Show simple item record

dc.contributor.advisorTaşgetiren, Fatih
dc.contributor.authorUçar, Hatice
dc.date.accessioned2021-05-07T11:40:20Z
dc.date.available2021-05-07T11:40:20Z
dc.date.submitted2005
dc.date.issued2018-08-06
dc.identifier.urihttps://acikbilim.yok.gov.tr/handle/20.500.12812/616142
dc.description.abstractBu çalışmada permütasyon akış tipli atölyelerdeki pozitif gecikmeli iş sayısınıminimuma indirmeyi amaçladık. Pozitif gecikmeli iş sayısı kriteri memnun olmayanmüşterilerin sayısına ait bir ölçüdür. Diğer bir deyişle, bu kriter yöneticilerinperformansına ait bir göstergedir. Minimum sayıda gecikmeli iş sayısı hedefinisağlayabilmek için iki algoritma geliştirdik; biri geleneksel bir genetik algoritma diğeriise kesikli partikül sürü optimizasyonu algoritması. Algoritmalarda Demirkol vediğerleri'nin data setlerindeki teslim tarihleri kullanıldı. Herbir algoritmanın gecikmeliiş sayısına ait değerleri ve işlemci süreleri için istatistiksel ölçümler yapıldı. Her ikialgoritmanın m makinadaki en optimal iş sıralamasını bulmadaki performanslarıkarşılaştırıldı. Yapılan deneylerde partikül sürü optimizasyonu algoritmasının EnKüçük Konum (EKK) sezgisel yöntemi sayesinde umut verici neticeler verdiği sonucunavarıldı.Anahtar Kelimeler: Çizelgeleme, Pozitif Gecikmeli İş Sayısı, Genetik Algoritma, PartikülSürü Optimizasyonu, En Küçük Konum Kuralı, Permutasyon Akış Tipli Atölye
dc.description.abstractIn this study, we aimed to minimize the number of tardy jobs in permutation flowshops. The number of tardy jobs criterion is a measure for the number dissatisfiedcustomers. In other words, it monitors the performance of the managers. In order toachieve the minimum number of tardy objective, we developed two algorithms; one is atraditional genetic algorithm and the latter is a discrete particle swarm optimizationalgorithm. The algorithms are implemented using the due date configurations ofDemirkol et al.?s data sets. The statistical tests are done to measure the fitness and cpuvalues for each algorithm. The performances of both algorithms to find the optimalprocessing sequence for the jobs through m machines are compared. It is concludedfrom the experiments that the particle swarm optimization algorithm gives promisingsolutions by means of the proposed SPV (Smallest Position Value) heuristic rule.Keywords: Scheduling, Number of Tardy Jobs, Genetic Algorithm, Particle SwarmOptimization, Smallest Position Value Rule, Permutation Flow Shopen_US
dc.languageEnglish
dc.language.isoen
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAttribution 4.0 United Statestr_TR
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectEndüstri ve Endüstri Mühendisliğitr_TR
dc.subjectIndustrial and Industrial Engineeringen_US
dc.titleComparison of genetic algorithm and particle swarm optimization algorith for permutation flow shop sequencing problem with criterion of number of tardy jobs
dc.title.alternativePozitif gecikmeli iş sayısı kriterli permütasyon akış tipli atölye çizelgeleme problemi üzerinde genetik algoritma ve partikül sürü optimizasyonu yöntemlerinin mukayesesi
dc.typemasterThesis
dc.date.updated2018-08-06
dc.contributor.departmentEndüstri Mühendisliği Ana Bilim Dalı
dc.identifier.yokid330390
dc.publisher.instituteFen Bilimleri Enstitüsü
dc.publisher.universityFATİH ÜNİVERSİTESİ
dc.identifier.thesisid216503
dc.description.pages76
dc.publisher.disciplineDiğer


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess