Üretim ve dağıtım problemlerinin etkin, doğru ve gerçek zamanlı çözümünde karar verme süreçlerini hızlandıran ve kalitesini arttıran üretim ve dağıtım ortamının özelliklerine göre özelleĢtirilmiĢ optimizasyon modellerinden faydalanılmaktadır (Winston, 2003; Shapiro, 2001). Optimizasyon modelleri ve modelleme sistemleri, bu karar problemlerine baĢarılı bir Ģekilde uygulanmaktadır. Son yıllarda uygulamalı bilimler daha hızlı ve daha güçlü yöntemler aramaya devam etmektedir (Shapiro, 2001). Optimizasyon modelleri veri, iliĢki ve tahminleri birleĢtirerek zengin ve güçlü bir yapı sağlamaktadır. Yöneticilere, iĢletmenin karar seçenekleri, hedefleri ve kaynak kısıtlarına dayalı etkili planlar ile geniĢ ve derin bir bakıĢ sunmaktadır (Shapiro, 2001).
Optimizasyon süreci genel olarak karar değiĢkenleri, amaç fonksiyonu ve kısıtlayıcılar olmak üzere üç bileĢenden oluĢur. Karar değiĢenleri, karar vericiler tarafından seçilen doğrudan ya da dolaylı olarak karara bağlanacak çıktının (toplam maliyet, ciro ya da kâr) belirlenmesinde rol oynayan değiĢkenler olarak tanımlanır. Kısıtlayıcılar, problemin doğasına bağlı olarak karĢılanacak fiziksel, mantıksal ve ekonomik sınırlamalardır. Amaç fonksiyonu ise, kısıtlayıcıların izin verdiği ölçüde karar değiĢkenleri değerleri ile minimize ya da maksimize edilmek istenen amacı optimize eden değer olarak tanımlanabilir (Albright vd. 2011)
Optimizasyon süreci genel olarak yedi aĢamadan meydana gelmektedir. Ancak, her sürecin mutlaka aĢağıdaki aĢamaların tamamının sağlanması gerekmez (Albright, vd., 2011; Öztürk 2012).
- Problemin tanımlanması: Modelleme süreci, iĢletmenin problemin varlığını kabul etmesi ve bunu tanımlaması ile baĢlamaktadır. Eğer iĢletme para kaybediyorsa, pazar payı düĢüyorsa, müĢterilerini hizmet için bekletiyorsa problemden bahsedilmektedir; ancak iĢletmenin zaman, para ve çabasını harcayacağı doğru problemleri tanımladığından emin olması gerekmektedir.
- Verilerin toplanması ve düzenlenmesi: ĠĢletmede analizi yapan, problemin çözümüne uygun verileri seçmek zorundadır. Analiz için gerekli verilere ulaĢmak, anahtar kiĢiler ile görüĢülmesi, gözlemler yapılması ve veri tabanına kayıtlı mevcut verilerin incelenmesini gerektirir. Nicel araĢtırmalar için, iĢletmelerin temiz kaliteli veri tutmaları ve veri depolamaya yönelik maddi ve beĢeri yatırım yapmaları önemlidir.
- Modelin kurulması: Model, problemin tüm elemanlarını içermelidir. Modelin türünün grafik ya da matematiksel model olması, analizi yapan tarafından belirlenir.
- Modelin doğrulanması: Kurulan modelin mevcut durum için ne kadar geçerli olabileceğine karar verilmelidir. Bu doğrulama birçok Ģekilde olabilir. Örneğin, analizi yapan iĢletmenin mevcut parametreleri ile modeli sınayabilir. Eğer, modelin çıktıları mevcut iĢletme çıktıları ile aynı düzlemde ise, modelin en azından mevcut duruma eĢit olduğu söylenebilir. Modelin sınanması, modelin iyileĢtirilmesi, eksiklerin ve yanlıĢlıkların ortaya konması bakımından oldukça önem arz etmektedir.
- Bir yada daha fazla uygun kararın seçimi: Özel kararlar için, model elde edilecek kâr miktarını, katlanılacak maliyeti, risk seviyesi vb. göstermektedir. Eğer model sınandıysa ve doğruysa, iĢletme sunulan modellerden en uygun olduğunu düĢündüğünü seçerek uygulama yoluna gitmektedir.
- Sonuçların iĢletmeye sunulması: Analizi yapan, doğru ve en uygun modele ulaĢmıĢ olsa bile bazen iĢletme tarafından kabul görmeyebilmektedir. Bu durum yönetim birimindeki kiĢinin konu hakkındaki bilgisinin analiz yapan kadar olmamasından ya da model değiĢkenlerinin yanlıĢ tanımlanması ve değiĢkenlere iliĢkin verilerin eksik olmasından kaynaklanabilmektedir. Bu durumda hata modelden kaynaklanıyorsa, aĢamalara baĢtan baĢlanması gerekmektedir.
- Modelin uygulanması ve zaman içerisinde geliĢtirilmesi: Analizi yapan, modelin uygulanmasında iĢletmeyi yönlendirmeli ve adım adım yapılan iĢlemleri takip etmelidir. DeğiĢen Ģartlarda, modelin değiĢtirilerek geliĢtirilmesi de gerekmektedir.
Optimizasyon problemlerinin çözümünde, parametrelerin deterministik (kesin) olduğu durumlarda doğrusal programlama, dinamik programlama, KarıĢık tam sayılı
programlama ve hedef programlama deterministik modelleri; parametrelerin olasılıklı olması durumunda stokastik programlama, dinamik stokastik programlama ve simülasyon modelleri kullanılmaktadır (Ahumada ve Villalobos, 2009). Farklı iki modelden oluĢan programlama modelleri de mevcuttur ve hibrit programlama olarak adlandırılmaktadır.
- Deterministik Modeller: Parametrelerin belirli ve kesin olduğu durumlarda kullanılmaktadır. Doğrusal programlama, sınırlı kaynakların optimum kullanımını sağlayan bir matematiksel modeldir. Tam sayılı programlama, 2.3‟de detaylıca anlatıldığı üzere, optimizasyonda yer alacak karar değiĢkenlerinin tam sayılı değerler alabilmesi durumunda kurulan model olarak tanımlanmaktadır. Hedef programlama, birden çok birbirleriyle çeliĢen amaçların bulunduğu problemlerin optimum çözümünde kullanılan bir model; Dinamik programlama ise problemin optimum çözümünü aĢamalara bölerek ve her aĢamada tek değiĢkenli bir alt problemi çözen bir model olarak tanımlanmaktadır (Taha, 2007).
- Stokastik Modeller: Parametrelerin tahmin edilmesi güç ve belirsiz olduğu durumlarda bazı parametreler olasılıklı değiĢken olarak modellenir. Doğrusal programlamada bir ya da daha fazla değiĢken olasılıklı değiĢken olarak gösterildiğinde, stokastik doğrusal programlamaya dönüĢmüĢ olur (Sen ve Higle, 1999).
Dinamik programlama, problemi aĢamalar halinde çözer ve her bir aĢamada en uygun çözümü bulmaya çalıĢır. Farklı aĢamalardaki hesaplamalar, nihayetinde optimal bir çözümün elde edildiği yinelenen hesaplamalarla iliĢkilendirilir (Taha, 2007).
- Simulasyon Modeli: Gerçek bir durumu taklit eden bir bilgisayar modelidir. Diğer matematiksel modellere benzemekle birlikte bir ya da daha fazla sayıda tesadüfi (rassal) değiĢken içermektedir. Simülasyon, tek bir sonuçtan ziyade bir dağılıma olanak vermektedir (Albright, v.d, 2011). Simülasyon modelleri ikiye ayrılmaktadır: Bir sistemin dinamik davranıĢını tanımlayan, tesadüfi etkilerin olmadığı varsayımına dayanan modeller deterministik simülasyon modeli, tesadüfi etkilerin mevcut olduğu modeller stokastik simülasyon modeli olarak tanımlanmaktadır. (Shapiro, 2001).