Rassal iş süreleri altında öğrenme eğrisi etkili melez akış tipi çizelgeleme

Üretim çizelgeleme ile süreçlerin düzenlenmesi, işlerin nerede ve ne zaman yapılacağının belirlenerek iş akışlarının eniyilenmesi amaçlanmaktadır. Çizelgeleme problemleri üretim alanının özelliklerine göre farklılaşmakta olup seri üretim alanlarında çizelgelemeye karşılık gelen terim akış tipi çizelgelemedir. Bu üretim sistemlerinin zamanla farklılaşması ve belirli kaynakların sayısının artırılması ise melez akış tipi sistemlerini oluşturmaktadır. Ele alınan sistemin bir özelliği de iş atlama olarak adlandırılan parçaların akış üzerindeki her aşamada işlem görme zorunluluğu olmamasıdır. Oluşturulması planlanan çizelge ile toplam parça tamamlanma süresinin enazlanması amaçlanmıştır. Çalışmada melez akış tipi çizelgeleme problemine ek olarak uygulama aşamasında gerçek hayatta karşılaşılabilecek zorluklardan sisteme dahil olan yeni parçaların işlem sürelerinin belirsiz olabilmesi ve benzer parçalar üzerinde edinilen tecrübe ile bu parçaların işlenmesi için gereken sürenin zamanla kısalabilmesi durumları ele alınmıştır. Sistemde işlenmiş parçaların üzerindeki öğrenme etkisi incelenmiş ve ayrıştırılmış, çizelgeleme problemine tabi parçaların iş sürelerinin istatistiksel yöntemler ile tahmini gerçekleştirilmiştir. İş atlamalı melez akış tipi çizelgeleme problemi için bir karma tamsayılı matematiksel model önerilmiştir. Problemin zorluğu sebebi ile belirli bir boyutun üzerinde veri kümeleri için matematiksel model ile etkin çözümler elde edilmesi mümkün olmamıştır. Özellikle ilgili veri kümelerinde kullanılmak üzere genel olarak daha kısa sürede daha iyi olurlu çözümler elde edilmesi hedeflenerek Genetik Boş Makine Zamanı Doldurma Algoritması geliştirilmiştir. Geliştirilen meta sezgisel algoritmada iterasyonlar arası geçişlerde genetik algoritmanın çaprazlama, mutasyon ve seçilim özellikleri kullanılmıştır. Genetik Boş Makine Zamanı Doldurma Algoritması ile eşzamanlı olarak işlerin kendi arasında çizelgelenme sıraları ve birden çok kaynağa sahip aşamalar için işlerin atandığı kaynaklar belirlenmektedir. Bu atamalar ve sıralama doğrultusunda elde edilen çizelgeler bireylere karşılık gelmektedir ve çizelgelerin toplam parça tamamlanma süreleri bireylerin uygunluk değerleri olarak belirlenmektedir. Parça işlem süreleri üzerinde çizelgeleme başlamadan önce ve çizelge üzerinde ilgili parçadan önce işlenmiş benzer parçalara göre öğrenme etkisi göz önüne alınmıştır. Parça işlem sürelerinin tahmin doğruluğu istatistiksel kontrol metotları ile ve tahmin ile elde edilen işlem sürelerinin oluşturduğu çizelgenin gerçek işlem süreleri ile oluşturulan çizelgeye olan uyumu ile netleştirilmiştir. Genetik Boş Makine Zamanı Doldurma Algoritması'nın etkinliği ise matematiksel model ve algoritmadan elde edilen çözümler kıyaslanarak değerlendirilmiştir.