3.1 Genetik Algoritma
3.1.6 Genetik Algoritmanın Uygulandığı Problemler
Literatür çalışmalarına bakıldığında genetik algoritmaların birçok farklı problem türünün çözümüne uygulandığı görülmektedir. Bu problem türleri ve son 5 yılda bu problem türleri için geliştirilmiş bazı çözüm teknikleri aşağıda verildiği gibi sıralanabilir:
53
Gezgin satıcı problemi: Samanlıoğlu ve diğerleri [37] de simetrik çok amaçlı gezgin
satıcı probleminin çözümü için rastlantısal anahtarlı genetik algoritmayı önerirken, Yang ve diğerleri [38] de yine aynı problem türünün çözümü için genelleştirilmiş kromozomlar kullanan genetik algoritma yapısını kullanmışlardır. Xing ve diğerleri ise [39] da asimetrik gezgin satıcı probleminin çözümü için genetik algoritma ve optimizasyon stratejileri ile geliştirilmiş bir yaklaşımdan yararlanmışlardır.
Araç rotalama problemi: Jeon ve diğerleri [40] da çok depolu araç rotalama
probleminin çözümü için melez bir genetik algoritma yapısı önerirken, Bae ve diğerleri [41] de yine aynı problem türünün çözümü için çok depolu sistem için birleştirilmiş genetik algoritma ile araç rotalama problemi yaklaşımını kullanmışlardır. Wang ve Lu [25] te kapasiteli araç rotalama probleminin çözümü için melez bir genetik algoritma yaklaşımını önerirken, Alba ve Dorronsoro [42] de araç rotalama problemine hücresel genetik algoritma yapısı ile çözüm bulmaya çalışmışlardır. Cheng ve Wang ise [43] te zaman pencereli araç rotalama probleminin çözümü için ayrıştırma tekniğini ve genetik algoritmayı kullanmışlardır.
Kuadratik atama problemi: Liu ve Li [44] te cezalı bulanık kuadratik atama probleminin
çözümü için genetik algoritma temelli yeni modeller geliştirirken, Drezner [45] de kuadratik atama probleminin çözümü için tecrübeye dayalı melez genetik algoritma yapısını önermiştir.
Çizelgeleme problemi: Pezzella ve diğerleri [46] da esnek iş çizelgeleme probleminin
çözümü için genetik algoritmayı kullanırken, Gao ve diğerleri [47] de yine aynı problem türünün çözümü için genetik algoritmadan ve komşuluk değişkeninden oluşan melez bir yapı ortaya koymuşlardır. Essafi ve diğerleri [48] de iş çizelgeleme problemindeki toplam gecikme ağırlığının minimizasyonu için genetik yerel arama algoritmasını önerirken, Vilcot ve Billaut [49] da tek kriterli genel iş çizelgeleme probleminin çözümü için genetik algoritma ve tabu aramadan oluşan bir yapı kullanmışlardır. Li ve diğerleri [50] de ise iş çizelgeleme probleminin çözümü için tahmin edilebilir ve gruplanabilir genetik algoritma tekniği ile probleme çözüm aramışlardır.
Atölye tipi çizelgeleme problemi: Chou [51] de tek makine toplam ağırlıklı atölye
54
önerirken, Chang ve diğerleri [52] de serbest kalma zamanlı tek makine çizelgeleme problemi için olay içeren genetik algoritmayı kullanmışlardır. Chang ve diğerleri ise [53] de cezalara bağlı tek makineli çizelgeleme probleminin çözümü için dominant özellikleriyle melez genetik algoritma yapısını önermişlerdir.
Proje çizelgeleme problemi: Kılıç ve diğerleri [54] de risk altında proje çizelgeleme
probleminin çözümü için tek amaçlı genetik algoritma yaklaşımını kullanırken, Shadrokh ve Kianfar [55] de kaynak yatırımlı proje çizelgeleme probleminin çözümü için genetik algoritmayı önermişlerdir. Gonçalves ve diğerleri [56] da kaynak kısıtlı çoklu proje çizelgeleme probleminin çözümü için genetik algoritmadan yararlanırken, Valls ve diğerleri [57] de yine aynı problem türünün çözümü için melez bir genetik algoritma yapısı önermişlerdir.
Akış tipi çizelgeleme problemi: Nagano ve diğerleri [58] de akış tipi çizelgeleme
probleminin çözümü için yapısal genetik algoritma tekniğini önerirken, Chen ve diğerleri [59] da tekrar başlamalı akış tipi çizelgeleme probleminin çözümü için melez bir genetik algoritma yapısını ortaya koymuşlardır. Cheng ve Chang ise [60] da akış tipi çizelgeleme probleminin çözümü için genetik algoritma ile Taguchi deneysel tasarımından oluşan bir yapı üzerinde çalışmışlardır.
Çizge boyama problemi: Mabrouk ve diğerleri [61] de çizge boyama probleminin
çözümü için paralel genetik algoritma ve tabu arama temelli bir algoritma önerirken, Lu ve Hao [62] de yine aynı problem türünün çözümü için havuz güncellemesi ve çaprazlama operatörü ile entegre olmuş genetik algoritma tekniğinden yararlanmışlardır.
Kaynak atama problemi: Lin ve Gen [63] te çok basamaklı kombinasyonel
optimizasyon problemlerinden çok kriterli insan kaynak atama probleminin çözümü için çok amaçlı melez bir genetik algoritma tekniği kullanmışlardır.
Tesis yerleştirme problemi: Lee ve diğerleri [64] de çok katlı tesis yerleştirme
probleminin çözümü için geliştirilmiş bir genetik algoritma yapısı önerirken, Wang ve diğerleri [65] de eşit olmayan alanlara sahip tesis yerleştirme probleminin çözümü için yine genetik algoritma tekniğini önermişlerdir. Aiello ve diğerleri [66] da ise tesis
55
yerleştirme probleminin çözümü için genetik arama algoritması ve electre metodundan oluşan çok amaçlı bir yaklaşım kullanmışlardır.
Montaj hattı dengeleme problemi: Levitin ve diğerleri [67] de montaj hattı dengeleme
probleminin çözümü için genetik algoritmayı önerirken, Kim ve diğerleri [68] de iki taraflı montaj hattı dengeleme probleminin çözümü için matematik model ve genetik algoritmadan oluşan bir yaklaşım ileri sürmüşlerdir. Mansouri [69] da ise tam zamanlı üretimde montaj hatlarının dengelenmesi probleminin çözümü için çok amaçlı genetik algoritma yaklaşımını kullanmışlardır.
Sipariş büyüklüğü problemi: Defersha ve Chen [70] te hücre belirleme ve ürün kalitesi
temelindeki sipariş büyüklüğü problemi ile entegre olmuş genetik algoritmaya gömülmüş lineer programlama tekniğini önerirken, Chang ve diğerleri [71] de ise bulanık ekonomik sipariş büyüklüğü probleminin çözümü için genetik algoritmayı kullanmışlardır.