Makine öğrenmesi tabanlı ilişkisiz paralel makine çizelgelemesi
Machine learning-based unrelated parallel machine scheduling
- Tez No: 1003088
- Danışmanlar: PROF. DR. ŞERAFETTİN ALPAY
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Üretim ve Servis Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, tekstil sektöründe faaliyet gösteren bir tişört üretim firmasına ait geçmiş satış verileri kullanılarak makine öğrenmesi tabanlı bir talep tahmin yaklaşımı ele alınmıştır. Talep yapısındaki dalgalanmalar ve yüksek ürün çeşitliliğinin üretim planlama süreçleri üzerindeki etkileri dikkate alınarak, Python programlama dili ile farklı regresyon tabanlı makine öğrenmesi modelleri oluşturulmuş ve performansları karşılaştırılmıştır. Karşılaştırma sonuçlarına göre, doğrusal olmayan veri yapılarının modellenmesinde daha başarılı sonuçlar verdiği belirlenen CatBoost algoritması talep tahmin sürecinde kullanılmıştır. Modelleme ve kodlama çalışmaları Python ortamında gerçekleştirilmiş, uygulamalar PyCharm geliştirme ortamında yürütülmüştür. Talep tahmini sonucunda elde edilen çıktılar, üretim planlama sürecinde girdi parametresi olarak değerlendirilmiştir. Bu kapsamda, ilişkisiz paralel makineler üzerinde üretim yapılan bir sistem için karma tamsayılı doğrusal programlama (MILP) tabanlı bir üretim çizelgeleme modeli ele alınmıştır. Modelde, makine kapasiteleri, makineye bağlı işlem süreleri ve ürüne bağlı ancak üretim sırasından bağımsız hazırlık süreleri dikkate alınmış; müşteri siparişlerine ait toplam gecikme süresinin en küçüklenmesi amaçlanmıştır. Model, Python ortamında Gurobi çözücüsü kullanılarak çözülmüş ve elde edilen sonuçlar doğrultusunda üretim çizelgeleri oluşturulmuştur. Elde edilen üretim çizelgeleri Gantt diyagramları aracılığıyla görselleştirilmiş ve çizelgelerin yapısı ile performansı analiz edilmiştir. Çalışma, makine öğrenmesi tabanlı talep tahmin sonuçlarının tekstil sektörüne özgü üretim koşulları altında çizelgeleme kararlarına entegre edilmesi bakımından, talep tahmini ve ilişkisiz paralel makinelerde üretim çizelgeleme süreçlerinin birlikte ele alındığı uygulamaya dönük bir karar destek yaklaşımı sunmaktadır.
Özet (Çeviri)
In this thesis, a machine learning–based demand forecasting approach is examined using historical sales data obtained from a T-shirt manufacturing company operating in the textile industry. Considering the effects of demand fluctuations and high product variety on production planning processes, several regression-based machine learning models were developed using the Python programming language, and their performances were comparatively evaluated. Based on the comparison results, the CatBoost algorithm, which demonstrated superior performance in modeling nonlinear data structures, was selected for the demand forecasting stage. All modeling and coding procedures were conducted in the Python environment, and the implementations were carried out using the PyCharm development platform. The outputs obtained from the demand forecasting stage were then utilized as input parameters for the production planning process. In this context, a mixed-integer linear programming (MILP)–based production scheduling model was considered for a system operating with unrelated parallel machines. The model incorporates machine capacity constraints, machine-dependent processing times, and product-dependent but sequence-independent preparation times, with the objective of minimizing the total tardiness of customer orders. The model was solved using the Gurobi solver within the Python environment, and production schedules were generated based on the optimization results. The resulting production schedules were visualized using Gantt charts, and their structural properties and performance were analyzed. The study presents a practical decision-support approach in which machine learning-based demand forecasting results are integrated into scheduling decisions under production conditions specific to the textile industry, addressing demand forecasting and production scheduling processes on unrelated parallel machines within an integrated framework.
Benzer Tezler
- Reinforcement learning based solution approaches to static and dynamic machine scheduling problems
Statik ve dinamik makine çizelgeleme problemlerine pekiştirmeli öğrenme tabanlı çözüm yaklaşımları
BEHİCE MELTEM KAYHAN
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiDokuz Eylül ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKALP YILDIZ
- AA 7075 alaşımlarında yaşlandırma ve mekanik davranışların makine öğrenmesi ve derin öğrenme tabanlı modellenmesi
Machine learning and deep learning based modeling of aging and mechanical behavior in AA 7075 alloys
MÜJDE GÜZELGÜL
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN KÖSE
- A unified deep learning framework for scalable learning and uncertainty quantification in interval Type-2 fuzzy logic systems
Aralık Tip-2 bulanık mantık sistemlerinde ölçeklenebilir öğrenme ve belirsizlik nicelendirmesi için derin öğrenme tabanlı birleştirilmiş bir çerçeve
ATA KÖKLÜ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- Sistemli mimari tasarım sürecinde üretken bir yapay yardımcı önerisi
Proposal for a productive artificial aid in the systematic architectural design process
BETÜL ŞEN
Yüksek Lisans
Türkçe
2024
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. YÜKSEL DEMİR
- Endüstri 4.0 teknolojilerinin ve güncel yenilikçi yaklaşımların inşaat sektörüne adaptasyonu ile isg problemlerinin çözümüne yönelik kavramsal bir model
A conceptual model towards solution of ohs problems through adaptation of industry 4.0 technologies and contemporary ia to the construction industry
NUR EFŞAN ERUSTA
Doktora
Türkçe
2025
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. BEGÜM SERTYEŞİLIŞIK