni Op-n etmeni AGV-1 Holon Makine-1 Holon AGV Holonu Makine Holonu AGV-2 Holon AGV -n Holon Makine-2 Holon Makine-n Holon AGV Kaynak Etmeni Çizelgeleme Etmeni Makine Kaynak Etmeni Çizelgeleme Etmeni 3.2. Etmen Tip Tanımlamaları Şekil 2. Önerilen Çoklu-Etmen Yapısı [13] Bu çalıģmada etmen tipleri, sahip oldukları fonksiyonlara ve sahip oldukları amaçlara göre tanımlanmaktadırlar. Mantıksal ve fiziksel olmak üzere etmenler iki ana grup altında toplanmıģlardır. Tablo 1, her bir grup içerisinde yer alan etmen tiplerini mantıksal ve fiziksel olarak iki grup altında göstermektedir.

186 175 Tablo 1. Etmen Grupları Mantıksal Etmenler Fiziksel Etmenler Yönetici Etmen Personel Etmen AGV Kaynak Etmen Tipi Makine Kaynak Etmen Tipi Operasyon Etmen Tipi AGV Çizelgeleme Etmen Tipi Makine Çizelgeleme Etmen Tipi AGV ve Makine etmen tipleri sistemin baģlangıcından itibaren sistemde bulunurlar. Diğer yandan operasyon etmen tipi sistemde geçici olarak tanımlanır ve operasyonun bitmesiyle birlikte sistemden çıkarılırlar. Tablodan da görüldüğü gibi iki etmen haricindeki etmenler sistemde etmen tipi olarak tanımlanırlar bunlar: yönetici etmen ve personel etmenleridir. Bu etmenler sistemde etmen tipi olarak tanımlanmak yerine bireysel olarak tanımlanırlar. Bunun sebebi, bu etmenlerden sistemde yalnızca birer tane olmasıdır. Diğer etmenler sistemde etmen tipi olarak tanımlanırlar ve böylelikle sisteme yeni bir etmen girmesi gerektiğinde o tipin özellikleriyle birlikte tanımlanırlar. Bu çalıģmada, esnek üretim sistemi içerisinde bulunan AGV ler iki etmen tipi ile ifade edilmektedir. Bunlar AGV çizelgeleme etmen tipi ve AGV kaynak etmen tipidir. Sistem çalıģması sırasında herhangi bir anda sisteme yeni bir AGV eklendiğinde bahsedilen sistem iki tip etmen oluģturmaktadır. Örneğin AGV 1 isimli yeni bir AGV, esnek üretim sistemine eklendiğinde iki farklı etmen sisteme dahil edilmiģ olur bunlardan birincisi AGV 1 çizelgeleme ve diğeri ise AGV 1 kaynak etmeni. Böylelikle bu iki etmen AGV 1 holonunu oluģturmuģ olur. Aynı mantıkla sistemdeki makineler de iki farklı etmen olarak oluģturulur bunlar; makine çizelgeleme etmeni ve makine kaynak etmenidir. Sistem çalıģması sırasında herhangi bir anda sisteme yeni bir makine eklendiğinde, bahsedilen sistem iki tip etmen oluģturmaktadır. Örneğin, Makine 1 isimli yeni bir makine esnek üretim sistemine eklendiğinde iki farklı etmen sistem eklenmiģ olur, bunlardan birincisi Makine 1 çizelgeleme etmeni ve diğeri ise Makine 1 kaynak etmeni. ġekil 2 de sunulduğu gibi kayıt inanç kümesi, makine ve AGV sistem holonu hakkındaki bilgileri tutmaktadır. Sistemde bulunan diğer etmenler bu inanç kümesini kullanarak bu etmenlerin kullanılabilirliğini kontrol edebilmektedirler. Buna ek olarak, operasyon etmen tipleri personel etmeni tarafından yönetici etmenden elde edilen veriler kullanılarak oluģturulmaktadır. Personel etmeni daha sonra operasyon etmenini dinamik olarak oluģturup sisteme eklenecektir Etmen Tabanlı Sistemin İşleyişi ve JACK Etmen Geliştirme Ortamında Oluşturulması Önerilen bu sistemde, yeni gelen bir iģ ile ilgi karar alma sürecinde etkin rol oynayan varlıklar yönetici etmeni, sipariģ, makine ve AGV sistem holonlarıdır. Önerilen bu sistemde yönetici etmen oluģturulduktan sonra belirli bir zaman aralığında sisteme iģleri göndermeye baģlar (ġekil 3).

187 176 Şekil 3. Çoklu Etmen Sistemi Ġçerisinde SipariĢ OluĢturma Formu Yönetici etmen aynı zamanda yeni oluģturulan iģi için bir operasyon listesi de oluģturur. Bu operasyon listesinde iģ rotasının tanımlanmasının yanı sıra operasyon sayısı da belirlenir. Bir iģ oluģturulduğu zaman o iģ ile ilgili bilgiler sipariģ holununda yer alan personel etmenine gönderilir. Yeni sipariģ ile ilgili olan bilgileri alan personel etmen iģe ait operasyon sayı kadar operasyon etmenini sisteme sunar (ġekil 4). Bu operasyon etmeni de o iģin operasyon listesinde bulunan makinalar boyunca operasyonun yerine getirilmesi ve ilgili makinalara taģınması için AGV ve makine etmenleri ile haberleģerek iģin tamamlanması için çalıģır. Şekil 4. Personel Etmen Yapısı AGV kaynak etmeni sistem içerisinde boģ duruma geçtiği anda AGV çizelgeleme etmenine boģ duruma geçtiğini haber verir. BoĢta kalma mesajını alan AGV etmeni kara tahtasında baģka bir iģ olup olmadığını kontrol eder. Eğer AGV çizelgeleme etmeninin kara tahtasında ödüllendirilmiģ bir iģ varsa bu iģ AGV kaynak etmenine taģıma iģleminin yapılabilmesi için yönlendirilir. Eğer AGV etmenini kara tahtasında ödüllendirilecek hiçbir kayıt yoksa AGV etmeni bu muhakemeyi yapan plan yapısını bir sonraki iģ teklifte bulununcaya kadar bekletir. Bu noktada AGV etmeni kara tahtasından seçtiği AGV kaynak etmenine göndereceği iģi seçerken boģ seyahat ve AGV kaynak etmeninin bekleme sürelerini göz önüne alır. Dolayısıyla AGV etmeni kara tahtasında bulunan iģler arasında en erken yükleme zamanı olanı dikkate alır ve hesaplanan öneri operasyon etmenine

188 177 gönderilir. Eğer öneri kabul edilirse iģ bilgisi AGV kaynak etmenine gönderilir. AGV etmeni boģ duruma düģtüğünde bu döngüyü tekrar eder. Bu çalıģmada etmenler arasındaki müzakereler, sistemin karar almasında önemli bir yer teģkil etmektedir. Müzakereler neticesinde sistemde tanımlanmıģ olan esnek üretim sisteminde mevcut bulunan makine ve AGV kaynaklarının idaresinin yapılması sağlanacaktır. Etmenler arasında yapılacak olan müzakereler standart bir mekanizma çerçevesinde yapılacaktır. Bu mekanizma etmen sistemlerini karar vermeleri sırasında olmazsa olmaz olan müzakere Ģeklini, tanımlanmıģ bir dil ve protokol aracılığı ile yapmaktadır. Bu standart protokollerden birisi de kontrat ağ protokolüdür [13]. Kontrat ağ protokolünün çeģitli sürümleri vardır. Ancak en genel haliyle bir kontrat ağ protokolünde karģılıklı iki veya daha fazla etmen arasında dört farklı mesaj alınıp verilebilir. Bunlar Anons, teklif, atama ve onaylama mesajlarıdır. Etmen tipleri kendi inisiyatifleriyle kontrat ağ protokolünü baģlatabilirler. Bu noktada etmen tiplerine tanımlanan amaçlar ve etmen tiplerinin sahip olduğu inanç birimleri etkin rol oynamaktadır. ġekil 5 de bir sipariģin sisteme girdikten sonra etmen tipi olarak bir AGV etmeni ile olan kontrat ağ protokolünü görebiliriz. Yönetici Personel Teklif m i n Red teklif zamanı n j n i Öner Öneriyi reddet k j Öneriyi kabul et l j k Hata Yapılanı bildir Sonucu bildir Şekil 5. Kontrat Ağ EtkileĢim Diyagramı. ġekil 5 de görüldüğü gibi, sisteme giren sipariģ etmeni kendisi için uygun olan AGV etmenini seçebilmek için kendi inisiyatifi ile bir kontrat ağ protokolünü baģlatmaktadır. SipariĢ etmen tipi, bu kontrat ağ protokolü sayesinde AGV etmenlerinin bulundukları koordinatları öğrenebilmekte ve onlardan gelen tekliflere göre hareket etmektedirler. Bu çalıģmada öne sürülen etmen tipleri, kontrat ağ protokolü yanı sıra kara tahta mekanizmasını da kullanmaktadırlar. SipariĢ etmenlerinin sunmuģ oldukları teklifler ortak olan bir kara tahtaya

189 178 kaydedilmektedir. Sistemde bulunan kaynak etmenlerinden bir tanesi kara tahtasında kayıtlı olan etmen tiplerinden birini kontrat ağ protokolünü baģlatan etmen tipine gönderir. Kara tahta ve kontrat ağ protokolünün birlikte iģlediği sistem ġekil 6 de gösterilmiģtir. Bahsedilen kara tahtada, iki iģ bulunmaktadır. ĠĢ 1, kaynak 1 tarafından seçilmiģtir ve kaynak 1 in teklifi iģ 1 e gönderilmiģtir. ĠĢ 1 bu teklifi aldıktan sonra kontrat ağ protokolünü baģlatan yönetici konumuna geçer ve kontrat ağ protokolünün baģlatılması inisiyatifini üstlenir. Kaynak 1 Yönetici Personel Kara Tahta i n Teklif Red m teklif zamanı ĠĢ 1 Kaynak 2 j n i Öner n ĠĢ 2 Öneriyi reddet k j Kaynak 3 Öneriyi kabul et l j k Hata Yapılanı bildir Sonucu bildir Şekil 6. Modife EdilmiĢ Kontrat Ağ Protokolü [13]. Bu çalıģmada yukarıda bahsedilen modife edilmiģ kontrat ağ protokolüne göre bir operasyon bir AGV etmen tarafından seçildiği zaman ilgili operasyon etmeni yönetici olur ve kontrat ağ protokolünün baģlatılması bünyesinde bulunan bir plan sayesinde gerçekleģtirir. Bu planın JACK plan editöründe kodlanmıģ hali de ġekil 7 de gösterilmiģtir. Ödüllendirilen iģler AGV ve makine etmenlerinin fiziksel hallerini temsil eden AGV ve Makine kaynak etmenlerine gönderilerek iģlerin yerine getirilmesi sağlanır. Bu iki kaynak etmeni iģi yerine getirirken yaptıkları iģleri de bünyesi barındırdıkları veri tabanlarında (inanç setleri) kayıt altına alırlar ve çalıģma tamamlandıktan sonra Ģekil 8 deki gibi bir GANTT Ģeması çizerler. Bu Ģekilde her bir makine ve AGV için o ana kadar hangi iģlerin hangi operasyonunu yaptıkları ve o operasyonlara ne zaman baģlayıp ne zaman bitirdikleri görülmektedir. Örneğin AGV1 son iģ olarak dördüncü iģin dördüncü operasyonunu gerçekleģtirmiģ ve bu iģe 68. saniyede baģlayıp 83. saniyede bitirmiģtir.

190 179 Şekil 7. Operasyon Etmeninin Müzakere Planı Şekil 8. Makine ve AGV lerin GANTT ġeması

191 180 SONUÇ Bu çalıģmada Ģimdiye kadar gelinen aģamada, AGV etmeni ve AGV kaynak etmenlerinin iģ ödüllendirmeleri sırasında sistemde yer alan etmenlerin (personel, operasyon, AGV, makine etmenleri) yapmıģ oldukları muhakemeler JACK etmen geliģtirme platformu kullanılarak modellenmiģtir. Bu model literatürde (Bilge ve Ulusoy) çevrimdıģı olarak çalıģılmıģ olan bir problem üzerinde denenmiģ ve elde dilen sonuçlar çevrimdıģı modellerden elde edilen sonuçlara çok yakın seyretmiģtir (ġekil 9). *MAS: Önerilen etmen tabanlı Şekil sistem 9. Ermen Tabanlı Sistemin Performansı Bilindiği gibi çevrimdıģı modeller birçok iterasyon sonucunda elde edilmektedir ve zaman boyutu önemli değildir. Bizim önerdiğimiz model, dinamik bir yapıya sahip ve basit karar alma kuralları ile müzakereye dayalı anlık kararlar alabilecek yapıda kurulmuģtur. Bu iki model yaklaģımının çalıģma Ģekli çok farklı olmasına rağmen elde edilen sonuçlar çok tatminkardır ve bizim bu çalıģmayı ilerletme isteğimizdeki en büyük motivasyon kaynağı olmuģtur. KAYNAKLAR [1] SHEN, W., "Agent-Based Systems for Intelligent Manufacturing: A State-of-the-Art Survey", Knowledge and Information Systems, an International Journal, 1: [2] PADGHAM, L.,WINIKOFF, M.,"Developing intelligent agent systems: a practical guide":wiley, 2004 [3] WOOLDRIDGE, M. J., "An introduction to multiagent systems": Wiley, 2002 [4] BITTING, E., CARTER, J. and GHORBANI, A. A. Multiagent system development kits: an evaluation. Communication Networks and Services Research Conference New Brunswick- Canada: Citeseer; p [5] CAMACHO, D., ALER, R., CASTRO, C. and MOLINA, J. M. Performance evaluation of zeus, jade, and skeletonagent frameworks. IEEE; p. 6 pp. vol. 4. [6] EVERTSZ, R., FLETCHER, M., JONES, R., JARVIS, J., BRUSEY, J. and DANCE, S., "Implementing industrial multi-agent systems using JACK", Prog. Multi-Agent Systems: [7] JUN, Y. and SHAKSHUKI, E., "Performance evaluation of agent toolkits", Advances in Artificial Intelligence: [8] NWANA, H. S., NDUMU, D. T. and LEE, L. C. ZEUS: An advanced tool-kit for engineering distributed multi-agent systems. Citeseer; p [9] SHAKSHUKI, E. and JUN, Y., "Multi-agent development toolkits: an evaluation", Innovations in Applied Artificial Intelligence: [10] WEBPAGE: [11] BRATMAN, M. E., "Intention, plans, and practical reason" [12] Jack Agent Manual. Australia: Agent Oriented Software Pty. Ltd. ; 2008.

192 181 [13] EROL, R., ġahin, C., BAYKASOĞLU, A. and KAPLANOĞLU, V., "A multi-agent based approach to dynamic scheduling of machines and AGVs in manufacturing systems", Submitted, ÖZGEÇMİŞ Cenk ŞAHİN 2001 yılında Çukurova Üniversitesi Endüstri Mühendisliği Bölümünden lisans, 2004 ve 2010 yıllarında ise Çukurova Üniversitesi Endüstri Mühendisliği Bölümünden yüksek lisans ve doktora derecelerini aldı yılları arasında Çukurova Üniversitesi Endüstri Mühendisliği Bölümünde araģtırma görevlisi olarak çalıģmıģtır yılından itibaren Çukurova Üniversitesi Endüstri Mühendisliği Bölümünde öğretim görevlisi olarak çalıģmaktadır. Ġlgi alanları, Esnek Üretim Sistemleri, Üretim Planlama, Simülasyon ve Çoklu-Etmen Sistemleridir. Vahit KAPLANOĞLU 2004 yılında Marmara Üniversitesi Endüstri Mühendisliği Bölümünden lisans, 2007 ve 2011 yıllarında ise Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünden yüksek lisans ve doktora derecelerini aldı yılından itibaren Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünde araģtırma görevlisi olarak çalıģmaktadır. Ġlgi alanları; Lojistik ve Tedarik Zinciri Yönetimi, Sürece Dayalı Maliyetlendirme ve Çoklu-Etmen Sistemleridir. Adil BAYKASOĞLU Prof. Dr. Adil Baykasoğlu Isparta Teknik Lisesi Makina bölümünden mezun olduktan sonra Lisans ve Yüksek Lisans derecelerini Makina Mühendisliği alanında 1993 ve 1995 yıllarında Gaziantep te, doktora derecesini ise YÖK bursu ile gittiği Nottingham Üniversitesinden 1999 yılında Endüstri Mühendisliği alanında almıģtır yılları arasında Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünde çalıģan Prof. Baykasoğlu halen Dokuz Eylül Üniversitesi Endüstri Mühendisliği bölümünde çalıģmaktadır. Prof. Baykasoğlu ulusal ve uluslar arası bilimsel dergi ve kongrelerde 300 civarında bilimsel makale yayımladı. Yazarın ayrıca üç adet yayımlanmıģ kitabı, düzenleyip editörlüğünü yaptığı çeģitli ulusal ve uluslar arası kongre kitapları bulunmaktadır. Yazarın çalıģma alanları genelde yöneylem araģtırması, biliģimsel yapay zekâ, zeki etmenler, lojistik ve üretim sistemleri yönetimi/tasarımı, bilgisayar destekli üretim, kalite ve benzetim konuları üzerinde yoğunlaģmaktadır. Prof. Baykasoğlu çok sayıda uluslararası dergide hakem ve yayın kurulu üyesi olarak görev yapmakta olup aynı zamanda Turkish Journal of Fuzzy Systems dergisinin eģeditörlüğünü yürütmektedir. Prof. Baykasoğlu na 2007 yılında Türkiye Bilimler Akademisi Üstün BaĢarılı Genç Bilim Ġnsanı ödülü, 2008 yılında ODTÜ M. Parlar araģtırma teģvik ödülü, 2010 yılında ise Tübitak TeĢvik ödülü verilmiģtir. Rızvan EROL 1967 yılı Niğde doğumlu Prof. Dr. Rızvan Erol, Lisans öğrenimini 1989 yılında Ġstanbul Teknik Üniversitesi Endüstri Mühendisliği Bölümünde tamamlamıģtır yılında yüksek lisans ve doktora eğitimi almak üzere devlet burslusu olarak ABD ye gönderilen Prof. Dr. Rızvan Erol, yüksek lisans derecesini 1992 yılında Western Michigan Üniversitesi Endüstri Mühendisliği Bölümünden ve doktora derecesini 1996 yılında Arizona State Üniversitesi Endüstri ve Yönetim Sistemleri Mühendisliği Bölümünden almıģtır yılında Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Endüstri Mühendisliği Bölümüne Yardımcı Doçent olarak atanmıģtır yılında Doçent ve 2008 yılında Profesör unvanı almıģtır. Yöneylem AraĢtırması, Üretim Yönetimi ve Kalite Mühendisliği konularında bilimsel ve uygulamalı çalıģmalar yapmaktadır. Halen Çukurova Üniversitesi Endüstri Mühendisliği Bölümünde Öğretim Üyesi ve Bölüm BaĢkanı olarak görev yapmaktadır. Ayrıca, 2008 yılında Çukurova Teknokent bölgesinde kurulan Ġnnova Ar-Ge DanıĢmanlık ve Mühendislik Ltd. firmasının kurucu ortağı olup, farklı sektörlerden sanayi kuruluģları ile ortak Ar-Ge ve proje faaliyetleri yürütmektedir.

193

194 ETMEN TABANLI SİSTEM TASARIM YÖNTEMİ: PROMETHEUS TM VAHİT KAPLANOĞLU GAZİANTEP ÜNİVERSİTESİ CENK ŞAHİN ÇUKUROVA ÜNİVERSİTESİ ADİL BAYKASOĞLU DOKUZ EYLÜL ÜNİVERSİTESİ RIZVAN EROL ÇUKUROVA ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

195

196 185 ETMEN TABANLI SİSTEM TASARIM YÖNTEMİ: PROMETHEUS TM Vahit KAPLANOĞLU Cenk ŞAHİN Adil BAYKASOĞLU Rızvan EROL ÖZET Etmen (ajan) tabanlı teknolojiler bazı karmaģık yapıdaki sistemlerin etkili bir Ģekilde modellenmesi ve çalıģmasını sağlamak amacıyla ortaya çıkmıģtır. Bu yöntemle birlikte pratikte modellenmesi ve çözümlenmesi çok zor olan karmaģık problemler modellenebilmekte ve çözümlenebilmektedir. Ancak, etmen tabanlı sistemlerin tasarımı klasik modelleme ve tasarlama sistemlerinden farklılıklar göstermektedir. ġimdiye kadar yapılan etmen-tabanlı sistemlerde standart bir tasarım Ģablonu yerine genellikle özel tasarımlar kullanılmıģtır. Bu sistemlerin tasarımı konusunda ortaya çıkmıģ nadir modelleme yöntemlerinden birisi de Prometheus TM tasarım yöntemidir. Prometheus TM yöntemi etmen tabanlı sistemlerin tanımlanmalarında, tasarlanmalarında ve uygulamalarında kullanılan bir yöntemdir. Bu yöntemle birlikte etmen tabanlı sistemlerin geliģtirilmesi bazı aģamalarla ifade edilmektedir. Bu modelleme yönteminde; sistem spesifikasyonları, mimari tasarım ve ayrıntılı tasarım olmak üzere üç temel aģama mevcuttur. Prometheus TM yöntemi ile birlikte bu yöntemi içeren Prometheus TM tasarım aracı geliģtirilmiģtir. Bu çalıģmada Prometheus TM etmen tabanlı tasarım yöntemi lojistik sektöründeki bir uygulaması ile birlikte açıklanmaya ve tanıtılmaya çalıģılmıģtır. Etmen tabanlı sistemler dinamik ve karmaģık karar verme süreçlerini içeren lojistik alanında son yıllarda ciddi uygulama alanları bulmaya baģlamıģ ve gelecek yıllarda temel bir yazılım geliģtirme sistematiği olacağı öngörülmektedir. Anahtar Kelimeler: Prometheus TM, Etmen modelleme, Lojistik, Karayolu taģımacılığı ABSTRACT Agent-based technologies have emerged for modeling and solving some complex business problems effectively. Some of the complex problems which are not be easily modeled in practice could be modeled and solved with the help of this methodology. However, design of the agent-based systems has some differences with the classical modeling and designing techniques. Generally, the designers of agent-based systems have used their customized design methods while designing their agentbased systems. There were not any standard designing methods for agent-based systems. One of the rare design methodologies of agent-based systems is Prometheus TM. It is a design methodology which is being used during designing and implementing of agent-based systems. The design of agent based systems is composed of some stages in this methodology. The design of the agent-based systems are done with three main stages which are; system specification, architectural design and detailed design. An agent-based design software which is called as Prometheus Design Tool was developed in parallel with this methodology. In this study, the Prometheus Design Tool is presented by illustrating a logistics case problem. Agent-based paradigm has a wide application area in logistics where the operations are dynamic and complex. It is believed that agent based paradigm will have an important role in the design and implementation of many real life systems including the logistics systems. Key Words: Prometheus TM, Agent modeling, Logistics, Land transportation

197 GİRİŞ Etmen tabanlı sistemler görece olarak yeni sayılabilecek bir çalıģma alanı olduğu için literatürde etmen in kesinleģmiģ bir tanımı mevcut değildir [1]. Ancak etmen tabanlı sistemler konusunda yapılmıģ olan yayınların çoğunda Wooldridge ve Jennings in [2] etmen tanımları ön plana çıkmaktadır. Wooldridge ve Jennings in tanımına göre etmen; Herhangi bir yazılım ortamına konumlanmıģ hedef ve isteklerine ulaģabilmek için bu ortam içerisinde özerk aktiviteler yapabilecek yeteneklere sahip bir bilgisayar sistemidir [2]. Yazılım etmenleri proaktif uyarıcıların etkisinde muhakeme özellikleri olan program parçacıklarıdır. Etmenler aynı zamanda hareket edebilen, kesin ve rasyonel karar alabilme özellikleri olan yazılımlardır. Etmenlerin öğrenme özellikleri vardır [3]. Buna ek olarak etmenler prosedürsel sihirbaz uygulamaları ve bazı uygulamalardaki veri arama iģlemlerini otomatikleģtiren program parçacıklarını tanımlamak için de kullanılan bir terimdir [4]. Kendine ait bir problem çözmek isteyen etmen çevrede bulunan diğer etmenlere teklifler sunarlar, tekliflerini sunduktan sonra bir müddet beklerler, beklemeleri neticesinde teklif sundukları diğer etmenlerden gelen cevapları değerlendirirler ve değerlendirmeleri neticesinde yeni bir inisiyatif kullanabilirler. Etmenlerin gelen yanıtları değerlendirirken kullanmıģ oldukları kriterler etmen programlayıcısı tarafından tanımlanır. Bir yazılım ortamında oluģturulmuģ bir etmen kendisi için bir amaç tanımlanıncaya kadar veya cevap vermesi gereken bir olay oluncaya kadar sistem içerisinde bekler [5]. Etmenler sosyal olarak kabul edilmektedir, çünkü etmenler tanımlanmıģ hedeflerine ulaģabilmek için insanlarla, diğer yazılımlarla veya bilgisayarlarla etkileģime girerler. Etmenler duyarlı olarak kabul edilmektedirler çünkü etmenler çevrelerinde meydana gelen olayları reseptörleri tarafından algılarlar ve meydana gelen bu olaylara karģı tepki verirler. Etmenler aynı zamanda proaftiftirler çünkü çevrelerinde olan olaylara karģılık vermenin yanı sıra kendi amaçları doğrultusunda inisiyatif alırlar [6]. Etmenleri diğer yazılım parçalarından ayıran en önemli özellikleri; Özerk olmak: Kendi amaçlarına ulaģmak için kendi kendilerine karar alıp faaliyette bulunmak [1]. Konumlanmak: Etmenler diğer yazılım sistemleri gibi bulundukları platformda konumlanmıģlardır ancak etmenlerin konumlandığı platformlar diğer yazılım parçalarından farklıdır. Etmen tiplerinin konumlandığı çevre dinamik ve belirsiz bir çevredir. Tepkisellik: Bulundukları ortamın dinamik ve belirsiz olması onların çevrelerinde meydana gelen değiģikliklere tepki göstermelerini gerektirmektedir. Esneklik: Amaçlarına ulaģamadıklarında farklı planlar denemeleri etmenlere esneklik özelliğini kazandırmaktadır [3]. Etmen tabanlı sistemlerin tasarımı klasik modelleme ve tasarlama sistemlerinden farklılıklar göstermektedir. ġimdiye kadar yapılan etmen-tabanlı sistemlerde standart bir tasarım Ģablonu yerine genellikle özel tasarımlar kullanılmıģtır. Prometheus TM etmen tabanlı sistemlerin tanımlanmalarında, tasarlanmalarında ve uygulamalarında kullanılan bir tasarım yöntemdir. Bu yöntem aynı zamanda Prometheus TM isimli bir yazılımla otomatik hale getirilmiģ ve yazılım kullanıldığı zaman etmen tabanlı sistem doğrudan Prometheus yöntemine göre tasarlanmıģ olmaktadır. Bu modelleme yönteminde; sistem spesifikasyonları, mimari tasarım ve ayrıntılı tasarım olmak üzere üç temel aģama mevcuttur. Bu çalıģmada Prometheus TM etmen tabanlı tasarım yazılımı lojistik sektöründeki bir uygulaması ile birlikte açıklanmaya ve tanıtılmaya çalıģılmıģtır. 2. PROMETHEUS YÖNTEMİ VE YAZILIMI Prometheus yöntemi etmen tabanlı sistemlerin tanımlanması, tasarlanması, uygulanması ve test edilmesi için gerekli olan süreçleri tanımlayan bir yöntemdir [1]. Prometheus yöntemi üç aģamadan oluģmaktadır bunlar;

198 Ayrıntılı Tasarım Mimari Tasarım Sistem Spesifikasyonları Endüstri Mühendisliği Yazılımları ve Uygulamaları Kongresi 30 Eylül-01/02 Ekim Sistem spesifikasyonları belirleme aģaması; girdiler (percepts) ve çıktılar (actions) doğrultusunda sistemin amaçlarının ve temel fonksiyonelliklerinin (iģlevselliklerinin) tanımlanması üzerine yoğunlaģır. Mimari tasarım aģaması; bir önceki aģamanın çıktıları kullanılarak sistemde hangi ajan tiplerinin bulunacağı ve bunların birbirleri ile nasıl etkileģime geçeceği belirlenir. Ayrıntılı tasarım aģamasında ise, her bir ajanın içyapısının nasıl olacağı ve sistem içerisinde verilen bir iģi nasıl yerine getireceği belirlenir. Yöntem içerisinde bulunmayan ancak etmen tabanlı sistemlerin geliģtirilmesinde bulunan dördüncü aģama ise uygulamadır. Ancak bu aģama uygulamanın yapılacağı platforma göre farklılıklar gösterdiği için Prometheus yöntemi içerisine dahil edilmemiģtir. ġekil 1 de Prometheus yönteminin aģamaları ayrıntılı bir Ģekilde gösterilmektedir. İşaretler Senaryolar Sistem amaçları BaĢlangıç fonksiyonellik tanımlayıcıları Tasarım sonu Ara tasarım Faaliyetler, algılar KarĢılaĢtırma Elde etme EtkileĢim diagramları Etmen bilinirliği Veri bağlaģımı Mesajlar Protokoller Sistem genel görünüş PaylaĢılmıĢ veri Etmen tanımlayıcılar Süreç Etmen genel görünüş Yetenek açıklayıcıları Yetenek genel görünüş Olay açıklayıcıları Veri tanımlayıcıları Plan tanımlayıcıları Şekil 1. Prometheus Yönteminin AĢamaları [1] Prometheus yöntemi ile birlikte geliģtirilmiģ olan Prometheus Tasarım Aracı (PDT) etmen-tabanlı sistemlerin tasarımında kullanılan en popüler tasarım araçlarından birisidir. Bu tasarım aracı RMIT Üniversitesi Bilgisayar Bilimleri ve Bilgi Teknolojileri Okulunda geliģtirilmektedir. Yazılım internet üzerinden ücretsiz indirilebilmektedir ( ġekil 2 de yazılımın en genel hali görülebilir. ġekil 2 den de görüldüğü gibi yazılım Prometheus yönteminde olduğu gibi üç aģamadan oluģmaktadır. Ana menü diyagram listelerini, diyagram görünüģlerini ve birim açıklayıcısını içermektedir. PDT içerisinde oluģturulan her proje Prometheus yönteminde olduğu gibi üç aģamadan oluģmaktadır. PDT tamamen JAVA uygulama API kullanılarak geliģtirilmiģtir. Dolayısıyla farklı platformlarda çalıģabilmektedir (UNIX, Windows vd.). PDT aynı zamanda Eclipse IDE üzerinde de çalıģabilmektedir. PDT aynı zamanda etmen tabanlı sistemlerdeki müzakere yapısının tasarlanması sırasında meydana

199 188 gelebilecek tutarsızlık problemini tasarım aģamasında yapmıģ olduğu tutarlılık kontrol özelliği ile sağlamaktadır. PDT yazılımı etmen tabanlı sistemlerin uygulanması için gerekli olan kod parçacıklarının temelini oluģturma (code generation) özelliği ile sağlamaktadır. PDT de oluģturulan kod etmen tabanlı sistemlerin kodlama aģamaları için iskelet teģkil etmektedir. Etmenler arasındaki protokoller ise yine PDT içerisinde tanımlanabilmektedir. ġekil 3 te PDT yazılımındaki kod geliģtirme ve protokol görüntüleme özellikleri görülmektedir. Şekil 2. Prometheus Tasarım Yazılımı Şekil 3. Protokollerin PDT Ġçerisinde Tanımlanması

200 PROMETHEUS YAZILIMI İLE LOJİSTİK UYGULAMASI PDT yazılımını tanıtmak amacı ile bu bölümde karayolu taģımacılığındaki araç sevkiyat problemi PDT kullanılarak modellenmiģtir. ġekil 4 te özet olarak araç sevkiyat problemi görülmektedir. Bu model için ayrıntılı bilgiyi Baykasoglu vd. nin yayınlarından ulaģabilirsiniz [7-11]. Talep Etmenleri A Bölgesi İhracat Sürücü Etmenleri Araç Etmenleri Bölgesel Sevkiyat Etmeni B Bölgesi İhracat Talep Etmenleri Aracı Etmen YüklenmiĢ Araç Bölgesel Sevkiyat Etmeni Araç Etmenleri Sürücü Etmenleri C Bölgesi İhracat Bölgesel Sevkiyat Etmeni Talep Etmenleri YüklenmiĢ Araç Araç Etmenleri Sürücü Etmenleri YüklenmiĢ Araç Şekil 4. Araç Sevkiyat Problemi Genel GörünüĢ [8] PDT yazılımı ile tasarlanacak olan etmen tabanlı sevkiyat yönetim sisteminden beklenen fonksiyonlar; yük kabul/ret kararlarının verilmesi, yük ataması, araç çizelgelenmesi, rota planlanması ve sürücü çizelgelenmesidir. Karayolu taģımacılığında araç sevkiyat kararlarının alınması için bu operasyonel kararların birlikte değerlendirilmesini gerektirmektedir. Bu fonksiyonlar PDT üzerinde ana amaçlar olarak tanımlanmaktadır Sistem Spesifikasyonları Bu aģamada etmen tipleri arasındaki müzakereler, sistemin amaçları, sistem içerisindeki etmen rolleri ve sistemin karģılaģabileceği senaryolar belirlenir. Sistem spesifikasyonları Ģekil 2 de görüldüğü gibi ana menü üzerinde system specifications paneli kullanılarak yapılabilmektedir. Dolayısı ile sistemden beklenen yük kabul/ret kararlarının verilmesi, yük ataması, araç çizelgelenmesi, rota planlanması, sürücü çizelgelenmesi amaçları bu panel üzerinden tanımlanmaktadır. Sistemde meydana gelebilecek olan senaryolar yine bu panel üzerinden tanımlanır. Sisteme yeni yük talebinin gelmesi, çizelgelenmiģ bir yükün taģıtıcı tarafından iptal edilmesi, araçlarda meydana gelebilecek arızalanmalar vs. bu aģamada yazılım üzerinde tasarlanmaktadır. Sistem senaryolarının gerçekleģmesi durumunda hangi rollerin aktif olacağı bu panel üzerinde belirlenmektedir. ġekil 5 te araç sevkiyat probleminin amaç ve rol tanımlamaları görülmektedir.

201 190 Şekil 5. PDT Sistem Rol Tanımlamaları Mimari Tasarım Bu aģama sistem spesifikasyonları aģamasında belirlenen roller üzerinden etmen tiplerinin belirlenmesini kapsamaktadır. Etmen tiplerinin belirlenmesinin ardından etmenler arasındaki müzakereler protokol paketleri halinde tanımlanmaktadır. Mimari tasarım içerisindeki müzakere tanımları Ģekil 6 daki gibidir. PDT yazılımında etmenler arasındaki müzakere tanımlamaları Ģekil 3 te ifade edildiği gibi text sekmesini kullanarak yapılmaktadır. ġekil 6 mimari tasarımın en genel görünüģü olan System Overview panelini göstermektedir. Etmen tiplerinin maruz kaldığı çevresel olaylar da yine bu aģamada tanımlanır. Hangi çevresel olayın hangi etmen tarafından çözümleneceğini etmen tipleri ile olaylar arasında kurulan bağlantılar tanımlamaktadır. 3.3 Ayrıntılı Tasarım PDT üzerinde ayrıntılı tasarım her bir etmen tipi için ayrı-ayrı yapılır. Bu aģamada etmen tiplerinin bulundukları ortamdan ya da diğer etmenlerden mesaj almaları durumunda hangi planlarını çalıģtıracakları tanımlanır. Mesajlar, etmen tiplerinin müzakere içerisinde olduğu diğer etmen tiplerinden gelebilir (mesaj tipleri mimari tasarımda protokol tanımlama penceresinde tanımlanmıģtı, bkz. ġekil 6). ġekil 7 araç etmen tipinin ayrıntılı tasarımını göstermektedir. ġekilde görüldüğü gibi araç etmenine diğer etmen tiplerinden gelen iki farklı mesaj (Ģekil 6 da araç etmeni ile yük talep etmeni arasındaki müzakere neticesinde oluģan mesaj tipleri) ve iki farklı ortam olayları iki farklı plan tarafından çözümlenir. ġekil 6 ve Ģekil 7 de görüldüğü gibi araç etmeni message1 mesaj tipini araç yük talep etmenine gönderir. Bu mesajlar araç etmeni ile yük talep etmeni arasındaki taģıma operasyonu pazarlığı için kurulan müzakere sonucunda ortaya çıkmıģ mesaj tipleridir. Ayrıntılı tasarımda ayrıca etmen tiplerinin mesaj çözümlemeleri sırasında kullanmıģ oldukları veritabanları da tanımlanır. Araç etmeni yük çizelgelemesi ve çizelge değiģimi planlarını çalıģtırırken araç rota veritabanını kullanmaktadır.

202 191 Şekil 6. Etmen Tipleri ve Etmen Tipleri Arasındaki Müzakere Tanımlamaları Şekil 7. Araç Etmeni Ayrıntılı Tasarımı

203 JACK Kodu Üretimi PDT yazılımı üzerinde yapılan tasarımlar PDT araçları içerisinde bulunan kod üretim aracı ile iskelet JACK kodlarına dönüģtürülebilir. JACK TM, etmen tabanlı sistemlerin geliģtirilmesinde kullanılan bir yazılım platformudur. PDT üzerinde tanımlanmıģ tüm etmen, mesaj, plan vs. tipleri iskelet halinde bir paket içerisinde oluģturulur. AĢağıda PDT yazılımının üretmiģ olduğu Yeniyük olayını görebiliriz. OluĢturulan bu iskelet kod JACK TM platformunda tasarıma gerek duymadan doğrudan kullanılabilmektedir. package events; public event Yeniyük extends Event { /******** Start PDT Design Block *** DO NOT EDIT IT *********/ /* * Percept Name: Yeni yük UniqueID: 10 * Description: * Frequency: * Information Carried: * Knowledge Updated: * Processing: * Scope: * Source: */ //This Event was converted from Percept: Yeni yük /******** End PDT Design Block *** DO NOT EDIT IT *********/ /*Posting Method Declarations*/ #posted as methodname(/*parameters*/) { //Method Body } } SONUÇ Bu çalıģmada etmen tabanlı sistemlerin tasarımında kullanılan PDT yazılımı tanıtılmıģtır. PDT yazılımı Prometheus TM tasarım yöntemi üzerine kurulmuģ olan bir etmen tasarım yazılımıdır. Etmen tabanlı sistemlerin tasarımı klasik modelleme ve tasarlama sistemlerinden farklılıklar göstermektedir. ġimdiye kadar yapılan etmen-tabanlı sistemlerde standart bir tasarım Ģablonu yerine genellikle özel tasarımlar kullanılmıģtır. PDT yazılımı ile Prometheus TM tasarım yönteminin sahip olduğu üç temel aģamayı tasarlamak mümkündür. PDT yazılımı ile etmen-tabanlı sistem tasarlamanın avantajları; otomatik tutarlılık analizleri yapılabilmesi, JACK etmen-tabanlı sistem geliģtirme platformu için kod oluģturulabilmesi ve yazılımın etmen sistemleri üzerinde takım çalıģması yapılmasına olanak tanımasıdır. KAYNAKLAR [1] PADGHAM, L. and WINIKOFF, M., "Developing intelligent agent systems a practical guide", Melbourne, Australia: John Wiley & Sons, Ltd, 2004

204 193 [2] WOOLDRIDGE, M. and JENNINGS, N. R., "Intelligent agents: theory and practice", The Knowledge Engineering Review, 10: [3] WOOLDRIDGE, M., "An introduction to multiagent systems", England: John Wiley & Sons, Ltd, 2002 [4] AOS. JACK Intelligent Agents Agent Manual. Carlton South, Victoria, AUSTRALIA: Agent Oriented Software Pty. Ltd.; [5] HAHN, C., MADRIGAL-MORA, C. and FISCHER, K., "A platform-independent metamodel for multiagent systems", Autonomous Agents and Multi-Agent Systems, 18: [6] BELLIFEMINE, F., CAIRE, G. and GREENWOOD, D., "Developing Multi-Agent Systems with JADE": John Wiley & Sons Ltd., 2007 [7] BAYKASOĞLU, A. and KAPLANOĞLU, V., "Evaluating the basic load consolidation strategies for a transportation company through logistics process modeling and simulation", International Journal of Data Analysis Techniques and Strategies, Yayına kabul edildi [8] BAYKASOĞLU, A. and KAPLANOĞLU, V., "A multi-agent approach to load consolidation in transportation", Advances in Engineering Software, 42: [9] BAYKASOĞLU, A., KAPLANOĞLU, V. and UNUTMAZ, Z. D., "An agent based framework for truck load consolidation", YA/EM 2008: Yöneylem AraĢtırması / Endüstri Mühendisliği Kongresi XXVIII.in CD [10] BAYKASOĞLU, A., KAPLANOĞLU, V. and UNUTMAZ, Z. D., "Utilizing Prometheus design tool for truck load consolidation decisions", International Journal of Information Systems and Supply Chain Management, Yayına kabul edildi [11] BAYKASOĞLU, A., KAPLANOĞLU, V., EROL, R. and ġahin, C., "A multi-agent framework for load consolidation in logistics", Transport, Yayına kabul edildi ÖZGEÇMİŞ Vahit KAPLANOĞLU 2004 yılında Marmara Üniversitesi Endüstri Mühendisliği Bölümünden lisans, 2007 ve 2011 yıllarında ise Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünden yüksek lisans ve doktora derecelerini aldı yılından itibaren Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünde araģtırma görevlisi olarak çalıģmaktadır. Ġlgi alanları; Lojistik ve Tedarik Zinciri Yönetimi, Sürece Dayalı Maliyetlendirme ve Çoklu-Etmen Sistemleridir. Cenk ŞAHİN 2001 yılında Çukurova Üniversitesi Endüstri Mühendisliği Bölümünden lisans, 2004 ve 2010 yıllarında ise Çukurova Üniversitesi Endüstri Mühendisliği Bölümünden yüksek lisans ve doktora derecelerini aldı yılları arasında Çukurova Üniversitesi Endüstri Mühendisliği Bölümünde araģtırma görevlisi olarak çalıģmıģtır yılından itibaren Çukurova Üniversitesi Endüstri Mühendisliği Bölümünde öğretim görevlisi olarak çalıģmaktadır. Ġlgi alanları, Esnek Üretim Sistemleri, Üretim Planlama, Simülasyon ve Çoklu-Etmen Sistemleridir Adil BAYKASOĞLU Prof. Dr. Adil Baykasoğlu Isparta Teknik Lisesi Makina bölümünden mezun olduktan sonra Lisans ve Yüksek Lisans derecelerini Makina Mühendisliği alanında 1993 ve 1995 yıllarında Gaziantep'te, doktora derecesini ise YÖK bursu ile gittiği Nottingham Üniversitesinden 1999 yılında Endüstri Mühendisliği alanında almıģtır yılları arasında Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünde çalıģan Prof. Baykasoğlu halen Dokuz Eylül Üniversitesi Endüstri Mühendisliği bölümünde çalıģmaktadır. Prof. Baykasoğlu ulusal ve uluslar arası bilimsel dergi ve kongrelerde 300 civarında bilimsel makale yayımladı. Yazarın ayrıca üç adet yayımlanmıģ kitabı, düzenleyip editörlüğünü yaptığı çeģitli ulusal ve uluslar arası kongre kitapları bulunmaktadır. Yazarın çalıģma alanları genelde yöneylem araģtırması, biliģimsel yapay zekâ, zeki etmenler, lojistik ve üretim sistemleri yönetimi/tasarımı, bilgisayar destekli üretim, kalite ve benzetim konuları üzerinde

205 194 yoğunlaģmaktadır. Prof. Baykasoğlu çok sayıda uluslararası dergide hakem ve yayın kurulu üyesi olarak görev yapmakta olup aynı zamanda Turkish Journal of Fuzzy Systems dergisinin eģeditörlüğünü yürütmektedir. Prof. Baykasoğlu'na 2007 yılında Türkiye Bilimler Akademisi Üstün BaĢarılı Genç Bilim Ġnsanı ödülü, 2008 yılında ODTÜ M. Parlar araģtırma teģvik ödülü, 2010 yılında ise Tübitak TeĢvik ödülü verilmiģtir. Rızvan EROL 1967 yılı Niğde doğumlu Prof. Dr. Rızvan Erol, Lisans öğrenimini 1989 yılında Ġstanbul Teknik Üniversitesi Endüstri Mühendisliği Bölümünde tamamlamıģtır yılında yüksek lisans ve doktora eğitimi almak üzere devlet burslusu olarak ABD ye gönderilen Prof.Dr. Rızvan Erol, yüksek lisans derecesini 1992 yılında Western Michigan Üniversitesi Endüstri Mühendisliği Bölümünden ve doktora derecesini 1996 yılında Arizona State Üniversitesi Endüstri ve Yönetim Sistemleri Mühendisliği Bölümünden almıģtır yılında Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Endüstri Mühendisliği Bölümüne Yardımcı Doçent olarak atanmıģtır yılında Doçent ve 2008 yılında Profesör unvanı almıģtır. Yöneylem AraĢtırması, Üretim Yönetimi ve Kalite Mühendisliği konularında bilimsel ve uygulamalı çalıģmalar yapmaktadır. Halen Çukurova Üniversitesi Endüstri Mühendisliği Bölümünde Öğretim Üyesi ve Bölüm BaĢkanı olarak görev yapmaktadır. Ayrıca, 2008 yılında Çukurova Teknokent bölgesinde kurulan Ġnnova Ar-Ge DanıĢmanlık ve Mühendislik Ltd. firmasının kurucu ortağı olup, farklı sektörlerden sanayi kuruluģları ile ortak Ar-Ge ve proje faaliyetleri yürütmektedir.

206 ETMEN TABANLI BENZETİM: ANYLOGIC TM YAZILIMI VE ÖRNEK BİR ÇALIŞMA ADİL BAYKASOĞLU DOKUZ EYLÜL ÜNİVERSİTESİ ZEYNEP D.U. DURMUŞOĞLU GAZİANTEP ÜNİVERSİTESİ LATİFE GÖRKEMLİ GAZİANTEP ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

207

208 197 ETMEN TABANLI BENZETİM: ANYLOGIC TM YAZILIMI VE ÖRNEK BİR ÇALIŞMA Adil BAYKASOĞLU Zeynep D.U. DURMUŞOĞLU Latife GÖRKEMLİ ÖZET KüreselleĢmenin arttığı günümüzün rekabetçi ortamında iģletmeler birçok karmaģık problemle karģı karģıya kalmaktadır. DeğiĢkenliğin ve belirsizliğin nispeten daha az olduğu geçmiģ yıllarda, iģletmelerin problemlerini çözmek için önerilen klasik yöntemler, günümüz problemlerini çözmede bazen yeterli olamamaktadır. Bunun temel nedeni bu yöntemlerin belirli durumlara uygun çözüm üretmesi ancak sistemde meydana gelen değiģikliklere adapte olmakta yeterince baģarılı olamamasıdır. Bir baģka ifade ile günümüzde iģletmeler rekabet avantajı sağlayabilmek için en az maliyetli sistemle çalıģmanın yanı sıra sistemin değiģken koģullara hızlı biçimde tepki verebilmesini sağlamalıdırlar. DeğiĢken koģulları modelleyip çözüm üretebilmek için özellikle son yıllarda akademik ve ticari kuruluģlar tarafından ciddi ölçüde destek verilen bir konu haline gelen etmen teknolojisinden yararlanmak kaçınılmaz hale gelmiģ ve çeģitli etmen tabanlı yazılım sistemleri geliģtirilmiģtir. Bu yazılımlar sayesinde, yapısındaki değiģkenlik ve belirsizlikten dolayı modellenmesi ve çözülmesi zor olan problemler daha kolay modellenir ve çözülebilir hale gelmiģtir. Mevcut çalıģmada, söz konusu yazılımlardan biri olan aynı zamanda farklı ancak birbirini tamamlayan modelleme yaklaģımlarının (kesikli olaylı benzetimi, sistem dinamiği gibi) birlikte etkin bir Ģekilde kullanılmasını sağlayan AnyLogic TM yazılımı ele alınmıģ ve örnek bir model üzerinden detaylı olarak açıklanmıģtır. Anahtar Kelimeler: AnyLogic, Etmen tabanlı benzetim, Dinamik sistemler. ABSTRACT In today s competitive, global environment, companies are faced with many complex problems. Classical optimization approaches are usually dealing with problems which contain relatively less variability and uncertainty. This is usually not enough to solve today s complex problems. Since these classical approaches were designed to act for some definite states of the system, they have been incapable to be adapted to changing environmental conditions. In other words, along with the efforts of producing product with lower costs, companies should also seek for capabilities to response the rapid changes in the system for obtaining competitive advantage. In recent years, agent based modeling has been a very popular approach for modeling varying conditions by providing solutions both for the problems in academic world and in commercial organizations, and in this regard various agent based software systems have been introduced. With the help of these types of software, complex problems have been modeled and handled more easily. In this perspective, this study examines AnyLogic TM software which allows different complementary modeling approaches (such as discrete event simulation, system dynamics, etc.). Moreover, the study covers an example model of a consumer market and supply chain. First, the assumptions of the model are described, and then AnyLogic TM representation of the model is given. Finally, results of the example model are shown. Key Words: AnyLogic, Agent based simulation, Dynamic systems

209 GİRİŞ Gerçek hayatta karģılaģılan problemleri çözmek için, özellikle ortaya koyulan çözümlerin uygulanmasının, prototip oluģturulmasının maliyet ve/ya zaman kısıtları nedeni ile zor olduğu ortamlarda, modelleme tekniklerine baģvurulmaktadır. Problemin çözümünde dikkate alınan süre zarfında, dinamik değiģimler söz konusu ise modelleme tekniklerinden biri olan bilgisayarlı benzetim baģarılı sonuçlar vermektedir. Benzetim ile modellemede öne çıkan temel yaklaģımlar sistem dinamiği, kesikli olay ve etmen tabanlı yaklaģımlardır. Sistem dinamiği genellikle biriken değerlerin, değerler arasındaki akıģların, geri bildirimlerin vb. olduğu gerçek hayat problemlerini modellemede, kesikli olay benzetimi, pasif varlıklardan oluģan, bu varlıkların tanımlanmıģ akıģlara bağlı olarak bloklar arasında hareket ettiği, kullandıkları kaynakların tanımlandığı vb. sistemleri modellemede sıklıkta kullanılmaktadır. Etmen tabanlı modelleme de ise sistemde tanımlı varlıklar aktiftir, birbirleri ve çevreleri ile etkileģim içindedirler. Dağıtık yapıya sahip etmen tabanlı modelleme yaklaģımında, sistemin global davranıģı etmenlerin davranıģ biçimleri ve etkileģimlerinin sonucunda oluģmaktadır [1]. KarmaĢık problemlerin çözümünde gerekli olabilecek bütün bu yaklaģımların birlikte kullanılması, probleme uygulanabilir, hızlı oluģturulabilir, daha az maliyetli, değiģen koģullara uyum sağlayabilen çözümler elde edilmesinde etkilidir. Bu amaçla değiģken sistemleri modellemede belki de en etkili yaklaģımlardan biri olan etmen tabanlı benzetimden 2. bölümde bahsedilecektir. 3. bölümde ise söz konusu yaklaģımların birlikte kullanılabildiği ve farklı avantajlara sahip AnyLogic TM yazılımı bir örnek model üzerinden anlatılmıģtır. 2. ETMEN TABANLI BENZETİM VE ANYLOGIC TM Etmen tabanlı modelleme ve benzetim, karmaģık sistemleri modellemek için birbiri ile etkileģim içinde olan otonom etmenlerden oluģmuģ nispeten yeni bir yaklaģımdır [2]. Çoklu-etmen sistemleri çeģitli etmenlerin bazı amaçları baģarabilmek için etkileģtikleri ya da birlikte çalıģtıkları sistemlerdir [3]. Etmen tabanlı yaklaģımların problemleri çözmek için en belirgin özellikleri iģbirliği ve iletiģim mekanizmalarını kullanmalarıdır [4]. Dağıtık ve karmaģık yapıya sahip problemlerin çözümünde kullanılan etmen tabanlı benzetim yönteminde, modelin kontrolü dağıtıktır ve sistemde yer alan etmenler birbirleri ile ve çevreleri ile etkileģim içindedirler. Etmen tabanlı benzetim aģağıdaki durumlarda problem çözümünde tercih edilirse baģarılı sonuçlar elde edilebilir [5]. Problemin kapsadığı alan geniģse; etmen tabanlı yaklaģımlar problemi daha küçük yerel problemlere bölmeyi önerir, böylece büyük boyutlu problemlerin çözümü kolaylaģır. Sistemin parçalarının yetmezliği yüksek ise; merkezi yapıdaki çözüm yöntemleri alt sistemlerde meydana gelen hatalardan daha çok etkilenir; sistemin parçalarından biri hata görürse bağlantılardan dolayı tüm sistem hasar görür. Ancak etmen tabanlı sistemlerde sistemin bir parçasında problem varsa, dağıtık yapısından dolayı genellikle söz konusunu kısımda hata oluģur, genel süreç çalıģmaya devam edebilir. Eğer hızlı bir Ģekilde probleme çözüm elde edilmek isteniyorsa; etmenler kendileri ile ilgili çevre ile ilgilenip, kendileri ile ilgili kararlar verdikleri için, çok karmaģık problemler ile uğraģmazlar. Ayrıca etmenler senkronize bir Ģekilde hareket etmedikleri için baģka etmenlerin kararlarını da beklemek zorunda değildirler. Bunlar da problemlerin hızlı bir Ģekilde çözülmesine yardımcı olur. Eğer problemin yapısı da dağıtık ise; bu durumda etmen tabanlı benzetim çok daha uygundur. Problemin yapısı sık-sık değiģiyorsa; etmen tabanlı sistemler değiģimlere açıktır, sisteme yeni etmen ekleyip çıkarmak kolaydır. Kulkarni ve Tai [6] nin de belirttiği gibi; etmen tabanlı benzetimin, kesikli olay benzetimi ve sistem dinamiği gibi benzetim modelleriyle kıyaslandığında ortaya çıkan iki ayırt edici özelliği; etmenlerin popülasyondaki heterojenliğinin modellenmesi vurgusu ve kendini örgütlemedir. Kesikli olay benzetim

210 199 modelleri ile etmen tabanlı benzetim modellerini kıyaslayan bir baģka çalıģma da Siebers ve ark. [7] tarafından gerçekleģtirilmiģtir. Söz konusu kıyaslama Tablo 1 de verilmektedir. Tablo 1. Model Türünü Tanımlayan Özellikler [7] Kesikli Olay Benzetim Modelleri Süreç doğrultusunda (yukarıdan aģağıya modelleme yaklaģımı) odak noktası varlıklar değil de sistemin detaylı olarak modellenmesidir Yukarıdan aģağıya modelleme yaklaģımı Kontrol tek yürütme biriminden (Merkezi) Varlıklar pasiftir; varlıklar sistem boyunca hareket ederken bazı Ģeyler yaptırılır; zekâ (örneğin karar verme) sistemin bir parçası olarak modellenir Kuyruklar anahtar elemandır Varlıkların sistem boyunca akıģı; genel davranıģ modellenir Girdi dağılımları çoğunlukla toplamaya/ölçülen(amaçlanan) veriye dayalı Etmen Tabanlı Benzetim Modelleri Birey tabanlı (aģağıdan yukarıya modelleme yaklaģımı) odak noktası varlıklar ve aralarındaki iliģkidir AĢağıdan yukarıya modelleme yaklaģımı Her etmenin kontrollü kendi yürütme biriminden (Özerk) Varlıklar aktiftir; varlıklar bazı Ģeyler için inisiyatif alabilir; zeka her bir varlığın içinde tanımlanmıģtır Kuyruklar diye bir kavram yok AkıĢ kavramı yok; genel davranıģ modellenmez, bireysel etmenlerin küçük davranıģından ortaya çıkar Girdi dağılımları çoğunlukla teorilere ve öznel verilere dayalı KarmaĢık sistemlerin modellenmesinde ise çoğu zaman etmen tabanlı benzetimin yanında diğer benzetim tekniklerinin de birlikte kullanılması gerekmektedir. Farklı benzetim tekniklerinin birlikte yer aldığı modellerin oluģturulmasında etkin bir platform olan AnyLogic TM yazılımının web sitesi olan web sitesinde, gerek etmen tabanlı gerekse diğer benzetim tekniklerinin de birlikte kullanıldığı birçok uygulama çalıģmasına yer verilmiģtir. AnyLogic TM yazılımında etmen tabanlı bir model oluģturulurken genel olarak, araģtırmacı sistemdeki aktif varlıklar olan etmenleri, onların davranıģlarını, bulundukları çevreyi, birbirleri ile olan etkileģimlerini tanımlamalıdır. OluĢturulan benzetim modeli çalıģtırıldığında birbiri ve çevreleri ile iletiģim halindeki bireylerin etkileģim ve davranıģları sonucu sistemin genel davranıģı ortaya çıkmaktadır. AnyLogic TM etmen tabanlı kütüphanesi ve dinamik etmen oluģturma ve yok etme, etmenlerin bağlantıları ve haberleģmeleri gibi çeģitli tanımlamaları ile etmen tabanlı model oluģturmada, araģtırmacılara kolaylıklar sağlamaktadır [8]. Etmen tabanlı yazılımlar ile ilgili detaylı bilgi, Allan [9] in çalıģmasından edilebilir. Java programlama dilini ve nesne yönelimli programlama mantığını kullanması ile de araģtırmacıların dikkatini çeken AnyLogic TM yazılımı ile farklı alanlarda yapılan, birçok çalıģma mevcuttur. Örneğin, [10] melez sistemlerin dağıtık olarak modellenmesinde, [11] ve [12] tedarik zinciri yönetiminde, [13] malzeme taģıma sisteminin modellenmesinde, [13] araç çizelgelemede, [14] güvenilirlik ile ilgili çalıģmalarında AnyLogic TM yazılımı kullanmıģlardır. Anylogic TM yazılımını kullanan baģka bir çalıģma ise [16] tarafından gerçekleģtirilmiģtir. Söz konusu çalıģmada, araç yerleģtirme problemini çözebilmek için etmen tabanlı benzetim ve sistem dinamiği tekniklerinden oluģan bir yaklaģım AnyLogic TM platformunda modellenmiģtir. AnyLogic TM yazılımının sağladığı diğer avantajlardan bir kısmı aģağıda belirtilmiģtir [17]: Farklı ancak birbirini tamamlayan modelleme yaklaģımlarının (kesikli olaylı benzetimi, sistem dinamiği, etmen tabanlı modelleme gibi) birlikte etkin bir Ģekilde kullanılmasını sağlaması. Birçok benzetim programı bahsedilen özelliklerin birini kullanarak modelleme yapma imkanı sağlamaktadır. Hem basit kavramsal modellerin oluģturulmasında hem de büyük ölçekli modellerin çözümünün elde edilmesinde etkin olması. Gerektiğinde farklı platformlar ile bağlantı kurulabilmesi (Excel, DP, ERP, CRM, Java kullanmakta).

211 200 Nesne yönelimli programlama yapısına sahip olup bu duruma uygun kütüphanelerinin olması. OluĢturulan modellerin görsel olarak da izlenebilmesi. 3. ÖRNEK BİR ÇALIŞMA Farklı modelleme metotlarının problemlere daha etkin çözümler üretebilmek için birlikte kullanılabildiği AnyLogic TM platformu, bu modelleme yaklaģımlarının birlikte kullanıldığı bir örnek çalıģma [18] üzerinde detaylı olarak anlatılacaktır. Söz konusu örnek çalıģma AnyLogic TM yazılım firması, XJ Technologies, tarafından hazırlanmıģ olan How to Build, a Combined Agent Based/System Dynamics Model in AnyLogic isimli bilgilendirici rehberden alınmıģtır [18]. Örnek çalıģma, sisteme gerçek hayatta dinamik olarak ortaya çıkabilecek iki olay daha eklenerek geliģtirilmiģtir. Bunlardan birisi sisteme zamanla yeni tüketicilerin eklenmesi, diğeri ise pazara yeni bir firmanın girmesidir. Tüketici pazarı ve tedarik zinciri yönetimini temel alan örnek çalıģmada aģağıdaki durumlar dikkate alınmıģtır [18]: Rekabet halinde olan iki firma birbirinin muadili olan A ve B ürünlerini üretmektedir. Ürün fiyatları aynıdır. Tüketiciler (tüketici sayısı=1000) baģlangıçta bu ürünlere sahip değildir ancak hepsi de ürünler ile ilgilenmektedir (potansiyel kullanıcı). Tüketiciler reklamlara karģı duyarlı olup, diğer tüketicilerin fikirlerinden etkilenmektedirler. Ġki firmada reklam yapmaktadır. Reklam etkinliği=0.011 olup, söz konusu oranda potansiyel kullanıcı gün içerisinde üründen (A veya B) almaya karar vermektedir. Tüketiciler birbirleri ile görüģmekte olup, ortalama görüģme miktarı günde 5 kiģidir. Bu görüģmelerden potansiyel kullanıcılar etkilenmektir. Eğer A ürününü kullanan bir tüketici potansiyel bir kullanıcı ile görüģürse olasılıkla A ürününü almak istemektedir. Aynı durum B ürünü için de geçerlidir. Satılan ürünlerden hatalı ürün çıkabilmekte olup (düzgün (17,23) gün), bu durumda firma hatalı ürünü yenisi ile değiģtirmektedir. A ürününü almak isteyen bir tüketici, ürünün hazır olmasını maksimum 2 gün süre ile beklemekte, eğer ürün maksimum sürede hazır olmazsa iki üründen hangisi hazır olursa onu almaktadır. Bu durum B ürünü için de geçerlidir. Ġki firmanın kendisi ait farklı tedarik zincirleri vardır. MüĢteriler sadece satıģ merkezlerinden alım yapabilmektedir ve baģlangıçta satıģ merkezlerinde 100 er adet ürün bulunmaktadır. Ürünler fabrikalarda üretilmektedir, üretim miktarları talebe bağlı olarak belirlenmektedir. Fabrikada üretimi tamamlanan ürünler satıģ merkezlerine 2 günde gönderilmektedir. A ve B ürünlerinin pazar paylarının, talep miktarlarının, tedarik zincirindeki envanter miktarlarının tespit edilmesi için benzetim modelinin oluģturulması ve sonuçların analizi önemlidir. Görüldüğü gibi sistemde zamana bağlı olarak değiģen tedarik zinciri aģamalarındaki stok miktarları, tüketiciler, tüketicilerin birbirleri ile etkileģimleri, tüketicilerin sistem dinamikleri ile etkileģimleri söz konusudur. Ayrıca burada dikkate alınan örnekte iki önemli değiģiklik yapılmıģ ve bu değiģiklikler de modele yansıtılmıģtır. Söz konusu değiģiklikler: Sistemdeki tüketici sayısı baģlangıçta 1000 olarak alınmıģ, buna ek olarak yeni tüketiciler önceden tanımlanmayan farklı zamanlarda (düzgün (0,3) gün) sisteme dahil edilmiģtir. Sistem çalıģmaya baģladıktan sonra diğer firmalarla aynı özelliklerde üretim yapan yeni bir firma baģlangıç satıģ merkezi stoku olmadan, önceden tanımlanmayan bir zamanda (düzgün (0,100) gün) pazara girmiģtir. C ürününe ait firma ve tüketici davranıģları diğer ürünler ile aynıdır. Ancak yeni ürün diğerlerine göre pazar payını artırmak için reklama daha fazla önem vermektedir, reklam etkinliği 0.3 olarak alınmıģtır.

212 201 AnyLogic TM yazılımı ile tüketiciler ve davranıģları etmen tabanlı olarak, tedarik zinciri ise sistem dinamikleri dikkate alınarak modellenmiģ, etkileģimler de dikkate alınarak bu farklı modelleme yaklaģımları birleģtirilmiģtir. Ayrıca söz konusu süre boyunca dinamik olarak geliģen durumlar da modele dahil edilmiģtir. ġekil 1. ve ġekil 2. de, oluģturulan modeldeki tedarik zinciri ve tüketicilerin davranıģlarına ait ara yüzler verilmiģtir. Tüketiciler modelde birer etmen olarak yer almaktadır. Tedarik zincirindeki ürünlerin sistemde farklı noktalarda stoklanması, sistem dinamikleri kullanılarak yapılmıģtır. Tüketicilerin (etmenlerin) davranıģları ise durumlar ve geçiģler kullanılarak modellenmiģtir. Mevcut durumdan baģka bir duruma geçiģ, tanımlanan belirli sürenin geçmesi, baģka bir tüketiciden mesaj gelmesi, bayi stokunda ürünün olup olmaması gibi çeģitli tetikleyici olaylar sonucunda olmaktadır. Sisteme dahil olan yeni tüketiciler, yapılan üretimlerin talebe bağlı olarak belirlenmesi ve yeni ürünün piyasaya girmesi olay tanımlaması kullanılarak yapılmıģtır. Aynı ortamda (çevre) bulunan etmenlerin birbirleri ile haberleģmeleri mesajlaģma ile olmuģtur. Şekil 1. OluĢturulan Modelin Ana Ara Yüzü. Şekil 2. OluĢturulan Modelde Tüketici Etmenine Ait Ara Yüz AnyLogic TM yazılımının bir diğer özelliği de, oluģturulan model ile ilgili sonuçların ve istatistiklerin görsel bir Ģekilde sunulmasıdır. ġekil 3. te model çalıģtırıldıktan sonra her bir firma için ortaya çıkan

213 202 pazar payları görülmektedir. Sistemdeki potansiyel tüketici miktarı zamanla artmakta olup, karģılanamayan talep söz konusudur. 3. firmanın büyük bir reklam ile pazara girmesi ile diğer 2 firmanın pazar payları düģmüģtür. Şekil 3. Firmaların Belirlenen Pazar Payları OluĢturulan model, firmaların pazar paylarının belirlenmesinde, tedarik zincirinde belirlenen noktalardaki stok miktarlarının tespitinde, firmaların reklam için katlanmaları gereken maliyetin belirlenmesinde etkilidir. Ayrıca sistemde karģılanamayan talebi, karģılamada en uygun üretim stratejisinin tespitinde önemli bir araç olan model, firmaların kalite kontrol faaliyetlerine ne kadar önem vermeleri gerektiğini belirlemede de karar vericiye destek verebilir. SONUÇ Mevcut çalıģmada, tek bir platformda, etmen tabanlı benzetim de dahil olmak üzere, farklı benzetim tekniklerinin kullanılmasına izin veren anylogic tm yazılımı ile örnek bir model anlatılmıģtır. Sonuçlardan da görüldüğü gibi, karmaģık ve değiģken sistemlerin modellenmesinde etmen tabanlı yaklaģımların kullanımı baģarılı sonuçlar vermektedir. Anylogic tm yazılımı etmen tabanlı benzetim için uygun bir platform olup, birçok farklı modelleme yaklaģımın birlikte kullanılmasına olanak sağlamaktadır. Farklı modelleme yaklaģımlarının birlikte kullanılması ile gerçek hayat problemlerine daha anlamlı ve uygulanabilir çözümler elde edilebilmektedir. KAYNAKLAR [1] BORSHCHEV, A., FILIPPOV, A., From System Dynamics and Discrete Event to Practical Agent Based Modeling: Reasons, Techniques, Tools, The 22nd International Conference of the System Dynamics Society, July 25-29, 2004, Oxford, England. [2] MACAL, C. M., NORTH, M. J., Tutorial on Agent-based Modeling and Simulation, Journal of Simulation, 4, , [3] LIU, J., ZHONG, W., JIAO, L., A Multiagent Evolutionary Algorithm for Combinatorial Optimization Problems. Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, 40(1), , [4] YAN, Y., YANG, S., WANG, D., WANG, D., Agent based Evolutionary Dynamic Optimization, Agent-Based Evolutionary Search, 5, , [5] DAVIDSSON, P., JOHANSSON, S.J., PERSSON, J.A., WERNSTEDT, F., Agent-based Approaches and Classical Optimization Techniques for Dynamic Distributed Resource Allocation:

214 203 A preliminary study, In AAMAS 03 workshop on Representations and Approaches for Time Critical Decentralized Resource/Role/Task Allocation, [6] KULKARNI, A.J., TAI, K., Probability Collectives: A Multi-Agent Approach for Solving Combinatorial Optimization Problems, Applied Soft Computing, 10, , [7] SIEBERS, P.O., MACAL, C.M., GARNETT, J., BUXTON, D., PIDD, M., Discrete-event Simulation is Dead, Long Live Agent-based Simulation!, Journal of Simulation, 4, , [8] son eriģim, [9] ALLAN, R. J., Survey of Agent Based Modeling and Simulation Tools, Science and Technology Facilities Council, Technical Report, DL-TR , October [10] BORSHCHEV, A., KARPOV, Y., KHARĠTONOV, V., Distributed Simulation of Hybrid Systems with AnyLogic and HLA, Future Generation Computer Systems, 18(16), , [11] WANG, S., LIU, S., WANG, W., The Simulated Impact of RFID-Enabled Supply Chain on Pull- Based Inventory Replenishment in TFT-LCD Industry, International Journal of Production Economics, 112(2), , [12] LAM, C.Y., IP, W.H., A Customer Satisfaction Inventory Model for Supply Chain Integration, Expert Systems with Applications, 38(1), , [13] HAO, Q., SHEN, W., Implementing a Hybrid Simulation Model For a Kanban-Based Material Handling System, Robotics and Computer-Integrated Manufacturing, 24(5), , [14] MERKURYEVA, G., BOLSHAKOVS, V., Vehicle Schedule Simulation with AnyLogic, 12th International Conference on Computer Modelling and Simulation, , [15] EUSGELD, I., NAN, C., DIETZ, S., System-Of-Systems Approach for Interdependent Critical Infrastructures, Reliability Engineering & System Safety, 96, , [16] BAYKASOĞLU, A., DURMUġOĞLU, Z.D.U., GÖRKEMLĠ, L., Solving Vehicle Deployment Planning Problem by Using Agent Based Simulation Modeling, 2nd International Symposium on Computing in Science & Engineering, Gediz University Publications, editor: M. GüneĢ, ISBN: , pp , KuĢadası, Aydın, Turkey, June, 1-4, [17] son eriģim, [18] Tutorial, How to Build, a Combined Agent Based/System Dynamics Model in AnyLogic, XJ Technologies, Tutorial Based on the Materials of AnyLogic Workshop, System Dynamics Conference Multimethod Simulation Software Tool AnyLogic, ÖZGEÇMİŞ Adil BAYKASOĞU Prof. Dr. Adil Baykasoğlu Isparta Teknik Lisesi Makina bölümünden mezun olduktan sonra Lisans ve Yüksek Lisans derecelerini Makina Mühendisliği alanında 1993 ve 1995 yıllarında Gaziantep te, doktora derecesini ise YÖK bursu ile gittiği Nottingham Üniversitesinden 1999 yılında Endüstri Mühendisliği alanında almıģtır yılları arasında Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünde çalıģan Prof. Baykasoğlu halen Dokuz Eylül Üniversitesi Endüstri Mühendisliği bölümünde çalıģmaktadır. Prof. Baykasoğlu ulusal ve uluslar arası bilimsel dergi ve kongrelerde 300 civarında bilimsel makale yayımladı. Yazarın ayrıca üç adet yayımlanmıģ kitabı, düzenleyip editörlüğünü yaptığı çeģitli ulusal ve uluslar arası kongre kitapları bulunmaktadır. Yazarın çalıģma alanları genelde yöneylem araģtırması, biliģimsel yapay zekâ, zeki etmenler, lojistik ve üretim sistemleri yönetimi/tasarımı, bilgisayar destekli üretim, kalite ve benzetim konuları üzerinde yoğunlaģmaktadır. Prof. Baykasoğlu çok sayıda uluslararası dergide hakem ve yayın kurulu üyesi olarak görev yapmakta olup aynı zamanda Turkish Journal of Fuzzy Systems dergisinin eģeditörlüğünü yürütmektedir. Prof. Baykasoğlu na 2007 yılında Türkiye Bilimler Akademisi Üstün BaĢarılı Genç Bilim Ġnsanı ödülü, 2008 yılında ODTÜ M. Parlar araģtırma teģvik ödülü, 2010 yılında ise Tübitak TeĢvik ödülü verilmiģtir. Zeynep Didem UNUTMAZ DURMUŞOĞLU Zeynep D.U. DurmuĢoğlu Gaziantep Üniversitesi Endüstri Mühendisliği Bölümü nde araģtırma görevlisi olarak çalıģmaktadır. Lisans ve yüksek lisans derecelerini Gaziantep Üniversitesi Endüstri

215 204 Mühendisliği Bölümü nden 2006 ve 2009 yıllarında almıģtır. ġu an ise yine Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünde doktora çalıģmalarına devam etmektedir. AraĢtırma ve ilgi alanları, yöneylem araģtırması modelleri ve teknikleri, benzetim, sezgiseller, müzakere mekanizmaları, çoklu ajan sistemleri. Latife GÖRKEMLİ Latife Görkemli Erciyes Üniversitesi Endüstri Mühendisliği Bölümü nde araģtırma görevlisidir. Lisans ve yüksek lisans derecelerini Erciyes Üniversitesi Endüstri Mühendisliği Bölümü nden 2007 ve 2009 yıllarında almıģtır. ġu an Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünde doktora çalıģmalarına devam etmektedir. AraĢtırma ve ilgi alanları, yöneylem araģtırması modelleri ve teknikleri, benzetim ve sistem dinamikleri, rastsal süreçler ve modelleme, bulanık küme teorisi, ajan teorisi.

216 ÖZEL OTURUM 2 BİLİŞSEL ZEKA TEMELLİ VERİ MADENCİLİĞİ VE UYGULAMALARI MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

217

218 GENETİK PROGRAMLAMAYA DAYALI SINIFLANDIRMA YAKLAŞIMI: MEPAR-MINER LALE ÖZBAKIR, ADİL BAYKASOĞLU YAPAY SİNİR AĞLARININ EŞZAMANLI EĞİTİMİ VE KURAL ÇIKARIMI: DIFACONN-MINER SİNEM KULLUK, LALE ÖZBAKIR, ADİL BAYKASOĞLU WEKA İLE VERİ MADENCİLİĞİ SÜRECİ VE ÖRNEK UYGULAMA PINAR TAPKAN, LALE ÖZBAKIR, ADİL BAYKASOĞLU MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

219

220 GENETİK PROGRAMLAMAYA DAYALI SINIFLANDIRMA YAKLAŞIMI: MEPAR-MINER LALE ÖZBAKIR ERCİYES ÜNİVERSİTESİ ADİL BAYKASOĞLU DOKUZ EYLÜL ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

221

222 211 GENETĠK PROGRAMLAMAYA DAYALI SINIFLANDIRMA YAKLAġIMI: MEPAR-MINER Lale ÖZBAKIR Adil BAYKASOĞLU ÖZET Genetik programlama evrimsel geliģime dayalı optimizasyon algoritmaları arasında yer almaktadır. Genetik programlama bireyleri değiģken boyuta sahip hiyerarģik ağaç yapısındadır. Genetik programlama metodolojisinin temeli genetik algoritmaya dayanmakla birlikte, kromozom gösterimi ve genetik operatörler açısından farklılık göstermektedir. Genetik programlama değiģken boyuttaki ağaç yapısında bireyler üzerinde evrimsel geliģimi sağlamak amacıyla genetik operasyonları gerçekleģtirir. Genetik programlamanın avantajlarının yanı sıra kodlanması, ağaç yapısından dolayı uygun olmayan bireylerin ortaya çıkması, ağaç derinliğinin genetik operatörler ile aģırı artması ve buna bağlı olarak çözüm süresinin yüksek olması gibi dezavantajları vardır. Bu dezavantajları aģmak amacıyla doğrusal gösterime sahip değiģken uzunlukta bireyler türeten algoritmalar geliģtirilmiģtir. Çoklu denklem programlama bu algoritmalar arasında yer almaktadır. Bu çalıģmada sembolik regresyona yönelik geliģtirilen çoklu denklem programlama yaklaģımının, sınıflandırma kuralları türetmek üzere geliģtirilmesi ile ortaya konulan MEPAR-Miner yaklaģımı üzerinde durulmuģtur. Etkin bir kromozom gösterimi ile genetik programlamanın avantajlarını içerisinde barındıran ve değiģken uzunlukta sınıflandırma kuralları türeten bu yaklaģım, genetik operatörlerle uygun olmayan bireylerin türetilmesi, kural boyutunun aģırı büyümesi gibi dezavantajları da ortadan kaldırmıģtır. Bu çalıģmada geliģtirilmiģ olan MEPAR-Miner algoritması detaylı açıklanarak, etkinliği karģılaģtırmalı olarak ortaya konulmuģtur. Anahtar Kelimeler: Genetik programlama, Sınıflandırma, Çoklu denklem programlama. ABSTRACT Genetic programming (GP) is an evolutionary optimization algorithm. Genetic programming individuals are represented as variable sized hierarchical tree structures. Although the main idea behind the GP is similar to genetic algorithm, they have different chromosome representations and genetic operators. GP applies genetic operators on different sized and shaped tree structures in order to obtain evolutionary improvement. Besides the advantages of GP, it has the disadvantages in implementation of genetic operators, generation of infeasible individuals, bloating tree sized and increased CPU times correspondingly. In order to cope with these difficulties, different algorithms which generate variable sized linear chromosomes have been developed. Multi-expression programming which is devoted to symbolic regression appears into these algorithms. In this study, a new Multiple Expression Programming based method named MEPAR-Miner for the derivation of classification rules in data mining applications is addressed. MEPAR-Miner involves advantages of genetic programming due to linear representation of variable sized chromosomes while preventing the generation of infeasible individuals and bloating of tree sizes. In this study MEPAR-Miner algorithm is explained in detail and comparative results are presented in order to analyze the performance of the proposed approach. The experimental results are compared with decision tree and other evolutionary algorithms. Key Words: Genetic programming, Classification, Multi-expression programming.

223 GĠRĠġ Genetik programlama (GP), zor problemlerin çözümünde kullanılan evrimsel bir çözüm tekniğidir. GP bireyleri genellikle ağaç yapıları ile doğrusal olmayan bir Ģekilde gösterilir ve iģlem görürler. Yakın zamanda GP nın birçok doğrusal gösterime sahip biçimleri için farklı yapılar önerilmiģtir. Bunlardan bazıları gramere dayalı evrim, doğrusal genetik programlama ve gen denklem programlamadır (GEP). Bu farklı yapılardaki gösterimlerin amacı GP nın performansını artırmak, aynı zamanda da programlanmasını kolaylaģtırmaktır. Bu GP yaklaģımlarının ortak özelliği, doğrusal olmayan GP yapısının, doğrusal bireyler olarak ifade edilmesidir. Genetik programlama, bireyleri programlardan oluģan bir popülasyona genetik algoritma operasyonlarının uygulanmasıdır Uygulama alanı geniģ olmakla birlikte sembolik regresyonda iyi sonuçlar verdiği ortaya konulmuģtur [1]. Genetik algoritmadan en önemli farklılığı, çözüm dizisinin değiģken uzunlukta olma özelliğini taģımasıdır. Bireylerin ağaç yapısındaki gösterimleriyle birlikte çaprazlama ve mutasyon operatörleri genetik algoritmadan farklı olarak uygulamaya geçirilir. Genetik programlamanın çeģitli uygulamaları ile elde edilen sonuçları, Koza [2] ve Langdon [3] de ayrıntılı bir biçimde yer almaktadır. Yakın zamanda yapılan çalıģmalarla genetik programlama, üretim problemlerinin optimizasyonunda uygulanmaya baģlanmıģtır. Ancak genetik programlama uygulamaları, kodlanmasının zor olması, ağaç yapısında mutasyon ve çaprazlamadan dolayı uygun olmayan çözümlerin ortaya çıkması yüzünden yaygın bir kullanıma sahip olamamıģtır [3]. Ayrıca bu problemler sabit uzunlukta kromozomlarla genetik algoritma tarafından kolayca ifade edilebildiğinden ve çözümün uygunluğu daha kolay kontrol altında tutulabildiğinden genetik algoritma tercih edilmiģtir. Bu konuda Dimopoulos ve Zalzala [4]-[6] genetik programlama ile klasik tek makine çizelgeleme problemlerinde uygun sıralama denkleminin belirlenmesine yönelik bir çalıģma yapmıģlardır. ÇalıĢmada problem yapısına göre toplam gecikmeyi en küçükleyecek Ģekilde, uygun çizelgeleme kuralını belirlemek üzere farklı problem boyutlarında sıralama kurallarından oluģan dokuz farklı denklem türeterek etkinliklerini karģılaģtırmıģlardır. Dimopoulos ve Mort [7], hücresel üretim sistemleri için, hiyerarģik yapıda hücrelerin belirlenmesi ve hücrelere atanacak ürün ailelerinin oluģturulması için genetik programlama temelli bir yaklaģım önermiģlerdir. Son yıllarda üretim ve hizmet sektöründe bilgi sisteminin yoğunluğu, teknolojik geliģmelere bağlı olarak tutulan veri hacmini hızla artırmaktadır. Bu büyük miktarlarda veriyi, kullanılabilir ve anlaģılabilir bilgiye dönüģtürme süreci ise bilgi keģfi olarak adlandırılmaktadır. Veri madenciliği ise bilgi keģfi sürecindeki aģamalardan birisidir. Veri madenciliği, yapay zekâ, istatistik, veri tabanı sistemleri gibi farklı disiplinleri içerisinde barındırmakta olup, pek çok alanda baģarıyla uygulanabilmektedir. Hızlı veri artıģından kaynaklanan kullanılmayan veriyi, elveriģli bilgiye dönüģtürme süreci, son yıllarda araģtırmacıların odağı haline gelmiģtir. Buna bağlı olarak bilim camiasında veri madenciliğine yönelik algoritmaların ve yöntemlerin hızla geliģtirildiği bir süreç yaģanmaktadır. Bu çalıģmalar arasında, özellikle veri madenciliği adımlarından en önemlisini teģkil eden sınıflandırma problemleri ve bu problemlere sezgisel yöntemlerle geliģtirilen kural tabanlı sistemler ön plana çıkmaktadır. Freitas [8] evrimsel algoritmaların, özellikle genetik algoritma ve genetik programlamanın veri madenciliği ve bilgi keģfindeki kullanımını tartıģmıģtır. Zhou ve ark. [9] sınıflandırma kurallarının türetilmesine yönelik olarak gen denklem programlama temelli yeni bir yöntem önermiģlerdir. DeFalco ve ark. [10] sınıflandırma kurallarının keģfine yönelik bir genetik programlama yaklaģımı önermiģlerdir. Tan ve ark. [11] tıbbi veri madenciliğine yönelik sınıflandırma problemleri üzerinde yoğunlaģarak, iki aģamalı melez bir evrimsel yaklaģım geliģtirmiģlerdir. Bojarczuk ve ark. [12] sınıflandırma problemi için kısıtlısözdizim genetik programlama yaklaģımı geliģtirmiģlerdir. Weinert ve Lopes [13], doğrusal genetik programlama yaklaģımlarından gen denklem programlamaya dayalı bir sınıflandırma kural çıkarımı yöntemi önermiģlerdir. Wang ve ark. [14] sınıflandırma kural kümeleri üreten bir parçacık sürü optimizasyonu algoritması geliģtirmiģlerdir. Literatürde yer alan çalıģmalar incelendiğinde özellikle genetik algoritma, genetik programlama gibi evrimsel algoritmalar ile sürü zekasına dayalı optimizasyon yaklaģımlarının sınıflandırma problemleri üzerinde uygulamaları gerçekleģtirilmiģ ve performansları değerlendirilmiģtir. Bu çalıģmada, Baykasoğlu ve Özbakır [15] tarafından önerilen, çoklu-denklem programlamaya dayalı, etkin sınıflandırma kuralları çıkarımında kullanılan MEPAR-miner yaklaģımı ele alınarak açıklanmıģtır.

224 213 ÇalıĢmanın ikinci bölümünde Oltean ve Dumitrescu [16] tarafından geliģtirilen çoklu denklem programlama (ÇDP) yaklaģımı kısaca açıklanmıģtır. Üçüncü bölümde ise çoklu denklem programlamaya dayalı geliģtirilen MEPAR-Miner algoritması ele alınmıģtır. Dördüncü bölüm, deneysel çalıģmaları içermekte olup, sonuç değerlendirme beģinci bölümde yer almıģtır. 2. ÇOKLU DENKLEM PROGRAMLAMA Oltean ve Dumitrescu [16] tarafından ortaya konulan, Oltean ve Grosan [17] ın evrimsel algoritmaların geliģtirilmesinde uyguladıkları standart çoklu denklem programlama algoritması, rastgele seçilmiģ bireylerden oluģan bir popülasyonla baģlar. Mevcut popülasyondaki her birey, probleme bağlı olarak belirlenen uygunluk fonksiyonuna göre değerlendirilir. Belirli sayıda seçilen en iyi bireyler, bir sonraki jenerasyona geçirilir (elitizasyon). EĢleĢme havuzu ikili turnuva seçimi ile doldurulur. Daha sonra bu havuzdaki bireyler rastgele eģleģtirilerek çaprazlanır. Ġki ebeveynin çaprazlanması sonucu iki yeni birey elde edilir. Elde edilen bireyler mutasyona uğrar ve bir sonraki jenerasyona girerler. Algoritma belirli sayıda jenerasyon için tekrarlanır Çoklu Denklem Programlama Kromozom Gösterimi Çoklu denklem programlama genleri, değiģik uzunluklardaki alt dizilerle ifade edilir. Kromozomdaki gen sayısı sabittir ve kromozom uzunluğunu ifade eder. Her gen bir terminal ya da fonksiyon sembolü içerir. Fonksiyon içeren bir gen, fonksiyonun argümanlarına iģaret eden bir iģaretçi taģır. Fonksiyon parametrelerinin, her zaman bu fonksiyonun kendisinin bulunduğu pozisyondan daha küçük pozisyon indislerine sahip olması gerekmektedir. Önerilen gösterim, kromozom deģifre edilirken hiçbir Ģekilde döngü ortaya çıkarmaz. Bu gösterim tarzına göre kromozomun ilk sembolü mutlaka bir terminal sembolü olmalıdır. Ancak bu Ģekilde, dizilimi doğru programlar elde edilebilir. Örnek bir kromozom yapısı ġekil 1 deki gibi oluģturulabilir. Ġlk satırdaki sayılar genlerin kromozom içerisindeki pozisyonlarını ifade etmektedir a b + c d + * 1,2 4,5 3,6 Terminaller Fonksiyonlar ve argümanlarını gösteren gen pozisyonları ġekil 1. ÇDP Kromozom Yapısı Bu ÇDP kromozomu incelenecek olursa 1,2,4,5 pozisyonlu genler birer terminaldir. 3, 6 ve 7 numaralı genler ise bir denklemi ifade eden fonksiyonları ve bu fonksiyonların argümanlarını göstermektedir a b a+b c d c+d (a+b)*(c+d) ġekil 2. ÇDP Kromozomunun Denklem Gösterimi

225 214 ġekil 2 de görüldüğü gibi ÇDP kromozomları genellikle aynı anda birden fazla denklemi kodlayabilmektedir. Buna karģılık genetik programlama kromozomu tek bir denklemi kodlayabilmektedir. ÇDP kromozomunun kodladığı birden fazla denklemin herhangi birisi kromozomu temsil etmek üzere seçilebilir. Her bir denklemin uygunluk fonksiyonu değeri hesaplanarak en iyi olanı kromozomu temsil edecek Ģekilde belirlenir. Bazı uygulamalarda bağlantı fonksiyonları (+,*) ile denklemler birbirlerine bağlanabilir Seçim Standart ÇDP algoritması evrimsel bir algoritma olduğundan, seçim süreci uygunluk fonksiyonu en yüksek olan bireyin bir sonraki jenerasyona aktarılmasını sağlayacak Ģekilde tasarlanmıģtır. Bunun için q-turnuva seçimi yöntemi kullanılmaktadır. Rasgele seçilmiģ q adet bireyin içerisinden en iyi (uygunluk fonksiyonu en yüksek olan) birey seçilir. Oltean ve Dumitrescu [16], yaptıkları çalıģmada ikili turnuva seçiminin sembolik regresyonda diğer seçim yöntemlerine göre daha iyi sonuç verdiğini ortaya koymuģlardır. Ġkili turnuva seçiminde mevcut popülasyondan seçilen 2 birey arasından uygunluk fonksiyonu yüksek olan birey alınır Genetik Operatörler ÇDP algoritması içerisinde kullanılan arama operatörleri çaprazlama ve mutasyondur. Uygulanan arama operatörleri kromozom yapısını koruyacak ve uygun olmayan birey türetmeyecek Ģekilde tasarlanmıģtır. Çaprazlama: Standart ÇDP algoritmasında üç farklı tip çaprazlama tekniği uygulanmıģtır. Probleme bağlı olarak bu tekniklerden herhangi birisi veya tamamı kullanılabilmektedir. Bu teknikler: Tek-nokta çaprazlama: Tek nokta çaprazlamada, iki ebeveyn bireyden rastgele bir nokta seçilir ve bireylerin belirlenen noktadan sonraki genleri birbirleri ile yer değiģtirilerek yeni bireyler elde edilir. Ġki-nokta çaprazlama: Ġki-nokta çaprazlama da tek-nokta çaprazlamaya benzemekle birlikte, aralarındaki fark, tek nokta yerine iki noktanın rastgele seçilerek çaprazlamanın gerçekleģtirilmesidir. Düzenli çaprazlamadır: Düzgün çaprazlamada çocuklar her iki bireyden rastgele genlerin seçilmesi ile oluģturulur. Mutasyon: Kromozom içerisindeki her bir gen mutasyona tabi tutulabilir. Mutasyon operatörünü uygularken, mutasyon olasılığı (p m ) göz önüne alınmaktadır. Standart ÇDP algoritmasında iki farklı tip mutasyon uygulanmaktadır; Standart mutasyon Düzgün mutasyon Standart Mutasyon: Mutasyonla kromozom içerisindeki bazı genler değiģikliğe uğrar. Burada dikkat edilecek nokta ilk genin her zaman terminal olmasının sağlanmasıdır. Diğer genler için herhangi bir kısıtlama yoktur. Eğer seçilen gen bir terminal sembolse, yine bir terminal sembole veya bir fonksiyon sembole dönüģtürülebilir. Eğer seçilen gen bir fonksiyonsa, bir terminal sembole veya baģka bir fonksiyona değiģtirilebilir ve argümanları da yeni fonksiyona göre belirlenir. Düzgün Mutasyon: Fonksiyon sembollerinin değiģtirilmesinde düzgün mutasyon kullanılabilir. Düzgün mutasyon, gen içerisinde yer alan her sembolü (fonksiyon sembolü veya fonksiyonun argüman pozisyonları) belirlenmiģ bir olasılıkla (p sm ) değiģtirir. Eğer gen içerisindeki fonksiyon iki argümanlı bir fonksiyon ise, psm=0.33 olarak tanımlandığında gen içerisindeki her bir pozisyona eģit değerde değiģiklik oranı düģmektedir.

226 MEPAR-MINER ALGORĠTMASI Oltean ve Dumitrescu [16] tarafından ortaya konulan ÇDP yaklaģımı, sınıflandırma kuralı türetmek üzere değiģtirilmiģ ve yazılımı gerçekleģtirilmiģtir. ÇDP kromozom gösteriminin temel yapısı kullanılmıģ ancak fonksiyon ve terminal kümesindeki değiģikliklerle mantıksal ifadelerin elde edilmesi sağlanmıģtır. Bir mantıksal ifade sınıfı sınıflandırma kuralı Ģeklinde gösterilebilir ve n sınıflı bir problem için her bir sınıfa ait bir yada daha fazla mantıksal ifade bir araya getirilebilir. AĢağıdaki ifade bir kural kümesini göstermektedir. EĞER ġart 1 ĠSE Sınıf 1 DEĞĠLSE EĞER ġart 2 ĠSE Sınıf 2 DEĞĠLSE Sınıf varsayılan Kural kümesinin değerlendirilmesine ilk kuraldan baģlanır ve örneği sağlayan kural bulunana kadar devam edilir. Örnek hiçbir kural tarafından sağlanmamıģsa, o örneğin sınıfı varsayılan sınıf olarak belirlenir. Varsayılan sınıf genel olarak örnekler içerisinde en sık rastlanan sınıf olarak atanır Fonksiyon ve Terminal Kümesi Bir sınıflandırma problemi için fonksiyon ve terminal kümesinin belirlenmesi gerekmektedir. ÇDP algoritması sembolik regresyon denklemleri üretmek amacıyla geliģtirildiğinden fonksiyon kümesi matematiksel operatörlerden oluģur. MEPAR-Miner algoritması sınıflandırma için mantıksal ifadeler üretmek üzere tasarlandığından fonksiyon kümesinde (F) mantıksal operatörler yer almaktadır. Terminal kümesi ise mantıksal ifadelerdeki özellik-değer iliģkisini yansıtacak Ģekilde düzenlenmiģtir. Dolayısıyla terminal kümesi, özellik-iliģkisel operatör-değer üçlüsünden oluģan elemanlar içermektedir. Değer, o özelliğe ait değer aralığından belirlenmektedir. ĠliĢkisel operatör ise özelliğin sürekli veya kategorik olma durumuna göre belirlenmektedir. Kategorik özellikler için =, sürekli değer alan özellikler için, iliģkisel operatörleri kullanılmaktadır. Her bir gen, kendi içerisinde özelliği barındırırken, bu özelliğe iliģkin iliģkisel operatör ve değeri ifade eden iģaretleyicileri de içermektedir. MEPAR-Miner algoritmasında kullanılan fonksiyon ve terminal kümeleri Tablo 1 de yer almaktadır. Tablo 1. Fonksiyon ve terminal kümeleri X i i. özellik ĠliĢkisel operatör Özelliğin türü =, Kategorik özellikler Sürekli özellikler V xi i. özelliğin değer alanı Terminal Kümesi {x 0 ĠO - V xo, x 1 ĠO - V x1,.., x n ĠO - V xn } Function Set {VE, VEYA, DEĞĠL} Aynı durumu ifade eden anlamsız mantıksal ifadelerin ortaya çıkmasını engellemek amacıyla, fonksiyon kümesinden seçilmiģ olan elemanlardan oluģan her bir genin argümanlarının birbirinden farklı indisleri iģaret etmesi gerekmektedir. AĢağıdaki fonksiyon, terminal ve iliģkisel operatörlerle oluģturulmuģ bir örnek kromozom yapısı ġekil 3 te gösterilmektedir. F {VE, VEYA, DEĞĠL}, ĠO {,, =}, T { x 0, x 1, x 2 }

227 216 ġekil 3. Sınıflandırma Kuralı Ġçin Örnek Kromozom Yapısı ġekil 3. de yer alan kromozomun 7. Geni aģağıdaki sınıflandırma kuralını ifade etmektedir. EĞER ((x 1 8) VE (x 2 =1)) VEYA ((x 0 5) VEYA (x 2 =1)) ĠSE Sınıf i Bu kuralın sınıfının belirlenmesi aģamasında sınıfın önceden sabitlenmiģ olması, kural kalitesini etkileyeceğinden, her bir sınıf için aynı kural değerlendirilmiģtir. Elde edilen kuralın doğruluğunu en yüksek uygunluk değeri ile ifade eden sınıf, kuralın sınıfı olarak atanmıģtır. Uygunluk değerlendirmesi sonucu, kromozom içerisinde yer alan her gen kendi uygunluk değerine ve sınıfına sahip olmaktadır. Bir kromozomun uygunluk değeri ise, o kromozom içerisinde yer alan genlerden en yüksek uygunluk değerine sahip olan genin uygunluk değeri olarak belirlenmektedir. Aynı zamanda bu gen, kromozomu ifade eden en iyi kural haline gelmektedir. Mevcut kodlama biçimi, Michigan kodlama yaklaģımı olarak belirlenmiģtir [8]. Bu yapıda, popülasyon içerisindeki her bir kromozom diğerlerinden bağımsız tek bir kuralı ifade etmektedir. Dolayısıyla popülasyon farklı sınıflar için kurallar içeren bireylerden oluģmaktadır. Her bir sınıfı en yüksek doğrulukla ifade eden kurallar seçilerek kural kümesi oluģturulmaktadır. Kural kümesinin boyutu örnek veri kümesindeki sınıf sayısına ilave olarak kalan örnekleri varsayılan sınıfa atamaya iliģkin bir ifade de içermektedir Uygunluk Fonksiyonu Bir eğitim örneğini sınıflandırmak için kural değerlendirildiğinde dört farklı durumdan birisi ile karģılaģılır [18]: doğru pozitif, doğru negatif, yanlıģ pozitif ve yanlıģ negatif. Doğru pozitif ve doğru negatif, uygun sınıflandırmayı, yanlıģ pozitif ve yanlıģ negatif de hatalı sınıflandırmayı ifade etmektedir. Doğru pozitif (TP) : Kural, sınıfı evet olarak belirler, örneğin sınıfı gerçekte evet tir. Doğru negatif (TN) : Kural, sınıfı hayır olarak belirler, örneğin sınıfı gerçekte hayır dır. YanlıĢ pozitif (FP) : Kural, sınıfı evet olarak belirler, örneğin sınıfı gerçekte hayır dır. YanlıĢ negatif (FN) : Kural, sınıfı hayır olarak belirler, örneğin sınıfı gerçekte evet tir. Duyarlılılk (Se) tüm veri kümesi içerisindeki evet sınıfı örneklerinden doğru sınıflandırılanların oranını hesaplar. S e TP /( TP FN ) (1) Özgüllük (Sp) tüm veri kümesi içerisindeki hayır sınıfı örneklerinden doğru sınıflandırılanların oranını hesaplar.

228 217 S p TN /( TN FP) (2) Sınıflandırma kurallarının etkinliğini ölçen bu iki kavram ile uygunluk fonksiyonu aģağıdaki gibi tanımlanmıģtır [19]; Uygunluk S e S p (3) Uygunluk fonksiyonunun değeri 0-1 aralığında yer almaktadır. Bütün örnekler doğru sınıflandırıldığında uygunluk değeri 1 dir Genetik Operatörler MEPAR-miner algoritmasında kullanılan genetik operatörler çaprazlama ve mutasyondur. Her iki operatör de kromozomun yapısını bozmamaktadır. Bu operatörlerin uygulanması sonucunda ortaya çıkan yeni bireyler anlamlı mantıksal ifadeler içermektedirler. Genetik operatörler uygulanmadan önce popülasyondaki en iyi birey sonraki jenerasyona aktarılır. Seçim sürecinde eģleģme havuzu, ikili turnuva seçimi ile belirlenen bireylerden oluģturulur. Popülasyondan rastgele iki birey seçilir ve bunlardan uygunluk değeri daha yüksek olan eģleģme havuzuna aktarılır. Çaprazlama: Çaprazlama operatörü, belirli bir çaprazlama olasılığına göre (p c ) iki ebeveyn bireyin eģleģme havuzundan seçilmesi ve bu bireylerden yeni iki birey elde edilmesini sağlar. Bu çalıģmada tek nokta çaprazlama operatörü uygulanmıģtır. Rastgele bir çaprazlama noktası seçilerek, iki ebeveyn bireyin çaprazlama noktasından önceki ve sonraki genleri çaprazlanarak yeni bireyler elde edilir (ġekil 4). ġekil 4. MEPAR-Miner Çaprazlama Mutasyon: Mutasyon operatörü kromozomdaki terminal ve fonksiyon genlerine, önceden belirlenmiģ mutasyon olasılığına göre (p m ) uygulanır. Kromozomda rastgele mutasyon noktaları belirlenerek bu noktalardaki genlerin terminal veya fonksiyon olma durumuna göre farklı Ģekillerde uygulanır. Eğer seçilen gen terminal ise bu gende yer alan iliģkisel operatör ve değer değiģtirilir. Eğer seçilen gen fonksiyon ise, yeni bir fonksiyon ve bu fonksiyona ait iģaretçiler seçilerek bu gen değiģtirilir. Seçilen iģaretçiler mevcut genden daha düģük genlerin indislerini içermelidir. ġekil 5 te 2. ve 5. noktalardaki terminal ve fonksiyon genlerinin mutasyonu gösterilmektedir.

229 218 ġekil 5. MEPAR-Miner Mutasyon 4. DENEYSEL ÇALIġMA MEPAR-miner algoritmasının performansını analiz etmek için 6 farklı veri kümesi UCI makine öğrenme veritabanından seçilmiģtir ( Veri kümelerinin temel özellikleri olan örnek sayıları, kategorik ve sürekli özellik sayıları ile sınıf sayıları Tablo 2 de özetlenmiģtir. Tablo 2. Veri Kümelerinin Özellikleri Veri Kümesi WBC LBC Tic-Tac-Toe CRX Nursery Adult Örnek sayısı Kategorik özellik sayısı Sürekli özellik sayısı Sınıf sayısı MEPAR-miner algoritmasının performansı, kullanılan veri kümeleri için farklı çalıģmalarda ortaya konulan sonuçlar ile karģılaģtırılmıģtır. 1. Tan ve ark. [11] tarafından geliģtirilen iki aģamalı hibrid bir evrimsel algoritma, 2. Carvalho ve Freitas [20,21] tarafından önerilen hibrid karar ağacı-genetik algoritma, 3. Parpinelli ve ark. [19] tarafından geliģtirilen karınca koloni optimizasyonuna dayalı sınıflandırma yaklaģımı 4. Bojarczuk ve ark. [12] nın önerdiği genetik programlama yaklaģımı, 5. Weinert ve Lopes [13] tarafından ortaya konulan gen denklem programlamaya dayalı sınıflandırma yaklaģımı, 6. Wang ve ark.[14] nın geliģtirdiği parçacık sürü optimizasyonuna dayalı sınıflandırma yaklaģımı bu çalıģmada sonuç değerlendirme ve karģılaģtırma amacıyla kullanılan çalıģmalardır. Sonuç karģılaģtırmaları, eğitim verisi kullanılarak elde edilen sınıflandırma kurallarının test verisi üzerindeki performansı üzerinden gerçekleģtirilmiģtir. Test verisindeki tahminleme doğruluğu denklem 4 teki formülasyon ile hesaplanmaktadır. TP TN Dogruluk (4) TP TN FP FN Adult veri kümesi büyük boyutlu veri olmasından dolayı eğitim ve test verisi olarak ikiye bölünmüģtür. Diğer veri kümeleri ise çapraz doğrulama yöntemi kullanılarak 10 farklı eğitim ve test veri grubu ile analiz edilmiģtir. 10 lu çapraz doğrulamada, veri kümesi 10 alt gruba bölünerek her seferinde 1 alt grup test, kalan 9 alt grup eğitim amaçlı kullanılmıģtır. Böylece her bir veri kümesi için 10 farklı çalıģtırma gerçekleģtirilmiģtir. Tahminleme doğruluklarının ortalaması ve standart sapmaları hesaplanmıģtır.

230 MEPAR-Miner Parametreleri Jenerasyon Sayısı: MEPAR-miner algoritmasının bir sınıflandırma kuralı türetmek için tekrarlı çalıģma sayısını ifade etmektedir. Belirlenen jenerasyon sayısına ulaģıldığında en iyi birey, bu bireye ait sınıf ile birlikte bir sınıflandırma kuralını teģkil eder. Kalan sınıflar için algoritma aynı sayıda tekrarlı çalıģtırılır. Popülasyon Sayısı: Her bir jenerasyonda değerlendirilen birey sayısını ifade eder. BaĢlangıç popülasyonu rastgele oluģturulur. Kromozom uzunluğu: Bir kromozomdaki gen sayısını ifade eder. MEPAR-miner algoritmasında gen sayısı aynı zamanda o kromozomda yer alan farklı kural sayısını da ifade eder. p c : Çaprazlama olasılığı p m : Mutasyon olasılığı Tablo 3. MEPAR-Miner Parametre Değerleri Parametre Jenerasyon Sayısı Popülasyon Sayısı Kromozom uzunluğu p c p m Değer Algoritmanın iģleyiģi esnasında belirlenen parametre değerleri Tablo 3 te verilmiģtir. MEPAR-miner algoritması C++ programlama dilinde kodlanmıģ ve her bir veri kümesi için 10 farklı çalıģtırma sonucunda elde edilen ortalama tahminleme doğruluğu, minimum, maksimum değerleri ve standart sapması Tablo 4 te verilmiģtir. Tablo 4. MEPAR-Miner Tahminleme Doğruluğu Data Sets Tahminleme Doğruluğu(%) CRX Nursery Adult LBC Tic-Tac-Toe WBC Maks Ortalama Min Standart Sapma MEPAR-miner algoritmasından elde edilen sonuçlar literatürde yer alan çalıģmalarda sunulan sonuçlar ile tahminleme doğruluğu açısından karģılaģtırılmıģ ve Tablo 5 te özetlenmiģtir. Tablo 5. KarĢılaĢtırma Sonuçları Veri MEPARminer Ant-Miner 1 GP 2 BGP 2 EvoC 3 PSO 5 GEPCLASS 6 Kümesi LBC WBC Tic-tac-toe Veri MEPARminer C4.5 4 Double C4.5/GA 4 Kümesi C4.5 4 CRX Nursery Adult Parpinelli ve ark. [19] 4. Carvalho ve Freitas [21] 2. Bojarczuk ve ark. [12] 5. Wang ve ark.[14] 3. Tan ve ark. [11] 6. Weinert ve Lopes [13]

231 220 Tablo 5 te MEPAR-miner ve diğer algoritmaların ortalama tahminleme doğrulukları ile standart sapmaları yer almaktadır. MEPAR-miner algoritması LBC, WBC, CRX ve Adult veri kümelerinde diğer çalıģmalara göre daha yüksek tahminleme doğruluğuna ulaģmıģtır. Tic-tac-toe veri kümesinde PSO algoritması, Nursery veri kümesinde ise Carvalho ve Freitas [21] tarafından önerilen hibrid C4.5/GA yaklaģımı MEPAR-miner dan daha iyi sonuç vermiģtir. Tablo 6 her bir veri kümesi için elde edilen en yüksek uygunluk değerine sahip kural kümelerini içermektedir. MEPAR-miner algoritması bu sonuçlara her sınıf için bir kural içeren kural kümesi ile ulaģmıģtır. Dolayısıyla her sınıf için çoklu kural üreten algoritmalara göre kural kümesinde yer alan kural sayısı ve tahminleme doğruluğu açısından oldukça etkin bir sınıflandırma algoritması olarak ön plana çıkmaktadır. Algoritmanın tahminleme doğruluğu her bir sınıfa ait kural sayısındaki artıģla doğru orantılı olarak yükselecektir. Ancak kural kümesinin basit ve anlaģılır olması uygulama açısından her zaman tercih edilir bir durumdur. Genel olarak değerlendirilecek olursa MEPAR-miner algoritması ele alınan bütün veri kümelerinde test verisi üzerinde oldukça yüksek doğrulukta tahminleme yapabilmektedir. SONUÇ Bu çalıģmada sınıflandırma problemleri için çoklu denklem programlamaya dayalı bir kural çıkarımı yöntemi olan MEPAR-miner ele alınmıģtır. Çoklu denklem programlama sembolik regresyon için geliģtirilmiģ bir doğrusal genetik programlama yaklaģımıdır. Bu yöntemin kromozom gösterimi, terminal ve fonksiyon tanımlamaları sınıflandırma problemleri için EĞER-ĠSE kuralları türetecek Ģekilde yeniden yapılandırılmıģtır. MEPAR-miner algoritmasında kromozomlar doğrusal gösterime sahip olmasına rağmen değiģik uzunlukta kurallar elde edebilecek Ģekilde tasarlanmıģtır. Bu özelliğinden dolayı genetik programlamanın avantajlarını içermekle birlikte doğrusal kromozom yapısından dolayı kolay yazılımı ve genetik operatörlerle uygun bireyler elde edebilmesi de söz konusudur. Bu çalıģmada MEPAR-miner ile 6 farklı veri kümesi üzerinde analizler gerçekleģtirilmiģtir. Bu veri kümeleri sürekli ve kesikli özellikleri içermesi, ikili yada çoklu sınıfa sahip olmaları, özellikle Nursery ve Adult veri kümelerinin yüksek sayıda örnekten oluģması, algoritmanın farklı yapıda veri kümeleri üzerindeki performansını değerlendirebilmek amacıyla belirlenmiģtir. OluĢturulan kural kümesinin her bir sınıfa ait örnekler için tek bir kural içermesi ve bu kural kümesinin yüksek tahminleme doğruluğuna sahip olması, MEPAR-miner algoritmasının sınıflandırma kuralları geliģtiren algoritmalar içerisinde önemli bir yere sahip olduğunu ortaya koymaktadır. Genetik algoritma, parçacık sürü optimizasyonu, karınca koloni optimizasyonu ve gen denklem programlamaya dayalı genetik programlama yöntemleri ile elde edilen sonuçlar karģılaģtırılmalı olarak ele alınmıģtır. Tablo 6. Veri Kümeleri Ġçin Bulunan En Ġyi Kural Kümeleri ve Uygunluk Değerleri Veri Kümeleri Se Sp Uygunluk Fonksiyonu CRX Nursery Adult LBC Tic-Tac -Toe WBC Kural Kümesi EĞER (((((x2>=2.00))ve((x0=2.00)))ve((x6=1.00)))ve((x11=1.00)))veya(((((x10<=3.00))veya(((x13<=2.00)) veya((x5=4.00))))ve((x4=3.00)))veya(((x8=1.00))veya((x12=3.00)))) ĠSE Sınıf 1 DEĞĠLSE EĞER DEĞĠL((((x4=3.00))ve((x10<=1.00)))veya((x8=1.00)))ĠSE Sınıf 0 DEĞĠLSE Sınıf 0 EĞER DEĞĠL(DEĞĠL((x7=3.00)))ĠSE Sınıf 0 DEĞĠLSE EĞER ((((x7=1.00))ve((x5=1.00)))ve((x1=1.00)))ve(değġl(değġl((x4=1.00))))ġse Sınıf 1 DEĞĠLSE EĞER (((x4=3.00))veya(değġl(değġl(((x4=3.00))veya(değġl((x0=3.00))))))) ve(((x7=1.00))ve((değġl((x1=5.00)))veya((x4=3.00))))ġse Sınıf 2 DEĞĠLSE EĞER DEĞĠL((x7=3.00))ĠSE Sınıf 3 DEĞĠLSE EĞER DEĞĠL((DEĞĠL(DEĞĠL((x7=3.00))))veya((x1=2.00)))ĠSE Sınıf 4 DEĞĠLSE Sınıf 0 EĞER (((x6=6.00))veya((x5=1.00)))ve((x4>=2.00))ġse Sınıf 1 DEĞĠLSE EĞER DEĞĠL((((((x11<=10.00))veya((x1=8.00)))ve((((x10>=16.00))veya((x5=1.00)))ve((x13=15.00)))) veya(((x10>=16.00))veya((x5=1.00))))veya(((x10>=16.00))veya((x5=1.00))))ġse Sınıf 0 DEĞĠLSE Sınıf 0 EĞER (((x7=3.00))veya(((x5=3.00))veya((x2=7.00))))ve(((x0=6.00))veya(((((x1=3.00))veya((x8=1.00)))ve((((x7=3.00)) ve(((x4=1.00))veya(değġl((x5=3.00)))))veya(((x5=3.00))veya((x2=7.00)))))veya((x2=7.00))))ġse Sınıf 11 DEĞĠLSE EĞER ((DEĞĠL((x8=1.00)))veya((x2=4.00)))ve(DEĞĠL((x5=3.00)))ĠSE Sınıf 0 DEĞĠLSE Sınıf 1 EĞER DEĞĠL((((x2=1.00))ve((x0=1.00)))veya((x4=1.00)))ĠSE Sınıf 1 DEĞĠLSE EĞER (((x8=1.00))ve((x2=1.00)))veya((((x6=1.00))ve((x8=1.00)))veya((x4=1.00)))ġse Sınıf 0 DEĞĠLSE Sınıf 0 EĞER (DEĞĠL((DEĞĠL(((x1<=6.00))ve(((x0<=6.00))ve(((x4<=8.00))ve(DEĞĠL((x5>=7.00)))))))veya(DEĞĠL((x2<=4.00))))) veya((((x0<=6.00))ve(((x4<=8.00))ve(değġl((x5>=7.00)))))ve(değġl(((x3>=3.00))ve((x4<=8.00)))))ġse Sınıf 0 DEĞĠLSE EĞER DEĞĠL((((x0<=2.00))veya((x3<=9.00)))ve(((((x0<=2.00))veya((x5<=2.00))) veya(değġl(((x7<=4.00))ve((x8<=5.00)))))ve((((x7<=4.00))ve((x8<=5.00)))ve((((x0<=2.00))veya((x3<=9.00))) veya(((x0<=2.00))veya((x5<=2.00)))))))ġse Sınıf 1 DEĞĠLSE Sınıf 1

232 221 KAYNAKLAR [1] SETTE, S., BOULLART, L., Genetic Programming: Principles and Applications, Engineering Applications of Artificial Intelligence, vol.14, , [2] KOZA, J.R., Evolution of Emergent Cooperative Behavior Using Genetic Programming, in: Paton Ray (Ed.), Computing with Biological Metaphors, Chapman&Hall, , [3] LANGDON, W.B., Genetic Programming and Data Structures: Genetic Programming+Data Structures=Automatic Programming, The Kluwer International Series In Engineering and Computer Science, [4] DIMOPOULOS, C., ZALZALA, A.M.S., Evolving Scheduling Policies through a Genetic Programming, in: Proceedings of the Genetic and Evolutionary Computation Conference, GECCO-99, Florida, USA, , 1999a. [5] DIMOPOULOS, C., ZALZALA, A.M.S., A Genetic Programming Heuristic for the One Machine Total Tardiness Problem, in: Proceedings of the Congress on Evolutionary Computation, CEC 99, New York: IEEE Press, vol. 3, , 1999b. [6] DIMOPOULOS, C., ZALZALA, A.M.S., Investigating the Use of Genetic Programming for A Classic One Machine Scheduling Problem, Advances in Engineering Software, vol. 32, , [7] DIMOPOULOS, C., MORT, N., A Hierarchical Clustering Methodology Based on Genetic Programming for the Solution of Simple Cell-formation Problems, International Journal of Production Research, vol. 39(1), 1-19, [8] FREITAS, A.A., A Survey of Evolutionary Algorithms for Data Mining and Knowledge Discovery, in: A. Ghosh, S. Tsutsui (Ed.), Advances in Evolutionary Computation, Berlin, Springer, [9] ZHOU, C., XIAO, W., TIRPAK, T.M., NELSON, P.C., Discovery of Classification Rules by Using Gene Expression Programming, in: Proceedings of the 2002 Int. Conf. on Artificial Intelligence, IC-AI 2002, Las Vegas, [10] DE FALCO, I., CIOPPA, A.D., TARANTINO, E., Discovering Interesting Classification Rules with Genetic Programming, Applied Soft Computing, vol. 1, , [11] TAN, K.C., YU, Q., HENG, C.M., LEE, T.H., Evolutionary Computing for Knowledge Discovery in Medical Diagnosis, Artificial Intelligence in Medicine, vol. 27, , [12] BOJARCZUK, C.C., LOPES, H.S., FREITAS, A.A., MICHALKIEWICZ, E.L., A Constrained- Syntax Genetic Programming System for Discovering Classification Rules: Application to Medical Data Sets, Artificial Intelligence in Medicine, vol. 30, 27-48, [13] WEINERT, W.R., LOPES, H.S., GEPCLASS: A Classification Rule Discovery Tool Using Gene Expression Programming, X. Li, O.R. Zaiane and Z. Li (eds.):adma 2006, LNAI 4093, Springer- Verlag, Berlin, , [14] WANG, Z., SUN, X., ZHANG, D., Classification Rule Mining Based on Particle Swarm Optimization, G. Wang et al. (Eds.):RSKT 2006, LNAI 4062, Springer-Verlag, Berlin, , [15] BAYKASOĞLU, A., ÖZBAKIR, L., MEPAR-Miner: Multi-Expression Programming for Classification Rule Mining, European Journal of Operational Research, vol. 183, , [16] OLTEAN, M., DUMITRESCU, D., Multi Expression Programming, Department of Computer Science, Technical Report, Romania, [17] OLTEAN, M., GROSAN, C., Evolving Evolutionary Algorithms Using Multi Expression Programming, in: Proceedings of the 7th European Conference on Artificial Life, ECAL, Springer Berlin, , [18] PARPINELLI, R.S., LOPES, H.S., FREITAS, A.A., An Ant Colony Based System for Data Mining: Applications to Medical Data, Proc. Genetic and Evolutionary Computation Conf. (GECCO-2001), Morgan Kaufmann, San Francisco, California, , [19] PARPINELLI, R.S., LOPES, H.S., FREITAS, A.A., Data Mining with An Ant Colony Optimization Algorithm, IEEE Trans. On Evolutionary Computation, vol. 6(4), , [20] CARVALHO, D.R., FREITAS, A.A., A Genetic Algorithm with Sequential Niching for Discovering Small-Disjunct Rules, Proc. Genetic and Evolutionary Computation Conf. (GECCO-2002), NewYork, , 2002a. [21] CARVALHO, D.R., FREITAS, A.A., New Results for A Hybrid Decision Tree/Genetic Algorithm for Data Mining, Proc. 4 th Int. Conf. on Recent Advances in Soft Computing (RASC-2002), , 2002b.

233 222 ÖZGEÇMĠġ Lale ÖZBAKIR 1971 yılı Kayseri doğumlu Yrd. Doç. Dr. Lale Özbakır, Lisans öğrenimini 1992 yılında Bilkent Üniversitesi Bilgisayar ve Enformatik Mühendisliği Bölümünde tamamlamıģtır. Erciyes Üniversitesi Sosyal Bilimler Enstitüsü Yönetim ve Organizasyon Anabilim Dalında 1997 yılında yüksek lisans derecesini, Üretim Yönetimi ve Pazarlama Anabilim Dalında 2004 yılında doktora derecesini almıģtır. Erciyes Üniversitesi Endüstri Mühendisliği Bölümüne 1997 yılında araģtırma görevlisi, 2004 yılında Yardımcı Doçent olarak atanmıģ olup halen aynı bölümde Öğretim Üyesi olarak görev yapmaktadır. Yazarın uluslararası bilimsel dergilerde 30 un üzerinde, ulusal ve uluslararası kongrelerde 50 nin üzerinde bilimsel yayını bulunmaktadır. Yrd. Doç. Dr. Lale Özbakır çok sayıda ulusal ve uluslararası dergide hakemlik görevi yapmakta olup, çalıģma alanları içerisinde veri madenciliği, yapay zeka ve meta-sezgisel yaklaģımlar, evrimsel algoritmalar, yöneylem araģtırması yer almaktadır. Adil BAYKASOĞLU Prof. Dr. Adil Baykasoğlu Isparta Teknik Lisesi Makina bölümünden mezun olduktan sonra Lisans ve Yüksek Lisans derecelerini Makina Mühendisliği alanında 1993 ve 1995 yıllarında Gaziantep te, doktora derecesini ise YÖK bursu ile gittiği Nottingham Üniversitesinden 1999 yılında Endüstri Mühendisliği alanında almıģtır yılları arasında Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünde çalıģan Prof. Baykasoğlu halen Dokuz Eylül Üniversitesi Endüstri Mühendisliği bölümünde çalıģmaktadır. Prof. Baykasoğlu ulusal ve uluslar arası bilimsel dergi ve kongrelerde 300 civarında bilimsel makale yayımladı. Yazarın ayrıca üç adet yayımlanmıģ kitabı, düzenleyip editörlüğünü yaptığı çeģitli ulusal ve uluslar arası kongre kitapları bulunmaktadır. Yazarın çalıģma alanları genelde yöneylem araģtırması, biliģimsel yapay zekâ, zeki etmenler, lojistik ve üretim sistemleri yönetimi/tasarımı, bilgisayar destekli üretim, kalite ve benzetim konuları üzerinde yoğunlaģmaktadır. Prof. Baykasoğlu çok sayıda uluslararası dergide hakem ve yayın kurulu üyesi olarak görev yapmakta olup aynı zamanda Turkish Journal of Fuzzy Systems dergisinin eģeditörlüğünü yürütmektedir. Prof. Baykasoğlu na 2007 yılında Türkiye Bilimler Akademisi Üstün BaĢarılı Genç Bilim Ġnsanı ödülü, 2008 yılında ODTÜ M. Parlar araģtırma teģvik ödülü, 2010 yılında ise Tübitak TeĢvik ödülü verilmiģtir.

234 YAPAY SİNİR AĞLARININ EŞZAMANLI EĞİTİMİ VE KURAL ÇIKARIMI: DIFACONN-MINER SİNEM KULLUK ERCİYES ÜNİVERSİTESİ LALE ÖZBAKIR ERCİYES ÜNİVERSİTESİ ADİL BAYKASOĞLU DOKUZ EYLÜL ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

235

236 225 YAPAY SİNİR AĞLARININ EŞZAMANLI EĞİTİMİ VE KURAL ÇIKARIMI: DIFACONN-MINER Sinem KULLUK Lale ÖZBAKIR Adil BAYKASOĞLU ÖZET Yapay sinir ağları (YSA) genelleme, tahminleme, sınıflandırma gibi kabiliyetlerinden dolayı veri madenciliği (VM) alanında yaygın olarak kullanılmaktadır. Yapay sinir ağları oldukça yüksek sınıflandırma doğrulukları elde etmelerine rağmen elde ettikleri bilgileri kullanıcıların anlayabileceği kurallar şeklinde sunamamaktadırlar ve tanımlama kabiliyetleri oldukça sınırlıdır. Bu nedenle günümüzde veri madenciliğinde yapay sinir ağlarının kullanımında eğilim, yapay sinir ağlarından kural çıkarımına yöneliktir. Bu çalışmada ele alınan DIFACONN-miner da bu eğilimden yola çıkarak, ileri beslemeli yapay sinir ağlarından sınıflandırma kuralları çıkarımına yönelik yazarlar tarafından 2010 yılında geliştirilmiş yeni bir sınıflandırma algoritmasıdır. Literatürde yapay sinir ağlarından kural çıkarımına yönelik pek çok çalışma mevcuttur ancak ele alınan DIFACONN-miner bu algoritmalardan oldukça farklıdır. Geçmiş çalışmalarda YSA eğitimi ve kural çıkarımı birbirinden bağımsız olarak gerçekleştirilmesine rağmen, sunulan algoritmada sınıflandırma kuralları çıkarımı için yapay sinir ağları eğitimi ve kural çıkarımı çoklu amaç değerlendirme yapısı ile eşzamanlı olarak gerçekleştirilmektedir. DIFACONN-miner yapay sinir ağlarının eğitimi için diferansiyel gelişim (DE) algoritmasını, kural çıkarımı için ise tur atan karınca koloni optimizasyonu (TACO) algoritmasını kullanmaktadır. Sınıflandırma referans veri kümeleri, bir gerçek hayat veri kümesi üzerinde deneysel çalışmalar ve diğer kural çıkarım algoritmaları ile karşılaştırmalar, DIFACONN-miner ın diğer algoritmalara göre daha doğru, kısa ve özlü kurallar çıkarmakta oldukça yetenekli olduğunu göstermiştir. Anahtar Kelimeler: Veri madenciliği, Sınıflandırma, Kural çıkarımı, Yapay sinir ağları, Karınca koloni optimizasyonu, Diferansiyel gelişim. ABSTRACT Artificial Neural Networks (ANNs) are widely used in data mining field due to their capabilities such as generalization, prediction and classification. Although ANNs can achieve high classification accuracies, they can t represent the discovered knowledge in the rule form for end user and their explanation capability is very limited. Therefore one of the main challenges in using ANNs in data mining applications is to extract explicit knowledge from them. Based on this motivation, DIFACONNminer algorithm presented in this study is a novel approach for extracting classification rules from feed forward type ANNs which was developed by the authors in Although there are several approaches in the literature for classification rule extraction from ANNs, the present approach is fundamentally different from them. While ANN training and rule extraction is generally performed independently in previous studies, in the present study, training of ANNs and rule extraction are performed simultaneously with a multiple objective evaluation framework for classification rule extraction. DIFACONN-miner makes use of differential evolution (DE) algorithm for training and touring ant colony optimization (TACO) algorithm for rule extracting. Experimental study on the classification benchmark datasets, a real-world dataset and comparisons with other rule extraction

237 226 algorithms has shown that DIFACONN-miner is highly capable of extracting more accurate and concise classification rules with respect to other algorithms. Key Words: Data mining, Classification, Rule extraction, Artificial neural networks, Ant colony optimization, Differential evolution. 1. GĠRĠġ Veri madenciliği veya baģka bir ifadeyle veriden gizli tahminleyici bilginin çıkarımı, kullanıcılara büyük veri kümelerindeki önemli bilgiye odaklanmaya yardım etmekte büyük potansiyele sahip güçlü bir yeni teknolojidir. VM nin genel amacı sadece doğru değil aynı zamanda kullanıcı için anlaģılır ve ilginç bilgiyi keģfetmektir. Verideki bilgiyi veya yapısal örüntüleri göstermenin karar ağaçları, karar tabloları, sınıflandırma kuralları, birliktelik kuralları gibi çok farklı yolları vardır. Literatürde girdiler ile çıktılar arasındaki öğrenmeyi göstermekte çeģitli metotlar sunulmuģtur. Karar ağacı üretimine böl ve kazan yaklaģımı, istatistiksel modelleme, kural üretim kapsama, birliktelik kuralı madenciliği bunlara örnek olarak verilebilir. Bu çalıģmada ele alınan DIFACONN-miner algoritmasında, böl ve kazan stratejisi kullanılarak kural kümesi üretme sürecine kural üretim kapsama yaklaģımı uyarlanmıģtır. Yapay sinir ağları tahminleme, deneyimlerden öğrenme ve geçmiģ örneklerden genelleme konusunda oldukça yeteneklidir [1] ve bu yetenek YSA ları sınıflandırma uygulamaları için oldukça uygun kılar. Yapay sinir ağları oldukça yüksek sınıflandırma doğrulukları elde edebilirler, ancak en önemli eksiklikleri sınırlı tanımla kabiliyetleridir [2]. Bunun en temel nedeni YSA larda gizli olan bilginin aktivasyonlar ve nöron bağlantılarına dağılmıģ olmasıdır. Yapay sinir ağlarında gizli olan bilgiyi kullanıcıların anlayabilmesi için birçok araģtırmacı, eğitilmiģ YSA lardan bilgi çıkarımı için zeki algoritmalar geliģtirme çabasındadır. Bu çalıģmalar arasında Elalfi vd. [3], genetik algoritma (GA) kullanarak eğitilmiģ yapay sinir ağları aracılığıyla veritabanlarından doğru ve anlaģılır kurallar çıkarmak için yeni bir algoritma sunmuģlardır. Optimal kromozomu kodlamıģ ve ilgili sınıflara ait kuralları elde etmekte kullanmıģlardır. Markowska-Kaczmar ve Wnuk-Lipinski [4], sinir ağlarından pareto optimizasyonlu genetik yaklaģıma dayanan kural çıkarımını önermiģlerdir. Yöntemlerini bilinen test problemleri üzerinde test etmiģ ve sonuçlarını verip tartıģmıģlardır. Markowska-Kaczmar [5], çalıģmasında sınıflandırma problemleri için sinir ağlarından kural çıkarım metodunun parametrelerinin son sonuçlardaki etkilerini deneysel çalıģmalarla incelemiģtir. Metodu, her sınıfın ayrı popülasyonları içerdiği evrimsel yaklaģıma dayanmaktadır. Tokinaga vd. [6], zeki ve açıklayıcı bir değerlendirme sistemi kurmak için Genetik Programlanmaya (GP) dayanan sinir ağı kural çıkarma tekniklerinin kullanımını ele almıģlardır. Uygulamaları neticesinde sundukları kural üretim yönteminin performansının karģılaģtırılabilir olduğunu ve iyi sonuçlar verdiğini görmüģlerdir. Hruschka ve Ebecken [7], sınıflandırma problemlerinde eğitilen çok katmanlı algılayıcılarla kurallar çıkarmakta bir metot sunmuģlardır. Sundukları yaklaģımı, veri madenciliğinde referans olan dört veri kümesinde ve bir gerçek hayat meteorolojik veri kümesinde deneysel olarak değerlendirmiģlerdir. Setiono vd. [8], eğitilmiģ sinir ağlarından anlaģılır kural kümeleri çıkarmak üzerine bir çalıģma yapmıģlardır. Elde ettikleri sonuçlar, algoritmalarının anlaģılır, özlü ve doğru kural kümeleri çıkardığını göstermektedir. Özbakır vd. [9], sınıflandırma problemleri için eğitilmiģ yapay sinir ağlarından bilgi çıkarımında karınca koloni optimizasyonunun kullanımı üzerine bir çalıģma yapmıģlardır. Deneysel çalıģmaları algoritmalarının doğru ve etkin kurallar üretebildiğini göstermektedir. Kahramanlı ve Allahverdi [10], eğitilmiģ adaptif sinir ağlarından kurallar çıkarmak için yapay bağıģıklık sistemi algoritması kullanan yeni bir yöntem sunmuģlardır. Algoritmalarını iki referans veri kümesinde değerlendirmiģlerdir. Özbakır vd. [11], yapay sinir ağlarının eğitimi ve kural çıkarımını bütünleģtirmek için DIFACONN-miner algoritmasını geliģtirmiģlerdir. Diğer kural çıkarım algoritmalarından farklı olarak önerdikleri algoritmada, eğitim ve kural çıkarımı aģamaları eģzamanlı gerçekleģtirilmektedir. Bu çalıģmada yazarlar tarafından 2010 yılında YSA lardan sınıflandırma kuralları çıkarmak için geliģtirilen DIFACONN-miner algoritması [11] ele alınmıģtır. DIFACONN-miner algoritması, yapay sinir ağlarının eğitimi için diferansiyel geliģim algoritmasını, sınıflandırma kuralları üretmek için ise tur atan karınca koloni optimizasyonu algoritmasını kullanmaktadır. DE algoritmasının her eğitim adımında, YSA-ağırlıkları TACO algoritmasına, kural üretimi için gönderilmektedir. Daha sonra, YSA yapısının

238 227 uygunluğu YSA hatası, kural sayısı ve eğitim doğruluğu olmak üzere üç performans ölçütü içeren çoklu amaç fonksiyonuna göre değerlendirilmektedir. Bu çalıģmada, ele alınan algoritmanın performansı altı referans veri kümesinde ve bir gerçek hayat veri kümesinde değerlendirilmiģtir. Deneysel sonuçlar algoritmanın doğru ve etkili kurallar üretmekte baģarılı olduğunu göstermektedir. 2. DIFACONN-MĠNER ALGORĠTMASI DIFACONN-miner algoritmasındaki temel düģünce, DE algoritmasını YSA eğitiminde, TACO algoritmasını ise eğitimle eģzamanlı olarak sınıflandırma kuralları çıkarmak için kullanmaktır. Daha önceki yaklaģımlardan farklı olarak, ele alınan algoritma yapay sinir ağlarının eğitimini ve kural çıkarımı aģamalarını bir çatı altında birleģtirmektedir. Dolayısıyla, kural çıkarımı için ekstra bir adım gerekmeden, sınıflandırma kuralları doğrudan YSA lardan elde edilmektedir. Bu, her YSA eğitim adımında ilgili sınıflandırma kurallarının eģzamanlı olarak üretilmesi/değerlendirilmesi ve eğitimin daha doğru sınıflandırma kuralları üretmek için gerçekleģtirmesi anlamına gelmektedir. DIFACONN-miner algoritması bir kural çıkarım algoritması olmaktan ziyade, aslında bir kural üretim algoritmasıdır ve birbirine bağlı üç bölümden oluģur. Bunlar; DE algoritması ile ileri beslemeli YSA ların eğitimi TACO algoritması ile kural çıkarımı Uygunluk değerlendirme DIFACONN-miner algoritmasının ana çatısını, DE tabanlı eğitim algoritması oluģturmaktadır ve TACO algoritması ilgili ağırlık grupları için kural kümeleri üretmek amacıyla DE algoritmasına dahil edilmiģtir. Algoritmanın genel yapısı ġekil 1 de gösterilmiģtir. Ġkili kodlanmıģ veri kullanıcı girdileri, ağırlık grupları ve kural kümeleri ise DIFACONN-miner algoritması tarafından hesaplanan değerlerdir. Algoritma ile çıkarılan kurallar EĞER-O HALDE Ģeklinde sınıflandırma kurallarıdır Veri Gösterimi DIFACONN-miner algoritmasında veri kümesinde yer alan örnekler ikili diziler Ģeklinde kodlanır ve yapay sinir ağlarına girdi olarak gösterilir. Bu gösterim ilk olarak eğitilmiģ YSA lardan GA kullanarak kural çıkarımında Elalfi vd. [3] tarafından kullanılmıģtır. Ġkili düzen Ģu Ģekilde çalıģır: veri kümesi N adet nitelikten oluģsun. Her bir nitelik A n (n=1, 2,, N), m n bir A n niteliğinin olası değerlerini göstermek üzere, sabit uzunlukta ikili alt-dizilere (a 1, a 2,, a mn ) kodlanabilir. Ġkili kodlama düzenine göre, m n elemanlarından sadece biri eğer ilgili nitelik değerine sahipse 1 değerini alabilir ve diğer bütün elemanlar 0 dır. Dolayısıyla, LI girdi vektör uzunluğu Ģu Ģekilde hesaplanır: LI N m n n 1 (1) Çıktı sınıf vektörü LO k da (k=1, 2,, K), k sınıf sayısını göstermek üzere, sabit uzunlukta ikili dizilere kodlanabilir. Girdi nitelik alt-dizilerinde olduğu gibi, çıktı sınıf vektöründeki k elemandan sadece biri eğer çıktı vektörü sınıf k ya aitse 1 değerini alabilir ve vektördeki diğer bütün elemanlar 0 dır. Dolayısıyla, yapay sinir ağının çıktı katmanındaki çıktı nöron sayısı K dır. C 1, C 2,., C k sınıfları göstermek üzere, çıktı sınıf vektörü eģitlik (2) deki gibidir. LO C, C,..., C } C, C,..., C {0,1} (2) k { 1 2 k 1 2 k Bu ikili gösterim Ģekli ayrıca algoritmanın TACO bölümünde, kural gösteriminde kullanılmaktadır. LI ikili girdi vektörü sayısını, K ikili çıktı sınıf vektör sayısını göstermek üzere kural uzunluğu RL eģitlik (3) deki gibi belirlenir.

239 228 RL LI K (3) Bu ikili gösterim Ģekli kesikli nitelikler içeren veri kümeleri için doğrudan kullanılabilir. Ancak sürekli girdiler içeren veri kümeleri için ikili forma dönüģtürmeden önce sürekli değerlerin kesiklendirilmesi gerekir. ġekil 1. DIFACONN-Miner Algoritmasının Genel Yapısı [11]

240 DE Algoritması ile Ġleri Beslemeli YSA ların Eğitimi Yapay sinir ağları, nöron olarak da isimlendirilen, birbirine bağlı iģlem elemanlarından oluģur. y i nöron çıktısını, x j nörona j. girdiyi, w ij nöronla x j girdisi arasındaki bağlantı ağırlığını, θ i nöron eģik değerini ve f i nöron aktivasyon fonksiyonunu göstermek üzere, i. nöronun çıktısı eģitlik (4) ile hesaplanmaktadır. n y f ( x w ) (4) i i j 1 j ij i YSA ların uygunluğu ağın hata fonksiyonu E en küçüklenerek sağlanır. E(t) t. iterasyondaki hatayı, d k istenen çıktıyı, o k k. çıktının mevcut değerini, k çıktı sayısını ve n örnek sayısını göstermek üzere, hata fonksiyonu eģitlik (5) ile ifade edilir. n K 1 2 E( t) ( d jk o jk ) (5) n j 1 k 1 DIFACONN-miner algoritmasının ana yapısını DE algoritması oluģturmaktadır ve DE, tek gizli katmanlı ileri beslemeli YSA ların eğitimi için kullanılmaktadır. DE, sürekli uzayda, küresel optimizasyon için kayan-noktalı kodlanmıģ evrimsel bir algoritmadır. Bu nedenle, tipik ileri beslemeli YSA ların ağırlık uzayında küresel aramaya uygulanabilir [12]. Birçok eğitim algoritmasında yapay sinir ağlarının hata fonksiyonu, YSA ağırlıklarını optimize ederek en küçüklenmesi gereken amaç fonksiyonudur. DE algoritmasında YSA ların ağırlık matrisleri birey olarak kullanılmıģ ve bu ağırlıklar bazı DE iģlemleriyle değiģtirilmiģtir. YSA eğitiminde kullanılan daha önceki çalıģmalardan farklı olarak DIFACONN-miner algoritmasında YSA hatasının yanı sıra ilave iki performans ölçütü uygunluk fonksiyonuna eklenmiģtir ve ağırlıkları sınıflandırma kuralları Ģeklinde ifade edebilmek için bur kural üretim algoritması DE eğitim algoritmasına dahil edilmiģtir. Parametreler: Yapay sinir ağlarının eğitiminde kullanılan diferansiyel geliģim algoritması parametreleri Ģöyledir: NP: popülasyon büyüklüğü (kromozom sayısı) NP 4 (1, 2,, p) D: değiģken sayısı (kromozom uzunluğu) (1, 2,, r) CR: çaprazlama faktörü [0, 1] G: nesil sayısı (1, 2,, G max ) F: mutasyon oranı (ölçekleme faktörü) (0, 1+) x r,p,g : g. nesil, p. kromozomun r. parametresi n r,p,g+1 : mutasyon ve kromozoma giren ara kromozom u r,p,g+1 : x r,p,g den sonra gelecek nesil için üretilen kromozom r 1,2,3 : yeni kromozom üretmekte kullanılacak rastgele seçilmiģ kromozomlar x (l) r,x (u) r : parametrenin (ağırlık) alt ve üst sınırları Problem Formülasyonu: Uygunluğu en küçükleyecek problem eģitlik (6) ile ifade edilir. Enküçükle Uygunluk ( l) ( u) s. t. xr xr xr r 1,2,3,..., D (6) Kodlama ve BaĢlangıç Popülasyonu: DE algoritmasında bir kromozomdaki her bir gen, YSA ağırlık matrisindeki bir ağırlığı gösterir. DE algritmasının mevcut kromozomdan ve birbirlerinden farklı üç kromozoma ihtiyaç duymasından dolayı kromozom sayısı üçten büyük olmalıdır. Ağırlık matrislerini içeren baģlangıç popülasyonu eģitlik (7) ile elde edilir. p p NP r D : x r, p, g 0 ( l) r (1,2,3,..., NP) r (1,2,3,..., D) x rand ( x r g 0 ( u) r x rand ( l) r r ) [0,1] (7)

241 230 Kural listesi üretimi: BaĢlangıç popülasyonu oluģturulduktan sonra, TACO algoritmasına dayanan bir kural üretme algoritması her nesilde her kromozom için gerçeklenir. Bu kural üretme algoritmasının çıktısı bir sınıflandırma kural kümesidir. TACO-tabanlı kural üretme algoritması ilerleyen bölümlerde detaylı olarak açıklanmıģtır. Mutasyon: Mutasyon eģitlik (8) e göre kromozom genleri üzerinde rastgele değiģiklikler gerçekleģtirir. Mutasyonda, mevcut kromozomdan ve birbirlerinden farklı üç kromozom seçilir ve mutasyon bu kromozomlara göre yapılır. r, r, r 1 r 2 3 D : n {1,2,..., NP} r, p, g 1 x r 1 r 2 F( x r, r3, g r, r1, g r, r2, g r 3 x p ) (8) Çaprazlama: Çaprazlama ile, x r,p,g ve elde edilen ara kromozom kullanılarak yeni aday kromozom (u r,p,g+1 ) üretilir. Aday kromozomun genleri CR olasılığı ile ara kromozomdan ve 1-CR olasılığı ile mevcut kromozomdan seçilir. Buradaki r=r rand en az bir genin yeni üretilen kromozomdan alınmasını garanti etmek için kullanılır. Çaprazlama eģitlik (9) a göre gerçekleģtirilir. r D : x r, u, g 1 n x r, p, g r, p, g 1 eger rand[0,1] aksi durumda. CR r r Rand (9) Seçim: Gelecek nesle aktarılacak olan en küçük uygunluk değerine sahip kromozom, u r,p,g+1 ve x r,p,g kromozomlarından eģitlik (10) kullanılarak seçilir. x r, p, g 1 u x r, p, g 1 r, p, g eger uygunluk( u aksi durumda. r, p, g 1 ) uygunluk( x r, p, g ) (10) Durdurma Kriteri: DIFACONN-miner algoritmasının durdurma kriteri en büyük nesil sayısıdır (G max ). Kural listesi üretimi, mutasyon, çaprazlama ve seçim adımları belirlenen G max değerine ulaģılıncaya kadar tekrarlanır. Problemin en iyi çözümü, son iterasyondaki en küçük uygunluk değerine sahip çözümdür TACO Algoritması ile Kural Listesi Üretimi DIFACONN-miner algoritması, elde edilen her ağırlık matrisi (kromozom) için yazarlar tarafından [9] YSA daki gizli bilgiyi doğru ve anlaģılır sınıflandırma kurallarına dönüģtürmek için geliģtirilmiģ TACOtabanlı kural çıkarım algoritmasını kullanarak bir kural listesi üretir. Yazarların önceki çalıģmasından [9] farklı olarak DIFACONN-miner algoritmasında duyarlık ve belirlilik ölçütlerine dayanan farklı bir kalite fonksiyonu sınıflandırma kuralları üretmek için kullanılmıģtır. Parametreler: Sınıflandırma kuralları üretmek için kullanılan TACO-tabanlı kural çıkarım algoritmasının parametreleri Ģöyledir: M T : karınca sayısı : en büyük iterasyon sayısı : buharlaģma oranı (0 1) : sıklık faktörü : pozitif sabit f Q P ij : alt-yol (i j) olasılığı f ij : alt-yol (i j) nin sıklığı ij k ij : alt-yol (i j) nin yapay feremonu : (t) ve (t+1) zaman aralığında k. yapay karınca tarafından alt-yol (i j) ye bırakılan feremon miktarı

242 231 ij ( t, t 1) : (t) ve (t+1) zaman aralığında alt-yol (i j) ye bırakılacak feremon miktarı ij (t 1) : (t+1) zamanında (i j) alt-yolunun feremon miktarı Problem Formülasyonu: DIFACONN-miner algoritmasında sınıflandırma kuralları üretmek için duyarlık ve belirlilik ölçütlerine dayanan bir kalite fonksiyonu kullanılır. Duyarlık (S e ), doğru sınıflandırılan pozitif örneklerin oranını, belirlilik (S p ) ise doğru sınıflandırılan negatif örneklerin oranını ölçer. Kalite değerini hesaplamakta kullanılan fonksiyon, tp (doğru pozitif) ve tn (doğru negatif) doğru sınıflandırmaları; fp (yanlıģ pozitif) ve fn (yanlıģ negatif) yanlıģ sınıflandırmaları göstermek üzere eģitlik (11) de verilmiģtir. Kalite S e S p tp tp fn tn tn fp (11) Pozitif kalite değerlerine sahip çözüm dizileri kural indirgeme prosedürü için aday kurallar olarak saklanır. Kalite fonksiyonunu en büyüklemekle ilgili problem eģitlik (12) ile verilebilir. En büyükle kalite s. t. x 0 veya 1 i (12) BaĢlangıç Popülasyonu ve Kodlama: Kural gösteriminde de daha önce anlatılan ikili gösterim kullanılır. TACO-tabanlı kural üretme algoritmasında baģlangıç popülasyonu rastgele üretilir. Yapay Karıncalar için Yapay Yolların Üretimi: TACO algoritmasında yapay yollar olasılık fonksiyonuna göre üretilir. Temel TACO algoritmasının erken yakınsamaya neden olabilecek saf feremon-tabanlı yön seçim stratejisi kullanmasından dolayı DIFACONN-miner algoritmasında farklı bir olasılık fonksiyonu kullanılmıģtır. Kullanılan fonksiyon tabu arama algoritmasının hafıza özelliğine dayanmaktadır. Sıklık tabanlı hafıza, bir alt-yolun karıncalar tarafından ne sıklıkla kullanıldığını tutar. Eğer karıncalar bazen yollarını bu prensibe göre seçerlerse, farklı yollar bulabilirler ve küresel en iyiyi yakalayabilirler. Alt-yolun 0 ve 1 ( 0 1) arasında tercih edilmesinin olasılığı hesaplanırken, p 01 alt-yol ( 0 1) in olasılığını, ve sırasıyla alt-yol ( 0 0 ) ve alt-yol ( 0 1 ) in yapay feremonlarını ve f sıklık faktörünü (f>1) göstermek üzere eģitlik (13) kullanılır. EĢitlik (13) e göre, eğer ( f * f 01 f 00 ) durumu sağlanırsa ( 0 1) yolu doğrudan seçilir; aksi takdirde feremon-tabanlı yön seçim stratejisi kullanılır. p 01 1 eger ( f * f01 f00) ( t) (13) 01 aksi durumda Feremon ve Sıklık Miktarlarının Güncellenmesi: Yapay feremon ve sıklık sırasıyla eģitlik (14) ve (15) kullanılarak hesaplanır. EĢitlik (14) de, k karıncası tarafından ( 0 1 ) alt-yoluna bırakılan k 01 feremon miktarını, F k, k. karınca tarafından bulunan çözüm kullanılarak hesaplanan amaç fonksiyon değerini ve Q pozitif sabiti ifade etmektedir. DIFACONN-miner algoritmasında F k, eģitlik (11) kullanılarak hesaplanan kalite olarak ele alınmıģtır. Q* F eger karinca alt yol (0 1)' den gecerse k k 01( t, t 1) (14) 0 aksi durumda. F k ( 1 01 t, t 1) 0 eger i aksi durumda j yolu kullanilirsa (15)

243 232 Bütün karıncalar arama süreçlerini tamamladıktan ve çözümlerini ürettikten sonra, (t) ve (t+1) zaman aralığında alt-yol ( 0 1) e yapıģtırılacak feremon ve sıklık miktarları eģitlik (16) ve (17) kullanılarak hesaplanır. N k 01 t, t 1) 01( t, t 1) k 1 ( (16) F M k 01 t, t 1) F01( t, t 1) k 1 ( (17) (t+1) zamanında aynı alt-yolun feremon ve sıklık miktarları eģitlik (18) ve (19) ile güncellenir. EĢitlik (18) de, buharlaģma parametresi olarak isimlendirilen bir katsayıdır ( 0 1). 01( t t 1) ( t) ( t, 1) (18) Fij ( t 1) Fij ( t) Fij ( t, t 1) (19) Durdurma Kriteri ve Kural Ġndirgeme: TACO-tabanlı kural üretme algoritması belirlenen iterasyon sayısı (T) kadar çalıģtırılır. Daha sonra mevcut ağırlık matrislerinin kural listelerini elde etmek için kural indirgeme gerçekleģtirilir. Bu adımda kapsama algoritması [13], aday kuralların kalite değerlerine göre kural indirgemek için uygulanır. En iyi aday kuraldan baģlayarak, eğitim kümesindeki tüm örnekler sınıflandırılıncaya veya değerlendirilecek kural kalmayıncaya kadar bir kural listesi üretilir. Ġkili gösterim düzeninden dolayı, bir kuraldaki anlamsız bölümler kural yapısından çıkarılabilir. Dolayısıyla alt-dizilerinde aynı ikili değeri içeren nitelikler kural dizisinden çıkarılır. Böylece daha kısa ve anlaģılır kurallar elde edilebilir. Eğitim doğruluğu ve kural sayısı da bu aģamada hesaplanmaktadır. Bu iki ölçüt, YSA hatasının yanı sıra uygunluk hesaplamada performans ölçütleri olarak kullanılmaktadır Uygunluk Değerlendirme Algoritmanın tamamının uygunluğu, eğitim doğruluğu, kural sayısı ve YSA hatası olmak üzere üç performans kriteri içeren çoklu amaç yaklaģımı kullanılarak belirlenir. Bu performans ölçütleri içinde eğitim doğruluğu en büyüklenmeli, kural sayısı ve YSA hatası ise en küçüklenmelidir. Bu nedenle bu üç kriter, minimum sapma metodu (MDM) kullanılarak tek bir amaç fonksiyonunda birleģtirilmiģtir. MDM metodu, tekil amaçların kısmi sapmaları toplamını minimize eden en iyi uzlaģı çözümü bulmayı amaçlar [14]. DIFACONN-miner algoritmasının uygunluğu, TA, E ve RN sırasıyla eğitim doğruluğu, YSA hatası ve kural sayısı nı göstermek üzere eģitlik 20 ile hesaplanır. Bu eģitlikte f 0 1 ( TA), f 0 2 ( E) ve f 0 3 ( RN ) TA, E ve RN nin kabul edilebilir en alt düzeylerini ifade etmektedir. f max 1 ( TA), eğitim doğruluğunun hedef değerini (% 100 olarak alınmıģtır), f min ( ), YSA hatasının hedef değerini ( E olarak alınmıģtır) ve f min ( ), ele alınan problemin sınıf sayısı olarak ayarlanan kural sayısının 3 RN hedef değerini göstermektedir. max min min f1 ( TA) f1( TA) f 2 ( E) f 2 ( E) f 3 ( RN) f 3( RN) Uygunluk (20) max 0 min 0 min 0 f ( TA) f ( TA) f ( E) f ( E) f ( RN) f ( RN) EĢitlik (20) ile verilen uygunluk fonksiyonunu en küçükleyerek, en iyi sınıflandırma kural kümesini bulmak için kullanılan DIFACONN-miner algoritması ġekil 2 de özetlenmiģtir. 3 3

244 233 BEGIN Parametrelere, x (l) ve x (h) parametre sınırlarına değerlerini ver. Eşitlik (7) ye göre başlangıç popülasyonunu oluştur. REPEAT Popülasyondaki her kromozom için gerçekleştir BEGIN Birbirinden ve mevcut kromozomdan farklı üç kromozom (r 1,r 2,r 3 ) seç. Eşitlik (8) e göre mutasyon gerçekleştir Eşitlik (9) a göre çaprazlama yap Eşitlik (5) i kullanarak ağın hatasını hesapla Kural listesi, eğitim doğruluğu ve kural sayısını elde etmek için TACO-tabanlı kural üretme algoritmasını yeni kromozoma uygula. Eşitlik (20) ye göre kromozomun uygunluğunu hesapla. Eşitlik (10) a göre seçim yap. END UNTIL en büyük nesil sayısı. END ġekil 2. DIFACONN-Miner Algoritmasının Temel Adımları 3. DIFACONN-Miner ALGORĠTMASI NIN DEĞERLENDĠRĠLMESĠ 3.1. Sınıflandırma Referans Veri Kümeleri DIFACONN-miner algoritmasının performansı ilk olarak UCI (University of California at Irvine) makine öğrenme deposondan ( alınan altı veri kümesi üzerinde değerlendirilmiģtir. Tablo 1 veri kümelerinin temel özelliklerini göstermektedir. Bazı veri kümeleri eksik nitelikler içermektedir, fakat bu nitelikler veri kümesinden tamamen çıkarılmamıģ, sadece eksik değer içeren örneklerdeki ilgili nitelikler çıkarılmıģtır. Sürekli nitelikler içeren veri kümeleri için kesiklendirme Weka (Waikato Environment for Knowledge Analysis) 3.5 veri madenciliği paket programı kullanılarak basit gruplama ile gerçekleģtirilmiģtir. Tablo 2, veri kümelerinin niteliklerini ve ilgili ikili değiģkenlerini göstermektedir. Tablo 1. Veri Kümelerinin Temel Özellikleri Veri kümesi Örnek sayısı Kategorik nitelik sayısı Sürekli nitelik sayısı Eksik nitelik değeri Sınıf sayısı ECG Var 2 Heart-C Var 5 LBC Var 2 Nursery Yok 5 Pima Yok 2 Vote Var 2

245 234 Tablo 2. Veri Kümelerinin Nitelikleri ve Ġlgili Ġkili DeğiĢkenler Ġkili nitelikler (26) x 1, x 2, x 3,x 4 x 5, x 6 x 7, x 8,x 9,x 10 x 11, x 12, x 13, x 14 x 15, x 16, x 17, x 18 x 19, x 20,x 21,x 22 x 23, x 24,x 25,x 26 Ġkili nitelikler (41) x 1,x 2,x 3,x 4,x 5,x 6 x 7, x 8, x 9 x 10,x 11,x 12,x 13,x 14,x 15, x 16,x 17,x 18,x 19,x 20 x 21,x 22,x 23,x 24,x 25, x 26, x 27 x 28, x 29 x 30,x 31,x 32 x 33, x 34 x 35,x 36,x 37,x 38,x 39 x 40,x 41 ECG nitelikleri Kalp krizi esnasındaki yaģ (-; 50], (50; 60], (60; 70], (70; -) Perikardiyal efüzyon {0}, {1} Fraksiyonel kısalma (-,0,15],(0,15;0,3],(0,3;0,45],(0,45;-) Epss (-;9],(9;13],(13;17],(17;-) Lvdd (-;4],(4;5],(5;6],(6;-) Duvar hareket skoru (-;10],(10;13],(13;17],(17;-) Duvar hareket indeksi (-;1],(1;1,5],(1,5;2],(2;-) LBC nitelikleri YaĢ (10;19],(20;29],(30;39],(40;49],(50;59], (60;69],(70;79],(80;89],(90;99] Menapoz {lt40},{ge40},{premeno} Tümör boyutu (0;4],(5;9],(10;14],(15;19],(20;24],(25;29], (30;34],(35;39],(40;44],(45;49],(50;59] Inv-noktalar (0;2],(3;5],(6;8],(9;11],(12;14],(15;23],(24;26] Nokta-baĢları {yes}, {no} Deg-malig {1}, {2}, {3} Göğüs {sol}, {sağ} Göğüs-bölümü {sol-üst},{sol-alt},{sağ-üst},{sağ-alt,{merkez} Parlak {evet}, {hayır} Ġkili nitelikler (27) x 1, x 2, x 3 x 4,x 5,x 6,x 7,x 8 x 9, x 10, x 11,x 12 x 13, x 14, x 15,x 16 x 17, x 18, x 19 x 20, x 21 x 22, x 23, x 24 x 25, x 26, x 27 Ġkili nitelikler (32) x 1, x 2, x 3,x 4 x 5,x 6,x 7,x 8 x 9, x 10, x 11,x 12 x 13, x 14, x 15,x 16 x 17, x 18, x 19,x 20 x 21,x 22, x 23, x 24 x 25, x 26, x 27,x 28 x 29,x 30,x 31,x 32 Nursery nitelikleri Ebeveynler {sıradan},{iddialı},{çok-iddialı} HemĢirelik {uygun},{az-uygun},{uygunsuz}, {kritik},{çok-kritik} form {eksizsiz},{tamamladı},{eksik}, {teģvik} çocuk {1},{2},{3},{daha fazla} ev {uygun},{az-uygun},{kritik} finans {uygun},{uygunsuz} Sosyal {uygun değil},{az-uygun}, {problemli} Sağlık {önerilir},{öncelik},{önerilmez} Pima nitelikleri Pregnant sayısı (-;4,25],(4,25;8,5],(8,5;12,75],(12,75;-) Glukoz plazma konsantrasyonu (-;49,75],(49,75;99,5],(99,5;149,25], (149,25;-) Diyastolik kan basıncı (-;30,5],(30,5;61],(61;]91,5,(91,5;-) Triseps deri katman inceliği (-;24,75],(24,75;49,5],(49,5;74,25], (74,25;-) 2-saat serum insulin (-;211,5],(211,5;423],(423;634,5], (634,5;-) Vücut kitle indeksi (-;16,775],(16,775;33,55],(33,55;50,325], (50, 325;-) Diyabet soy seceresi (-;0,6635],(0,6635;1,249],(1,249;1,8345], (1,8345;-) YaĢ (-;36],(36;51],(51;66],(66;-) x 1, x 2 x 3, x 4 x 5, x 6 x 7, x 8 x 9, x 10 x 11, x 12 x 13, x 14 x 15, x 16 Ġkili nitelikler (32) Özürlü-çocuk {evet}, {hayır} Vote nitelikleri Su-projesi-maliyet-paylaĢımı {evet}, {hayır} Bütçe-kararını-kabul-etme {evet}, {hayır} Doktor-ücret-dondurma {evet}, {hayır} El-salvador-yardımı {evet}, {hayır} Okuldaki-dini-gruplar {evet}, {hayır} Anti-uydu-test-yasağı {evet}, {hayır} Nikaragua-kontrasına-destek {evet}, {hayır} Ġkili nitelikler (38) x 1, x 2, x 3 x 4,x 5 x 6,x 7,x 8,x 9, x 10, x 11,x 12 x 13,x 14, x 15 x 16,x 17 x 18,x 19,x 20 x 21,x 22,x 23 YaĢ (-;45],(45;61],(61;-) Cinsiyet {erkek},{kadın} Cp {1},{2},{3},{4} Heart-Cnitelikleri Trestbps (-;129,333],(129,333;164,667],(164,667;-) Chol (-;272],(272;418],(418;-) Fbs {doğru},{yanlıģ} Rectecg {0},{1},{2} Thalach (-;114,667],(114,667;158,33],(158,33;-)

246 235 x 17, x 18 x 19, x 20 x 21, x 22 x 23, x 24 x 25, x 26 x 27, x 28 x 29, x 30 x 31, x 32 Ġkili nitelikler (32) Mx-füze {evet}, {hayır} Göç {evet}, {hayır} Vote nitelikleri Ġkili nitelikler (38) Heart-Cnitelikleri Synfuel-kurum-kesintisi {evet}, {hayır} Eğitim-harcaması {evet}, {hayır} Superfund-davan-hakkı {evet}, {hayır} Suç {evet}, {hayır} Gümrüksüz-ihracat {evet}, {hayır} Güney-Afrika-ihracatyönetim-yasası {evet}, {hayır} x 24,x 25 x 26, x 27, x 28 x 29,x 30,x 31 x 32,x 33, x 34,x 35 x 36,x 37, x 38 Exang {evet},{hayır} Oldpeak (-;2, 067],(2,067;4,133],(4,133;-) Slope {1},{2},{3} Ca {0},{1},{2},{3} Thal {3},{6},{7} Veri kümelerinin ayrımı: ECG veri kümesindeki 132 örneğin 58 i eksik sınıf değeri içermektedir ve bu örnekler veri kümesinden çıkarılarak kalan 74 örnek sınıflandırma için kullanılmıģtır. Bu veri kümesinde örnek sayısının az olmasından dolayı, verinin % 66 sı eğitim ve kalanı test olmak üzere tek eğitim ve test veri kümesine ayrılmıģtır. Diğer beģ veri kümesine on-katlı çapraz-doğrulama prosedürü uygulanmıģtır. Her veri kümesi, on alt veri kümesine ayrılmıģ ve DIFACONN-miner algoritması her ayrım için bir kez çalıģtırılmıģtır. Her çalıģtırmada farklı bir parça test kümesi olarak, kalan 9 parça ise gruplandırılarak eğitim kümesi olarak kullanılmıģtır. Eğitim kümesi algoritmaya iyi öğrenme kabiliyeti sağlamak için algoritmanın eğitiminde, test kümesi ise ele alınan algoritma tarafından elde edilen son kural kümesinin genelleme yeteneğini değerlendirmek için kullanılmıģtır. Performans ölçütleri: Bu çalıģmada, ortalama kural sayısı ve test doğruluğu performans ölçütü olarak ele alınmıģtır. Doğruluk, sınıflandırıcının doğru sonuçlar elde etmekteki yeteneğini gösterir ve eģitlik (22) ile hesaplanır. ECG veri kümesi tek eğitim ve test kümesine ayrıldığından dolayı, bu veri kümesindeki tahminleyici doğruluk aynı eğitim ve test veri kümesinde algoritmanın on kez çalıģtırılmasıyla elde edilmiģtir. Test kümesindeki tahminleyici doğruluk, on çalıģtırmanın ortalaması alınarak hesaplanmıģ ve tüm veri kümeleri için tahminleyici doğruluk olarak sunulmuģtur. Ayrıca ilgili tahminleyici doğrulukların standart sapmaları da hesaplanmıģtır. Eğer bir kural değerlendirilirse, bu kural ile ilgili doğruluk ölçütü eģitlik (21) ile belirlenir, eğer bir kural kümesi ele alınırsa bu durumda doğruluk eģitlik (22) ile hesaplanır. tp tn Dogruluk (21) tp tn fp fn Dogruluk Kural kumesi tarafindan dogru sin iflandirilan ornek Test veri kume sin deki ornek sayisi sayisi (22) Parametre değerleri: Ele alınan bütün veri kümelerinde 5 gizli katman nörona sahip üç katmanlı ileri beslemeli YSA kullanılmıģtır. DIFACONN-miner algoritmasının parametreleri Tablo 3 de gösterilmektedir. Bu tabloda NP, G, CR, F, x (l) ve x (u), M, T, f, ρ ve Q sırasıyla popülasyon büyüklüğü, nesil sayısı, çaprazlama faktörü, mutasyon katsayısı, değiģkenlerin alt ve üst sınırları, karınca sayısı, iterasyon sayısı, sıklık faktörü, buharlaģma parametresi ve Q sabitini ifade etmektedir. Tablo 3. DIFACONN-miner algoritması parametre değerleri NP G CR F x (l) x (u) M T f Ρ Q

247 236 Performans karģılaģtırmaları: Tablo 4, DIFACONN-miner algoritmasının her bir veri kümesi için onkatlı-çapraz doğrulama sonuçlarını göstermektedir. Tabloda test veri kümesindeki minimum, ortalama ve maksimum tahminleyici doğruluklar, standart sapmalar ve kural sayıları verilmektedir. Tablo 4. DIFACONN-miner algoritmasının tahminleyici doğrulukları Veri kümesi Min (%) Ortalama (%) Maks (%) Standart sapma Ortalama kural sayısı ECG Heart-C LBC Nursery Pima Vote Tablo 4 den görülebileceği gibi DIFACONN-miner algoritması doğru ve özlü kurallar üretebilmektedir. ECG veri kümesi için çıkarılan örnek bir veri kümesi Tablo 5 de verilmektedir. EĢitlik (11) ile verilen kalite değerinin yanı sıra güvenilirlik ve destek ölçütleri de üretilen kuralların doğruluğunu değerlendirmek için tabloda verilmiģtir. Güvenilirlik ölçütü bir kuralın kesinliğini, destek ölçütü ise bir kuralın kapsamını ölçer. Güvenilirlik ve destek ölçütleri eģitlik (23) ve (24) kullanılarak hesaplanır. EĢitlik (24) deki N eğitim kümesindeki toplam örnek sayısını ifade etmektedir. tp guvenilirl ik (23) tp fp tp fp destek (24) N Tablo 5. ECG Veri Kümesi Ġçin Örnek Veri Kümesi Kural Kalite Güvenilirlik Destek 1 EĞER perikardiyal efüzyon=0 VE duvar hareket indeksi 2 O HALDE sınıf 0 2 EĞER perikardiyal efüzyon=0 ve (duvar hareket indeksi 1, VEYA 2<duvar hareket indeksi 3) O HALDE sınıf 0 3 EĞER perikardiyal efüzyon=1 O HALDE sınıf EĞER duvar hareket indeksi 2 O HALDE sınıf EĞER perikardiyal efüzyon=0 VE (Epss 9 VEYA 17<Epss 40) VE (4<Lvdd 6,73) VE (duvar hareket indeksi 1 VEYA 2<duvar hareket indeksi 3) O HALDE sınıf 1 6 EĞER perikardiyal efüzyon=0 VE (1<duvar hareket indeksi 3) O HALDE sınıf Test Doğruluğu= 100 % DIFACONN-miner algoritmasının referans veri kümeleri üzerindeki performansı iki aģamada gerçekleģtirilmiģtir. Ġlk aģamada algoritma, Weka 3.5 veri madenciliği yazılımındaki dört popüler kural tabanlı algoritma ile karģılaģtırılmıģtır. Bu algoritmalar C4.5 [15], PART [16], DecisionTable [17] ve NBTree [18] algoritmasıdır. Tablo 6, test veri kümesindeki minimum, ortalama ve maksimum doğrulukları, standart sapma ve ortalama kural sayılarını göstermektedir. Tablodan görülebileceği gibi DIFACONN-miner algoritması daha yüksek doğruluklarla diğer algoritmalardan üstündür. DIFACONNminer algoritmasının karģılaģtırılan algoritmalara göre ortalama doğrulukları oldukça yüksektir ve standart sapmaları daha düģüktür. Eğer çıkarılan ortalama kural sayısı dikkate alınırsa, DIFACONNminer algoritması, Nursery veri kümesinde diğer algoritmalardan daha kısa kural kümeleri bulmaktadır.

248 237 Tablo 6. KarĢılaĢtırma Sonuçları I Veri kümesi NBTree DecisionTable PART C4.5 DIFACONN-miner ECG Minimum Ortalama Maksimum Standart sapma Ortalama kural sayısı Heart-C Minimum Ortalama Maksimum Standart sapma Ortalama kural sayısı LBC Minimum Ortalama Maksimum Standart sapma Ortalama kural sayısı Nursery Minimum Ortalama Maksimum Standart sapma Ortalama kural sayısı Pima Minimum Ortalama Maksimum Standart sapma Ortalama kural sayısı Vote Minimum Ortalama Maksimum Standart sapma Ortalama kural sayısı KarĢılaĢtırmaların ikinci aģamasında DIFACONN-miner algoritmasının performansı güncel literatürde yer alan çeģitli kural tabanlı sınıflandırıcılarla karģılaģtırılmıģtır. KarĢılaĢtırma sonuçları Tablo 7 de verilmektedir. Tablodan da görüldüğü gibi DIFACONN-miner algoritması altı veri kümesinde de diğer algoritmalardan daha iyi tahminleyici doğruluklara sahip kurallar elde etmiģtir. Algoritma, ayrıca ortalama kural sayısı bakımından da karģılaģtırılan algoritmalarla rekabetçi durumdadır. DIFACONNminer algoritması diğer algoritmalarla karģılaģtırıldığında ECG ve Vote veri kümelerinde oldukça kısa kural kümeleri elde etmiģtir.

249 238 Tablo 7. KarĢılaĢtırma Sonuçları II Veri kümesi ECG Heart-C LBC Nursery Pima Vote Algoritma Ortalama doğruluk (%) Ortalama kural sayısı Referans AIS kullanarak adaptif YSA lardan Kahramanlı ve Allahverdi [10] kural çıkarımı TACO-miner Özbakır vd. [9] DIFACONN-miner DOEA Tan vd. [19] CORE Tan vd. [20] RMR Thabtah ve Cowling [21] GARC Chen vd. [22] Unordered Rule Set Ant Miner Smaldon ve Freitas [23] MEPAR-miner Baykasoğlu ve Özbakır [24] TACO-miner Özbakır vd. [9] DIFACONN-miner AIS kullanarak adaptif YSA lardan Kahramanlı ve Allahverdi [10] kural çıkarımı DOEA Tan vd. [19] GPc " MEPAR-miner Baykasoğlu ve Özbakır [24] Unordered Rule Set Ant Miner Smaldon ve Freitas [23] CORE Tan vd. [20] TACO-miner Özbakır vd. [9] DIFACONN-miner MEPAR-miner Baykasoğlu ve Özbakır [24] SGA Dehuri ve Mall [25] NPGA " INPGA " TACO-miner Özbakır vd. [9] DIFACONN-miner RMR Thabtah ve Cowling [21] CFS Approx Hoffmann vd. [26] GFS Desc 5 FS " GFS Desc 7 FS " RN Li ve Wang [27] RS " GARC Chen vd. [22] TACO-miner Özbakır vd. [9] DIFACONN-miner GARC Chen vd. [22] TACO-miner Özbakır vd. [9] DIFACONN-miner Gerçek Hayat Uygulaması DIFACONN-miner algoritması, referans sınıflandırma problemlerinin yanı sıra, büyük bir tekstil firmasındaki hata faktörlerini sınıflandırmak ve analiz etmek için uygulanmıģtır [28]. Böylece, firmadaki hatalı ürün miktarını azaltarak veri madenciliği ile sürdürülebilir bir üretim sağlamak amaçlanmıģtır. Tekstil firmasının profesyonel bir bilgi toplama sistemi vardır ve detaylı iģlem verileri veritabanına gerçek zamanda transfer edilmektedir. Makinelerin teknik bilgileri, ürün tipleri, hata türleri ve oranları, makine duruģları ve zaman aralıkları, makine arızaları ve sebepleri gibi pek çok veri veritabanlarında depolanmaktadır. Firmada en çok meydana gelen hatalardan duruģ-kalkıģ, düğüm ve kafes kalite hataları, ortaya çıkıģ nedenlerini belirlemek amacıyla ele alınmıģtır. Bu üç hata türüyle ilgili nitelikler üretim uzmanlarıyla yoğun görüģmeler yapılarak belirlenmiģtir. Niteliklerle ilgili veriler farklı veritabanlarından toplanmıģ ve tek bir veritabanında birleģtirilmiģtir. Kalite hataları üzerinde etkisi olabilecek nitelikler Tablo 8 de gösterilmektedir.

250 239 Tablo 8. Nitelik Karakteristikleri No Faktör Tip Ġkili değiģken sayısı 1 Tip kodu Kesikli 10 2 Atkı kopuģ Sürekli 3 3 Çözgü kopuģ Sürekli 3 4 Toplam atkı kopuģ/ m Sürekli 3 5 HaĢıl makine Kesikli 4 6 Ġndigo makine Kesikli 4 7 Sarma kopuģ Sürekli 3 8 Sarma kopuģ/ m Sürekli 3 9 Açma kopuģ Sürekli 3 10 Açma kopuģ/ m Sürekli 3 11 Hamut Kesikli 5 12 Çapraz Kesikli 5 13 Makine grubu Kesikli 3 14 Hata oranı /100 m 2 Kesikli 4 Ele alınan hata tiplerinden duruģ-kalkıģ ve düğüm veri kümeleri 230, kafes veri kümesi ise 143 örnek içermektedir. Verilerin rastgele seçilen % 66 sı eğitim kümesi, kalanı ise test kümesi olarak kullanılmıģtır. Yapay sinir ağ yapısı olarak, 7 gizli katman nöronuna sahip, üç katmanlı ileri beslemeli yapay sinir ağı kullanılmıģtır ve aktivasyon fonksiyonu olarak sigmoid fonksiyon tercih edilmiģtir. DIFACONN-miner algoritmasının gerçek hayat problemi üzerindeki performansı iki aģamada değerlendirilmiģtir. Ġlk aģamada algoritma, yazarlar tarafından [9] 2009 yılında geliģtirilen TACO-miner algoritması ile karģılaģtırılmıģtır. Tablo 9 ve Tablo 10 sırasıyla TACO-miner ve DIFACONN-miner algoritmalarının parametre değerlerini göstermektedir. Tablo 9. TACO-Miner Algoritması Parametre Değerleri Karınca sayısı (M) Ġterasyon Sayısı(T) Sıklık faktörü(f) BuharlaĢma parametresi (g) Q ,8 10 Tablo 10. DIFACONN-Miner Algoritması Parametre Değerleri NP G CR F x (l) x (u) M T f Q Ele alınan üç hata tipine ait veri kümelerinde algoritmaları on kez çalıģtırmanın, test veri kümeleri üzerindeki tahminleyici doğruluklarının ve kural sayılarının minimum, ortalama, maksimum değerleri ve standart sapmalar Tablo 11 de gösterilmektedir. Tablodan da görüldüğü gibi TACO-miner algoritması ile karģılaģtırıldığında DIFACONN-miner algoritması daha az sayıda kuralla daha yüksek tahminleyici doğruluklar elde etmektedir. DIFACONN-miner algoritmasının gerçek hayat veri kümeleri üzerindeki performansını daha iyi değerlendirmek için algoritmanın elde ettiği tahminleyici doğruluklar ve kural sayıları Weka 3.5 veri madenciliği yazılımındaki dört popüler algoritma ile karģılaģtırılmıģtır. Bu algoritmalar C4.5 [15], PART [16], DecisionTable [17] ve NBTree [18] algoritmalarıdır. Tablo 12, test veri kümeleri için minimum, ortalama ve maksimum doğrulukları, standart sapmaları ve ortalama kural sayılarını göstermektedir. Algoritmaları on kez çalıģtırılırken aynı eğitim ve test veri kümeleri kullanıldığından, karģılaģtırılmada kullanılan algoritmalar on çalıģtırmada da aynı sonuçları vermiģtir. Dolayısıyla test doğruluklarının ve kural sayılarının standart sapmaları 0 olarak hesaplanmıģtır.

251 240 Tablo 11. TACO-Miner ve DIFACONN-Miner Algoritmalarının Tahminleyici Doğruluk ve Kural Sayıları Algoritma Veri Kümesi DuruĢ-kalkıĢ Düğüm Kafes Minimum Test doğruluğu Ortalama Maksimum TACO-miner Standart sapma Minimum Kural sayısı Ortalama Maksimum Standart sapma Minimum Test doğruluğu Ortalama Maksimum DIFACONN-miner Standart sapma Minimum Kural sayısı Ortalama Maksimum Standart sapma Tablo 12. DIFACONN-Miner Algoritmasının Klasik Sınıflandırıcılar ile KarĢılaĢtırılması Veri kümesi C4.5 DecisionTable NBTree PART DIFFACONNminer Minimum Test Ortalama doğruluğu Maksimum Standart sapma DuruĢ-kalkıĢ Düğüm Kafes Kural sayısı Test doğruluğu Kural sayısı Test doğruluğu Kural sayısı Minimum Ortalama Maksimum Standart sapma Minimum Ortalama Maksimum Standart sapma Minimum Ortalama Maksimum Standart sapma Minimum Ortalama Maksimum Standart sapma Minimum Ortalama Maksimum Standart sapma Tablo 12 den görüldüğü gibi DIFACONN-miner algoritması, DecisionTable, NBTree ve PART algoritmalarından daha iyi tahminleyici doğruluklar elde etmiģtir. DIFACONN-miner algoritmasının ortalama doğrulukları, karģılaģtırılan algoritmalardan oldukça yüksektir. DuruĢ-kalkıĢ veri kümesinde C4.5 algoritmasının test doğruluğu az farkla DIFACONN-miner algoritmasından daha yüksektir, ancak C4.5 algoritmasının ortalama kural sayısı belirgin bir Ģekilde DIFACONN-miner algoritmasından yüksektir. DIFACONN-miner algoritması kafes ve düğüm veri kümelerinde daha yüksek tahminleyici doğruluklarla daha fazla kural üretmiģtir. Tahminleyici doğruluğu düģürmeden, kural sayısı farklı uygunluk fonksiyonu kullanılarak düģürülebilir. Elde edilen sonuçlar, DIFACONN-miner algoritmasının bir tekstil iģletmesinde en sık rastlanan kalite hatalarında etkin faktörleri belirlemekte doğru ve anlaģılır sınıflandırma kuralları üretebildiğini göstermektedir.

252 241 SONUÇ Bu çalıģmada bir sınıflandırma kural üretme algoritması olan DIFACONN-miner incelenmiģtir. Algoritmanın performansı ilk olarak sınıflandırma referans veri kümeleri üzerinde değerlendirilmiģ daha sonra ise bir tekstil iģletmesindeki kalite hataları üzerine gerçek bir hayat uygulaması gerçekleģtirilmiģtir. Veri madenciliği, sürekli üretimi gerçekleģtirmeyi amaçlayan araģtırmacılar ve uygulamacıların yer aldığı bir takım olarak düģünülebilir. Her üretim iģletmesinde devasa miktarda veri üretilmektedir. Bu devasa veriden kullanıģlı bilginin çıkarımı, hata oranlarını düģürmek, enerji kullanımını iyileģtirmek gibi çeģitli amaçlar için sürdürülebilirliği artırmakta yardımcı olacaktır. Bu çalıģmada ele alınan DIFACONN-miner algoritmasının sınıflandırma veri kümeleri ve gerçek hayat veri kümesindeki elde ettiği sonuçlar, algoritmanın üretim gibi gerçek hayat problemlerini çözebileceğini; iģletmelerde depolanan devasa boyutlu veri kümelerinden anlamlı ve kullanıģlı bilgiler çıkarabileceğini göstermektedir. KAYNAKLAR [1] FU, X., WANG, L., Rule Extraction By Genetic Algorithms Based on A Simplified RBF Neural Network,in: Proceedings of The 2001 IEEE Congress on Evolutionary Computation (CEC 2001) vol. 2, , [2] ANDREWS, R., DIEDERICH, J., TICKLE, A., B, A Survey, Critique of Techniques for Extracting Rules From Trained Artificial Neural Networks, Knowledge Based Systems, vol. 8(6), , [3] ELALFI, E., HAQUE, R., ELALAMI, M. E., Extracting Rules From Trained Neural Network Using GA for Managing E-business, Applied Soft Computing, vol. 4, 65-77, [4] MARKAWSKA-KACZMAR, U., WNUK-LIPINSKI, P., Rule Extraction From Neural Network By Genetic Algorithm with Pareto Optimization, in: Proceedings of the 7th International Conference on Artificial Intelligence and Soft Computing ICAISC 2004, Lecture Notes in Computer Science, vol. 3070, Springer, , [5] MARKOWSKA-KACZMAR U., The Influence of Parameters in Evolutionary Based Rule Extraction Method From Neural Networks, in: Proceedings of the 5th International Conference on Intelligent Systems Design and Applications (ISDA 05), [6] TOKINAGA, S., LU, J., IKEDA, Y., Neural Network Rule Extraction By Using The Genetic Programming and Its Applications to Explonatory Classifications, IECE Transactions on Fundamentals, E88-A (10), , [7] HRUSCHKA, E. R., EBECKEN, N. F. F., Extracting Rules From Multilayer Perceptrons in Classification Problems: A Clustering-based Approach, Neurocomputing, vol. 70, , [8] SETIONO, R., BAESENS, B., MUES, C., A Note on Knowledge Discovery Using Neural Networks and Its Application to Credit Card Screening, European Journal of Operational Research, vol. 192(1), , [9] OZBAKIR, L., BAYKASOGLU, A., KULLUK, S., YAPICI, H., TACO-miner: An Ant Colony Based Algorithm for Rule Extraction From Trained Neural Networks, Expert Systems with Applications, vol. 36(10), , [10] KAHRAMANLI, H., ALLAHVERDI, N., Rule Extraction from Trained Adaptive Neural Networks Using Artificial Immune Systems, Expert Systems with Applications, vol. 36, , [11] OZBAKIR, L., BAYKASOGLU, A., KULLUK, S., A Soft Computing-based Approach for Integrated Training and Rule Extraction From Artificial Neural Networks: DIFACONN-miner, Applied Soft Computing, vo. 10(1), , [12] ILLONEN, J., KAMARAINEN, J. K., LAMPINEN, J., Differential Evolution Training Algorithm for Feed-forward Neural Networks, Neural Processing Letters, vol 17, , [13] PHAM, D.T., BIGOT, S., DIMOV, S. S., Rule-5: A Rule Induction Algorithm for Classification Problems Involving Continuous Attributes, Proceedings of The Institution of Mechanical Engineers: Journal of Mechanical Engineering Science, vol. 217, , [14] TABUCCANON, M. T., Multiple Criteria Based Decision Making in Industry, Elsevier, New York, 1988.

253 242 [15] QUINLAN, R., C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers, San Mateo, CA, [16] FRANK, E., WITTEN, I. H., Generating Accurate Rule Sets Without Global Optimization, in: J. Shavlik (Ed.), Machine Learning: Proceedings of the 15 th International Conference, Morgan Kaufmann Publishers, , [17] KOHAVI, R., The Power of Decision Tables, in: N. Lavrac, S. Wrobel (Eds.), Machine Learning: Proceedings of the 8 th European Conference on Machine Learning (ECML95), Lecture Notes in Artificial Intelligence, Springer-Verlag, vol. 914, , [18] JOHN, G. H., LANGLEY, P., Estimating Continuous Distributions in Bayesian Classifiers, in: Proceedings of the 11 th Conference on Uncertainty in Artificial Intelligence, Morgan Kaufmann, San Mateo, , [19] TAN,C., YU, Q., ANG, J. H., A Dual-Objective Evolutionary Algorithm for Rules Extraction in Data Mining, Computational Optimization and Applications, vol. 34, , 2006a. [20] TAN, C., YU, Q., ANG, J. H., A Coevolutionary Algorithm for Rules Discovery in Data Mining, International Journal of System Science, vol. 37(12), , 2006b. [21] THABTAH, F. A., COWLING, P. I., A Greedy Classification Algorithm Based on Association Rule, Applied Soft Computing, vol. 7, , [22] CHEN, G., LIU, H., YU, L., WEI, Q., ZHANG, X., A New Approach to Classification Based on Association Rule Mining, Decision Support Systems, vol. 42, , [23] SMALDON, J., FREITAS, A. A., A New Version of The Ant-Miner Algorithm Discovering Unordered Rule Sets, In Proceedings of the Genetic and Evolutionary Computation Conference (GECCO-2006), 43-50, [24] BAYKASOĞLU, A., ÖZBAKIR, L., MEPAR-Miner: Multi-Expression Programming for Classification Rule Mining, European Journal of Operational Research, vol. 183, , [25] DEHURI, S., MALL, R., Predictive and Comprehensible Rule Discovery Using A Multi-Objective Genetic Algorithm, Knowledge-Based Systems, vol. 19, , [26] HOFFMANN, F., BAESENS, B., MUES, C., GESTEL, T. V., VANTHIENEN, J., Inferring Descriptive and Approximate Fuzzy Rules for Credit Scoring Using Evolutionary Algorithms, European Journal of Operational Research, vol. 177, , [27] LI, R., WANG, Z., Mining Classification Rules Using Rough Sets and Neural Networks, European Journal of Operational Research, vol. 157, , [28] BAYKASOGLU, A., OZBAKIR, L, KULLUK, S., Classifying Defect Factors in Fabric Production via DIFACONN-miner : A Case Study, Expert Systems with Applications, vol. 38, , ÖZGEÇMĠġ Sinem KULLUK 1977 yılı Kayseri doğumludur yılında Erciyes Üniversitesi Endüstri Mühendisliği Bölümünü bitirmiģtir. Gazi Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalından 2003 yılında Yüksek Mühendis ve Erciyes Üniversitesi Fen Bilimleri Enstitüsü Makine Mühendisliği Anabilim Dalından 2009 yılında Doktor ünvanını almıģtır yılları arasında AraĢtırma Görevlisi olarak görev yapmıģtır yılından beri Erciyes Üniversitesi Mühendislik Fakültesi Endüstri Mühendisliği Bölümü nde Yrd. Doç. Dr. olarak görev yapmaktadır. Veri madenciliği, yapay zeka teknikleri, tesis planlama, üretim planlama ve kontrol ilgi alanlarıdır. Lale ÖZBAKIR 1971 yılı Kayseri doğumlu Yrd. Doç. Dr. Lale Özbakır, Lisans öğrenimini 1992 yılında Bilkent Üniversitesi Bilgisayar ve Enformatik Mühendisliği Bölümünde tamamlamıģtır. Erciyes Üniversitesi Sosyal Bilimler Enstitüsü Yönetim ve Organizasyon Anabilim Dalında 1997 yılında yüksek lisans derecesini, Üretim Yönetimi ve Pazarlama Anabilim Dalında 2004 yılında doktora derecesini almıģtır. Erciyes Üniversitesi Endüstri Mühendisliği Bölümüne 1997 yılında araģtırma görevlisi, 2004 yılında Yardımcı Doçent olarak atanmıģ olup halen aynı bölümde Öğretim Üyesi olarak görev yapmaktadır.

254 243 Yazarın uluslararası bilimsel dergilerde 30 un üzerinde, ulusal ve uluslararası kongrelerde 50 nin üzerinde bilimsel yayını bulunmaktadır. Yrd. Doç. Dr. Lale Özbakır çok sayıda ulusal ve uluslararası dergide hakemlik görevi yapmakta olup, çalıģma alanları içerisinde veri madenciliği, yapay zeka ve meta-sezgisel yaklaģımlar, evrimsel algoritmalar, yöneylem araģtırması yer almaktadır. Adil BAYKASOĞLU Prof. Dr. Adil Baykasoğlu Isparta Teknik Lisesi Makina bölümünden mezun olduktan sonra Lisans ve Yüksek Lisans derecelerini Makina Mühendisliği alanında 1993 ve 1995 yıllarında Gaziantep te, doktora derecesini ise YÖK bursu ile gittiği Nottingham Üniversitesinden 1999 yılında Endüstri Mühendisliği alanında almıģtır yılları arasında Gaziantep Üniversitesi Endüstri Mühendisliği Bölümünde çalıģan Prof. Baykasoğlu halen Dokuz Eylül Üniversitesi Endüstri Mühendisliği bölümünde çalıģmaktadır. Prof. Baykasoğlu ulusal ve uluslar arası bilimsel dergi ve kongrelerde 300 civarında bilimsel makale yayımladı. Yazarın ayrıca üç adet yayımlanmıģ kitabı, düzenleyip editörlüğünü yaptığı çeģitli ulusal ve uluslar arası kongre kitapları bulunmaktadır. Yazarın çalıģma alanları genelde yöneylem araģtırması, biliģimsel yapay zekâ, zeki etmenler, lojistik ve üretim sistemleri yönetimi/tasarımı, bilgisayar destekli üretim, kalite ve benzetim konuları üzerinde yoğunlaģmaktadır. Prof. Baykasoğlu çok sayıda uluslararası dergide hakem ve yayın kurulu üyesi olarak görev yapmakta olup aynı zamanda Turkish Journal of Fuzzy Systems dergisinin eģeditörlüğünü yürütmektedir. Prof. Baykasoğlu na 2007 yılında Türkiye Bilimler Akademisi Üstün BaĢarılı Genç Bilim Ġnsanı ödülü, 2008 yılında ODTÜ M. Parlar araģtırma teģvik ödülü, 2010 yılında ise Tübitak TeĢvik ödülü verilmiģtir.

255

256 WEKA İLE VERİ MADENCİLİĞİ SÜRECİ VE ÖRNEK UYGULAMA PINAR TAPKAN ERCİYES ÜNİVERSİTESİ LALE ÖZBAKIR ERCİYES ÜNİVERSİTESİ ADİL BAYKASOĞLU DOKUZ EYLÜL ÜNİVERSİTESİ MAKİNA MÜHENDİSLERİ ODASI BİLDİRİ

257

258 247 WEKA ĠLE VERĠ MADENCĠLĠĞĠ SÜRECĠ VE ÖRNEK UYGULAMA Pınar TAPKAN Lale ÖZBAKIR Adil BAYKASOĞLU ÖZET Veri madenciliği mevcut veriyi kullanıģlı bilgiye çevirme ihtiyacından ortaya çıkmıģ, büyük boyuttaki veritabanlarından önceden bilinmeyen, gizli, anlamlı ve yararlı bilgilerin elde dilmesi süreci olup gelecek ile ilgili tahminde bulunmayı sağlar. Veri madenciliği sürecinin en önemli aģamaları ise verinin hazırlanması ve belirlenen amaca göre veri madenciliği algoritmalarının kullanımını içermektedir. Bu çalıģmada veri öniģleme ve sınıflandırma, kümeleme ve birliktelik kuralları algoritmaları incelenerek WEKA paket programında uygulamaları gerçekleģtirilmiģtir. Anahtar Kelimeler: Veri madenciliği, Veri ÖniĢleme, Sınıflandırma, Kümeleme, Birliktelik kuralları, WEKA. ABSTRACT Data mining arise from the requirement of transformation of the current knowledge to the practical and useful knowledge. It is the process of attaining unknown, hidden, meaningful and beneficial information from large sized databases which also enables to predict about feature. The most important stages of data mining process are data preparation and utilizing the data mining algorithms according to a predetermined purpose. In this research, preprocessing and data mining algorithms as classification, clustering and association rules are analyzed and the implementation of these methods by WEKA software is realized. Key Words: Data mining, Preprocessing, Classification, Clustering, Association Rules, WEKA. 1. GĠRĠġ Veri toplama kaynaklarının ve biliģim teknolojisinin hızlı geliģimi neticesinde kurumlar üretmiģ oldukları büyük boyutlardaki verilerden anlamlı ve yararlı bilgiler ortaya çıkarmakta zorluklar yaģamaktadırlar. Diğer taraftan geleneksek istatistiksel yöntemler, bu tür verileri çözümlemekte yetersiz kalmaktadır [1]. Temel olarak verileri iģlemek ve çözümlemek için kullanılan veri madenciliği yöntemi, hemen her disiplin tarafından çeģitli amaçlar için kullanılan ve araģtırmacılar tarafından takip edilen bir alan haline gelmiģtir. Veri madenciliği, geçerli, uygulanabilir ve daha önce bilinmeyen bilgilerin büyük boyutlu veritabanlarından elde edilmesi ve karar aģamasında etkin olarak kullanılması olarak tanımlanabilir. GeniĢ veritabanlarının oluģturulmasına olanak veren bankacılık, pazarlama, sigortacılık, elektronik ticaret, sağlık gibi birçok alanda uygulama imkânı olan veri madenciliği uygulamalarına örnek olarak, müģterilerin satın alma alıģkanlıklarının belirlenmesi, mevcut müģterilerin elde tutulması, yeni müģterilerin kazanılması, kredi kartı dolandırıcılıklarının, kredi kartı harcamalarına göre müģteri gruplarının ve riskli müģteri gruplarının belirlenmesi verilebilir. Bu çalıģmada temel olarak sınıflandırma, kümeleme ve birliktelik kuralları olarak adlandırılan veri madenciliği algoritmalarının detayları verilerek WEKA paket programı üzerinde uygulamalarına değinilecektir. Ancak ilgili algoritmaların uygulanabilmesi için eldeki verilerin bir öniģlem aģamasından

259 248 geçirilmesi gerekebilmektedir. Bu kapsamda öncelikle verilerin yeniden yapılandırılması süreci değerlendirilecektir. 2. VERĠNĠN YENĠDEN YAPILANDIRILMASI Bazı uygulamalarda eldeki veri kümesi kayıp veriler, yanlıģ veriler, aģırı uç değerler, gereksiz bilgiler ya da değiģken değerlerinin birbirinden ayrık olduğu durumları içerebilir. Ayrıca farklı veri madenciliği algoritmaları farklı veri tipleri gerektirebildiği için bu tür durumlarda verinin bir öniģleme tabi tutulması gerekir Kayıp Veriler Veri madenciliği algoritmasının uygulanacağı veri kümesinde bazı kayıtlar hiç girilmemiģ olabilir. Kayıp verilere sahip bir veritabanına uygulanabilecek yöntemlerden ilki kayıp verinin bulunduğu kaydı veritabanından çıkarmaktır. Eğer kayıp verili kayıt sayısı, toplam kayıt sayısına göre oldukça az ise bu kayıtların veritabanından çıkarılması mümkündür. Diğer taraftan kayıp veri sayısı yüksekse veya bu kayıtlara ait diğer değerler önemliyse kayıp değerlerin yerine genel bir sabit kullanılabilir ya da kayıp verilerin yerine tüm verilerin ortalama değeri kullanılabilir [2]. Daha etkin olarak ise regresyon kullanılarak diğer değiģkenlerin yardımı ile kayıp verilerin değerleri tahmin edilebilir. Ayrıca zaman serileri analizi, bayesyen sınıflandırma, karar ağaçları, maksimum beklenti gibi teknikler de kayıp verilerin tahmininde kullanılabilir YanlıĢ ya da AĢırı Uç Veriler Kullanılan veritabanının hatalı ya da tutarsız değerler içermesine örnek olarak yaģ bilgisinin 205 olması verilebilir. Böyle bir bilginin var olması mümkün değildir ve bu tür verilere gürültülü veri denir. Bu tür veriler için veri düzgünleģtirme tekniği kullanılır. Tutarsız verilerin yaratacağı sorunları ortadan kaldırmanın en temel yolu bu uç değerlerin veritabanından çıkarılmasıdır. Diğer taraftan veri düzgünleģtirme, basit olarak verilerin eģit boyuttaki alt kümelere ayrılması, her kümenin aritmetik ortalamasının alınması ve küme içindeki verilerin bu aritmetik ortalamayla değiģtirilmesi esasına dayanır. Kullanılabilecek bir baģka yöntem ise kenardaki verilerin birbirlerinden farkının küme elemanı sayısına bölünmesiyle elde edilen değerin o küme elemanına atanmasını içerir [2] Gereksiz Veriler Aynı veritabanı içerisinde hem yaģ hem de doğum tarihi bilgisinin verilmesi gibi bilgisayar çalıģma zamanını artıran ve elde edilecek sonuçların güvenilirliğini ve kalitesini etkileyebilecek veriler gereksiz veri olarak adlandırılır. Bu durumda mevcut değiģkenlerin birleģtirilmesi yani veri boyutunun indirgenmesi en akılcı yoldur. Bu amaçla en sık kullanılan yöntemler dalga dönüģümü ve temel bileģenler analizidir [2] DeğiĢken Değerlerinin Birbirinden Ayrık Olduğu Durumlar DeğiĢkenlerin ortalama ve varyansları birbirlerinden önemli ölçüde farklı olduğu takdirde büyük ortalama ve varyansa sahip değiģkenlerin diğerleri üzerindeki baskısı daha fazla olur ve rollerini önemli ölçüde azaltır. Bu nedenle bir dönüģüm yöntemi uygulayarak söz konusu değiģkenlerin normalleģtirilmesi ve standartlaģtırılması uygun bir yol olacaktır [1]. Bu amaçla en sık kullanılan yöntemler verinin alabileceği minimum ve maksimum değeri kullanan min-maks normalizasyonu ve ortalama ve standart sapma değerlerini kullanan sıfır-ortalama normalizasyonudur.

260 Kullanılacak Algoritmaya Bağlı Yapılandırmalar Veri madenciliğinde kullanılan bir takım teknik ve algoritmalar sadece bazı türdeki verilerle çalıģabilirler. Bazı algoritmalar sadece sayısal değerlerle, bazıları sadece kategorik değerlerle bazıları ise 0-1 değerlerle iģlem yaparlar. Bu durumda mevcut veri kullanılacak algoritmaya uygun hale getirilmelidir. 3. SINIFLANDIRMA Ele alınan veri madenciliği algoritmalarından ilki olan sınıflandırma, temel olarak veritabanındaki gizli örüntülerin ortaya çıkarılması yani verinin ortak özelliklerine göre ayrıģtırılması için kullanılır. Sınıflandırma bir öğrenme algoritmasına dayanır, öncelikle veritabanının bir kısmı örnek veri kümesi olarak belirlenerek eğitim amacıyla kullanılır ve sınıflandırma kuralları oluģturulur, daha sonra bu kurallar yardımıyla yeni bir durum ortaya çıktığında nasıl karar verileceği belirlenir. Böylece hangi sınıfa ait olduğu bilinmeyen bir kayıt için bir sınıf belirlenebilir Karar Ağaçları ile Sınıflandırma Karar ağaçları ile sınıflandırma temel olarak bir karar ağacının oluģturulması, veritabanındaki her kaydın bu ağaca uygulanması ve çıkan sonuca göre kaydın sınıflandırılmasına dayanır. Diğer yöntemlerle karģılaģtırıldığında karar ağaçlarının yapılandırılması ve anlaģılması daha kolaydır. Karar ağacı oluģturulurken kullanılan algoritmaya göre ağacın Ģekli değiģmekte ve değiģik ağaç yapıları farklı sınıflandırma sonuçları verebilmektedir. Karar ağaçlarına bağlı olarak geliģtirilen birçok algoritma olup bu algoritmalar kök, düğüm ve dallanma kriteri seçimlerinde izledikleri yol açısından farklılık göstermektedirler. Karar ağaçlarının oluģturulması sırasında dallanmaya hangi nitelikten baģlanacağı oldukça önemlidir çünkü olası tüm ağaç yapılarını ortaya çıkararak içlerinden en uygun olanı ile baģlamak mümkün değildir. Bu sebeple karar ağacı algoritmalarının çoğu daha baģlangıçta birtakım değerleri hesaplayarak ona göre ağaç oluģturma yoluna gitmektedir. Bu hesaplamalardan biri de entropiye dayalı olup, entropi belirsizliğin ölçüsü olarak tanımlanmaktadır. Entropi, bir veri kümesi içindeki belirsizlik ve rastgeleliği ölçmek için kullanılır ve 0 ile 1 arasında değer alır. Bütün olasılıklar eģit olduğunda entropi maksimum değerini alacaktır [1]. Entropiye dayalı karar ağaçları ile sınıflandırma algoritmalarının en önemlileri aģağıdaki gibidir. ID3 [3]: ID3, makine öğrenme ve biliģim teorisine bağlı olarak verilen örnekler içinde en ayırıcı değiģkeni bulan bir algoritmadır. Temel olarak kategorik nitelikleri sınıflandırır ve veritabanı dallandırılmadan önce ve sonra doğru sınıflandırma yapmak için gelen bilgiler arasındaki farkı kullanarak, öncelikli düğüme ve dallanmalara karar verir. C4.5 [4]: ID3 algoritmasından farklı olarak sayısal değerlere sahip niteliklerin karar ağaçlarının oluģturulmasını sağlar. Diğer taraftan karar ağacı oluģtururken kayıp verileri almaması sebebiyle daha anlamlı kurallar sunan ağaçlar üretebilir. Kayıp veriler ise diğer veri ve değiģkenler kullanılarak tahmin edilir. CART [5]: CART algoritması, her karar düğümünden sonra ağacın iki dala ayrılması ilkesine dayanır. Bu teknikte dallanma kriteri belirlenirken kayıp veriler önemsenmez Yapay Sinir Ağları ile Sınıflandırma Yapay sinir ağları ile sınıflandırmanın iģleyiģ yapısı, çıktı katmanına ulaģabilmek için ağırlıkların hesaplanmasına dayanır. Eğitim veri kümesi üzerinde hesaplanan ağırlıklar, test veri kümesi üzerinde kullanılarak öğrenmenin ne kadar gerçekleģtiği belirlenir. Elde edilen ağırlıkların etkinliği

261 250 doğrulanamazsa ağırlıklar üzerinde düzeltme ve yeniden hesaplama iģlemleri gerçekleģtirilir. Öğrenme süreci tamamlandığında ise ağırlıklar yardımıyla yeni bir verinin hangi sınıfa ait olduğu belirlenebilir. Yapay sinir ağlarında öğrenme süreci uzun sürse de oldukça duyarlı sınıflandırmalar yapabilmektedir Ġstatistiğe Dayalı Algoritmalar Regresyon analizi, lojistik regresyon, zaman serileri analizi ve Bayesyen yaklaģımı gibi istatistiksel yöntemler veri madenciliğinde sınıflandırma algoritması olarak kullanılmaktadır. Bunlardan en sık kullanılanları sınıflanmıģ verileri kullanarak yeni bir verinin mevcut sınıflara girme olasılığını hesaplayan Bayesyen sınıflandırma algoritması ve regresyon analizidir Mesafeye Dayalı Algoritmalar ile Sınıflandırma Mevcut verilerin birbirlerine olan uzaklıkları ve benzerliklerine dayanan bu tür algoritmaların en yaygın kullanılanı k-en yakın komģu algoritmasıdır. Bu algoritmanın amacı, sınıfları belli bir örnek kümedeki gözlem değerlerini kullanarak yeni gözlemlerin hangi sınıfa ait olduğunu belirlemektir. Örnek kümedeki gözlemlerin her birinin, sonradan belirlenen bir gözlem değerine olan uzaklıklarının hesaplanması ve en küçük uzaklığa sahip k adet gözlemin seçilmesi esasına dayanır. Bilimsel yazında k-en yakın komģu algoritmasını temel alan birçok algoritma geliģtirilmiģtir. 4. KÜMELEME Kümeleme, verilerin birbirlerine olan benzerliklerine göre gruplandırılmasına dayanır. Sınıflandırmada olduğu gibi bir gruplandırma söz konusu olsa da sınıflandırmadan farklı olarak sınıflar önceden belli değildir. Kümeleme algoritmaları, küme oluģturma stratejisine ve kullanılan veri türüne göre farklılık gösterirler. Kümeleme yöntemlerinin çoğu veriler arasındaki uzaklıkları yani veriler arasındaki benzerlik ya da farklılıkları kullanırlar HiyerarĢik Algoritmalar Veritabanındaki her noktanın birleģiminden oluģan bir kümenin aģamalı olarak alt kümelere ayrılması (bölünür kümeleme algoritmaları) ya da veritabanındaki her noktanın ayrı bir küme olarak ele alınarak bu kümelerin birleģtirilmesiyle ayrı kümelere ulaģılması (toplaģım kümeleme algoritmaları) esasına dayanır. Kullanımı kolay ve hemen hemen tüm veri tiplerine uygulanabilen esnek bir yapıya sahiptir. SLINK (En yakın komģu algoritması) [6]: Her bir verinin ayrı bir küme olarak ele alındığı ve aģamalı olarak bu kümelerin birleģtirildiği bir yapıya sahiptir. Bu algoritmada iki kümenin birbirine olan uzaklığı, o kümelerdeki birbirine en yakın verilerin birbirine olan uzaklığı olarak kabul edilir. Eğer eldeki uzaklık verisi belli bir eģik değerini geçiyorsa kümeler birleģtirilir. CURE (Temsilciler kullanarak kümeleme) [7]: Veritabanı içinde diğer verilerden uzakta bulunan ve sayıları az olup aslında hiç bir kümeye ait olmaması gereken uç verilerin kümeleme kalitesini etkilememesi amacıyla geliģtirilmiģ bir algoritmadır. En yakın komģu algoritmasındaki toplaģım ve yakınlık prensibine dayanır. En uzak komģu algoritması: En yakın komģu algoritmasından farklı olarak iki kümenin birbirine olan uzaklığı, kümelerdeki birbirine en uzak verilerin arasındaki uzaklıkla belirlenir. CHAMELEON [8]: Ġki kümenin birbirine olan uzaklığının yanı sıra birbirine olan benzerlikleri bilgisini de kullanır. Ġki kümenin birleģtirilmesi esnasında, kümelerin birbirine olan benzerliği ve yakınlığı ile bu kümelerin kendi iç benzerlikleri ve yakınlıkları karģılaģtırılır. Böylece daha kaliteli ve homojen kümeler elde edilir. En yakın komģu algoritmasındaki toplaģım ve yakınlık prensibine dayanır.

262 251 BIRCH (HiyerarĢi kullanarak dengelenmiģ iteratif azaltma ve kümeleme) [9]: Temel olarak gürültülü verilerin kontrol edilmesi amacıyla büyük boyutlu veritabanlarının kümelenmesi için geliģtirilmiģtir. En uzak komģu algoritmasında olduğu gibi bölünür bir yapıya sahip olan algoritma, sadece sayısal verilere uygulanabilmektedir Bölümlemeli Algoritmalar Kümeler arasındaki minimum ya da maksimum uzaklığın, kümelerin iç benzerlik kriterlerinin ve küme sayısının kullanıcı tarafından belirlendiği algoritmalardır. HiyerarĢik algoritmalardan daha hızlı çalıģan bölümlemeli algoritmalar, bu özelliklerinden dolayı büyük veritabanlarının kümelenmesi için daha uygundur. k-ortalama algoritması [10]: Verilerin kümelerin ortalamalarına göre önceden belirlenmiģ k adet kümeye ayrılması esasına dayanan bir algoritmadır. Toplam ortalama hatanın minimize edilmesini amaçlayan algoritma sadece sayısal verilerde kullanılabilir. Bu alandaki algoritmaların çoğu k-ortalama algoritmasının geliģtirilmesiyle ortaya çıkmıģtır. k-medoid algoritması [11]: Sayısı önceden belirlenmiģ k adet kümenin her biri için k adet medoid belirlenmesi ile baģlayan algoritma veritabanındaki diğer verilerin kendilerine en çok benzeyen medoidlerin etrafına toplanması esasına dayanır. Medoid ise kümenin merkezine yakın uzaklıkta bulunan noktayı temsil etmektedir. CLARA algoritması (GeniĢ uygulamaların kümelenmesi) [11]: k-medoid algoritmasından farklı olarak tüm veritabanını tarayarak medoid noktaları belirlemek yerine veritabanından rastgele oluģturulan bir örnek küme üzerinde benzer Ģekilde çalıģır. Ġki algoritma karģılaģtırıldığında CLARA algoritmasının büyük boyutlu veritabanları için daha güvenli olduğu ve daha kısa süre içinde kümeleme yapabildiği belirtilmiģtir. CLARANS algoritması (Rastgele aramaya dayalı geniģ uygulamaları kümeleme) [12]: k-medoid ve CLARA algoritmalarının geliģtirilmiģ bir halini barındıran CLARANS algoritması Ģebeke diyagramından yararlanan bir yapıya sahiptir. CLARA algoritmasına benzer olarak bütün veritabanı taranmazken yapılan örnekleme dinamik bir yapıya sahiptir Yoğunluğa Dayalı Algoritmalar DağılmıĢ verilere sahip veritabanlarının sadece uzaklığı temel alan bölümlemeli algoritmalar ile kümelenmesi oldukça güçtür. Çünkü hiç bir kümeye dâhil olmayan uç noktalar içeren bu dağılmıģ veritabanlarının bölümlemeli algoritmalar ile kümelenmesi neticesinde doğru kümeler ortaya çıkmayacaktır. Bu durumda birlikte bir yoğunluk oluģturan verilerin aynı kümeye alınmasına dayanan yoğunluğa dayalı algoritmalar kullanılmalıdır. Bu tür algoritmalara örnek olarak DBSCAN, OPTICS ve DENCLUE algoritmaları verilebilir Grid Temelli Algoritmalar Büyük boyuttaki veritabanlarının kümelenmesinde numaralandırılmıģ çizgilerden oluģan hücresel yapıları kullanan algoritmalardır. Bu algoritmalara örnek olarak ise bölgenin dikdörtgen hücrelere bölünerek hiyerarģik bir yapının kullanıldığı STING algoritması, değiģik Ģekillerde kümeler sunabilen ve hassas kümeleme kabiliyeti olan dalga kümeleme algoritması ve hem yoğunluğa hem de grid yapısına sahip CLIQUE algoritması verilebilir.

263 BĠRLĠKTELĠK KURALLARI Ġncelemekte olduğumuz son veri madenciliği tekniği olan birliktelik kuralları, olayların birlikte gerçekleģme durumlarını inceleyen bir yöntemdir. Genel olarak müģterilerin satın alma eğilimlerini belirlemek amacıyla kullanılır. Teorik olarak kullanıcı tarafından belirlenen en küçük destek ve en küçük güven seviyelerinin üstünde destek ve güven seviyesine sahip kuralların belirlenmesidir. Birliktelik kurallarının oluģturulması amacıyla yaygın olarak kullanılan algoritmalara örnek olarak geniģ nesne kümeleri üretmek için geliģtirilmiģ ve veritabanının birçok kez taranmasını gerektiren AIS, SETM ve APRIORI algoritmaları; veritabanının tamamının taranmasına gerek duymayan AprioriTid algoritması; APRIORI ve AprioriTid algoritmalarının birleģimini içeren Apriori-Hybrid algoritması, geniģ nesne kümelerini belirlemek için veritabanından alınan küçük örneklerin kullanımının yeterli olduğu fikrine dayanan OCD algoritması verilebilir. 6. WEKA WEKA (Waikato Environment for Knowledge Analyses), Waikato Üniversitesi tarafından geliģtirilerek 1996 da ilk resmi sürümü yayınlanmıģ olan bir makine öğrenme ve veri madenciliği yazılımıdır. Akademik araģtırmalar, eğitim ve endüstriyel uygulama alanlarında kullanım yeri olan WEKA, veri analizi ve tahminleyici modelleme için geliģtirilmiģ algoritma ve araçların görsel bir birleģimini içerir. GeliĢtirilen yazılımın temel avantajları geniģ veri öniģleme ve modelleme tekniklerine sahip olması, grafiksel kullanıcı arayüzü sayesinde kullanımının kolay olması ve Java programlama dili ile uygulandığından herhangi bir platformda kullanılabilmesi yani taģınabilir olmasıdır. Önceki bölümlerde bahsedilen veri öniģleme ve veri madenciliği algoritmaları çerçevesinde WEKA nın hiyerarģik yapısı ġekil 1 de sunulmuģtur.

264 253 ġekil 1. WEKA HiyerarĢik Yapısı ġekil 1 de veri öniģleme ve her bir veri madenciliği algoritmasının WEKA daki kullanımına iliģkin örnek modüller verilmiģtir. ÇalıĢmanın bu bölümünde her yöntem için seçilen bir modül uygulamalı olarak anlatılacaktır. Bu uygulamalar esnasında kullanılacak veri kümesi [13] 285 adet örnek mide kanseri verisi içermekte olup 9 sınıf ve 7 adeti nümerik kalanları ise kategorik olmak üzere 68 niteliğe sahiptir. Veritabanı içerisinde 970 adet kayıp veri bulunmakta olup bütün veritabanı içerisinde %5 lik bir belirsizlik söz konusudur.

265 Veri ÖniĢleme Kayıp Veriler Kayıp verilerin yaratacağı sorunları ortadan kaldırmak için kullanılan yöntemlere örnek olarak ReplaceMissingValues modülü kullanılmıģtır (ġekil 2-3). Bu yöntemle veritabanındaki kayıp değerler, ait oldukları niteliğin diğer değerlerinin ortalaması ya da moduyla değiģtirilmektedir. ġekil 2. Mevcut Veritabanındaki Kayıp Veriler YanlıĢ ya da AĢırı Uç Veriler ġekil 3. ReplaceMissingValues Modülünün Kullanımı Bu tür veriler için ise NumericCleaner modülü ele alınmıģtır (ġekil 4-5). Bu yöntem çok büyük, çok küçük ya da belli bir değere çok yakın değerlerin veritabanından silinerek bu değerlerin yerine önceden belirlenmiģ baģka bir değerin atanmasını içerir.

266 255 ġekil 4. AĢırı uç verilerin NumericCleaner Modülü Kullanılmadan Önce ve Sonraki Durumu Gereksiz Veriler ġekil 5. NumericCleaner Modülünün Kullanımı Aynı veritabanı içinde hem yaģ hem de doğum tarihi bilgisinin verilmesi durumunda oluģan gereksiz verilerin bilgisayar çalıģma zamanını ve sonuçların kalitesini etkilememesi amacıyla PrincipalComponents modülü kullanılarak veri boyutu azaltılmıģtır (ġekil 6-7).

267 256 ġekil 6. PrincipalComponents Modülü Kullanılmadan Önceki Durum ġekil 7. PrincipalComponents Modülü ile Boyut Ġndirgeme DeğiĢken Değerlerinin Birbirinden Ayrık Olduğu Durumlar DeğiĢken değerlerinin birbirinden ayrık olduğu durumlar için WEKA nın Normalize modülünden faydalanılmıģtır (ġekil 8). Bu yöntemle nümerik değerler birbirine yaklaģtırılarak normalleģtirilmektedir.

268 257 ġekil 8. Normalize Modülünün Kullanımı Kullanılacak Algoritmaya Bağlı Yapılandırmalar Veri öniģlemeye gereksinim duyan diğer bir durum olan algoritmanın sebep olduğu kısıtlar için ise veritabanındaki nümerik değerlerin 0-1 değerlere dönüģtürülmesi esasına dayanan NumericToBinary modülü kullanılmıģtır (ġekil 9) Sınıflandırma ġekil 9. NumericToBinary Modülünün Kullanımı Sınıflandırma algoritmaları içerisinden Bölüm 3.1 de detayları verilen C4.5 karar ağacına dayanan J48 modülü, uygulaması gerçekleģtirilmek üzere seçilmiģtir (ġekil 10-11).

269 258 ġekil 10. J48 Modülünün Kullanımı ile Elde Edilen Kurallar ġekil 11. J48 Modülü ile Elde Edilen Sınıflandırma Doğrulukları Verilerin sınıflandırılması esnasında göz önünde bulundurulması gereken noktalardan biri de maliyetlerdir. YanlıĢ sınıflandırmanın bir maliyete tabi olduğu maliyete göre sınıflandırma yöntemlerinde belli bir hatalı sınıflandırmanın göreli önemi diğer hatalı sınıflandırmalardan daha fazla olabilmektedir. Bu bağlamda WEKA da maliyete göre sınıflandırma yapan CostSensitiveClassifier modülü kullanılacaktır. Bu yöntemin amacı beklenen yanlıģ sınıflandırma maliyetini minimize edecek en iyi sınıflandırmayı tahmin etmektir (ġekil 12-13).

270 259 ġekil 12. CostSensitiveClassifier Modülünün Kullanımı 6.3. Kümeleme ġekil 13. CostSensitiveClassifier Modülünün Kullanımı ile Elde Edilen Sınıflandırma Kümeleme algoritmaları içinden ise bölümlemeli algoritmalar sınıfına giren ve birçok algoritmanın temel felsefesini oluģturan k-ortalama algoritmasını kullanan SimpleKMeans modülü ele alınmıģtır (ġekil 14-15).

271 260 ġekil 14. SimpleKMeans Modülü ile Edinilen Kümeleme Bilgileri ġekil 15. SimpleKmeans Modülünün Kullanımı Neticesindeki Kümeleme Yüzdeleri 6.4. Birliktelik Kuralları Belli bir güven aralığı içinde istenen sayıda kuralı bulana kadar en küçük destek seviyesini aģamalı olarak azaltan Apriori algoritması WEKA içerisinde Apriori modülü ile ifade edilmekte olup uygulaması ġekil 16 daki gibi gerçekleģtirilmiģtir.

272 261 ġekil 16. Apriori Modülü ile Elde Edilen Birliktelik Kuralları SONUÇ Bu çalıģmada veri madenciliğinin temel aģamaları olan veri öniģleme ve veri madenciliği algoritmalarının kullanımı ele alınmıģtır. Ġlgili süreçlerle ilgili temel bilgiler verilmiģ, kullanılabilecek yöntemler tanıtılmıģ ve örnek bir veritabanı üzerinde seçilen yöntemlerin uygulaması WEKA yazılımı kullanılarak gerçekleģtirilmiģtir. KAYNAKLAR [1] ÖZKAN, Y., Veri Madenciliği Yöntemleri, Papatya Yayıncılık, Ġstanbul, Türkiye, [2] SĠLAHTAROĞLU, G., Kavram ve Algoritmalarıyla Temel Veri Madenciliği, Papatya Yayıncılık, Ġstanbul, Türkiye, [3] QUINLAN, J.R., "Induction of Decision Trees ", Journal of Machine Learning, vol. 1, , [4] QUINLAN, J.R., C4.5: Program for Machine Learning, Morgan Kaufmann Publishers, San Mateo, CA, [5] BREIMAN, L., FRIEDMAN, J.H., OLSHEN, R.A., STONE, C.J., Classification and Regression Trees, Wadsworth, Belmont, [6] SIBSON, R., SLINK: An Optimally Efficient Algorithm for the Single Link Cluster Method, The Computer Journal, vol. 16(1), 30-34, [7] GUHA, S., RASTOGI, R., SHIM, K., CURE: An Efficient Clustering Algorithm for Large Databases, in: Proceedings of the 1998 ACM SIGMOD Intenational Conference on Management Data, vol. 27(2), 73-84, [8] KARYPIS, G., HAN, E., KUMAR, V., CHAMELEON: A Hierarchical Clustering Algorithm Using Dynamic Modeling, IEEE Computer, vol. 32(8), 68-75, [9] ZHANG, T., RAMAKRISHNAN, R., LIVNY, M., BIRCH: An Efficient Data Clustering Method for Very Large Databases, in: Proceedings of the 1996 ACM SIGMOD International Conference on Management Data, vol. 25(2), 1996.