Sıra bağımlı ve iş tabanlı öğrenme etkileri altında tek makineli çizelgeleme: modelleme ve çözüm yaklaşımları

Online Makale

Online Hizmetlere Toplu Bakış Online Kayıt ve Konaklama Online Bilimsel Program Dernekler İçin... Referanslarımız Telefon ve e-posta Desteği Bildiri özeti nedir? Bildiri özeti nasıl hazırlanır? Bildiri özeti örnekleri Kabul mektubu örnekleri

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi

Sıra bağımlı ve iş tabanlı öğrenme etkileri altında tek makineli çizelgeleme: modelleme ve çözüm yaklaşımları [Pamukkale Univ Muh Bilim Derg]

Pamukkale Univ Muh Bilim Derg. Baskıdaki Makaleler: PAJES-27737 | DOI: 10.65206/pajes.27737

Sıra bağımlı ve iş tabanlı öğrenme etkileri altında tek makineli çizelgeleme: modelleme ve çözüm yaklaşımları

İsmail Akargöl¹, Duran Toksari²
¹Sivas Cumhuriyet Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği Bölümü, Sivas
²Erciyes Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği Bölümü, Kayseri

Son yıllarda, öğrenme etkilerinin çizelgeleme problemlerine entegre edilmesi, gerçek üretim ortamlarını daha doğru biçimde temsil etmesi nedeniyle giderek önem kazanmıştır. Öğrenme etkisi kavramı, özellikle özdeş ya da benzer görevlerin üretilmesi durumunda, tekrarlanan işlemler sonucunda işlem sürelerinin azalması olgusunu yansıtmaktadır. Bu olgu, operasyonel deneyim ve süreç tekrarlarıyla elde edilen verimlilik artışını ifade eder. Geleneksel çizelgeleme modelleri, öğrenme etkisini ele alırken çoğunlukla tüm işlerin homojen olduğu varsayımını benimsemekte ve öğrenme mekanizmalarını ya sıraya bağlı ya da işe özgü olarak ayrı ayrı incelemektedir. Ancak bu varsayım, yalnızca belirli işlerin benzerlik gösterebildiği gerçek üretim senaryolarını tam anlamıyla yansıtmamaktadır. Bu çalışma, tek makineli bir ortamda geçmiş-sıra bağımlı ve iş tabanlı öğrenme etkilerini birlikte ele alan özgün bir öğrenme modeli önererek literatürdeki önemli bir boşluğu doldurmayı amaçlamaktadır. Önerilen model altında maksimum tamamlanma süresi (C_max), toplam tamamlanma süresi (∑C) ve tamamlanma süreleri arasındaki mutlak farkların toplamı (TADC) performans ölçütlerini en aza indirmeye yönelik matematiksel formülasyonlar geliştirilmiştir. Büyük ölçekli ve karmaşık problemlerin etkin biçimde çözülebilmesi amacıyla, önde gelen meta-sezgisel yöntemlerden biri olan tavlama benzetimi algoritması kullanılmıştır. Önerilen yaklaşımın performansını değerlendirmek amacıyla, farklı iş sayıları için rastgele oluşturulan veri kümeleri üç performans kriteri açısından ilk olarak LINGO 17.0 kullanılarak çözülmüş; ardından elde edilen sonuçlar SPT kuralı ve tavlama benzetimi yaklaşımı ile karşılaştırmalı olarak analiz edilmiştir. n = 10 işten oluşan problem örnekleri için göreli hata oranları C_max için 0.007, ∑C ve TADC için 0.001 olarak elde edilirken, n = 30 iş için bu oranlar sırasıyla C_max için 0.031, ∑C için 0.075 ve TADC için 0.099’a yükselmiştir. Elde edilen sonuçlar, önerilen yaklaşımın özellikle büyük ölçekli problemlerde kabul edilebilir nispi hata oranları ile kaliteli, dengeli ve kararlı çözümler ürettiğini göstermektedir.

Anahtar Kelimeler: Çizelgeleme, Öğrenme etkisi, TADC, Tavlama benzetimi, Makespan, Toplam tamamlanma süresi

Single-machine scheduling under sequence-dependent and job-based learning effects: modeling and solution approaches

İsmail Akargöl¹, Duran Toksari²
¹Department Of Industrial Engineering, Sivas Cumhuriyet University, Sivas, Turkey
²Department Of Industrial Engineering, Erciyes University, Kayseri, Turkey

In recent years, integrating learning effects into scheduling problems has gained increasing importance due to its ability to represent real production environments more accurately. The concept of learning effects reflects the reduction in processing times resulting from repeated operations, particularly when identical or similar tasks are performed. This phenomenon represents productivity improvements achieved through operational experience and process repetition. Traditional scheduling models generally assume job homogeneity when incorporating learning effects and tend to consider learning mechanisms either as sequence-dependent or job-based separately. However, such assumptions fail to fully capture real-world production scenarios in which only certain jobs exhibit similarities. This study aims to fill an important gap in the literature by proposing a novel learning model that simultaneously incorporates past sequence-dependent and job-based learning effects in a single-machine scheduling environment. Under the proposed model, mathematical formulations are developed to minimize the makespan (C_max), total completion time (∑C), and the total absolute deviation of completion times (TADC). To efficiently solve large-scale and complex problem instances, a simulated annealing algorithm, one of the most prominent metaheuristic approaches, is employed. To evaluate the performance of the proposed approach, randomly generated datasets with different job sizes are first solved using LINGO 17.0 for the three performance criteria. Subsequently, the obtained results are comparatively analyzed against those derived from the SPT rule and the simulated annealing approach. For problem instances with n = 10 jobs, the relative error ratios are obtained as 0.007 for C_max and 0.001 for both ∑C and TADC. For n = 30 jobs, these ratios increase to 0.031 for C_max, 0.075 for ∑C, and 0.099 for TADC. The results demonstrate that the proposed approach produces high-quality, balanced, and stable solutions with acceptable relative error rates, particularly for large-scale scheduling problems.

Keywords: Scheduling, Learning effect, TADC, Simulated annealing, Makespan, Total completion time

Sorumlu Yazar: İsmail Akargöl, Türkiye

ARAÇLAR