Meta-sezgisel yöntemler

Kouvelis ve Chiang (1992), geriye dönüş hareketlere izin verdikleri bir TSTDP için, TB yaklaşımıyla bir çözüm önermişlerdir. 17 bölümlü tesis büyüklüğüne kadar problemlerde, algoritmanın analizini yapmışlar. Önerdikleri TB’nde kullandıkları başlangıç çözümünü bir sezgisel yardımıyla bulduklarında, daha iyi sonuçlar verdiğini belirtmişlerdir.

Braglia (1996), geriye dönük hareketleri en küçüklemeyi hedeflediği TSTDP çalışmasında, TB’nin kontrol parametrelerini GA yardımıyla optimize eden bir yaklaşım geliştirmiştir.

Algoritma, Kouvelis ve Chiang (1992)’den alınan 7, 11 ve 17 bölümden oluşan problemler için test edilmiş ve algoritmaların karşılaştırması yapılmıştır.

Braglia (1997), akış tipi çizelgeleme problemlerini çözmek üzere geliştirilen NEH sezgiselini temel alarak, yeni bir kurucu sezgisel algoritma geliştirmiştir. Çalışmada, büyüklüğü 30 bölüme kadar olan ve rastgele üretilen test problemlerinin çözümünü yapmıştır. Komşuluk arama tabanlı geliştirici bir sezgiselle, önerdiği algoritmanın performansı karşılaştırmıştır.

Morad (2000), TSTDP çözümünde ilk kez GA’ların kullanımını önermiştir ve geri dönüşleri en küçüklemeyi hedefleyen algoritmasıyla, 10 bölümlü tesis büyüklüğüne kadar olan problemler için çözümlere ulaşmıştır.

Alvarenga, Negreiros-Gomes ve Mestria (2000), 30 bölüme kadar olan problemler için çözüm aramışlardır. Önerdikleri çözüm yaklaşımı, TB ve tabu arama algoritmalarının birleştirilmesinden oluşan bir melez meta-sezgisel algoritmadır. Önerdikleri algoritma ile, daha önceki çözümlerden daha kaliteli çözümler elde ettiklerini bildirmişlerdir.

Chen, Wang ve Chen (2001), çok ürünlü TSTDP’i için bir TB algoritması geliştirmişlerdir.

Tavlama benzetimi uygulaması öncesinde, farklı ürünlerin farklı işlem sıralamalarını dikkate alarak, ürünleri sıralayan ve bulunan akış ağını düz bir hatta dönüştüren bir prosedür kullanmışlardır. Bu yöntemle, 14 bölümden oluşan TSTDP’lerine kadar çözüm üretmişlerdir.

Ponnambalam ve Ramkumar (2001), TSTDP’nin çözümü için önerdikleri GA’nın başlangıç popülasyonunu akış hattı analizi yöntemiyle elde etmişlerdir. Geliştirdikleri bu melez yöntemlerini, 7 bölümden oluşan problemlerde test etmişlerdir.

Ficko, Brezocnik ve Balic (2004), genetik algoritmayı kullandıkları çalışmalarında, esnek imalat sistemlerinde tek ve çok hatlı yerleşim üzerinde çalışmışlardır. Geliştirdikleri algoritmayla, 14 bölümden oluşan bir imalat sisteminin tasarımını yapmışlardır.

El-baz (2004), malzeme taşıma maliyetlerini en küçüklemeyi hedefleyen bir GA önermiştir. Önerdiği algoritma ile 12 bölümden oluşan TSTDP için en iyi sonuca ulaşmıştır.

Ramkumar ve Ponnambalam (2004), 6 bölümden oluşan bir problem için, GA ve TB algoritmalarını karşılaştırmışlardır. Algoritmalar arasında performans açısından bir fark olmadığını belirtmişlerdir.

Solimanpur ve diğerleri (2005), doğrusal olmayan bir 0-1 matematiksel modeli olarak ele aldıkları TSTDP‘nin çözümü için, bir karınca kolonisi algoritması geliştirmişlerdir.

Algoritmada, karıncaların ürettiği yeni çözümler 2-opt komşuluk yöntemi yardımıyla aranmaktadır. 30 bölümden oluşan TSTDP’leri üzerinde algoritma test edilmiş ve problemler için en iyi çözümlere ulaşılmıştır.

Teo ve Ponnambalam (2008), karınca kolonisi algoritmasıyla, parçacık sürü optimizasyonunu birleştirerek, bölümler arası boşlukları da dikkate alan TSTDP‘ni doğrusal olmayan bir 0-1 matematiksel model olarak çözmüşlerdir. Karınca kolonisi algoritmasının çözüm kurucu sezgisel olmasından ve parçacık sürü optimizasyonunun geliştirici yapısından faydalanmışlardır. Son olarak, 2-opt yerel arama ile çözümlerin kalitesini arttırmışlardır.

Kumar, Asokan, Kumanan ve Varma (2008), TSTDP‘yi dağıtık arama (scatter search) algoritmasıyla ele almışlardır. Referans kümesi, çeşitlilik üretme yöntemi, çözüm geliştirme yöntemi, altküme üretme yöntemi ve birleştirme yönteminden oluşan bu algoritmayla, 30 bölümden oluşan TSTDP’leri için bilinen en iyi çözümlere ulaşmış, 30 bölümden oluşan problemde ise bilinen değerden daha iyi bir sonuç elde etmişlerdir.

Lin (2009), 41 bölümden oluşan bir hazır giyim imalat sistemini ele aldığı makalesinde, çözümü hiyerarşik sıra tabanlı bir genetik algoritma yardımıyla geliştirmiştir.

Samarghandi ve Eshghi (2010), tabu arama algoritmasında yığın temelli bir yaklaşım önermişlerdir. Tabu arama algoritmasına etkin başlangıç çözümleri üretmek için, bölümler arası akış yoğunluklarının eşit olduğu, özel bir TSTDP modelini kullanmışlardır. 2-opt komşuluk arama yönteminin kullanıldığı bu çalışmada, 30 bölüme kadar olan problemlerde, kabul edilebilir sürelerde en iyi çözümlere ulaşılmıştır. 80 bölüme kadar olan bazı problemlerin ise, üst sınır değerleri iyileştirilmiştir.

Kumar, Asokan ve Kumanan (2010), malzeme taşıma maliyetlerini en küçüklemeyi hedefleyen TSTDP’ni, yapay bağışıklık sistemi algoritması yardımıyla çözmüşlerdir. Yığın temelli bir sezgisel olan bu algoritma, tanıma, öğrenme, hafıza gibi özellikleri ve kendini örgütleyebilen yapısıyla genetik algoritmalardan daha etkili bir yapıya sahiptir. 5 ve 30 arası bölüme sahip tesis problemleriyle algoritmayı test etmişler ve literatürdeki bazı problemler için bilinen en iyi çözümleri geliştirmişlerdir.

Samarghandi, Taabayan ve Jahantigh (2010), farklı bir kodlama yapısı kullandıkları parçacık sürü optimizasyonu yöntemiyle, 30 bölüme kadar olan problemleri çözmüşler ve bazı problemler için en iyi çözümlere ulaşmışlardır.

Kunlei, Chaoyong, Liang ve Xinyu (2011), emperyalist yarışmacı algoritmayla TSTDP’ne çözüm önermişlerdir. Yığın tabanlı ve emperyalist rekabetin sosyo-politik süreçlerinden ilham alınarak tasarlanan bu algoritma, 80 bölüme kadar olan problemler için çalıştırılmış ve yüksek çözüm sürelerine rağmen, bazı problemlerde bilinen en iyi sonuçlardan daha iyi sonuçlar vermiştir.

TSTDP için genetik algoritmalarla çözüm önerisinde bulunan bir başka çalışma, Datta, Amaral ve Figueira (2011) tarafından yapılmıştır. Farklı başlangıç çözümü üretme yöntemlerinden faydalanılan çalışmada, 80 bölüme kadar olan problemlere çözüm üretilmiştir.

Kumar, Islam, Lenin, Kumar ve Ravindran (2011), çok ürünlü bir üretim sistemi için, parçaların kat ettikleri toplam mesafeyi en küçüklemek isteyen bir sezgisel

geliştirmişlerdir. Problemde, ürünlerin farklı işlem sıraları olduğu kabul edilmekte ve ürünlerin geriye doğru hareketlerine izin verilmemektedir. Algoritma, literatürdeki problemler üzerinde incelenmiş ve çözüm zamanı açısından iyi sonuçlar verdiği gözlemlenmiştir.

Hosseini-Nasab ve Emami (2012), TB algoritmasını klonal seçme algoritması içine gömdükleri, TB algoritması temelli oluşturdukları melez sezgisel yöntemle TSTDP’ne çözüm üretmişlerdir. 80 bölümlü tesis büyüklüğündeki problemlere kadar algoritmayı test etmişlerdir ve büyük boyutlu 3 problem için, bilinen en iyi çözümü geliştirmişlerdir.

Özçelik (2012), diğer çalışmalardan farklı olarak, bölümler arası eşit olmayan boşlukların bulunduğu bir TSTDP’ni incelemiştir. Bu durumun gerçek hayat problemlerine daha yakın olduğunu belirtmiştir. Problemin çözümünde, yerel arama özelliklerini kullanan melez bir genetik algoritma geliştirmiştir. Geliştirilen melez algoritma, yerel arama operatörü olarak kullanılan MR (Move and Reverse) algoritmasıyla ve genetik algoritma ile karşılaştırılmıştır. 15 bölüm büyüklüğüne kadar literatürden alınan verilere 0.01 boşluk değeri eklenilen problemler ve 110 bölüme kadar boşluğun göz ardı edildiği problemler kullanılarak algoritma test edilmiştir.

Kothari ve Ghosh (2012), TSTDP’nin çözümü için, yörünge bağlama (path relinking) algoritmasını kullanmışlardır. Algoritma, iyi bir başlangıç çözüm kümesiyle başlamakta ve başlangıç çözümleri bulunurken çözüm uzayında taranmayan noktalarla ilgilenmektedir.

Bu çalışmada, 2-opt komşuluklu bir tabu arama algoritması, araya ekleme komşuluklu bir tabu algoritması ve araya ekleme komşuluklu bir yerel arama algoritması olmak üzere 3 farklı başlangıç çözüm yöntemi kullanılmışlardır.

Ulutaş (2013), biyolojik sistemlerden esinlenen klonal seçme algoritması ve bakteriyel besin arama algoritmasıyla, TSTDP için çözüm önerisinde bulunmuştur. Klonal seçim algoritması, yalnızca yabancı maddeleri tanıyan hücrelerin çoğalması fikri üzerine kurulmuş bir yığın temelli algoritmadır. Bakteriyel besin arama algoritmasında ise, bakterilerin uyum yeteneği ve evrim geçirmeye uygun yapıları uyarlanmıştır. Bu iki algoritma, 80 bölümlü tesis düzenleme problemlerine kadar test edilmiş, büyük boyutlu problemlerde klonal seçme algoritmasının daha iyi sonuçlar verdiği görülmüştür.

Ou-Yang ve Utamima (2013), güvenlik kısıtlarını da ele alan çalışmalarında, dağılım tahmini algoritması, parçacık sürü optimizasyonu ve tabu aramayı birleştirerek bir melez sezgisel algoritma geliştirmişlerdir. Bu sezgiseli, yine melez bir sezgisel olan yapay koromozomlu genetik algoritmayla karşılaştırmışlardır. 30 bölümlü tesis büyüklüğüne kadar olan problemlerde algoritmaları test etmişlerdir.

Kothari ve Ghosh (2013), 2-opt komşuluk yöntemine ve kapsamlı bir araya ekleme komşuluk yöntemine sahip, iki tabu arama algoritması kullanmışlardır. 110 bölümlü tesis büyüklüğündeki problemlere kadar sonuçları karşılaştırmışlar ve büyük boyutlu problemler için araya ekleme komşuluk yöntemine sahip algoritmanın daha iyi sonuçlar verdiğini gözlemlemişlerdir.

Lenin, Kumar, Islam ve Ravindran (2013), genetik algoritma kullanarak çok amaçlı TSTDP’ni ele almışlardır. Çalışma, toplam akış mesafesini, çizelgedeki toplam bölüm sayısını ve bölümlerin toplam yatırım maliyetini en küçüklemeyi hedeflemektedir. 15 bölüm büyüklüğüne kadar olan problemler için algoritma çalıştırılmıştır.

Kothari ve Ghosh (2014a), yerel arama algoritmalarıyla, genetik algoritma sonuçlarını her 5 iterasyonda bir kez geliştirdikleri GENALGO adını verdikleri algoritmalarıyla, büyük ölçekli TSTDP’leri için oldukça iyi sonuçlar elde etmişlerdir. 110 bölüme kadar literatürdeki problemlerin çözümlerinde, GENALGO algoritması rekabetçi sonuçlar vermiştir.

Kothari ve Ghosh (2014b), dağıtık arama algoritmasıyla TSTDP’ne bir çözüm yaklaşımı getirmişlerdir. Yığın temelli bir sezgisel olan dağıtık arama algoritmasıyla, büyük boyutlu TSTDP için çözüm araştırmışlardır. Dağıtık arama algoritmasının, aynı geliştirme yöntemine, aynı referans küme güncelleme yöntemine, aynı alt küme üretme yöntemine sahip fakat çeşitlilik üretme yöntemi ve çözüm birleştirme yöntemleri farklılık gösteren dört farklı dağıtık arama algoritması geliştirerek, literatürdeki büyük boyutlu test problemleri üzerinde çalışmışlardır ve algoritmanın çalışma süresi açısından rekabetçi sonuçlar elde ettiğini belirtmişlerdir.

Lenin, Kumar, Ravindran ve Islam (2014), çok amaçlı TSTDP’nin çözümü için, bir tabu arama algoritması önermişlerdir. Toplam akış mesafesini, toplam malzeme aktarma

maliyetini, çizelgedeki toplam bölüm sayısını ve bölümlerin toplam yatırım maliyetlerini en küçüklemeyi hedefleyen bu çalışma, literatürdeki örneklerde ve çalışma için üretilen, 15 bölüm büyüklüğüne kadar olan problemlerde test edilmiştir. Literatürdeki problemler için bilinen en iyi çözümlere ulaşılmıştır.

Palubeckis (2015a), değişken komşu arama algoritması yardımıyla, 300 bölüme sahip TSTDP’ler için çözüm üretmiştir. Hızlı çözümler üreten bu algoritmada, ikili yer değiştirme ve araya ekleme komşuluk yöntemleri kullanılmıştır.

Palubeckis (2015b), çalışmasında eşit uzaklı TSTDP’ler üzerinde çalışmıştır ve problemin çözümü için tavlama benzetimi algoritmasını kullanmıştır. Algoritma, belli bir olasılıkla ikili yer değiştirme, araya ekleme veya her iki komşuluk arama yöntemini de kullanmaktadır. Çalışmada, tavlama benzetimi algoritması iteratif tabu arama algoritmasıyla karşılaştırılmış, 300 bölümlü tesis büyüklüğüne kadar problem sonuçları raporlanmıştır.

Keller ve Buscher (2015), TSTDP’ler için kapsamlı bir literatür araştırması gerçekleştirmişlerdir. 82 makaleyi inceledikleri bu çalışmalarında, problemi; model formülasyonu, model gösterimi, girdi çeşidi, amaç fonksiyonu ve çözüm yöntemi açısından sınıflandırmışlardır. TSTDP’ler ve çözüm yöntemleri hakkında detaylı bilgi edinmek için yazarların çalışması incelenebilir.

4. TEK SIRA TESİS DÜZENLEME PROBLEMİ İÇİN ÇÖZÜM