Veri tabanlı karar alma için bütünleşik yapay öğrenme ve eniyileme modelleri: Olasılıksal üretim randımanı durumunda lot belirleme problemi uygulamaları

Son yıllarda, veri toplama, analitik teknikler ve veri odaklı yöntemlerdeki önemli ilerlemeler, karmaşık karar alma ve üretim planlama zorluklarını ele alma biçimlerini dönüştürdü. Bu tez, bu yeniliklere dayanarak, çeşitli uygulamalarda belirsizliği ve değişkenliği yönetmek için yeni yaklaşımlar sunmaktadır. Bu araştırmanın temel odağı, makine öğrenimi tekniklerini, optimizasyon yöntemleriyle entegre ederek, belirsiz ortamlarda büyük verileri kullanarak karar vericiler için etkin karar alma kuralları türetmektir. Tez, üç temel çalışmayı kapsamaktadır: belirsizlik altındaki karar alma durumları, rassal randımanı olan üretim sistemleri için tek dönemli lot (parti) boyutlandırma ve son olarak çok dönemli lot boyutlandırma sorunu. İlk olarak, belirsiz bir olayı gözlemlemeden önce eylemlerle ilgili kararların verilmesi gereken ve yanlış kararların asimetrik maliyetlerle sonuçlandığı karar alma ve sınıflandırma problemi incelenmektedir. Özellikle sık görülen özelliklerin sonuçlar üzerinde önemli bir etkiye sahip olduğu senaryolarda, sınırlı gözlemlerden karar kuralları türetmek için makine öğrenimi ve optimizasyon tekniklerini entegre eden dört yeni yöntem önermekteyiz. Yöntemlerimiz, hem ikili hem de çok sınıflı sorunlarda yanlış kararlarla ilişkili maliyetleri en aza indirmeyi amaçlamaktadır. Kamuya açık veri kümelerini kullanan deneysel sonuçlar, yaklaşımlarımızın geleneksel kıyaslama ölçütlerinden önemli ölçüde daha iyi performans gösterdiğini ve maliyetleri \%95'e kadar azalttığını göstermektedir. İkinci olarak, rastgele verim (üretim randımanı) altında veri odaklı bir lot boyutlandırma sorununu araştırıyoruz. Yarı iletken üretimindeki randıman sorunlarında yola çıkarak, bir üretim sürecinin rastgele verim oranının lot boyutlandırma kararı verilmeden önce gözlemlenebilen çok sayıda özniteliğe (feature) bağlı olduğu duruma odaklanıyoruz. Benzer şekilde, talep de rastgele olabilir ve bir dizi özniteliğe bağlı olabilir. Bu ortamda en iyi lot belirleme kararı, randıman oranının sınırlı veri bulunan çok sayıda gözlemlenen özniteliğe bağlı olması nedeniyle zorlaşmaktadır. Bu zorluğun üstesinden gelmek için, makine öğreniminden araçları rassal optimizasyon yöntemleriyle birleştiren tahmin ve optimizasyon yöntemleri önerilmektedir. Yarı iletken verim verileri için kamuya açık bir veri kümesi ve ek bir sentetik veri kümesi kullanarak, farklı tahmin ve optimizasyon yaklaşımlarının performans karşılaştırması sunulmaktadır. Maliyet minimizasyonu için öznitelik bilgilerinin dikkate alınmasının önemli bir değeri olduğunu gösteriyoruz. Ayrıca, bu sorun için en etkin yöntemin, tahmin araçlarını rassal getirili envanter sorununun kuramsal optimizasyon özellikleriyle birleştirmek olduğunu göstermekteyiz. Son olarak, randıman belirsizliği olan tek dönemli lot boyutlandırma problemini, çok dönemli duruma genişletiyoruz. Dönemler arasındaki randıman oranındaki değişkenlik göz önüne alındığında, üretim ufkunun sonunda çok sayıda olası senaryo bulunmaktadır. Ana amaç, literatürdeki bilinen olasılık dağıtımları varsayan geleneksel yaklaşımların aksine, bilinmeyen getiri dağıtımları altında optimum lot boyutlarını belirlemek için veri odaklı yöntemler geliştirmektir. Bu yöntemler, son dönemin sonunda beklenen eksik ve fazla maliyetleri artı ara dönemlerin stok tutma ve değişken üretim maliyetini en aza indirmeyi ve toplam müşteri talebinin karşılanmasını sağlamayı amaçlamaktadır. Bu çalışma, rassal randıman oranı ve bilinmeyen olasılık dağılımları ile çok dönemli lot boyutlandırma sorununu ilk kez ele almak için pekiştirmeli öğrenme yöntemlerini de önermekte ve sınamaktadır. Yaklaşımımızın etkinliğini değerlendirmek için sonuçları yerleşik statik ve dinamik optimizasyon yöntemleriyle karşılaştırıyoruz. Yöntemimiz, rassal randıman oranlarına sahip üretim sistemlerinde karar alma için esnek ve uyarlanabilir bir çerçeve sunmaktadır.