Öğrenme etkili, bulanık işlem zamanlı ve bulanık teslim tarihli çizelgeleme problemi

Abstract

Günümüzde Tam Zamanında Üretim (TZÜ) sistemine artan ilgi ile beraber Erken/Geç tamamlanma çizelgeleme problemleri büyük önem kazanmıştır. Tam Zamanında Üretim stratejisi ile çalışan işletmelerde işlerin erken tamamlanmasının da geç tamamlanması kadar önemli olması nedeni ile ele alınan Erken/Geç çizelgeleme problemleri ile ilgili yapılan çalışmaların büyük bir kısmında, işlerin işlem zamanları ve teslim tarihleri sabit kabul edilmiştir. Ancak insan faktörünün devreye girmesi sonucu problem parametrelerinin gerçek hayat problemlerine uygunluğu açısından bulanık alınması daha tutarlı bir yaklaşım olacaktır. Bununla birlikte bazı üretim sistemlerinde, işlem zamanları dikkate alındığında yapılan işlemlerin sık sık tekrarlanmasıyla işlem zamanlarında gittikçe bir azalma görülür. Bu olgu literatürde öğrenme etkisi olarak tanımlanmaktadır. Bu çalışma belirtilen söz konusu nedenlerden dolayı, bulanık işlem zamanlı ve bulanık teslim tarihli tek makine çizelgeleme problemine öğrenme etkisi katılarak ele alınacaktır. Ele alınan problemin amaç fonksiyonu ise Erken/Geç tamamlanan iş sayısını en küçüklemektir. Problemin NP-zor yapısı nedeni ile büyük boyutlu problemlerin çözümü için genetik algoritma geliştirilmiştir. Geliştirilen bu algoritmayla üretilen test problemleri çözümlenmiş ve sonuçlar tartışılmıştır. Genetik algoritmanın çözüm performansının artırılmasına yönelik Taguchi deney tasarımı yöntemi kullanılarak algoritma performansına etki eden faktör ve seviyeleri belirlenmiştir.

The Earliness/Tardiness problem has received considerable attention as Just in Time (JIT) concepts have become more prominent in practice. In most of studies with Earliness/Tardiness scheduling which began to study with the growing interest in Just-in-Production (JIT) which espouses the notion that earliness-as well as tardiness- are assumed that the processing times and due dates of jobs are fixed. However, by considering the imprecise or fuzzy natura of the data in real world problems, processing times and due dates are assumed as fuzzy numbers because of measurement errors in data sets or human actions. At the same time, in some production systems, the actual processing time of a job maybe more or less than its normal processing time when it is scheduled later. This phenomenon is known as the ?learning effect? in the context of various scheduling problems. In our study, we introduce learning effect into a single machine scheduling problem with uncertain processing times and flexible due dates in consideration of real situations. The objective function of the problem is minimization Earliness/Tardiness penalties. According to the complex property of the problem, a heuristic approach of Genetic Algorithm is applied to solve this NP-hard problem. Finally Taguchi method is used for improve the solution performance of genetic algorithms that depend on the parameters.