PRODUCTION PLANNING BASED ON GOAL PROGRAMMING FOR MASS CUSTOMIZATION IN A COMPANY

Transkript

1 BİR İŞLETMEDE KİTLESEL ÖZEL ÜRETİME YÖNELİK HEDEF PROGRAMLAMA TABANLI ÜRETİM PLANLAMA PRODUCTION PLANNING BASED ON GOAL PROGRAMMING FOR MASS CUSTOMIZATION IN A COMPANY ESRA AKBAL Başkent Ünverstes Lsansüstü Eğtm Öğretm ve Sınav Yönetmelğnn ENDÜSTRİ Mühendslğ Anablm Dalı İçn Öngördüğü YÜKSEK LİSANS TEZİ olarak hazırlanmıştır. 2007

2 Fen Blmler Ensttüsü Müdürlüğü'ne, Bu çalışma, jürmz tarafından ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI'nda YÜKSEK LİSANS TEZİ olarak kabul edlmştr. Başkan : Prof. Dr. Berna DENGİZ Üye (Danışman) : Yrd. Doç. Dr. Muzaffer KAPANOĞLU Üye :Prof. Dr. Serpl EROL ONAY Bu tez.../.../... tarhnde Ensttü Yönetm Kurulunca belrlenen yukarıdak jür üyeler tarafından kabul edlmştr..../.../... Prof.Dr. Emn AKATA FEN BİLİMLERİ ENSTİTÜSÜ MÜDÜRÜ

3 TEŞEKKÜR Tez çalışmam sırasında blmsel katkıları le bana her zaman yardımcı ve yol gösterc olan, eğtmm süresnce lg ve yardımlarını benden esrgemeyen, değerl tez danışmanım Sayın Yrd. Doç. Dr. Muzaffer KAPANOĞLU na sonsuz teşekkür ve saygılarımı sunarım. Araştırma süresnce büyük yardımlarını gördüğüm, blg ve deneymlernden yararlandığım Türk Traktör Zraat Makneler ve A.Ş. frmasında Üretm Takp Alan Yönetcs olan Sayın Halt Snan ALTUĞ a ve tüm üretm takp bölümü çalışanlarına teşekkürü br borç blrm. Bana madd ve manev her türlü desteğ veren aleme, en çten teşekkürlerm ve şükranlarımı sunarım.

4 ÖZ BİR İŞLETMEDE KİTLESEL ÖZEL ÜRETİME YÖNELİK HEDEF PROGRAMLAMA TABANLI ÜRETİM PLANLAMA Esra AKBAL Başkent Ünverstes Fen Blmler Ensttüsü Endüstr Mühendslğ Anablm Dalı Bu çalışmada traktör malatı yapan br şletmede, ktlesel özel üretme yönelk hedef programlama tabanlı üretm planlama yaklaşımının tasarımı ve gelştrlmes gerçekleştrlmştr. Üretm planlama yaklaşımı, ürün üzerndek müşter steklern göz önüne alacak, ürün çeştllğn ve ser üretm lkelern gözetecek şeklde tasarlanmıştır. Üretm planlamaya özgü hedeflern gerçekleştrleblmes amacı le br hedef programlama model gelştrlmş ve bu hedef programlama model le uyumlu br şeklde çalışan br Karar Destek Sstem oluşturulmuştur. Gelştrlen hedef programlama modelnn çözüm süres, modelde yer alan karar değşken sayısının fazla olması neden le kabul edleblr sürelern dışına çıkmaktadır. Bu nedenle farklı üretm planlarını oluşturma ve kısa sürede bu planlardan uygun olanını üretme yansıtablme olanağı kalmamaktadır. Belrtlen gerekçeler doğrultusunda gelştrlen hedef programlama modelnn çözümüne yönelk yerel açgözlü arama ve genetk algortma yaklaşımları üzernde durulmuştur. Bu yaklaşımların performanslarını gözlemlemek amacı le 12 ayrı problem set oluşturulmuş ve her br problem set çn sonuçlar elde edlmştr. Gerçekleştrlen performans analz sonucunda yerel açgözlü arama yaklaşımının genetk algortma yaklaşımına göre daha y sonuçlar verdğ gözlemlenmştr. Ancak genetk algortma yaklaşımının yerel açgözlü arama yaklaşımına göre çözüm süresnn daha kısa olduğu gözlemlenmştr. ANAHTAR SÖZCÜKLER: üretm planlama, ktlesel özel üretm, genetk algortma, yerel açgözlü arama DANIŞMAN: Yrd. Doç. Dr. Muzaffer KAPANOĞLU, Osmangaz Ünverstes, Endüstr Mühendslğ Bölümü.

5 ABSTRACT PRODUCTION PLANNING BASED ON GOAL PROGRAMMING FOR MASS CUSTOMIZATION IN A COMPANY Esra AKBAL Başkent Unversty Insttute of Scence and Technology Department of Industral Engneerng In ths study, a producton plannng approach whch s based on goal programmng ntended for mass customzaton s desgned and developed n a frm whch works on tractor manufacturng. Ths producton plannng approach s developed accordng to customer s choces, product varety, and the prncples of mass producton. The goal programmng model s developed to perform the goal of the producton plannng and the Decson Support System whch works wth ths goal programmng model s also performed. The computaton tme of the goal programmng model exceeds the tme whch s acceptable because of the too many decson varables whch the goal programmng model has. For ths reason, the composton of dfferent producton plans and mplementaton of the approprate producton plan whch s selected from those dfferent producton plans s not possble n a lttle whle. In consderaton of those reasons mentoned above, local greedy search and genetc algorthm approaches whch are used for the soluton of the goal programmng model are consdered. In order to observe the performances of the proposed approaches, dfferent twelve problem sets are composed and the solutons of these problem sets are acqured. As a result of the performance analyss, t s seen that the local greedy search approach gves better solutons when compared to the ones whch the genetc algorthm provdes. But we observed that the computaton tme of the genetc algorthm s shorter than the local greedy search approach. KEY WORDS: producton plannng, mass customzaton, genetc algorthm, local greedy search ADVISOR: Assst. Prof. Dr. Muzaffer KAPANOĞLU, Osmangaz Unversty, Industral Engneerng Department

6 İÇİNDEKİLER LİSTESİ Sayfa TEŞEKKÜR... ÖZ ABSTRACT İÇİNDEKİLER LİSTESİ v ŞEKİLLER LİSTESİ. v ÇİZELGELER LİSTESİ v SİMGELER VE KISALTMALAR LİSTESİ. x TEKNİK DEYİMLER LİSTESİ. x 1. GİRİŞ 1 2. KİTLESEL ÖZEL ÜRETİMDE PLANLAMA VE KONTROL Ktlesel Özel Üretm Çevk Üretm Üretm Planlama ve Kontrolü TRAKTÖR ÜRETİMİ YAPAN BİR İŞLETMEDE ÜRETİM PLANLAMA İşletmede mevcut uygulama Mevcut uygulamaya yönelk br KDS tasarımı ve gelştrlmes KİTLESEL ÖZEL ÜRETİME YÖNELİK HEDEF PROGRAMLAMA TABANLI ÜRETİM PLANLAMA YAKLAŞIMI Problem İçn Gelştrlen Matematksel Model Problem İçn Gelştrlen Hedef Programlama Model Modeln Çözümünde Karşılaşılan Sorunlar GELİŞTİRİLEN HEDEF PROGRAMLAMA MODELİNİN ÇÖZÜMÜNE YÖNELİK ÖNERİLER Yerel Açgözlü Arama Yaklaşımı Önerlen Yerel Açgözlü Arama Yaklaşımı Genetk Algortma Genetk Algortma nın çalışma prensb Genetk Algortma nın temel kavramları Gen Kromozom Yığın (Popülasyon) Yenden Üretm İşlem 39 v

7 Uygunluk Değer Genetk Algortma da dz gösterm ve gösterm bçmler Yenden üretm mekanzmaları Genetk operatörler Genetk algortma parametreler Önerlen Genetk Algortma Başlangıç yığını Dz gösterm Yenden üretm mekanzması Çaprazlama operatörü Mutasyon operatörü Genetk algortma parametreler UYGULAMALAR VE PERFORMANS ANALİZİ SONUÇ 66 KAYNAKLAR LİSTESİ. 69 EKLER LİSTESİ 71 v

8 ŞEKİLLER LİSTESİ Sayfa Şekl 2.1 Çevk Üretmn Uygulanablmes çn Kavramsal Model.. 8 Şekl 2.2 Çevk Üretm Sstemlernn Gelştrlmes.. 9 Şekl 3.1 KDS nn Ana Sayfası 18 Şekl 3.2 KDS nn Üretm Günlernn Belrlendğ Sayfa.. 19 Şekl 3.3 KDS nn Üretm Günlernn Belrlendğ Sayfa.. 19 Şekl 3.4 KDS nn Traktör Mktarlarının Belrlendğ Kullanıcı Formu 20 Şekl 3.5 KDS nde Üretm Mktarlarına İlşkn Blglern Verldğ Kullanıcı Formu. 20 Şekl 3.6 KDS nde Karar Vercye Blglern Verldğ Kullanıcı Formu.. 21 Şekl 3.7 KDS nde Karar Vercye Uyarıların Verldğ Kullanıcı Formu 21 Şekl 3.8 KDS nde Yerl Traktörlern Üretm Blglernn Gösterldğ Sayfa.. 22 Şekl 3.9 KDS nde Üretm Mktarlarına İlşkn Blglern Verldğ Kullanıcı Formu. 23 Şekl 3.10 KDS nde Üretm Mktarları Hakkında Blgnn Verldğ Uyarı Bölümü. 24 Şekl 3.11 KDS nde Karar Vercnn Blglern Aktardığı Sayfa. 25 Şekl 3.12 KDS nde Aylık Planın Sonuçlarının Gösterldğ Sayfa Şekl 5.1 Önerlen Y.A.A.1 Algortması İş Akışı 34 Şekl 5.2 Önerlen Y.A.A.2 Algortması İş Akışı 36 Şekl 5.3 Önerlen GA İş Akışı. 45 Şekl 5.4 Dz Gösterm 49 Şekl 5.5 Önerlen GA ya İlşkn Çaprazlama Örneğ Şekl 5.6 Önerlen GA da Çaprazlama Sonucu Oluşan Çocuklar.. 51 Şekl 5.7 Önerlen GA ya İlşkn Mutasyon Örneğ 51 Şekl 6.1 Y.A.A.1 Yaklaşımında İterasyon Sayısı le Hedeften Sapma Değerlernn Değşm 54 Şekl 6.2 Y.A.A.2 Yaklaşımında İterasyon Sayısı le Hedeften Sapma Değerlernn Değşm 55 Şekl 6.3 GA Metodunda İterasyon Sayısı le Hedeften Sapma Değerlernn Değşm(Ocak Ayı).. 56 v

9 Şekl 6.4 GA Metodunda İterasyon Sayısı le Hedeften Sapma Değerlernn Değşm(Şubat Ayı).. 57 Şekl 6.5 Y.A.A. ve GA Yaklaşımlarının Hedeften Sapma Değerlernn Grafk Gösterm. 58 Şekl 6.6 GA Yaklaşımının Betmsel İstatstk Çıktısı Şekl 6.7 Y.A.A.1 Yaklaşımının Betmsel İstatstk Çıktısı Şekl 6.8 Y.A.A.2 Yaklaşımının Betmsel İstatstk Çıktısı v

10 ÇİZELGELER LİSTESİ Sayfa Çzelge 2.1 Ser Üretm ve Ktlesel Özel Üretm Arasındak Farklılıklar 5 Çzelge 2.2 Ktlesel Özel Üretmn Uygulanmasına Olanak Sağlayan Yaklaşımlar 7 Çzelge 6.1 Aylara göre toplam traktör model ve Karar Değşken Sayısı.. 52 Çzelge 6.2 Y.A.A.1, Y.A.A.2 ve GA Yaklaşımlarının Aylara Göre Hedeften Sapma Değerler 53 Çzelge 6.3 GA, Y.A.A.1 ve Y.A.A.2 Yaklaşımlarının Betmsel İstatstk Sonuçları 60 Çzelge 6.4 GA ve Y.A.A.1 Yaklaşımlarının Çftl t- test Sonuçları.. 61 Çzelge 6.5 GA ve Y.A.A.2 Yaklaşımlarının Çftl t- test Sonuçları 61 Çzelge 6.6 Y.A.A.1 ve Y.A.A.2 Yaklaşımlarının Çftl t- test Sonuçları 62 v

11 SİMGELER VE KISALTMALAR LİSTESİ GA Y.A.A. KDS Genetk Algortma Yerel Açgözlü Arama Karar Destek Sstem x

12 TEKNİK DEYİMLER LİSTESİ Pops: Ponte: Frewall: Traktörlerde sürücü platform tp Traktör tekerlerne güç veren, tekerlern takıldığı ön dngl Kaporta dayama mesned x

13 1. GİRİŞ Tüketc ürünlerndek karmaşıklık, farklılık ve ürün çeştllğ her geçen gün hızla artmaktadır. Dolayısıyla pek çok ortak noktaya ve aynı zamanda belrgn farklılıklara sahp ürünler ortaya çıkmaktadır. Frmalar pazarda etkl olablmek ve gelşeblmek çn bu durumu göz önünde bulundurmalı, müşter steklern karşılayablmek çn uygun ürünler üretmeldrler. Ürünlern müşter steklerne uygun olarak üretlmesne duyulan gereksnm, yakın zamanlara kadar ser üretm yapan frmaları, üretm yönetm yaklaşımlarında öneml değşklklere zorlamaktadır. Ser üretmn ekonomk üstünlükler le müşterye özel üretmn pazar üstünlüklern br araya getrmek, söz konusu ortamdak frmalar çn y br çıkar yol olarak görünmektedr [1]. Grşmde bulunan frmalar, sparş aldıktan sonra ürün seçmnde farklılığı göstereblecek ve bunu başarablecek ntelkte olmalıdır. Tüketcler farklı terchlere ve seçmlere sahptr. Ktlesel özel üretm se seçmlerle lgldr. Bu durumda frmalar müşter htyaçlarını hızlı br şeklde karşılayablmek çn ktlesel özel üretm değerlendrmel ve göz önünde bulundurmalıdır. Üretmde ve yönetmde ktlesel özel üretm uygulama ş oldukça zordur. Öncelkle frmanın ktlesel özel üretm hakkında yeterl blgye sahp olması gerekr. Dğer br deyşle frmaların belrl ve özel ürünlere htyaç duyan müşterlernn olup olmadığını, üretmlernn ve ürettkler ürünlernn ktlesel özel üretmn özellklerne uygun olup olmadığını ve ktlesel özel üretm uygulayablmek çn yeterl teknolojye sahp olup olmadıklarını araştırması gerekr [1]. Ktlesel özel üretmn uygulanmasına mkan veren bazı yöntem, şlem ve teknolojler bulunmaktadır. Bu yöntemlerden brs se çevk üretmdr. Ktlesel özel üretm, ürün yönetmnde çevklğn gelştrlmes le gelecektek talepler kontrol edeblme yeteneğn kuvvetlendrmey sağlamaktadır. Ktlesel özel üretm le 1

14 müşter taleplerne ve pazardak değşklklere hızlı br şeklde cevap vereblme ve bu sayede çevklğ sağlama amaçlanmaktadır [1]. Üretm planlama ve kontrolü se br üretm yönetm faalyetdr ve belrl ürünlern üretleblmes çn gerekl tüm araçların tespt, değerlendrlmes ve düzenlenmesn çerr. Müşter steklern, beklentlern ve htyaçlarını hızlı br şeklde karşılayablmek çn frmaların üretm planlama ve çzelgeleme faalyetlernde kend sstemlerne uygun metotları ve teorler değerlendrmeler gerekmektedr. Bu tezde, traktör malatı yapan br şletmenn, ürün üzerndek müşter steklern göz önüne alarak ürün çeştllğnden vazgeçmeden ve olabldğnce ser üretm lkelern de gözeten br üretm planlama yaklaşımının tasarımı ve gelştrlmes amaçlanmaktadır. Söz konusu amaç doğrultusunda üretm planının sparşlere göre ürünler olabldğnce homojen dağıtımının sağlaması, satış tahmnlerne, talep tarhlerne ve stok blglerne göre modellere paylaştırması, günler arasında ş yükü dengelernn gözetlmes hedeflenmektedr. İşletme tarafından benmsenen ve çevk üretme yönelk üretm planlamaya özgü hedefler, br hedef programlama model le gerçekleştrlecektr. Tez kapsamında aylık üretlmes gereken yabancı ve yerl traktör sayısı blgler kullanılarak, tüm üretm kısıtlarını göz önüne alacak şeklde, aylık üretmn günlere dağıtılmasını gerçekleştren br hedef programlama modelnn ve bu hedef programlama model le uyumlu br şeklde çalışan br Karar Destek Sstem(KDS) nn oluşturulması amaçlanmaktadır. Üretm planlamanın uygulama başarısını arttırmak çn se MS Excel, VBA ve Lngo ortamlarında br KDS gelştrlmştr. İknc bölümde ktlesel özel üretm kavramı ve bu konuda yapılmış çalışmalar, ktlesel özel üretmn uygulanmasına mkan veren çevk üretm kavramından bahsedlmektedr. Ayrıca üretm planlama ve kontrolü hakkında kısa br blg ve bu konuda yapılmış çalışmalar hakkında blg verlmektedr. Üçüncü bölümde traktör üretm yapan şletme, şletmede üretm planlama faalyetler, planlamanın nasıl gerçekleştrldğ ve hang kısıtların dkkate alındığı, 2

15 kısacası şletmenn mevcut durumu hakkında blgler verlmektedr. Bununla brlkte tez kapsamında mevcut uygulamaya yönelk tasarlanan ve gelştrlen KDS anlatılmaktadır. Dördüncü bölümde üretm planlama bölümünün ölçütlerne uyacak şeklde ve ktlesel özel üretme yönelk gelştrlen matematksel model ve hedef programlama model verlmekte ve bu modellern ayrıntılı br şeklde açıklamaları yer almaktadır. Oluşturulan modellern tamsayılı olması çözüm aşamasında, dğer pek çok tamsayılı programlama problemlernde olduğu gb, çözüm süres açısından tatmn edc olmayablmektedr. Bu bölümde problem, bu boyutları le de tartışılmaktadır. Beşnc bölümde gelştrlen hedef programlama modelnn çözümünde kullanılan yaklaşımlar, bu yaklaşımların probleme yönelk çözüm algortmaları anlatılmaktadır. Kullanılan yaklaşımlar Yerel Açgözlü Arama 1 yaklaşımı (Y.A.A.1), Yerel Açgözlü Arama 2 yaklaşımı (Y.A.A.2) ve Genetk Algortma (GA) dır. Altıncı bölümde her k yaklaşımdan elde edlen çözümlern brbrleryle statstksel olarak karşılaştırmaları ve aynı zamanda yaklaşımların değerlendrlmes yer almaktadır. Yednc bölümde tezn br bütün olarak sonuçları ve değerlendrlmes yer almaktadır. 3

16 2. KİTLESEL ÖZEL ÜRETİMDE PLANLAMA VE KONTROL 2.1 Ktlesel Özel Üretm Ktlesel özel üretm kavramı lk olarak 1987 yılında Stanley M. Davs n Future Perfect adlı ktabında açıklanmıştır yılından sonra brçok lgl blg ve teknoloj le üretm stratejsnn bu yen trendnde lerleme sağlanmıştır. Ser üretm se ktlesel özel üretmn öncüsü olmuştur [2]. Ser üretm, vermllk, kapaste kullanımı ve standart ürünler üzerne odaklıdır. Ktlesel özel üretm se, ser üretmn etknlğn ve dolayısı le ekonomklğn kullanarak müşter htyaçlarını en y şeklde karşılayablecek ürünler veya hzmetler sağlamak çn endüstrde yen br kavram olarak ortaya çıkmıştır. Ktlesel özel üretmn rekabetç avantajı, özel üretmn farklılaştırma mkanları le ser üretmn etkllğn brleştrmektr. Ktlesel özel üretmn ana yapısı çeştllk açısından ser üretme benzemektedr. Ktlesel özel üretmde ürünler ve şlemler dnamk olarak değşmektedr. Ser üretm, ürün ve şlem değşmlernn durağan olduğu durumlarda uygundur [3]. Üretc frmalar, standartlaştırma prensplernn dkkate alındığı ser üretm kullanmışlardır. Bu üretm şekl, standart ürünlere, servslere ve düşük malyete sahptr. Ser üretm ve ktlesel özel üretm arasındak farklılıklar Çzelge 2.1 de verlmektedr. Farklılıklar odak, amaç ve anahtar özellkler açısından gösterlmektedr [4]. 4

17 Çzelge 2.1 Ser Üretm ve Ktlesel Özel Üretm Arasındak Farklılıklar [3] Ser Üretm Odak Durağanlık ve kontrol sayesnde vermllk Amaç Herkesn karşılayableceğ ölçüde düşük fyatlarda ürünlern ve servslern gelştrlmes, üretm, pazarlanması, dağıtımı Anahtar Durağan Talep Özellkler Büyük ve homojen pazar, Uzun ürün gelşm sürec Uzun ürün ömrü Ktlesel Özel Üretm Çeştllk ve özel üretm aracılığıyla esneklk ve hızlı cevap vereblme Herkesn steklern karşılayablecek şeklde yeterl çeştllk ve özelleştrme le ürünlern ve servslern gelştrlmes, üretm, pazarlanması, dağıtımı Parçalanmış Talep, Heterojen parçalar, Kısa ürün gelşm sürec Kısa ürün ömrü Ktlesel özel üretm, Slvera et al., [1] tarafından, büyük mktarlarda ve oldukça düşük malyetle esnek şlemler aracılığı le özelleştrlmş ürünler veya servsler sağlayablme yeteneğ olarak tanımlanmıştır. Ktlesel özel üretmn dğer br tanımı se Partanen and Haapasalo [5] tarafından belrlenmştr. Partanen and Haapasalo [5] ktlesel özel üretm, özel müşterler çn özel ürünler ve bu ürünlern ser üretm prenspler le üretlmes şeklnde tanımlamışlardır. Çalışmalarında se ser üretm ve ktlesel özel üretm arasındak farlılıklardan, ktlesel özel üretmn elemanlarından bahsetmşlerdr. Ktlesel özel üretm, müşter steklerne uygun hale getrlmş ürünlern ve servslern düşük malyet, yüksek kalte ve büyük mktarlarda dağıtımı olarak belrlenmştr. Tanımdan da anlaşılacağı gb ktlesel özel üretm frma çn brçok becerye ve avantaja sahptr. Organzasyonun ktlesel özel üretm becers, malyet etkllğ ve frmanın hevesllğ le brlkte farklılaştırılmış ürünler üreteblme yeteneğ olarak belrlenmştr [6]. Bunların sonucunda ktlesel özel üretmn avantajları kısaca aşağıda belrtldğ gbdr [7]. 5

18 Ktlesel özel üretm; müşter memnunyetn arttırır, pazar payını arttırır, frma ve satın alma süresndek kşler le lgl blgler yan müşter blgsn arttırır, sparş karşılama zamanını azaltır, üretm malyetn azaltır, karı arttırır. Üretm yönetmnde ktlesel özel üretm, ser üretm ve standartlaştırma prensplern özel üretm le brleştrme şlemdr. Dell, Motorola, Hewlett-Packard, General Motors, Ford, Chrysler, Toyota ve bunlar gb büyük frmalar üretm ve yönetmlernde bu şlem etkl br şeklde uygulamaktadırlar. Ktlesel özel üretm, ser üretmn malyet ve hızına uygun olarak müşter htyaçlarına göre tasarlanmış ürünler üreteblme yeteneğdr [8]. Üretm yönetmnde ktlesel özel üretm hakkında lteratürde sınırlı sayıda araştırma bulunmaktadır. Selladura [4], ktlesel özel üretmn üretm yönetm açısından ele alınması gerektğ üzernde durmaktadır ve ser üretmden ktlesel özel üretme olan lerlemeden, ser üretm, sürekl yleştrme ve ktlesel özel üretm konularından bahsetmştr. Ktlesel özel üretm müşternn tüm steklern zaman, yer ve sunum kısıtı olmadan en y şeklde karşılamayı amaçlamaktadır. Buna bağlı olarak ktlesel özel üretm, farklı br yönetm, üretm, letşm kültürü ve tedark zncr yapısı gerektrmektedr. Ktlesel özel üretmn uygulanmasına mkan veren bazı üretm yönetm yaklaşımları ve teknolojler bulunmaktadır. Bu üretm yönetm yaklaşımları ve teknolojler Çzelge 2.2 de gösterlmektedr. 6

19 Çzelge 2.2 Ktlesel Özel Üretmn Uygulanmasına Olanak Sağlayan Yaklaşımlar [1] SAĞLAYICI TEKNİKLER İLİŞKİLİ BAŞARI FAKTÖRLERİ (organzasyon tabanlı) Üretm Yönetm Yaklaşımları Çevk Üretm Blg Tedark Zncr Yönetm Değer zncr Müşterye bağlı tasarım ve üretm Özelleştrleblr ürünler Esnek Üretm Değer Zncr Olanak Sağlayan Teknolojler Modern Üretm Teknolojler İletşm ve Ağlar Teknoloj, Özelleştrleblr ürünler Teknoloj ve Blg Ktlesel özel üretm, ürün yönetmnde çevklğn gelştrlmes le gelecektek talepler kontrol edeblme yeteneğn kuvvetlendrmey sağlamaktadır. Ktlesel özel üretm le müşter taleplerne ve pazardak değşklklere hızlı br şeklde cevap vereblme ve bu sayede çevklğ sağlama amaçlanmaktadır. 2.2 Çevk Üretm Çevk üretm, frmalar arasında rekabet gelştren br kavramdır. Çevk üretm, ş çevresnde fırsatları, değşklkler uygulama açısından organzasyonların yeteneğ olarak tanımlanmaktadır. Çevklk, kaynakların ve şlemlern yenden şekllendrlmes le müşter htyaç ve steklerne rakplerden daha hızlı cevap vereblme yeteneğdr. Çevk üretm çerçeves altında üretm şlemler, ürün tasarımı, üretm, pazarlaması ve destekleyc servsler çn şlemlern bütünleştrlmes olarak belrlenmştr [9]. Değşen müşter steklerne cevap vereblmede etkl olablmek çn üretmn her alanında çevklğn göz önünde bulundurulması gerekmektedr. Çevklğ 7

20 uygulayablme, stratej, sstem, nsan ve teknolojde esneklk ve sorumluluk gerektrmektedr [10]. Üretm çevresnde, mevcut üretm metotlarının ve araçlarının bütünleştrlmes ve kullanımı çevklğ sağlamaktadır. Çevklğn uygulanması çn belrlenen kavramsal model Şekl 2.1 de verlmektedr [7]. Şekl 2.1 Çevk Üretmn Uygulanablmes çn Kavramsal Model [7] Frmalar, çevk üretmn uygulanması kısmında üç ana aşamayı dkkate almalıdır. Bu aşamalar Şekl 2.1 de görüldüğü gb frmaların çevk duruma geleblmeler çn gereken htyaçlarının belrlenmes, mevcut çevklk aşamaları ve çevklk yeteneklernn belrlenmesdr [7]. Hızla değşen pazarda grşmclern lder olablmeler çn çevk üretm göz önünde bulundurmaları gerekmektedr. Bunun sonucunda etkl üretm sstemler ve operasyonların tasarımı çn yen tasarım yaklaşımlarının gelştrlmes gerekmektedr [10]. Bu yaklaşımlar se Şekl 2.2 de gösterlmektedr. 8

21 Şekl 2.2 Çevk Üretm Sstemlernn Gelştrlmes [10] Çevk üretmn temel stratejk boyutları se şu şekldedr [10]: Müşter değernn arttırılmasında değer tabanlı stratejler, Rekabet arttırmak çn şbrlğ yapmak, Temel değşklkler ve belrszlkler çn düzenleme yapmak, İnsan ve blgnn etksn güçlendrmek. Çevk üretmn uygulanması aşamasında üretm planlama ve kontrol çn aşağıdakler göz önünde bulundurulmalıdır [10]: Sürekl müşter etksnn modellenmes, Gerçek zamanlı zleme ve üretmde lerlemenn kontrol edlmes, Esnek veya dnamk şrket kontrol yapısı, Üretm çzelgeleme yapısı ve algortmalar, Üretmn ve kontrol sstemnn modellenmes. Belrtlen özellkler le çevk üretm ktlesel özel üretme yönelk stratejlern öneml br parçası olmaya devam etmektedr. Ancak çevk üretmn genel lkelernn ötesnde üretm planlama ve envanter kontrolü, sparş çzelgeleme, bant 9

22 dengeleme gb br dz temel üretm yönetm temel şlevnn yenden ele alınması da doğal olarak br gerekllk halne gelmektedr. 2.3 Üretm Planlama Ve Kontrolü Üretm yönetm, br şletmenn elnde bulunan malzeme, makne ve şgücü kaynaklarının belrl mktarda, stenlen kaltede, stenlen zamanda ve en düşük malyetle üretmn sağlayacak şeklde br araya getrlmesdr. Üretm planlama ve kontrolü se br üretm yönetm faalyetdr ve belrl ürünlern üretleblmes çn gerekl tüm araçların tespt, değerlendrlmes ve düzenlenmesn çerr. Üretm planlama, şletmenn belrl br dönem çersnde üretmek stedğ ürün mktarının belrlenmes ve kontrol altında tutulmasıdır. Üretm planlaması, hang ürünlern, nerede, kmler tarafından, ne zaman ve nasıl üretleceğn gösteren planların hazırlanmasıdır. Üretm planlamanın amacı, üretmde aksamalara zn vermeden, düzen çnde yürümesn, gereksz faalyetlern elenmesn ve üretme lşkn her türlü faalyetn brbryle uyum çnde olmasını sağlamaktır. Planlama, üretm yapılacak ürün hakkındak verlern analzyle başlar. Belrlenmş olan hedeflere ulaşmak üzere kaynakların kullanımı br program hazırlanarak ana hatlarıyla verlr. Yan üretm planı, üretmn her kademes çn hedefler, belrl zaman aralıkları açısından ortaya koyar. Bu hedeflern gerçekleştrlmes de ana hedef destekler. Üretm planlamada, üretm programının hazırlanması aşamasında şletmede belrl br plan dönem çnde hang ürünlern, hang mktarlarda ve ne zaman üretleceğn gösteren programlar hazırlanır. Gazmur and Arrate [11], çalışmalarında bütünleştrlmş üretm planlama problemnn en ylenmes çn br KDS gelştrmşlerdr. Bu çalışmada, üretm planlama problem tamsayılı programlama model olarak modellenmştr. Bu uygulama, Şl de büyük br frma olan CTI frmasındak üretm planlama mühendsler tarafından bütünleştrlmş planlama kararları ve üretm şlemlernn benzetm analz çn 1995 yılında kullanılmıştır. 10

23 Tu [12], yaptığı çalışmada üretm planlama ve kontrolü çn referans kontrol yapıları, temel kavramlar ve metotlar gelştrmştr. Tek çeşt üretm yapan sstemn tüm şleyş süresnce sıkça gerçekleşen değşklklern ve dalgalanmaların üstesnden geleblmek çn, üretm planlama ve kontrolü sstemnn yapılandırılmasında dnamk hyerarş kontrol yapısı kavramı önermştr. Bu referans yapı, yalın, çevk ve küreselleşeblmede yönetme rehber olması çn önerlmştr. Br başka çalışmada çok aşamalı, karışık modell üretm sstemlernde fabrka ve yönetm değşkenlernn etksnn analz edlmes gerçekleştrlmştr (Sanes, [13]). Karışık modell hatlar, brçok farklı ürünün büyük mktarlarda stokları taşınmadan üretlmes çn kullanılırlar. Bu hatların etkl br şeklde kullanımı belrlenen farklı ürünlern montajlarının yapılması çn çzelgelenmesn gerektrmektedr. Bu çalışmada, çzelgeleme çn teork br alt yapı, yen br çzelgeleme algortması ve sezgsel gelştrlmştr. Zapfel [14], yaptığı çalışmada br yatırım model önermştr. Son yıllarda frmalar, rekabetç avantaj yakalamak çn ürün çeştlernn sayılarını arttırmaktadırlar. Ancak bu durumda planlama dönem boyunca, ayrı ürünlern sevyelernde talebn tahmn edlmes çok zor hale gelmektedr. Yatırım model, bu kararı desteklemes açısından önerlmştr. Dng and Tolan [15], se yaptıkları çalışmada br zaman dlm boyunca montaj hattında farklı modellern çzelgelenmes açısından üretm planlama problemn ele almışlardır. Bu problemde, her br modeln planlama zamanı çersnde üretm günlernn verlen br aralığına sahp olduğu varsayılmaktadır. Bu çalışmada, mevcut çözümün üretlmesn sağlayan ve bu çözümü yleştren k aşamalı sezgsel br prosedür gelştrlmştr. Buradak amaç düzgün br üretm çzelgesnn elde edlmes ve üretm günler aralığında kısıtların değerlendrlmesdr. Dğer br çalışma se Card and Sanes nn [16], yaptıkları br uygulamadır. Bu çalışma üretm düzgünleştrme le lgldr ve başarının anahtarının tam zamanında üretm ve yalın üretm olduğunu belrtmektedrler. Bu çalışmanın ana konusu, 11

24 karışık modell montaj hatlarının sıralanmasında, kısa dönem üretm planlama problem çn otonom ajan teorsnn uygulanmasıdır. Çalışmada, karışık modell hatların kısa döneml üretm planlama problem çn üç farklı yaklaşım gösterlmştr. Pazara duyarlı üretm (Responsve Manufacturng) çn çok ajanlı malat kontrol stratejsnn önerldğ başka br çalışmada, üretm çzelgeleme ve şlem planlamanın bütünleştrlmes, çevk üretmn başarılması ve üretm problemlernn en aza ndrlmes sağlanmaktadır. Bu çalışma, çok ajanlı sstem kavramına dayalı olarak gelştrlmştr. Çok ajanlı sstemlern adapte edldğ bu çalışmada, şlem planlama, çzelgeleme ve enyleme le lgl olan bütün şler otonom ajanlar tarafından yapılmaktadır (Lm and Zang, [17]). Son olarak Le et al. [18], yaptıkları çalışmada, pazara üretm yapan frmalar ve ürün çeştllğnden kaynaklanan, tahmn edlemeyen talepler üzerne üretm planlama problemn ele almışlardır. Çalışmada, bu tür problemlern aşılmasında yardımcı olacak, hızlı ve güçlü br şeklde uygulanablecek br üretm planlama metodolojs anlatılmaktadır. Üretmde ve taleplerde meydana gelen değşmlern hızlı br şeklde değerlendrlmes açısından br üretm planlama aracı önerlmştr. 12

25 3. TRAKTÖR ÜRETİMİ YAPAN BİR İŞLETMEDE ÜRETİM PLANLAMA Çalışmanın gerçekleştrldğ traktör üretm yapan şletme yıllık adet traktör ve adet motor üretm kapastesne sahptr. İşletmede dört ana serde genş opsyon seçeneklerne sahp traktörler üretlmektedr. Bu kapsamda zleyen bölümlerde şletmede üretmn planlanması le takbnn nasıl gerçekleştrldğ ve tez kapsamında mevcut uygulamaya yönelk gelştrlen KDS anlatılmaktadır. 3.1 İşletmede Mevcut Uygulama Traktör üretm yapan şletmede kşye özel üretm lkes le üretm yapılmaktadır. Bu nedenle üretlen ürünlern model sayısı çok fazladır. Model sayısının fazla olması ve üretlen ürünlern farklı olması neden le üretmn planlanması ve takb çok zor br hale gelmektedr. Çünkü malzemelern tedark edlmes ve ürün çeştlernn fazla olması sürekl olarak aylık plan üzernde değşklğe neden olmaktadır. İşletmede, üretm planlama bölümünden her ay toplam üretm mktarı, üretlmes gereken traktör modellernn üretm mktarları üretm takp bölümüne gelmektedr. Üretm takp bölümüne gönderlen blglern tümü aşağıdak gbdr: Aylık yerl ve yabancı üretlmes gereken toplam traktör mktarı, Frmada üretlen 56 ve 66 ser traktörlern aylık üretlmes gereken % oranları, Günlük üretlmes gereken toplam traktör mktarı. Üretm takp bölümüne gelen bu blgler doğrultusunda üretm planı aylık ve günlük olmak üzere k şeklde yapılmaktadır. Aylık üretm planı se k aşamada gerçekleştrlmektedr. İlk aşamada yerl traktörlern üretlmes gereken mktarları günlere dağıtılmakta, knc aşamada se yabancı traktörlern üretlmes gereken mktarları günlere dağıtılmaktadır. Ancak bu dağıtım bazı kısıtlar ve özel durumlar göz önünde bulundurularak gerçekleştrlmektedr. 13

26 Yerl traktörlern aylık üretm planları gerçekleştrlrken aşağıdak kısıtlar ve özellkler dkkate alınmaktadır: Planı gerçekleştren kş lk olarak ayın çalışma günlern, üretlmes gereken traktör modellern ve mktarlarını belrlemektedr. Daha sonra her br traktör modelnn mktarını günlere eşt olarak bölmektedr. Burada dkkate alınan kısıtlardan br üretlmes gereken toplam traktör mktarının günlere olabldğnce eşt br şeklde dağıtılmasıdır. Dğer br kısıt se 56 ve 66 sers günlük toplam traktör mktarının 5 n katı olmasıdır. Yerl programın dağıtımı mav yakalı operatör tarafından belrlenen kısıtlara göre gerçekleştrlmektedr. Bu şlemler yapılırken Ms Excel den yararlanılmakta ve dağıtım gerçekleştrldkten sonra Access ortamına aktarılmaktadır. Günlük üretlmes gereken toplam traktör mktarı her ay değşeblmektedr. Ayrıca günlük ve dolayısı le aylık 56 ve 66 sers toplam traktör mktarı 5 n katları şeklnde olmalıdır. Aylık üretm planı gerçekleştrlrken yerl traktörlern 2 parçasına lşkn stoklar dkkate alınmaktadır. Bunlar; ponte ve kabndr. Ponte ve kabn parçalarının stoklarında veya tedark edlmesnde br sorun var se bu durum göz önünde bulundurulmaktadır. Eğer üretlecek traktör model sorun olan ponte veya kabn özellğne sahp se bu traktör model dağıtım yapılırken tedark zamanına uygun olarak dağıtımı yapılmaktadır. Üretlmes gereken toplam traktör modellernn mktarları günlere eşt br şeklde dağıtılırken planı gerçekleştren kş rops ve kabn mktarlarını kontrol etmekte ve dağıtımı bu duruma göre gerçekleştrmektedr. Yerl traktörlerde sadece ponte ve kabn parçaları dkkate alınmakta, motor parçası dkkate alınmamaktadır. Çünkü yerl traktörlern motorları fabrkada üretlmekte ancak ponte ve kabn dışardan temn edlmektedr. İlerde bu parçaların da üretmnn fabrka bünyesnde yapılması planlanmaktadır. Yabancı traktörlere lşkn planlama se aşağıdak şeklde gerçekleştrlmektedr: Yerl traktörlern dağıtımı tamamlandıktan sonra yabancı traktörlern dağıtımı yapılmaktadır. 14

27 Yabancı traktörlern dağıtımı da eldek stoğa bağlı olarak ve talep tarh dkkate alınarak yapılmaktadır. Dağıtım aşamasında özel br stek olursa bu özel durumlar dkkate alınmaktadır. Yabancı traktörlern aylık üretlmes gereken mktarları üretm takp bölümüne blg olarak gelmektedr. Üretlmes gereken yabancı traktörlern belrlenmes yerl traktörlere göre çok daha farklı gerçekleştrlmektedr. Yabancı traktörlern dağıtımı yapılmadan önce lk olarak üretlecek traktör modeller belrlenmektedr. Üretlecek traktör modeller belrlenrken kabnl ve ropslu traktörlern üretm mktarları dkkate alınmaktadır. Çünkü buradak kısıt toplam 66 sers ropslu traktörlern sayısının tüm ay boyunca her gün çn sabt br şeklde gerçekleşmesdr. Bu nedenle üretlmes gereken ropslu traktör modellernn bu sayıya göre belrlenmes gerekmektedr. Bunun yanında aylık üretlmes gereken traktör modeller belrlenrken talep tarh sırası dkkate alınmaktadır. Üretlecek traktör modeller belrlendkten sonra yerl traktörlerde olduğu gb olabldğnce eşt br şeklde dağıtım yapılmaktadır. Ancak dağıtım yapılırken yerl traktörlerden farklı olarak ponte, kabn ve motor parçaları dkkate alınmaktadır. Tüm bu durumların yanında üretlmes gereken toplam 56 ve 66 sers traktörlern günlük üretm mktarlarının 5 n katı şeklnde olması gerekmektedr. Dağıtım yapılırken bu durumunda göz önünde bulundurulması gerekmektedr. Çünkü 56 sers ve 66 sers traktör modellernn çnde hem yerl hem de yabancı traktör modeller bulunmaktadır. Günlük üretm planı se aylık üretm planı üzernden güncellenerek ve parça stoklarına bakılarak yapılmaktadır. Br günün planı öncek gün yapılmakta ve öncek gün eldek stok mktarları üretm planı gerçekleştrlmeden önce blg olarak gelmektedr. Stok mktarları gelen parçalar yan dkkate alınan parçalar se şu şekldedr: Rops, Kaporta lstes, Frewall, 15

28 Baskılar, Platform ayakları, Ponte ön-arka mesnet, şaft ml, Kablolar, Radyatör, 56 kabnler. Bu parçaların stok mktarları ve o gün üretlmes gereken traktör mktarları karşılaştırılmakta ve eğer elde traktörün üretleblmes çn yeterl stok yoksa üretm planında değşklkler yapılmaktadır. Ancak değşklk yapılmadan önce parçanın tedark edlmes gb br durum var se değşklk bu duruma göre yapılmaktadır ya da parçanın ne zaman tedark edleceğ gb br blg varsa üretm planı bu blgye göre değştrlmektedr. Ayrıca günlük stok mktarları kontrol edlrken sadece br sonrak günün üretm düşünülmemektedr. Eğer lerdek üretmler çn stok mktarı yeterl değl se sparş verlmes çn dğer brmlere blg verlmektedr. Yan kontrol uzun döneml yapılmaktadır. Günlük üretm planında değşklkler yapılırken modellern özellklerne göre değşkler yapılmaktadır. Üretm aksatmayacak şeklde üretmden kaldırılan modeln özellklerne benzer özellktek modeller üretme aktarılmaktadır. İşletmede mevcut duruma lşkn üretm planının akışı aşağıda açıklanmaktadır. Ayrıca üretm planı ş akışı Ek 1 de verlmektedr. Üretm Planı Akışı: Adım1: Üretm planının gerçekleştrleceğ ay ve günler belrle. Adım2: Üretlecek yerl ve yabancı traktör modellern, toplam üretm mktarlarına göre, 56 ve 66 sers toplamlarının 5 n katı olacak ve 66 sers ropslu traktörlern günlük üretm sayısı belrlenen mktarda olacak şeklde talep tarh sırasına göre belrle. Adım3: Üretm planının gerçekleştrldğ ay çn yabancı traktör modellernde eğer yeterl sayıda ropslu veya kabnl traktör model yok se bu traktör modellern br sonrak ayın verlernden talep tarh sırasına göre al. 16

29 Adım4: Ponte, kabn ve motor parçalarının stoklarının yeterl olup olmadığını kontrol et. Yeterl stok bulunmayan veya tedark edlmesnde sorun olan parçalar var se bu parçaların kullanıldığı traktör modellern belrle. Adım5: 56 ve 66 sers traktör modellern ve bu modellern üretlmes gereken günlük mktarlarını belrledkten sonra her modeln ayın her günü çn olabldğnce düzgün br şeklde dağıtımını gerçekleştr. Ancak dağıtımı gerçekleştrrken aşağıdak kısıtları değerlendr: Adım5.1: 66 sers ropslu traktör modellernn toplam günlük mktarının belrlenen sayıda olup olmadığını kontrol et. Adım5.2: 56 ve 66 sers traktör modellernn toplam günlük mktarının 5 n katı şeklnde olup olmadığını kontrol et. Adım5.3: Eğer ponte ve motor çeştlernn herhang brnde stoklar yeterl değl se veya bu parçaların tedark edlmesnde br sorun var se bu parçalara sahp traktör modellernn dağıtımını bu blgye göre gerçekleştr. Adım 6: DUR 3.2 Mevcut Uygulamaya Yönelk Br KDS Tasarımı Ve Gelştrlmes Mevcut uygulamaya yönelk KDS Mcrosoft Excel ve VBA(Vsual Basc for Applcaton) ortamında gelştrlmştr. Karar vercnn programı aktf halde kullanması, sürekl tekrar edlen şlemlern otomatk hale getrlmes ve karar vercye kolaylık sağlaması amacıyla Mcrosoft Excel ve VBA(Vsual Basc for Applcaton) seçlmştr. Mcrosoft Excel, tablolama tabanlı arayüz özellğ, kend çnde bulunan veya kullanıcı tanımlı fonksyon ve formüller, grafksel özellkler, ver tabanı kolaylıkları, ver analz özellkler, makro kaydı ve VBA(Vsual Basc for Applcaton) programlama desteğ le KDS nn uygulaması çn hızlı uygulama ve gelştrme aracıdır (Korkmaz, [19]). Tasarlanan sstem; karar vercnn sahp olduğu blg ve deneymler kullanableceğ, karar vercye kolaylık sağlayacak, senaryo analzn destekleyecek ve ona seçenekler sunan gerçek hayatta kullanılablecek, gerçek br karar destek aracı olması dolayısıyla çevk üretm felsefesnn amacını doğrudan desteklemektedr. 17

30 Problem çn gelştrlen KDS nde lk olarak aylık üretlmes gereken traktör modeller ve bu traktör modellernn mktarları belrlenmektedr. Bu şlem se karar vercnn üretm mktarları hakkında verdğ blgler le gerçekleştrlmektedr. Üretm planı bu aşamadan sonra gerçekleştrlmektedr. Şekl 3.1 KDS nn Ana Sayfası Şekl 3.1 de KDS nn ana sayfası gösterlmektedr. Bu sayfada gerekl açıklamalar yer almaktadır. Bu arayüz karar vercy üretm planını gerçekleştrmek üzere lgl sayfaya yönlendrmektedr. 18

31 Şekl 3.2 KDS nn Üretm Günlernn Belrlendğ Sayfa Şekl 3.2 de gösterlen sayfada karar verc üretm planının gerçekleştrleceğ günler belrlemektedr. Karar verc takvmden stedğ günü stedğ sayıda seçeblmektedr. Üretm planı bu günlere göre gerçekleştrlmektedr. Bu arayüz karar vercye sstemde ver tabanındak verlern güncellemesn ve yen br aya lşkn üretm planının gerçekleştrleblmes çn gerekl düzenlemeler yapablmesn sağlamaktadır. Şekl 3.3 de görüldüğü gb yen br aya lşkn üretm planı çn gerekl düzenlemeler yapılmakta ve karar verc stedğ ayı ve günler seçerek devam etmektedr. Şekl 3.3 KDS nn Üretm Günlernn Belrlendğ Sayfa 19

32 Bu arayüz karar vercnn Şekl 3.4 de gösterldğ gb üretm blglern grmesn sağlamaktadır. Karar verc burada üretm planının gerçekleştrleceğ aya at toplam yerl ve yabancı traktör mktarlarını grmektedr. Ayrıca günlük üretlmes gereken toplam traktör mktarını ve ropslu traktör mktarını da grmektedr. Sstem bu blgler kullanarak ver tabanından talep tarhlern de göz önünde bulundurarak üretlmes gereken traktör modellern ve mktarlarını belrlemektedr. Şekl 3.4 KDS nn Traktör Mktarlarının Belrlendğ Kullanıcı Formu Şekl 3.5 KDS nde Üretm Mktarlarına İlşkn Blglern Verldğ Kullanıcı Formu 20

33 Karar verc üretm blglern belrledkten sonra sstem o ay çn üretlmes gereken yerl traktörler belrlemektedr. Ayrıca toplam yerl traktör üretm mktarının 5 n katı olablmes çn gerekl uyarılarda bulunmaktadır (Şekl 3.5). Yan eğer o ay çn toplam mktar 5 n katı değl se bunu belrtmekte ve toplam mktarın 5 n katı olablmes çn k ayrı seçenek sunmaktadır. Bunlardan brncs karar verc bu değşklğ kends yapablmektedr. Üretlecek yerl traktörlern mktarlarında kend terchlerne dayalı olarak değşklk yapablmekte ve toplam mktarın 5 n katı olmasını sağlayablmektedr. İknc seçenekte se karar verc bu değşklğ sstemn kendsnn yapmasını steyeblmektedr. Yan sstem toplam mktarın 5 n katı olmasını sağlayacak şeklde br sonrak aydan bu aya üretlecek traktörler talep tarh sırasına göre aktarmaktadır. Bunun dışında eğer toplam mktar 5 n katı se bu durumda karar verc yne üretlecek traktör sayısında değşklk yapablmektedr. Yan karar vercnn özel br steğ veya belrl br model çn br terch var se bu blgy de üretme yansıtablmektedr. Ancak yne toplam mktarın 5 n katı olmasını sağlamak zorundadır. Bu blgler verldkten sonra karar verc eğer değşklk yapmak styorsa değşklklern sayfa üzernde yapılması gerektğn aktaran br uyarı gelmektedr (Şekl 3.6). Şekl 3.6 KDS nde Karar Vercye Blglern Verldğ Kullanıcı Formu Şekl 3.7 KDS nde Karar Vercye Uyarıların Verldğ Kullanıcı Form 21

34 Şekl 3.7 de se karar vercnn üretm blglern grdğ aşamadak yerl traktör sayısı le o aydak ver tabanında bulunan toplam yerl traktör sayısının brbr le uymadığını söyleyen br uyarı ekrana gelmektedr. Tüm bu şlemlerden sonra Şekl 3.8 de o ay çn üretlecek yerl traktör modeller ve mktarları, bunun yanında karar vercnn üretm blgler olarak grdğ mktarlar gösterlmektedr. Karar verc yukarıda anlatılan değşklkler bu arayüzde gerçekleştrmektedr. Şekl 3.8 KDS nde Yerl Traktörlern Üretm Blglernn Gösterldğ Sayfa 22

35 Şekl 3.9 KDS nde Üretm Mktarlarına İlşkn Blglern Verldğ Kullanıcı Formu Karar verc tüm blgler ssteme aktardıktan sonra lgl şleme devam etmek stedğnde eğer belrledğ mktarlar üretm blgler le uymuyorsa sstem bu blglern aynı olmadığı konusunda karar vercy uyarmakta ve tekrar değşklkler yapması çn beklemektedr (Şekl 3.9). Bu aşamadan sonra üretlecek yerl traktörler ve mktarları belrlenmş durumda olacaktır. Artık sstem grlen üretm blglerne göre üretlmes gereken yabancı traktörler belrleyecektr. Yabancı traktörler belrlenrken dkkate alınacak lk ölçüt traktör modellernn talep tarhlerdr. Daha sonra günlük üretlmes gereken ropslu traktör sayısı dkkate alınmaktadır. Kabnl traktör sayısı se toplam ropslu traktör sayısına göre belrlenmektedr. Yan o ayda toplam ropslu traktör sayısı kadar model yok se bu durumda br sonrak aydan bu aya ropslu traktör aktarılablmektedr. Aynı şlem kabnl traktörler çn de uygulanmaktadır. İlk olarak bu sayılara göre üretlecek traktörler belrlenmektedr. Ancak eğer br sonrak ayda da yeter kadar kabnl veya ropslu traktör mevcut değl se bu durumda sstem karar vercy uyarmaktadır ve bu Şekl 3.10 da gösterlmektedr. 23

36 Şekl 3.10 KDS nde Üretm Mktarları Hakkında Blgnn Verldğ Uyarı Bölümü Tüm bu şlemler yapıldıktan yan üretlecek yerl, yabancı traktörler ve mktarları belrlendkten sonra Şekl 3.11 de gösterlen arayüze sstem karar vercy yönlendrmektedr. Bu arayüz karar vercnn bazı özel durumlar çn blglern aktardığı ve bu blglere göre üretm planının gerçekleştrlmesne karar verdğ br arayüzdür. Bazı aylarda traktörlern belrl ponte ve motor çeştlernde parça sıkıntısı yaşanmaktadır. Yan parçalar o ay çn üretmn yapılacağı tarhlerde bulunmamakta ve ayın sonlarına doğru üretmlernn kaydırılması gb br durum ortaya çıkablmektedr. Bu durumda karar verc bu blglern kullanarak o ponte ve motor çeşdne sahp traktörlern üretmn belrledğ mktarda ayın son günlerne aktarma kararını vereblmektedr. Karar verc eğer ponte çeştlernde veya motor çeştlernde böyle br karar vermek styorsa lk olarak belrlenen hücreye 1 yazmakta ve bulunan çeştlerden hangs üzernde karar vermek styorsa o çeşde lşkn hücrenn sol kısmına 1 yazmaktadır. Daha sonra ayın son kaç gününe aktarma yapmak styorsa bu blgy de gerekl hücreye yazmaktadır. Karar verc brden fazla çeştte bu şlem yapablmektedr. Buna lşkn arayüz se Şekl 3.11 de verlmektedr. 24

37 Şekl 3.11 KDS nde Karar Vercnn Blglern Aktardığı Sayfa Karar verc tüm blgler ssteme aktardıktan sonra lgl arayüze yönlendrldğnde traktör modellernn, mktarlarının ve özellklernn bulunduğu sayfa gösterlmektedr. Bu arayüz üretm planının tüm kısıtlara göre dağıtımının gerçekleştrldğ ve gerekl hücrelere verlern aktarıldığı br arayüzdür (Şekl 3.12). Şekl 3.12 KDS nde Aylık Planın Sonuçlarının Gösterldğ Sayfa Gelştrlen KDS, belrlenen kısıtlara ve özellklere göre üretm planını gerçekleştrmenn yanında belrlenen ay çn üretlmes gereken traktör modellern de belrlemektedr. İzleyen bölümde üretm planının gerçekleştrmesnde kullanılablecek, probleme özgü gelştrlen yaklaşımlar anlatılmaktadır. 25

38 4. KİTLESEL ÖZEL ÜRETİME YÖNELİK HEDEF PROGRAMLAMA TABANLI ÜRETİM PLANLAMA YAKLAŞIMI Ktlesel özel üretmn hayata geçrlmes br dz üretm hedefn ve bunların üretm plan ve programlarına yansıtılmasını gerektrmektedr. Söz konusu hedeflern planlama operatörler tarafından üretm plan ve programlarına yansıtılması sadece br kaç hedef çn olanaklıdır ve bununla yetnlmes ktlesel özel üretmden sınırlı br faydanın sağlanması anlamına gelmektedr. Bu bölümde ktlesel özel üretme yönelk br hedef programlama model önerlmekte ve gelştrlmektedr. 4.1 Problem İçn Gelştrlen Matematksel Model Problem çn oluşturulan matematksel model, traktör modellernn hang gün, ne mktarda üretleceğn belrlemek amacı le gelştrlmştr. Yan bu matematksel modeln çözümü sonucunda aylık üretm planı elde edlmektedr. Matematksel modeln kısıtları traktör üretm yapan frmada üretm takp bölümünden alınan blgler doğrultusunda oluşturulmuştur. Matematksel modeln amaç fonksyonu se günler bazında üretlen traktör modellernn üretm mktarları arasında değşmn en küçüklenmesdr. Buradak amaç üretm günler bazında düzgünleştrmek, model değşmlernn üretmdek olumsuz etklern en aza ndrmektr. Problem çn gelştrlen karar modelne lşkn varsayımlar, tanımlar, göstermler, parametreler ve karar değşkenler aşağıdak gbdr: Problemn Varsayımları: Traktörlern üretm çn gerekl parçalar üretm hattında htyaç duyulduğu tüm zamanlarda hazır bulunmaktadır. Her şç tüm traktör modellernn üretmn gerçekleştreblecek yeteneğe sahptr. Hazırlık zamanları üretm aksatacak şeklde zaman almadığı çn hmal edlmektedr. Üretmde gerekl durumlarda fazla mesa yapılmaktadır. 26

39 Br traktör modelnn br adet üretm le brden fazla üretm arasında üretm hızı bakımından br fark bulunmamaktadır. Notasyonlar: : Aylık planda model çeşd nds =1,,M j: Aylık planda çalışma günü nds j=1,,g k: 56 ve 66 sers traktör çeşd nds K ={1,2} l: kabnl veya ropslu traktör çeşd nds L ={1,2} m: traktörün motor çeşd nds MT ={1,,6} n: traktörün ponte çeşd nds N ={1,,28} G: Aylık planda toplam çalışılacak gün sayısı M: Aylık planda toplam model sayısı Aylık planda toplam çalışılacak gün sayısı çoğunlukla 21 veya 22 gün olmaktadır. Bu sayı eğer o ay çersnde özel br durum var se değşeblmektedr. Bunun yanında aylık planda toplam model sayısı üretlecek aylık toplam traktör sayısına, üretlecek 66 sers ropslu traktör sayısına ve üretlecek yabancı traktör sayısına göre değşeblmektedr. Parametreler: R : Aylık planda j. günde üretlecek 66 sers ropslu traktör sayısı j EA : Aylık planda j. günde üretlecek 56 sers traktör sayısı j AA : Aylık planda j. günde üretlecek 66 sers traktör sayısı j T : Aylık planda. modelden üretlecek aylık toplam mktar Karar Değşkenler: x :. modelden j. günde k. traktör sersnden l. özellkte m motor ve n ponte jklmn özellğnde üretlecek traktör sayısı 27

40 Karar Model: M = 1 M = 1 M = 1 G j= 1 x x x x jklmn jklmn jklmn jklmn = R = T,, = EA = AA j j j, k = 1, l L, m MT, n N, l = 2, k k = 2, m MT, n N 2, l L, m MT, n N k K, l L, m MT, n N = ve jçn ve jçn ve jçn ve çn (1) (2) (3) (4) x jklmn 0 ve tamsayı,, j, k K, l L, m MT, n N çn (5) kısıtları altında Enk Z = M G ( x, j+ 1, klmn xjklmn ) = 1 j= 1 Yukarıdak karar modelnde (1) numaralı kısıt günlük 66 sers ropslu traktörlern belrl br mktarı geçmemesn sağlamaktadır. Her gün çn 66 sers ropslu traktörlern toplam üretm mktarı belrl br sayıda gerçekleşmektedr. (2) numaralı kısıt yne her gün çn 56 sers toplam traktör mktarının belrl br sayıda gerçekleşmesn sağlamaktadır. Aynı şeklde (3) numaralı kısıt her gün çn 66 sers toplam traktör mktarının belrl br sayıda gerçekleşmesn sağlamaktadır. (4) numaralı kısıt her br modeln önceden belrlenen mktarda üretlmesn sağlayan kısıttır. Modeln üretm mktarı, ay çersndek günlerde toplam üretm mktarına eşt olmalıdır. Son olarak (5) numaralı kısıt traktör modellernn günlük üretm mktarlarının sıfırdan büyük ve tamsayı olmasını sağlamaktadır. Modeln amaç fonksyonu se traktör modeller çn günler arasındak toplam değşmn en küçüklenmesn gerçekleştrmektedr. Yan ardışık günlerdek üretm mktarları farkının toplam değernn en küçüklenmesdr. Bu modelde tüm kısıtlar eştlk halnde olup, hedeflerden sapmalara asla zn vermezler. Böyle kısıtlara bundan sonra kırılgan (hard) kısıtlar denecektr. 28

41 4.2 Problem İçn Gelştrlen Hedef Programlama Model Problem çn gelştrlen hedef programlama modelnde matematksel modelde kullanılan notasyonlar ve parametreler kullanılmıştır. Hedef programlama modelnn karar değşkenler ve hedef programlama model se aşağıda verlmektedr. Karar Değşkenler: x :. modelden j. günde k. sersnden l. özellkte m motor çeşd ve n ponte jklmn çeşdnde üretlecek traktör sayısı S : Traktör modelnn günlük üretm mktarları arasındak sapma mktarı s Hedef Programlama Model: S S S S S x e s e s e s e s e s S S S S S jklmn a s a s a s a s a s = = = = 0 M = 1 M = 1 M = 1 G j= 1 = x x x x x jklmn jklmn jklmn jklmn, j+ 1, klmn R T x ve tamsayı,,, EA AA j j j jklmn l =, k = 1, l L, m MT, n N ve j, k = 2, l L, m MT, n N, k K, l L, m MT ve n N, 2, k = 2, m MT, n N ve j ve j, j, k K, l L, m MT ve n N, j,k K, l L, m MT, n N çn çn çn çn çn çn kısıtları altında Enk Z = S e a ( S s + S ) s s= 1 Karar verc eğer herhang br ponte veya motor parçalarının br çeşdnde son günlere aktarma gb br terchte bulunursa bu durumda hedef programlama model aşağıdak gb olmaktadır: 29

42 A: Herhang br ponte veya motor çeşdnde stok kısıtı var se son günlere aktarmada gün sayısı Hedef Programlama Model: S S S S S x e s e s e s e s e s S S S S S jklmn a s a s a s a s a s = = = = 0 M = 1 M = 1 M = 1 G j= 1 = x x x x x jklmn jklmn jklmn jklmn, j+ 1, klmn R T x ve tamsayı,,, EA AA j j j jklmn l =, k = 1, l L, m MT, n N ve j, k = 2, l L, m MT, n N, k K, l L, m MT ve n N, 2, k = 2, m MT, n N ve j ve j, j, k K, l L, m MT ve n N, j,k K, l L, m MT, n N çn çn çn çn çn çn kısıtları altında Enk Z = S G A e a ( S + S ) + d * s s s= 1 j= 1 x jklmn 4.3 Modeln Çözümünde Karşılaşılan Sorunlar Gelştrlen karar model temelde traktörlern günlük üretm mktarlarının belrlenmesne yönelk olduğundan tamsayı olmayan değşken değerler çn anlamlı olmamaktadır. Dal-Sınır algortması tabanlı çözücü yazılımlarda problemn çözüm süres kabul edleblr sürelern dışına kolayca çıkablmektedr. Bu durumda karar vercnn farklı üretm planları oluşturup aralarında bell ölçütlere göre seçm yapma, kısa sürede bu çözümler üretme yansıtablme şansı kalmamaktadır. Belrtlen gerekçeler doğrultusunda burada çözüm kaltes (en y veya en yye yakınlık) le çözüm süresn dengeleyecek yaklaşımlar üzernde durulmaktadır. Bu yaklaşımlar en y çözümü garant eden yaklaşımlar değldr ancak en y çözüme yakın çözümler kısa sürede elde edeblecek ve karar vercnn etkn br şeklde kullanableceğ yaklaşımlardır. Bu aşamada k yaklaşım üzernde durulmuştur. İlk, br yerel açgözlü arama olarak adlandıracağımız, tamsayılı olmayan modeller (LP relaxaton) teratf olarak hızlı br şeklde çözecek ve tamsayı çözüme götürecek br dz şlemden oluşan yaklaşımdır. Bu yaklaşımda, doğrusal model çözücü (Lngo 30

43 yazılımının 8.0 sürümü) br üst (master) program tarafından (Excel VBA) br alt program gb kullanılarak çözümler elde edlmektedr. Dğer se tamsayılı olmayan modeln çözülmes (Lngo yazılımının 8.0 sürümü le) ve elde edlen değerlern gelştrlen br genetk algortma (Excel VBA) yardımı le tamsayılı değerlere yuvarlanması yaklaşımıdır. Her k yaklaşımda da problemn özellklernn modeln çözümüne katkıda bulunması sağlanmaktadır. 31

44 5. GELİŞTİRİLEN HEDEF PROGRAMLAMA MODELİNİN ÇÖZÜMÜNE YÖNELİK ÖNERİLER 5.1 Yerel Açgözlü Arama (Y.A.A.) Yaklaşımı Yerel arama, kombnatoryal en yleme problemler çn brçok sezgsel metodun temeln oluşturmaktadır. Yerel arama, y yaklaşık çözümlern bulunmasında bast teratf yleştrme metodudur. Brçok durumda yerel arama keyf br çözüm le başlar ve yerel en y çözüm le sonlanır. Y.A.A. se en y yleştrmey sağlayan br metottur ve mevcut çözümü tüm komşuların araştırılması sonucunda yleştren çözüm le değştrr [20]. Y.A.A., en esk, bast ve çok fazla kullanılan teratf olarak yleştrme sağlayan br metottur. Bu metotta y br çözüme ulaşılıncaya kadar her terasyonda y olası br yönde lerleme gerçekleştrlr. Açgözlü arama hızlı br arama yöntemdr [21]. YAA, her br çözüm noktasından keyf olarak hareket etmek yerne, üzernde bulunulan br çözümden lerleyerek olası tüm çözümler arasından en ysn seçmeye çalışır. Buradak rsk se, yerel blgye dayanarak yalnızca br sonrak çözüme bakılmasıdır. YAA algortmasında, herhang br başlangıç çözümü btrme koşulu sağlanıncaya kadar adım adım yleştrlmeye çalışılır. Bu metodun temelnde, tanımlanan bazı kurallara göre br çözümden br dğer komşu çözüme geçş vardır [22]. Bu algortmaların temel problem, arama uzayında tüm komşu çözümlern araştırılması aşamasında yerel br noktaya yakalanma ve bu çözümden daha y br çözüme ulaşamama durumunda algortmanın sonlanmasıdır. Açgözlü algortmalar olarak tepe tırmanma, kısıt ağırlıklandırma ve tabu arama sezgseller gösterleblr. Yerel aramanın temel şekl, çözümün amaç fonksyonu değern en fazla yleştren değşklğn seçm üzerne odaklanmıştır. Bu metot se tepe tırmanma metodu olarak adlandırılmaktadır. Tepe tırmanma algortmasında başlangıçta rassal olarak br çözüm elde edlr. Daha sonra en y yleştrmey 32

45 sağlayan değşklk yen çözüm olarak kabul edlr. Bu şlemler yleştrme elde edlemeyene kadar devam eder. Kısıt ağırlıklandırma yöntemnde, yerel optmuma yakalanmamak amacı le hlal edlmş kısıtların toplam ağırlıkları malyetn br ölçüsü olarak kullanılmaktadır. Algortmanın şleyş sırasında eğer olası br çözüm elde edlemyor se bu durumda ağırlıklar değştrlmekte ve yen çözümler aranmaktadır. Tabu arama yöntemnde se yerel en yye yakalanma durumu yasak çözümlern lstes olan tabu lstes le aşılmaktadır. Algortmada ancak yasak olmayan çözümler arasından en y çözüm seçleblmektedr [22]. 5.2 Önerlen Y.A.A. Yaklaşımı Önerlen Y.A.A. yaklaşımında hedef programlamanın tamsayı koşulsuz çözdürülmes sonucunda elde edlen sonuçlar kullanıldığından yerel arama söz konusudur. Bu yaklaşım hedef programlama modelnn tamsayı koşulsuz çözümünün elde edlmesnn ardından elde edlen sonucu değerlendrmektedr. Yan tamsayı olmayan değerlern tamsayıya dönüştürülmes aşamasında kullanılan br yaklaşımdır. Bu aşamada lk olarak hedef programlama model tamsayı koşulsuz çözdürülmekte, elde edlen sonuçlar ncelenerek ve hedef programlama model güncellenerek çözüm elde edlmektedr. Bu şlem n deneme yapılarak çalıştırılmaktadır ve sonuçta tüm modellern her güne lşkn mktarları tamsayıya çevrlmektedr. Modeln çözümü Lngo 8.0 paket programı le çözümlern ncelenerek yen modellern oluşturulması şlem Ms Excel le gerçekleştrlmektedr. Bu k program brbryle etkleşml olarak çalıştırılmaktadır. Önerlen Y.A.A. yaklaşımında k farklı yöntem gelştrlmştr. İzleyen bölümlerde gelştrlen lk yöntem Y.A.A.1, knc yöntem se Y.A.A.2 olarak adlandırılacaktır. Y.A.A.1 yöntemne lşkn akış şeması Şekl 5.1 de gösterlmektedr. 33

46 Şekl 5.1 Önerlen Y.A.A.1 Algortması İş Akışı 34

47 Şekl 5.1 de verlen algortma ncelenecek olursa lk olarak hedef programlama model tamsayı koşulsuz çözdürülmektedr. Elde edlen çözümde lk olarak toplam üretm mktarı 1 olan traktör modeller ncelenmekte ve bunların üretmne öncelk verlmektedr. Buradak amaç, farklı modellern gün bazında toplam üretm mktarlarının homojen olarak dağıtılması ve üretmde meydana getreceğ olumsuzlukların ortadan kaldırılmasıdır. Bu amaç doğrultusunda her br aşamada, günler bazında üretm gerçekleşen modellern toplam mktarı ncelenmekte ve günlük ortalama mktarı aşan durumlarda o traktör modelnn üretm o gün çn sıfır olarak alınmaktadır. Bunun sonucunda üretm 1 olan traktör modellernn gün bazında toplam mktarlarının homojen dağılımı sağlanmaktadır. Algortmada toplam üretm mktarı 1 olan traktör modellernn günlük üretm mktarları ncelenmektedr. Eğer toplam üretm mktarı 1 olan traktör modellernn çersnde herhang br modeln üretm mktarı sıfır olarak atanmış se br sonrak modelde tamsayı koşulu verlmek üzere o model seçlmektedr. Seçlen modeln hang günlerde üretm mktarları sıfır se o günler sıfır olarak sabtlenmekte ve dğer günlere tamsayı koşulu verlerek model güncellenmektedr. Güncellenen model tekrar çözdürülüp sonuçlar kaydedlmektedr. Br sonrak aşamada artık seçlen modeln tüm günlerne at tamsayı değerler alınarak bu değerler sonrak terasyonlarda sabt br şeklde modele gönderlmektedr. Bu şlem toplam üretm mktarı 1 olan traktör modellernn tüm günlere lşkn üretm mktarları tamsayıya dönüştürülünceye kadar devam etmektedr. Daha sonra toplam üretm mktarı 1 den büyük olan modeller ncelenmekte ve bu modeller çn yne aynı şlemler uygulanmaktadır. Sonuçta tüm modellern tamsayıya dönüştürülmes şlem gerçekleşmektedr. Y.A.A.2 yöntemnde se Y.A.A.1 yöntemnde uygulanan şlemlere ek olarak tüm modeller çn çözüm değerler her terasyonda ncelenmekte ve eğer herhang br modeln o aşamada tüm günlere lşkn üretm mktarları tamsayı değern almış se bu traktör model de sonrak terasyonlar çn sabtlenmektedr. Buna lşkn algortma se Şekl 5.2 de gösterlmektedr. Ayrıca algortmaların ş akışlarına ek olarak oluşturulan akışlar Ek 2 de verlmektedr. 35

48 Şekl 5.2 Önerlen Y.A.A.2 Algortması İş Akışı 36

49 5.3 Genetk Algortma(GA) GA, doğal seçm ve genetk blm mekanzmasına dayalı rassal br arama prosedürüdür [23]. GA, Darwn'n "en y olan yaşar" prensbne dayalı olarak doğadak canlıların gelşm sürecn örnek alır. GA nın lk aşamasında arama uzayındak tüm mümkün çözümlern br alt kümesnden oluşan başlangıç yığını elde edlr. Yığının her elemanı br dz olarak kodlanır ve her br dz genetk blmnde kromozoma karşılık gelr. Yığındak her br dznn se br uygunluk değer vardır. GA, anne ve babadan oluşan çocuk breylern tüm şartlara uyum sağlayıp yaşamlarını devam ettrmelerne dayanmaktadır. Ancak anne ve babadan oluşan çocuk breyler y genler alableceğ gb kötü genler de almış olablrler. Bu durumda kötü genlere sahp çocuk breyler "en y olan yaşar" prensbne göre varlıklarını sürdüremeyecektr [24]. GA, lk olarak John Holland ve arkadaşlarının lderlğndek çalışmalar sonucu 1970 l yıllarda ortaya çıkmış ve 1975 yılında John Holland ın Doğal ve Yapay Sstemlerde Adaptasyon (Adapton n Natural and Artfcal Systems) adlı ktabında yayınlamıştır. GA, geleneksel enyleme yöntemleryle çözümü zor veya mkansız olan problemlern çözümünde kullanılmaktadır. Başlangıçta sürekl doğrusal olmayan ve sürekl değşkenlere sahp en yleme problemlerne uygulanan GA, sonraları gezgn satıcı, karesel atama, tess yerleşm, atölye çzelgeleme, ders/sınav programı hazırlanması, topoloj tasarımı gb kombnatoryal en yleme problemlernde de başarıyla uygulanmıştır. Son yıllarda se üretm planlama, fnansman, tasarım ve elektronk gb farklı alanların alt brmlerndek çalışmalarda GA nın kullanımı artmaktadır [24] GA nın çalışma prensb GA da breylern oluşturduğu br yığın le şleme başlanır. Her neslde her br brey çn amaç fonksyonunun değer, onun uygunluğu olarak değerlendrlr ve 37

50 uygunluğu yüksek olan breyler seçlerek yen br yığın elde edlr. Böylece, breylern uygunluğuna dayalı yen çözümler oluşturulur. Yüksek uygunluk değerne sahp breyler sıklıkla seçldğ çn daha uygun olan breylern yığına katılması yönünde baskı vardır [24]. GA da başlangıçta belrl br sayıda dzye sahp yığın oluşturulur ve farklı seçm mekanzmalarından br kullanılarak yığından farklı dzler (kromozom) seçlr. Daha sonra seçlen bu dzlere çaprazlama ve mutasyon belrl olasılıklar le uygulanarak yen çözümler elde edlr. GA nın kullanılan seçm mekanzmaları, çaprazlama ve mutasyon operatörler sayesnde yerel en yye yakalanma olasılığı çok azdır ve bu özellğ le GA dğer algortmalardan ayrılır. Bast br GA nın şleyş aşağıdak gbdr: Adım1: Çaprazlama olasılığı, yığın genşlğ, mutasyon olasılığı, durdurma ölçütü gb parametre değerlern belrle. Adım2: Başlangıç yığınındak kromozomları (dzler) rassal olarak oluştur ve bu yığını esk yığın olarak adlandır. İterasyon =1 den Durdurma Ölçütüne kadar; Adım3: Esk yığındak her br kromozomun uygunluk değerlern hesapla. Yığın genşlğne ulaşıncaya kadar Adım4 ve Adım5 tekrarla. Adım4: Belrlenen br seçm stratejsn kullanarak esk yığından rassal olarak k kromozom(anne ve baba breyler) seç. Adım5: Bu k kromozoma çaprazlama ve mutasyon operatörlern uygula. Bu şlemden sonra gerekl uygulamaları gerçekleştr ve oluşan çocuk breyler yen yığına kopyala. Adım6: Elde edlen yen yığını esk yığın olarak değştr. Tekrarla Adım7: Son yığındak en y çözümü göster. Adım8: DUR 38

51 5.3.2 GA nın temel kavramları GA nın verml br şeklde çalışması ve y çözümlern elde edleblmes çn algortmanın yapısında kullanılan kavramların ve bu kavramların değerlernn çok y belrlenmes gerekmektedr. Aşağıda bu kavramlara değnlmektedr: Gen Kromozom yapısındak en küçük yapı brmne gen adı verlr. Genler kend başlarına genetk blg taşırlar. Gen yapıları algortmayı kullanan kşnn tanımlamasına bağlı olarak değşr Kromozom Br veya brden fazla gen yapılarının br araya gelerek oluşturduğu dzlere kromozom adı verlr. Kromozom problemn çözümüne at tüm blgy çerr Yığın (popülasyon) Yığın, çözüm blglern çeren kromozomların br araya gelmes le oluşur. Yığındak her br breye kromozom, kromozomdak her br blgye se gen adı verlr. Yığındak kromozom sayısı problem çn belrlenen sabt br sayıya eşttr Yenden üretm şlem Mevcut yığından gelecek yığına taşınacak olan dzlern seçlmes şlemdr. Taşınan dzler, genetk olarak mevcut yığında en uygun yapıya sahp dzlerdr. Bu şlem le özel genetk yapıların br sonrak yığına taşınması sağlanır [24]. 39

52 Uygunluk değer Uygunluk değer, yen yığına taşınacak dzlern belrlenmesnde kullanılan br araçtır. Algortmanın her terasyonunda yığındak dzlern uygunluk değer (amaç fonksyonu değer) hesaplanır. Br dznn uygunluk değer, problemn amaç fonksyonu değerne eşttr. Br dznn gücü uygunluk değerne bağlı olup y br dz, problemn yapısına göre en büyükleme problem se yüksek, en küçükleme problem se düşük uygunluk değerne sahptr [24] GA da dz gösterm ve gösterm bçmler GA'yı dğer arama metotlarından ayıran en öneml özellk, parametrenn kends yerne parametreler temsl eden dzler kullanmasıdır. Bu nedenle herhang br probleme GA nın uygulanmasındak lk adım, problem çn arama uzayını en y şeklde temsl eden uygun br kodlama yapısının seçlmesdr. GA da dz gösterm gerekl blgy tutma ve çözümü dz halnde sunma şlemdr. GA da kullanılan temel gösterm bçmler aşağıdak gbdr [24]: 0-1 (kl sayı) gösterm: Bu gösterm bçm GA da temel gösterm bçmdr. Kromozomlar yalnızca 0 ve 1 sayılarından oluşacak şeklde kodlanırlar. 0-1 göstermn kullanıldığı problem türlerne örnek olarak sırt çantası problem (sermaye bütçeleme, kargo yükleme), küme kaplama problem, grup teknolojs problemler, çok kısıtlı sırt çantası problem, topoloj tasarımı problemler gösterleblr [24]. Gerçek değerl gösterm: Br probleme lşkn parametreler sürekl olduğunda, parametreler kesn br doğrulukla fade edeblmek ve kromozom uzunluklarının fazla olmasını engellemek açısından kullanımı uygun br gösterm şekldr. Gerçek değerl göstermn kullanıldığı problem türlerne örnek olarak kısıtsız en yleme, doğrusal olmayan programlama, stokastk en yleme, doğrusal olmayan hedef programlama gb problemler gösterleblr [24]. Permütasyon gösterm: Permütasyon gösterm, problemlerde lstenn elemanlarının sıralanması veya doğru sırada fade edlmes gerektğ 40

53 durumlarda kullanılmaktadır. Permütasyon göstermn kullanıldığı problem türlerne örnek olarak sırt çantası, atölye çzelgeleme, gezgn satıcı, tek/çok sıralı makne yerleşm, kaynak kısıtlı proje çzelgeleme problemler gösterleblr [24] Yenden üretm mekanzmaları Başlangıç yığını oluşturulduktan sonra algortmanın her çevrmnde, yen yığının dzler br olasılıklı seçm sürec le mevcut yığının dzler arasından seçlr. Yüksek uygunluk değerne sahp dzler, yen dzlern elde edlmesnde yüksek olasılığa sahptr. GA da yaygın olarak kullanılan seçm mekanzması rulet çember seçm mekanzmasıdır. Bu metotta çember, n aralığa bölünmektedr. Çemberdek. aralık yığındak. dzy temsl etmektedr ve bu aralığın genşlğ, bu dznn seçlme olasılığına eşttr. Bu durumda çemberdek aralık genşlklernn toplamı 1'e eşt olmaktadır. Seçm aşamasında çember, n defa çevrlr ve her çevrmede 0-1 aralığında br sayı üretlmektedr. Üretlen sayının düştüğü aralıktak dz, yen yığına kopyalanır [23]. Lteratürde mevcut ve çok sık kullanılan yenden üretm mekanzmaları 4 ana grupta toplanmıştır. Bu yenden üretm mekanzmaları orantılı, sıralı, turnuva ve denge durumu yenden üretm mekanzmalarıdır [24]. Orantılı yenden üretm mekanzmasında yığındak her breyn seçlme olasılıkları belrlenr ve bu olasılıklar kullanılarak br sonrak yığın oluşturulur. Bu grupta bulunan yenden üretm mekanzmaları; rulet çember, rasgele artan ve rasgele evrensel artan metotlarıdır [24]. Sıralı yenden üretm mekanzmasında yığındak breyler, uygunluk değerlerne göre küçükten büyüğe doğru sıralanır. En yden başlayarak br azalan fonksyon yardımı le dzlere kopya sayısı atanır ve orantılı seçm mekanzmalarından brs kullanılarak yen yığın elde edlr [24]. 41

54 Sıralı seçm mekanzmasının sahp olduğu avantajlara sahp olan turnuva seçm mekanzmasında, yığından rassal olarak br grup dz seçlr. Bu grup çersndek en y uygunluk değerne sahp dz yen yığına kopyalanır. Yığın genşlğne ulaşılıncaya kadar bu şleme devam edlr. Grup genşlğ en az kdr [24]. Denge durumu yenden üretm mekanzmasında se doğrusal sıralı seçm mekanzması kullanılarak seçlen br ya da k breye genetk operatörler uygulanır. Elde edlen yen dzler mevcut yığındak uygunluk değer en küçük dzler le yer değştrerek yen yığın oluşturulur [24]. Lteratürde, orantılı, sıralı ve turnuva yenden üretm mekanzmaları le brlkte eltst stratejsnn de çok sık kullanıldığı görülmektedr. Eltst stratejs le mevcut yığındak en y br ya da brkaç dz br sonrak yığına taşınır. Buradak amaç, elde edlen en y uygunluk değerne sahp dznn veya dzlern genetk operatörler kullanımı sonucunda kaybolmasını önlemek ve GA'nın çalışması süresnce her terasyonda yığının en ysn veya ylern korumaktır [24] Genetk operatörler GA da yenden üretm mekanzması le arama, yüksek uygunluğa sahp bölgelere doğru yönlendrlr. Bu bölgelerdek yen çözüm noktalarına ulaşmada se genetk operatörler kullanılır. Genetk operatörler, yığının genetk blglern kullanarak yen çözümler elde ederler. GA da kullanılan en genel k genetk operatör çaprazlama ve mutasyon operatörlerdr [25]. Çaprazlama Operatörü Çaprazlama, farklı çözümler arasında blg değşmn sağlayarak arama uzayının benzer ancak araştırılmamış bölgelerne ulaşmayı sağlayan br arama operatörüdür. Çaprazlama yapılacak konum rasgele seçlr. Oluşan yen brey anne ve babanın bazı özellklern almış ve br bakıma ksnn kopyası olmuştur. Lteratürde blnen ve çok sık kullanılan 3 çaprazlama operatörü vardır. Bunlar 1 noktalı, 2 noktalı ve evrensel çaprazlama operatörlerdr [25]. 42

55 Mutasyon Operatörü Mutasyon, GA nın çalışmasında knc dereceden rol oynar. GA da mutasyon operatörü, küçük br olasılıkla br dz çndek br veya brkaç değer rassal olarak değştrerek yığında yen dzlern yan arama uzayında yen çözüm noktalarının elde edlmesn sağlar. Özellkle GA nın son çevrmlernde mutasyonun etknlğ artmaktadır. Çünkü son çevrmlerde yığın y çözümlere yakınsadığından dzler brbrne çok benzemektedr. Bu durum se çaprazlama operatörünün aramasını kısıtlamaktadır. Bu aşamada mutasyon, yığındak değşkenlğ gerçekleştrerek arama uzayında yen çözüm noktalarının elde edlmesn sağlamaktadır [25] GA parametreler GA nın başarısı, yığın genşlğ, çaprazlama oranı, mutasyon oranı, seçm stratejs gb kontrol parametrelerne karşı çok duyarlıdır. Bu nedenle, GA uygulanmadan önce en uygun parametre setnn belrlenmes öneml br adımdır. Yığın genşlğ algortmanın yakınsaması le doğrudan lşkldr [24]. Çaprazlama ve mutasyon operatörlern kullanmadan önce çaprazlama ve mutasyon oranlarının belrlenmes gerekr. Bu değer, çaprazlama operatörü çn oldukça yüksek br değer, mutasyon operatörü çn se düşük br değerdr. GA parametrelernn en y setnn belrlenmes son yıllarda öneml br problem olarak karşımıza çıkmaktadır. Bu amaçla mevcut lteratürde yayınlanmış brçok çalışma vardır. Bunlardan sık karşılaşılanlar statstksel analz teknkler ve sezgsel arama teknklerdr [24]. 5.4 Önerlen GA GA, model çözümünde elde edlen sonuçların tamsayıya dönüştürülmes amacı le kullanılmaktadır. GA, Y.A.A.1 ve Y.A.A.2 yaklaşımlarında olduğu gb hedef programlama modelnn tamsayı koşulsuz çözdürülmesnn ardından elde edlen sonucu değerlendrmektedr. Bu yaklaşımda lk olarak gelştrlen hedef 43

56 programlama model tamsayı koşulsuz çözdürülmektedr. Daha sonra modelden elde edlen edlen tamsayı koşulsuz eny çözümün komşu tamsayı değerlere yuvarlanması problem GA tarafından gerçekleştrlmektedr. Önerlen GA ya lşkn akış şeması Şekl 5.3 de gösterlmektedr. 44

57 45

58 Şekl 5.3 Önerlen GA İş Akışı 46

59 Şekl 5.3 de gösterlmekte olan önerlen GA nın akışı ncelenecek olursa, hedef programlama modelnden elde edlen sonuçlar temel alınarak başlangıç yığını oluşturulmaktadır. Başlangıç yığını oluşturulurken uygun olmayan çözümler kabul edlmemektedr. Başlangıç yığınının oluşturulmasından sonra yığın genşlğne ulaşılıncaya kadar turnuva seçm stratejs le seçm yapılmaktadır ve bunlar kaydedlmektedr. Seçm yapılmasının ardından çaprazlama ve mutasyon operatörlernn uygulanması amacı le kaydedlen kromozomlar arasından k adet kromozom rassal olarak seçlmektedr. Seçlen k kromozoma çaprazlama operatörü belrl br olasılıkla uygulanmaktadır. Eğer çaprazlama operatörü uygulanmış se çocukların uygun çözüm olup olmadıkları kontrol edlmektedr. Çocuklar uygun olmayan çözümlere sahp se tamr mekanzması uygulanmaktadır. Daha sonra elde edlen çocukların uygunluk değerler hesaplanmakta ve bu değerler anne-baba breylern uygunluk değerler le karşılaştırılmaktadır. Eğer çocukların uygunluk değerler anne-baba breylern uygunluk değerlernden küçük se bunlar mutasyon operatörü uygulanmak üzere kaydedlmektedr. Ancak çocukların uygunluk değerler anne-baba breylern uygunluk değerlernden büyük se anne-baba breyler mutasyon operatörü uygulanmak üzere kaydedlmektedr. Tüm bunların dışında eğer çaprazlama operatörü uygulanmamış se bu durumda yne anne-baba breyler mutasyon operatörü uygulanmak üzere kaydedlmektedr. Herhang br seçenek le kaydedlen kromozomlardan rassal olarak seçlen br gene mutasyon operatörü uygulanmakta ve elde edlen kromozom eğer uygun çözüme sahp değl se tamr mekanzması le kromozomlar uygun çözümlere dönüştürülmektedr. Elde edlen kromozomların uygunluk değerler br öncek kromozomlar le karşılaştırılmaktadır. Eğer mutasyon operatörünün uygulanması sonucu elde edlen kromozomların uygunluk değerler br öncek kromozomların uygunluk değerlernden küçük se bu kromozomlar yen yığına taşınmaktadır. Ancak mutasyon operatörünün uygulanması sonucu elde edlen kromozomların uygunluk değerler br öncek kromozomların uygunluk değerlernden büyük se bu kromozomlar yen yığına belrl br olasılıkla taşınmaktadır. Tüm bu şlemler yığın genşlğne ulaşılıncaya kadar devam etmektedr. Yığın genşlğne ulaşıldıktan sonra yen yığın esk yığın olarak adlandırılmakta ve terasyon sayısı tamamlanıncaya kadar yne şlemler devam ettrlmektedr. İzleyen kesmlerde önerlen GA le lgl kavramlar yer almaktadır: 47

60 5.4.1 Başlangıç yığını Önerlen GA da başlangıç çözümünün elde edlmes aşamasında tüm kısıtlar dkkate alınmakta ve tüm uygun çözümler yan kısıtları sağlayan çözümler başlangıç yığınına aktarılmaktadır. Bunun yanında elde edlen başlangıç çözümü, hedef programlama modelnn tamsayı koşulu verlmeden elde edlen çözümü kullanılarak değerlern tamsayıya yuvarlanması le elde edlmştr. Değerlern tamsayıya yuvarlanması br başka deyşle yukarı veya aşağı yuvarlanma kararı se rassal olarak verlmektedr Dz gösterm Önerlen GA da dz gösterm olarak 0-1 (kl sayı) gösterm kullanılmıştır. Bunun yanında önerlen yaklaşımda kromozom o ay üretlecek olan modeller ve bu modeller çn ayın günlerne lşkn değerlernden oluşmaktadır. Yan kromozomdak her br gen herhang br traktör modelnn herhang br güne lşkn kodlanmış değern göstermektedr ve kromozom tüm traktör modellernn günlere lşkn değerlern çermektedr. Bu kapsamda hedef programlama modelnden alınan sonuçlar kullanılmakta ve tamsayı olmayan karar değşkenlernn tamsayıya dönüştürülmes amacı le eğer tamsayı olmayan değşken yukarıya yuvarlanmış se 1, aşağıya yuvarlanmış se 0 değern almaktadır. Buna lşkn örnek Şekl 5.4 de gösterlmektedr. 48

61 Şekl 5.4 Dz Gösterm Şekl 5.4 de gösterldğ gb örneğn 1. traktör modelnn 1. güne lşkn değer 2.2 olarak hedef programlama modelnn çözümünden elde edlmştr. Bu değer eğer 2 olarak tamsayıya dönüştürülürse yan aşağıya yuvarlanırsa kromozomdak gösterm 0, 3 olarak tamsayıya dönüştürülürse yan yukarıya yuvarlanırsa kromozomdak gösterm 1 olmaktadır Yenden üretm mekanzması Önerlen GA da yenden üretm mekanzması olarak turnuva yenden üretm mekanzması kullanılmıştır. Burada grup genşlğ 2 olarak belrlenmştr. Buna göre yığından rassal olarak 2 adet kromozom seçlmekte ve seçlen bu kromozomların uygunluk değerler karşılaştırılmaktadır. Yüksek uygunluk değerne sahp kromozom yen yığına aktarılmaktadır. Bu şlem yığın genşlğne ulaşılıncaya kadar devam etmektedr Çaprazlama operatörü Önerlen GA da çaprazlama operatörü lteratürde kullanılan yaklaşımlardan braz farklı uygulanmıştır. Her ayın toplam gün ve model sayısı farklı olduğu çn her ay kromozom büyüklüğü değşmektedr ancak kromozomdak gen sayısı çok fazladır. 49

62 Örneğn Nsan ayında toplam model sayısı 428, toplam gün sayısı se 21 dr. Bu durumda kromozom büyüklüğü 428*21=8988 olmaktadır. Ayrıca lteratürde kullanılan tek noktalı ve çok noktalı çaprazlama gb yöntemler kullanılmamıştır. Çünkü tamr mekanzmasından dolayı kromozomda çok büyük değşklklern olmasına ve bu durumda GA nın etkl br şeklde uygulanamamasına neden olmaktadır. Bu nedenle önerlen GA da çaprazlama tek br gen üzernden yapılmaktadır. Yan rassal olarak br gen seçlmekte ve anne-baba breylern bu genler arasında değşm gerçekleştrlmektedr. Ancak bu değşm her terasyonda sadece br gen üzernde yapılmamaktadır. Kromozom uzunluğunun çok büyük olması neden le çaprazlama noktası olarak 1000 değer seçlmş yan her terasyonda 1000 gen üzernde çaprazlama yapılmaktadır. Buna lşkn örnek se Şekl 5.5 de gösterlmektedr. Anne Çocuk Çocuk Baba Şekl 5.5 Önerlen GA ya İlşkn Çaprazlama Örneğ Şekl 5.5 de anne ve babanın çaprazlama yapılacak genler rassal olarak seçlmş ve çaprazlama sonucu oluşan çocuklar Şekl 5.6 da gösterlmştr. 50

63 Şekl 5.6 Önerlen GA da Çaprazlama Sonucu Oluşan Çocuklar Mutasyon operatörü Önerlen GA da mutasyon operatörü, çaprazlama operatöründe olduğu gb rassal olarak seçlen tek br gen üzernde gerçekleştrlmektedr. Rassal olarak seçlen br genn değer 0 se 1, 1 se 0 olarak değştrlmekte ve bu değşm sonucunda tamr mekanzması uygulanmaktadır. Mutasyon operatörünün uygulanmasına lşkn örnek Şekl 5.7 de verlmektedr. Şekl 5.7 Önerlen GA ya İlşkn Mutasyon Örneğ GA parametreler Önerlen GA da yığın genşlğ 20 olarak belrlenmştr. Ayrıca algortmanın terasyon sayısı kromozomun büyük olması neden le 5000 olarak belrlenmştr. Çaprazlama olasılığı %85 olarak belrlenmş ve mutasyon sonucu elde edlen kromozomun uygunluk değer daha kötü se bu çözüm %30 olasılıkla kabul edlmektedr. 51

64 6. UYGULAMALAR VE PERFORMANS ANALİZİ Hedef programlama modelnn tamsayı koşulsuz çözdürülmes sonucu elde edlen değşkenlern tamsayıya dönüştürülmes aşamasında GA, Y.A.A.1 ve Y.A.A.2 yaklaşımları kullanılmış ve sonuçlar elde edlmştr. Elde edlen sonuçlar yan amaç fonksyonu değerler hedeflerden sapmaları göstermektedr. Her ay çn traktör modellernn sayısı farklıdır ve dolayısıyla karar değşken sayısı da değşmektedr. Traktör modellernn sayıları ve türler değştğnde yaklaşımların performanslarını ve model sayıları değştğnde nasıl sonuçlar verdğn gözlemlemek amacı le 12 ayrı problem set çn çözdürülmüş ve sonuçlar elde edlmştr. Uygulamada her 12 ay çn mevcut traktör model mktarı ve toplam karar değşken sayısı Çzelge 6.1 de verlmektedr. Bunun yanında 12 farklı problem setne lşkn verler Ek 7 de verlemektedr. Çzelge 6.1 Aylara göre toplam traktör model ve Karar Değşken Sayısı AYLAR TOPLAM TRAKTÖR MODELİ TOPLAM KARAR DEĞİŞKENİ OCAK ŞUBAT MART NİSAN MAYIS HAZİRAN TEMMUZ AĞUSTOS EYLÜL EKİM KASIM ARALIK

65 Çzelge 6.1 ncelendğnde karar değşken sayılarının her ay çn çok fazla olduğu görülmektedr. Bu durumda traktör modellernn günlük üretm mktarlarına tamsayı koşulu verlerek çözümü elde edlmek stendğnde çözüm süresnn çok fazla olacağı ve bu durumun karar verc çn etkn olmayacağı açıkça görülmektedr. Gelştrlen Y.A.A.1, Y.A.A.2 ve GA yaklaşımları 12 ayın verlerne uygulanmış ve sonuçlar elde edlmştr. Kullanılan Y.A.A.1, Y.A.A.2 ve GA yaklaşımlarından elde edlen sonuçlar se Çzelge 6.2 de verlmektedr. Çzelge 6.2 Y.A.A.1, Y.A.A.2, GA Yaklaşımlarının Aylara Göre Hedeften Sapma Değerler AYLAR Y.A.A.1 Y.A.A.2 GA OCAK ŞUBAT MART NİSAN MAYIS HAZİRAN TEMMUZ AĞUSTOS EYLÜL EKİM KASIM ARALIK Y.A.A.1 ve Y.A.A.2 yaklaşımlarında algortmanın her terasyonunda hedeften sapma değerlernn nasıl br yol zledğn gözlemlemek amacı le Şekl 6.1 ve Şekl 6.2 de gösterldğ gb k grafk çzlmştr ve buna lşkn değerler Ek 3 de verlmektedr. Çzlen grafk Ocak ayı verler çn oluşturulmuştur. Her terasyonda traktör modellernn günlük üretm mktarları tamsayıya dönüştürülmekte ve traktör modellernn aylık toplam mktarı, aylık toplam gün sayısına eşt olarak bölünemyor se bu durumda hedeften sapma değer her terasyonda artmaktadır. 53

66 Ancak algortmada tamsayı koşulsuz çözümlerden tamsayılı çözümlere gderken hedeften sapma değerlernn artması problemn büyüklüğü ve çözüm süres açısından kabul edleblr br durumdur. HEDEFTEN SAPMA Y.A.A.1 YAKLAŞIMI(OCAK AYI) İTERASYON Şekl 6.1 Y.A.A.1 Yaklaşımında İterasyon Sayısı le Hedeften Sapma Değerlernn Değşm 54

67 HEDEFTEN SAPMA Y.A.A.2 YAKLAŞIMI(OCAK AYI) İTERASYON Şekl 6.2 Y.A.A.2 Yaklaşımında İterasyon Sayısı le Hedeften Sapma Değerlernn Değşm Şekl 6.1 ve Şekl 6.2 de verlen grafkler ncelendğnde her k algortmada da hedeften sapma değer terasyon arttıkça artmaktadır. Bunun neden se her terasyonda br veya brkaç değşken tamsayı koşulu verlerek tamsayı olmasına zorlanmakta ve bu durumda hedeften sapma değer her gün çn tamsayı verlmes neden le değşmektedr. Ancak her terasyonda bu değer artmamakta, bazen azalma veya sabt kalma gb durumlarda gerçekleşmektedr. Hedeften sapma değernn her terasyondak artış veya azalış mktarları belrl br şeklde gerçekleşmemekte bu sayı değşeblmektedr. GA yöntemnde se her ay çn beş adet deneme yapılmış ve bu denemelern her terasyonunda, yığındak tüm çözümlern değerler elde edlmştr. GA yöntemnde her terasyonda hedeften sapma değernn nasıl değştğn gözlemlemek amacı le Y.A.A.1 ve Y.A.A.2 yaklaşımlarında olduğu gb grafk çzlmştr. Grafğn çzleblmes çn her denemenn ayrı ayrı yığın değerlernn ortalaması alınmıştır. Grafğn çzlmesnde kullanılan tüm aylara lşkn değerler Ek 4 de verlmektedr. 55

68 Şekl 6.3 ve Şekl 6.4 de verlen grafkler sırasıyla Ocak ve Şubat ayları çn oluşturulmuştur ve dğer aylar çn oluşturulan grafkler Ek 5 de verlmektedr. 860 GENETİK ALGORİTMA (OCAK AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 Şekl 6.3 GA Metodunda İterasyon Sayısı le Hedeften Sapma Değerlernn Değşm(Ocak Ayı) 56

69 740 GENETİK ALGORİTMA (ŞUBAT AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 Şekl 6.4 GA Metodunda İterasyon Sayısı le Hedeften Sapma Değerlernn Değşm(Şubat Ayı) Şekl 6.3 ve Şekl 6.4 de verlen grafk ncelendğnde Y.A.A.1 ve Y.A.A.2 yaklaşımlarından farklı br durum ortaya çıkmıştır ve grafk gttkçe azalan br eğlm göstermektedr. Y.A.A.1 ve Y.A.A.2 yaklaşımlarında traktör modellernn günlük üretm mktarları başlangıç çözümünde tamsayı koşulsuz olarak alınmakta ve algortmanın her terasyonunda bu değerler tamsayı değerlere dönüştürülmektedr. Ancak GA yaklaşımında traktör modellernn günlük üretm mktarları başlangıçta tamsayı değerler almakta ve bu tamsayı değerler üzernden yleştrme sağlanmaktadır. Bu nedenle GA yaklaşımında hedeften sapma değerler azalan br eğlm göstermektedr. GA yaklaşımının sonuçlarına lşkn yakınsama grafkler se Ek 6 da verlmektedr. Ayrıca Y.A.A.1, Y.A.A.2 ve GA yaklaşımlarının her ay çn hedeften sapma değerlernn brlkte gösterldğ grafk se Şekl 6.5 de verlmektedr. 57

70 Y.A.A.1 - Y.A.A.2 - GA HEDEFTEN SAPMA AYLAR GENETİK ALGORİTMA Y.A.A.1 Y.A.A.2 Şekl 6.5 Y.A.A. ve GA Yaklaşımlarının Hedeften Sapma Değerlernn Grafk Gösterm İk yöntemn hedeften sapma değerlernn gösterldğ grafk (Şekl 6.5) ncelendğnde GA yaklaşımının Y.A.A.1 ve Y.A.A.2 yaklaşımlarına göre daha büyük değerlere sahp olduğu görülmektedr. Bu yöntemler arasında br farklılık olup olmadığı statstksel analzlerle ncelenmştr. İlk olarak yaklaşımlardan elde edlen hedeften sapma değerlernn genel özellklern ncelemek amacı le betmsel statstkler değerlendrlmştr. Şekl 6.6, Şekl 6.7 ve Şekl 6.8 de bu sonuçlar verlmektedr. 58

71 Descrptve Statstcs Varable: Y1 Anderson-Darlng Normalty Test A-Squared: P-Value: 0,415 0, % Confdence Interval for Mu % Confdence Interval for Medan Mean StDev Varance Skewness Kurtoss N Mnmum 1st Quartle Medan 3rd Quartle Maxmum 577,844 87, , , , ,0-5,1E-01-7,6E , , , , ,000 95% Confdence Interval for Mu 734,656 95% Confdence Interval for Sgma 209,521 95% Confdence Interval for Medan 771,369 Şekl 6.6 GA Yaklaşımının Betmsel İstatstk Çıktısı Descrptve Statstcs Varable: Y2 Anderson-Darlng Normalty Test A-Squared: P-Value: 0,400 0, % Confdence Interval for Mu % Confdence Interval for Medan Mean StDev Varance Skewness Kurtoss N Mnmum 1st Quartle Medan 3rd Quartle Maxmum 562,517 90, , , , ,4-4,3E-01-9,3E , , , , ,000 95% Confdence Interval for Mu 724,816 95% Confdence Interval for Sgma 216,853 95% Confdence Interval for Medan 762,211 Şekl 6.7 Y.A.A.1 Yaklaşımının Betmsel İstatstk Çıktısı 59

72 Descrptve Statstcs Varable: Y3 Anderson-Darlng Normalty Test A-Squared: P-Value: 0,366 0, % Confdence Interval for Mu % Confdence Interval for Medan Mean StDev Varance Skewness Kurtoss N Mnmum 1st Quartle Medan 3rd Quartle Maxmum 556,373 88, , , , ,2-4,2E-01-9,0E , , , , ,000 95% Confdence Interval for Mu 715,627 95% Confdence Interval for Sgma 212,785 95% Confdence Interval for Medan 757,001 Şekl 6.8 Y.A.A.2 Yaklaşımının Betmsel İstatstk Çıktısı Çzelge 6.3 GA, Y.A.A.1 ve Y.A.A.2 Yaklaşımlarının Betmsel İstatstk Sonuçları Betmsel İstatstkler: Y1; Y2; Y3 Değşken Örneklem Ortalama Medyan Keslmş Standart Ort. nın Mn. Mak. Q1 Q3 Büyüklüğü (N) Ortalama Sapma Standart Hatası Y ,3 656,0 665,3 123,4 35, ,5 Y ,7 638,0 652,2 127,7 36, ,3 Y ,0 625,5 644,3 125,3 36, ,3 757,3 GA, Y.A.A.1 ve Y.A.A.2 yöntemlernn hedeften sapma değerlernn brbrlerne yakın olması betmsel statstklernn yakın br şeklde değer almasına neden olmuştur. Bu üç yöntemn ortalamaları sırası le 656.3, 643.7, 636 olarak, standart sapmaları se sırası le 123.4, ve olarak bulunmuştur (Çzelge 6.3). Ayrıca Anderson-Darlng Normalty test le bu üç yöntemn normal dağılıma sahp olup olmadığı araştırılmıştır. Yaklaşımların betmsel statstk çıktıları (Şekl 6.6, Şekl 6.7 ve Şekl 6.8) ncelenecek olursa test sonucunda elde edlen p değerler bu yöntemlern normal dağılıma sahp olduklarını göstermektedr. Çünkü p değerler sırası le 0.280, ve olarak bulunmuş olup bu değerler 60

73 anlamlılık derecesnden (α) küçüktür (%95 güven aralığı le sonuçlar elde edlmştr ve anlamlılık dereces; α =0.05 tr). Y.A.A.1, Y.A.A.2 ve GA yaklaşımlarının brbrler le statstksel olarak karşılaştırılmaları aşamasında se Çftl t-test (Pared t-test) kullanılmıştır. Bu testn kullanılmasının neden se her ayın verlernn aynı olması ve her br yaklaşım çn aynı ver kümeler le sonuçların elde edlmesdr. Bu analze lşkn sonuçlar Çzelge 6.4, Çzelge 6.5 ve Çzelge 6.6 de verlmektedr. Çzelge 6.4 GA ve Y.A.A.1 Yaklaşımlarının Çftl t- test Sonuçları Çftl T-Test ve Güven Aralığı: Y1; Y2 Y1 - Y2 çn Çftl T Örneklem Büyüklüğü (N) Ortalama Standart Sapma Ortalamanın Standart Hatası Y ,3 123,4 35,6 Y ,7 127,7 36,9 Fark 12 12,58 7,48 2,16 Ortalamalar arasındak fark çn %95 Güven Aralığı: (7,83; 17,33) Ortalamalar farkının T-Test = 0: T Değer = 5,83 P Değer = 0,000 Çzelge 6.5 GA ve Y.A.A.2 Yaklaşımlarının Çftl t- test Sonuçları Çftl T-Test ve Güven Aralığı: Y1; Y3 Y1 - Y3 çn Çftl T Örneklem Büyüklüğü (N) Ortalama Standart Sapma Ortalamanın Standart Hatası Y ,3 123,4 35,6 Y ,0 125,3 36,2 Fark 12 20,25 11,74 3,39 Ortalamalar arasındak fark çn %95 Güven Aralığı: (12,79; 27,71) Ortalamalar farkının T-Test = 0: T Değer = 5,97 P Değer = 0,000 61

74 Çzelge 6.6 Y.A.A.1 ve Y.A.A.2 Yaklaşımlarının Çftl t- test Sonuçları Çftl T-Test ve Güven Aralığı:Y2; Y3 Y2 - Y3 çn Çftl T Örneklem Büyüklüğü (N) Ortalama Standart Sapma Ortalamanın Standart Hatası Y ,7 127,7 36,9 Y ,0 125,3 36,2 Fark 12 7,67 9,41 2,72 Ortalamalar arasındak fark çn %95 Güven Aralığı: (1,69; 13,65) Ortalamalar farkının T-Test = 0: T Değer = 2,82 P Değer = 0,017 Çzelge 6.3, GA ve Y.A.A.1 yaklaşımları çn uygulanan testn sonuçlarını göstermektedr. Bu test çn kurulan hpotez GA ve Y.A.A.1 yaklaşımları sonuçlarının ortalamaları arasındak farkın sıfıra eşt olmasıdır. Alternatf hpotez se yaklaşımların sonuçlarının ortalamaları arasındak farkın sıfırdan farklı olmasıdır. Kurulan hpotez aşağıdak gbdr: H 0 : µ 1 - µ 2 = 0 H A : µ 1 - µ 2 0 Testn uygulanması sonucunda elde edlen değerler bu k yöntem arasında br fark olduğunu göstermektedr. Çünkü test sonucunda p değer 0 olarak elde edlmş ve bu değer anlamlılık derecesnden küçük br değerdr (p=0 < α=0.05). p değernn anlamlılık derecesnden küçük olması hpotezn reddedlmes anlamına gelmektedr. Yan her k yöntemn ortalamaları arasında anlamlı br fark bulunmaktadır. GA ve Y.A.A.1 yaklaşımının brbrler le karşılaştırılması sonucu elde edlen sonuçların yer aldığı tablo ncelendğnde bu k yöntemn ortalamaları farkı çn hesaplanan %95 lk güven aralığı; [7,83; 17,33] olarak bulunmuş ve bu aralığın 0 değern kapsamadığı görülmektedr. Yan bu durum yöntemler arasında anlamlı 62

75 br fark olduğunu fade etmektedr. Bunun yanında güven aralığının alt ve üst sınırları poztf olarak elde edlmştr ve bu da GA yaklaşımı ortalamasının Y.A.A.1 yaklaşımının ortalamasından büyük olduğunu yan Y.A.A.1 yaklaşımının hedeften sapma değernn GA yaklaşımına göre daha küçük olduğunu göstermektedr. GA ve Y.A.A.2 yaklaşımları çn uygulanan testn sonuçları (Çzelge 6.4), GA ve Y.A.A.1 yaklaşımı çn uygulanan testn sonuçları le çok benzemektedr. Bu test çn kurulan hpotez br öncek analzde olduğu gb GA ve Y.A.A.2 yaklaşımları sonuçlarının ortalamaları arasındak farkın sıfıra eşt olmasıdır. Alternatf hpotez se yaklaşımların sonuçlarının ortalamaları arasındak farkın sıfırdan farklı olmasıdır. Kurulan hpotez aşağıdak gbdr: H 0 : µ 1 - µ 2 = 0 H A : µ 1 - µ 2 0 Testn uygulanması sonucunda elde edlen değerler bu k yöntem arasında br fark olduğunu göstermektedr. Çünkü test sonucunda p değer 0 olarak elde edlmş ve bu değer anlamlılık derecesnden küçük br değerdr (p=0 < α=0.05). p değernn anlamlılık derecesnden küçük olması hpotezn reddedlmes anlamına gelmekte ve buda her k yöntemn ortalamaları arasında anlamlı br fark bulunduğunu göstermektedr. Ayrıca sonuçların yer aldığı tablo ncelendğnde bu k yöntemn ortalamaları farkı çn oluşturulan %95 lk güven aralığı; [12,79; 27,71] olarak bulunmuştur. Bu aralığın 0 değern kapsamadığı ve aralığın alt ve üst sınır değerlernn poztf olduğu görülmektedr. Bunun sonucu olarak k yaklaşımı karşılaştırdığımız zaman yöntemlern ortalamaları arasında %95 güven le anlamlı br fark olduğu ortaya çıkmakta ve bunun yanında GA yaklaşımı ortalamasının Y.A.A.2 yaklaşımının ortalamasından büyük olduğu yan Y.A.A.1 yaklaşımının hedeften sapma değernn GA yaklaşımına göre daha küçük olduğu görülmektedr. Son olarak Y.A.A.1 ve Y.A.A.2 yöntemler karşılaştırılmış ve bu k yöntem arasında br fark olup olmadığı statstksel olarak ncelenmştr (Çzelge 6.5). Bu k yöntemn ortalamaları arasında fark gözlemlenmş ve hpotez dğer testlerde 63

76 olduğu gb kurulmuştur. Yan test çn kurulan hpotez Y.A.A.1 ve Y.A.A.2 yaklaşımlarının ortalamaları arasındak farkın sıfıra eşt olmasıdır. Alternatf hpotez se yaklaşımların ortalamaları arasındak farkın sıfırdan farklı olmasıdır. Kurulan hpotez aşağıdak gbdr: H 0 : µ 1 - µ 2 = 0 H A : µ 1 - µ 2 0 Testn uygulanması sonucunda elde edlen değerler bu k yöntem arasında br fark olduğunu göstermektedr. Çünkü test sonucunda p değer olarak elde edlmş ve bu değer anlamlılık derecesnden küçük br değerdr (p=0.017 < α=0.05). p değernn anlamlılık derecesnden küçük olması hpotezn reddedlmes anlamına gelmekte ve buda her k yöntemn ortalamaları arasında anlamlı br fark olduğunu göstermektedr. Ayrıca olarak hesaplanan p değer yukarıda gerçekleştrlen testler sonucunda elde edlen p değerlernden farklı br sonuçtur. Eğer anlamlılık dereces (α) den küçük br değer seçlrse hpotez kabul edlr. Eğer hpotez kabul edlrse k yöntemn ortalamaları arasında br fark olmadığı yan yöntemler arasında anlamlı br fark olmadığı sonucu çıkarılır. Tüm bunların yanında bu testte hesaplanan p değer yukarıda gerçekleştrlen dğer k testn p değerlernden büyük br değerdr ve bu dğer yöntemlere Y.A.A.1 ve Y.A.A.2 yöntemler ortalamalarının brbrne daha yakın olduğunu göstermektedr. Ancak burada anlamlılık dereces (α) 0.05 olarak alındığı çn hpotez reddedlmştr. Sonuçların yer aldığı tablo ncelendğnde bu k yöntemn ortalamaları farkı çn oluşturulan %95 lk güven aralığı; [1,69; 13,65] olarak bulunmuştur. Bu aralığın 0 değern kapsamadığı ve aralığın alt ve üst sınır değerlernn poztf olduğu görülmektedr. Bunun sonucu olarak k yöntem karşılaştırdığımız zaman yöntemlern ortalamaları arasında %95 güven le fark olduğu ortaya çıkmakta ve bunun yanında Y.A.A.1 yaklaşımı ortalamasının Y.A.A.2 yaklaşımının ortalamasından büyük olduğu görülmektedr. Tüm bu ncelemeler sonucunda Y.A.A.1 ve Y.A.A.2 yaklaşımları arasında anlamlı br fark olduğu ve Y.A.A.1 yaklaşımının Y.A.A.2 yaklaşımı hedeften sapma değernn daha büyük olduğu görülmektedr. 64

77 Yukarıda gerçekleştrlen testler, Y.A.A.1 ve Y.A.A.2 le GA yöntemler arasında anlamlı br fark olduğunu ve GA yöntemnn Y.A.A.1 ve Y.A.A.2 yöntemlerne göre daha kötü amaç fonksyonu değerler verdğn göstermektedr. Ancak br dğer durum se gerçekleştrlen algortmaların çalışma sürelerdr. Algortmaların çalışma süreler üretm planını gerçekleştrecek olan karar verc açısından çok önemldr. Eğer karar verc farklı senaryolar le farklı sonuçları görmek ve buna göre üretm planı hakkında br karar vermek styor se bu durumda kısa sürede sonuç etmek ve farklı senaryoların sonuçlarını görmek steyecektr. Ancak üretm planı çn y sonuç veren yöntem kullanmak stedğ zaman se çalışma süresne bakmadan tek br sonucu görmek steyeblr. Bu durumlarda karar vercnn seçeceğ algortma terchler neden le farklı olacaktır. Çalışma süreler bakımından GA, Y.A.A.1 ve Y.A.A.2 yaklaşımlarına göre etkn br şeklde daha az sürede sonuç vermektedr. Bu durumda karar verc kısa sürede farklı senaryolar le farklı sonuçları görmek ve bu sonuçlara göre karar vermek styorsa GA yaklaşımını, dğer yönden süre le lgl br kısıt olmadan y sonuçları gözlemlemek ve üretm planını bu sonuçlara göre oluşturmak styorsa Y.A.A.1 veya Y.A.A.2 yaklaşımını kullanacaktır. 65

78 7. SONUÇ Ktlesel özel üretm müşterler çn özelleştrlmş ürünler esnek br şeklde ve düşük malyetle üreteblme ve bu ürünler müşterlere sağlayablme yeteneğdr. Frmaların pazarda üstünlük sağlayablmeler çn ktlesel özel üretm kavramını üretm yönetm faalyetlernde değerlendrmeler gerekmektedr. Ayrıca ktlesel özel üretm le müşter taleplerne ve pazardak değşklklere hızlı br şeklde cevap vereblme ve bu sayede çevklğ sağlama amaçlanmaktadır. Tez kapsamında traktör malatı yapan br şletmede, ürün üzerndek müşter steklern göz önüne alacak şeklde ve bununla brlkte üretm yönetmnde çevk üretm felsefesnn benmsenmesn sağlayacak br üretm planlama yaklaşımının tasarımı ve gelştrlmes gerçekleştrlmştr. Bu sayede ürün çeştllğnden vazgeçmeden ve ser üretm lkelern de gözeten br sstem oluşturulmuştur. Tüm bu amaçlar doğrultusunda üretm planının sparşlere göre ürünler olabldğnce homojen dağıtımının sağlanması, satış tahmnlerne, talep tarhlerne ve stok blglerne göre modellere paylaştırması, günler arasında ş yükü dengelernn gözetlmes hedeflenmş ve bu hedeflere ulaşmak amacı le yaklaşımlar gelştrlmştr. İşletme tarafından benmsenen ve çevk üretme yönelk üretm planlamaya özgü hedefler, br hedef programlama model le gerçekleştrlmştr. Ancak gelştrlen hedef programlama modelnde karar değşkenlernn sayısı çok fazladır ve bu nedenle modeln çözüm süres çok artmaktadır. Bu durumda üretm planının oluşturulması amacı le k yaklaşım önerlmştr. Bu yaklaşımlar Y.A.A.1, Y.A.A.2 ve GA yaklaşımlarıdır. Ancak önerlen yaklaşımlar gelştrlen hedef programlama modelnn tamsayı koşulsuz çözdürülmes sonucu elde edlen çözümü değerlendrmektedrler. Bu çözüm başlangıç olarak kullanılmakta ve arama uzayında bu çözümden lerleyerek sonuçlar elde edlmektedr. Ayrıca tez kapsamında, üretm planının oluşturulmasının yanında aylık üretlmes gereken traktör modellernn belrlenmes çalışması da gerçekleştrlmştr. Bu aşamada br KDS gelştrlmş ve traktör modellernn belrlenmes aşamasında 66

79 gerekl tüm blgler karar verc tarafından belrlenmes sağlanmıştır. Gelştrlen KDS nde üretm mktarlarının belrlenmesnn yanında karar vercye parçaların stok blglerne veya tedark zamanlarına göre traktör modellernn planlanan ay çersnde nasıl br şeklde dağıtım yapacağı seçeneğ de sunulmuştur. Gelştrlen KDS, karar vercnn steklerne uygun, esnek ve karar vercnn steklern gerçekleştrmede hızlı br araçtır. Karar vercye seçenekler sunar, verlen blglere göre şlemler gerçekleştrr ve sonuçları etkn, anlaşılablr ntelkte sergler. Önerlen yaklaşımlardan elde edlen çözümler en y çözümü garant etmemektedr. Ancak karar vercnn kısa sürede en y çözüme yakın çözümler elde etmesnde etkn yaklaşımlardır. Çünkü üretm planını hazırlayan kş kısa sürede çözümler elde etmek ve farklı senaryolar le planlamanın nasıl gerçekleştrlmes gerektğne karar vermek steyecektr. Gerçekleştrlen çalışmanın etkllğn gözlemlemek ve sonuçların kaltesn göreblmek amacıyla performans analz gerçekleştrlmştr. Performans analz kısmında önerlen yaklaşımların brbrleryle statstksel olarak karşılaştırılması ve ayrıca yaklaşımların kend çnde gösterdkler performansları gösterlmştr. Bu analz sonuçlarına göre önerlen yaklaşımlardan Y.A.A.1 ve Y.A.A.2 yaklaşımlarının GA yaklaşımına göre daha y sonuçlar verdğ görülmüştür. Ancak çözüm süreler açısından GA yaklaşımının Y.A.A.1 ve Y.A.A.2 yaklaşımlarına göre daha y olduğu görülmektedr. Bu aşamada karar verc eğer kısa sürede farklı senaryoları görerek bu senaryoların sonuçlarına göre karar vermek sterse bu durumda GA yaklaşımını terch edecektr. Ancak karar verc süre kısıtı olmadan y sonuçları gözlemlemek ve bu sonuçları kullanmak sterse bu durumda se Y.A.A.1 veya Y.A.A.2 yaklaşımını kullanacaktır. Tez kapsamında gerçekleştrlen çalışma gerçek br uygulamadır ve gelştrlen hedef programlama model probleme özgü br modeldr. Ancak karar değşken sayısının fazla olması neden hedef programlama modelnn çözümüne ulaşılamamış ve bu durumda kısa sürede y sonuçlar verecek sezgsel yaklaşımlar 67

80 önerlmştr. Önerlen yaklaşımlar Y.A.A.1, Y.A.A.2 ve GA yöntemlerdr. Yöntemlern gerçek verler üzerne uygulanması sonucunda analzler gerçekleştrlmş ve Y.A.A.2 yöntemnn dğer yöntemlere göre y sonuçlar verdğ gözlemlenmştr. 68

81 KAYNAKLAR LİSTESİ [1] SILVERIA, Govan Da, BORENSTEIN, Dens, and FOGLIATTO, Flávo S., Mass Customzaton: Lterature Revew and Research Drectons, Internatonal Journal of Producton Economcs, vol.72, s.1-13, [2] PINE, Joseph, VICTOR, Bart, and BOYNTON, Andrew, Makng mass customzaton work, Harvard Busness Revew, vol.71, no.5, s , [3] PINE, Joseph, Mass Customzaton: The New Fronter n Busnes, Harvard Busness School Press, Boston, MA, [4] SELLADURAI, R.S., Mass customzaton n operatons management: oxymoron or realty, Omega, vol.32, s , [5] TU, Qang, VONDEREMBSE, Mark A., and RAGU-NATHAN, T.S., The mpact of tme-based manufacturng practces on mass customzaton and value to customer, Journal of Operatons Management, vol.19, s , [6] ÅHLSTRÖM, Pär, and WESTBROOK, Roy, Implcatons of mass customzaton for operatons management, Internatonal Journal of Operatons and Producton Management, vol.19, no.3, s , [7] ZHANG, Z., and SHARIFI, H., A methodology for achevng aglty n manufacturng organzatons, Internatonal Journal of Operatons and Producton Management, vol.20, s , [8] PARTANEN, Jar, and HAAPASALO, Harr, Fast producton for order fulfllment: Implementng mass customzaton n electroncs ndustry, Internatonal Journal of Producton Economcs, vol.90, s , [9] YANG, S.L., and LI, T.F., Aglty evaluaton of mass customzaton product manufacturng, Journal of Materals Processng Technology, vol.129, s , [10] GUNASEKARAN, A., Agle Manufacturng: A framework for research and development, Internatonal Journal of Producton Economcs, vol.62, s , [11] GAZMURI, Pedro, and ARRATE, Ignaco, Modelng and Vsualzaton for a Producton Plannng Decson Support System, Internatonal Transactons n Operatonal Research, vol.3, s , [12] TU, Ylu, Producton plannng and control n a vrtual One-of-a-Knd Producton company, Computers n Industry, vol.34, s , [13] SIANESI, Andrea, An Analyss of the Impact of Plant and Management Varables n a Mult-Stage, Mxed-Model Producton System, Internatonal Journal of Producton Economcs, vol.56, s ,

82 [14] ZÄPFEL, Günther, Customer-order-drven producton: An economcal concept for respondng to demand uncertanty?, Internatonal Journal of Producton Economcs, vol.56-57, s , [15] DING, Fong-Yuen, and TOLANI, Rav, Producton plannng to support mxedmodel assembly, Computers and Industral Engneerng, vol.45, s [16] CARIDI, Mara, and SIANESI, Andrea, Mult-agent systems n producton plannng and control: An applcaton to the schedulng of mxed-model assembly lnes, Internatonal Journal of Producton Economcs, vol.68, s.29-42, [17] LIM, M. K., and ZHANG, Z., A mult-agent based manufacturng control strategy for responsve manufacturng, Journal of Materals Processng Technology, vol.139, s , [18] LE, Vu T., GUNN, Bruce M., and NAHAVANDI, Sacd, MRP-Producton Plannng In Agle Manufacturng, Second IEEE Internatonal Conference on Intellgent Systems, [19] KORKMAZ, M. Temel, Excel 2000 le Programlama Vsual Basc for Applcaton Makrolar, [20] VOUDOURIS, Chrs, and TSANG, Edward, Guded Local Search, Techncal Report CSM-247, Department of Computer Scence, Unversty of Essex, [21] SACHDEV, Sanjay, Exploratons n Asynchronous Teams, Doctor of Phlosophy n Electrcal And Computer Engneerng, Carnege Mellon Unversty Pttsburgh, Pennsylvana, [22] DECHTER, Rna, Constrant Processng, San Francsco, Morgan Kaufmann Publshers, c2003. [23] Goldberg, D.E., Genetc Algorthms n Search, Optmzaton and Machne Learnng, Addson-Wesley, Readng, Massachusetts, [24] DENGİZ, Berna ve ALTIPARMAK, Fulya, Genetk Algortmalar, Gaz Ünverstes Fen Blmler Ensttüsü Dergs, vol.11, no.3, s , [25] GEN, Mtsuo, and CHENG, Runwe, Genetc Algorthms and Engneerng Optmzaton, A Wley-Interscence Publcaton,

83 EKLER LİSTESİ Sayfa Ek 1 İşletmede Mevcut Duruma lşkn Üretm Planı İş Akışı 72 Ek 2 Y.A.A. Algortmalarının Akışları 73 Ek 3 Y.A.A.1 ve Y.A.A.2 Yaklaşımları Hedeften Sapma Değerler 75 Ek 4 GA Sonuçları.. 78 Ek 5 GA Sonuç Grafkler.. 81 Ek 6 GA Yakınsama Grafkler. 86 Ek 7 Problem Setlerne İlşkn Verler

84 Ek 1 İşletmede Mevcut Duruma lşkn Üretm Planı İş Akışı 72

85 Ek 2 Y.A.A. Algortmalarının Akışları Y.A.A.1 Algortması BAŞLA Belrlenen ay çn model oluştur; Değşkenlere tamsayı koşulu vermeden model çöz; Modeln çözümünü kaydet; sabt_değşkenler_dzs = 0; Toplam üretm mktarı 1 olan traktör modellernn tamsayılı çözümü sağlanıncaya kadar tekrarla; { Başla Modeln çözümünde herhang br traktör modelnn günlük üretm mktarı sıfır se bu traktör modeln br sonrak modelde tamsayı koşulunu vermek üzere kaydet; Bu traktör modelnn değerlern belrleyerek yen model oluştur; Model çözdür ve modeln çözümünü kaydet; sabt_değşkenler_dzs n güncelle; Dur } Toplam üretm mktarı 1 den büyük olan traktör modellernn tamsayılı çözümü sağlanıncaya kadar tekrarla; { Başla Modeln çözümünde herhang br traktör modeln tamsayı koşulunu vermek üzere kaydet; Bu traktör modelnn tm günlerne tamsayı koşulunu vererek yen model oluştur; Model çözdür ve modeln çözümünü kaydet; sabt_değşkenler_dzs n güncelle; Dur } DUR 73

86 Y.A.A.2 Algortması BAŞLA Belrlenen ay çn model oluştur; Değşkenlere tamsayı koşulu vermeden model çöz; Modeln çözümünü kaydet; sabt_değşkenler_dzs = 0; Toplam üretm mktarı 1 olan traktör modellernn tamsayılı çözümü sağlanıncaya kadar tekrarla; { Başla Modeln çözümünde herhang br traktör modelnn günlük üretm mktarı sıfır se bu traktör modeln br sonrak modelde tamsayı koşulunu vermek üzere kaydet; Eğer herhang br traktör modelnn tüm günlere lşkn değerler tamsayı se bu traktör modelnn değerlern sabtlemek üzere kaydet; Seçlen traktör model(ler)nn değerlern belrleyerek yen model oluştur; Model çözdür ve modeln çözümünü kaydet; sabt_değşkenler_dzs n güncelle; Dur } Toplam üretm mktarı 1 den büyük olan traktör modellernn tamsayılı çözümü sağlanıncaya kadar tekrarla; { Başla Modeln çözümünde herhang br traktör modeln tamsayı koşulunu vermek üzere kaydet; Eğer herhang br traktör modelnn tüm günlere lşkn değerler tamsayı se bu traktör modelnn değerlern sabtlemek üzere kaydet; Seçlen traktör modelnden brncsnn tüm günlerne tamsayı koşulunu vererek, kncsne se çözümde belrlenmş değerler vererek yen model oluştur; Model çözdür ve modeln çözümünü kaydet; sabt_değşkenler_dzs n güncelle; Dur } DUR 74

87 Ek 3 Y.A.A.1 ve Y.A.A.2 Yaklaşımları Hedeften Sapma Değerler İTERASYON Y.A.A.1 Y.A.A.2 İTERASYON Y.A.A.1 Y.A.A

88 İTERASYON Y.A.A.1 Y.A.A.2 İTERASYON Y.A.A.1 Y.A.A

89 İTERASYON Y.A.A.1 Y.A.A

90 Ek 4 GA Sonuçları Ocak Ayı Verler D1 D2 D3 D4 D5 D1 D2 D3 D4 D

91 D1 D2 D3 D4 D5 D1 D2 D3 D4 D

92 D1 D2 D3 D4 D

93 Ek 5 GA Sonuç Grafkler 800 GENETİK ALGORİTMA (MART AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme GENETİK ALGORİTMA (NİSAN AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 81

94 600 GENETİK ALGORİTMA (MAYIS AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 900 GENETİK ALGORİTMA (HAZİRAN AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 82

95 850 GENETİK ALGORİTMA (TEMMUZ AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 700 GENETİK ALGORİTMA (AĞUSTOS AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 83

96 950 GENETİK ALGORİTMA (EYLÜL AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 950 GENETİK ALGORİTMA (EKİM AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 84

97 700 GENETİK ALGORİTMA (KASIM AYI) 600 HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 HEDEFTEN SAPMA GENETİK ALGORİTMA (ARALIK AYI) İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 85

98 Ek 6 GA Yakınsama Grafkler HEDEFTEN SAPMA GA YAKINSAMA GRAFİĞİ(OCAK AYI) İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 720 GA YAKINSAMA GRAFİĞİ(ŞUBAT AYI) 700 HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 86

99 HEDEFTEN SAPMA GA YAKINSAMA GRAFİĞİ(MART AYI) İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 HEDEFTEN SAPMA GA YAKINSAMA GRAFİĞİ(NİSAN AYI) İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 87

100 600 GA YAKINSAMA GRAFİĞİ(MAYIS AYI) 500 HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme GA YAKINSAMA GRAFİĞİ(HAZİRAN AYI) HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 88

101 760 GA YAKINSAMA GRAFİĞİ(TEMMUZ AYI) 740 HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 640 GA YAKINSAMA GRAFİĞİ(AĞUSTOS AYI) 620 HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 89

102 HEDEFTEN SAPMA GA YAKINSAMA GRAFİĞİ(EYLÜL AYI) İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 HEDEFTEN SAPMA GA YAKINSAMA GRAFİĞİ(EKİM AYI) İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 90

103 HEDEFTEN SAPMA GA YAKINSAMA GRAFİĞİ(KASIM AYI) İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 880 GA YAKINSAMA GRAFİĞİ(ARALIK AYI) 860 HEDEFTEN SAPMA İTERASYON Deneme1 Deneme2 Deneme3 Deneme4 Deneme5 91

104 Ek 7 Problem Setlerne İlşkn Verler AYLAR Yerl Traktör Mktarı Yabancı Traktör Mktarı Günlük Ropslu Traktör Mktarı Günlük Traktör Mktarı Toplam Çalışma Günü Toplam Model Sayısı Toplam Sers Traktör Mktarı Toplam 66 Sers Traktör Mktarı