Forecast-driven optimization of internal warehouse replenishment
Çok kademeli depo içi yenileme probleminin talep tahmini tabanlı optimizasyonu
- Tez No: 1012079
- Danışmanlar: PROF. DR. AHMET DENİZ YÜCEKAYA, DOÇ. DR. MUSTAFA HEKİMOĞLU
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Toplu depolama için kullanılan Rezerv alanları ile toplama operasyonlarına ayrılan İleri alanlar arasındaki etkin ikmal, depo verimliliğinin en kritik belirleyicilerinden biridir. Ancak standart İleri–Rezerv optimizasyon modelleri önemli bir sınırlamaya sahiptir: malların Kabul noktasına stokastik varışı ve Tampon bölgelerin operasyonel rolü bu modellerde göz ardı edilmektedir. Bu tez, söz konusu ihmal edilen faktörleri ele alarak bütünleşik ve tahmin odaklı bir optimizasyon çerçevesi geliştirmektedir. Çalışma, talep karakterizasyonunun mikro düzeyinden çok kademeli kontrolün makro düzeyine uzanan bir yapı izlemektedir. İlk aşamada, yedek parça talebine yönelik bir makine öğrenimi tabanlı tahmin metodolojisi doğrulanarak karar verme süreçleri için sağlam bir temel oluşturulmaktadır. Bu temele dayanarak geliştirilen kayan ufuklu Karma Tamsayılı Doğrusal Programlama modeli, Tampon alanını bir darboğaz olmaktan çıkarıp stratejik bir varlığa dönüştürmekte ve operasyonel maliyetleri önemli ölçüde azaltmaktadır. Son aşamada ise Kabul, Rezerv ve İleri alanlarını bütünleştiren özgün bir Üç Kademeli model önerilmekte ve böylece tedarik ile toplama arasındaki kopukluk giderilmektedir. Öğrenilmiş Değer Fonksiyonu Yaklaşımı ile Hibrit Yaklaşık Dinamik Programlama kullanan bu model, envanteri gereksiz depolama adımlarını atlayarak dinamik biçimde yönlendirmektedir. Sonuç olarak ortaya çıkan çerçeve, yalnızca talebe tepki veren değil, aynı zamanda talebi öngörebilen duyarlı bir İleri–Rezerv sistemi sunmaktadır. Hesaplamalı deneyler, önerilen yaklaşımın yüksek hizmet düzeylerini korurken geleneksel optimizasyon yöntemlerine kıyasla yedi kata kadar daha hızlı çalıştığını göstermektedir.
Özet (Çeviri)
Efficient replenishment between Reserve areas for bulk storage and Forward areas for picking operations is one of the most critical determinants of warehouse throughput. However, standard Forward-Reserve optimization models exhibit a notable gap: they overlook the stochastic arrival of goods at the Receiving dock and the operational role of Buffer zones. This dissertation addresses these overlooked factors by developing an integrated, forecast-driven optimization framework. The study progresses from the micro-level of demand characterization to the macro-level of multi-echelon control. First, by validating a machine learning forecasting methodology for spare parts demand, we establish a foundation for decision-making. Building on this, we develop a rolling-horizon Mixed-Integer Linear Programming model that transforms the Buffer area from a bottleneck into a strategic asset, significantly reducing operational costs. Finally, we bridge the gap between supply and picking by proposing a novel Three-Echelon model integrating Receiving, Reserve, and Forward areas. Utilizing Hybrid Approximate Dynamic Programming with learned Value Function Approximation, this model dynamically routes inventory to bypass unnecessary storage steps. The resulting framework yields a responsive Forward-Reserve system that not only reacts to demand but anticipates it. Computational experiments demonstrate that the proposed approach operates up to seven times faster than traditional optimization benchmarks while maintaining high service levels.
Benzer Tezler
- Evidence-based analysis of Türkiye's energy efficiency obligation scheme: sectoral applications, energy poverty, flexibility options and policy implications
Türkiye enerji verimliliği yükümlülükleri sisteminin kanita dayali analizi: sektörel uygulamalar, enerji yoksulluğu, esneklik seçenekleri ve politika çikarimlari
RABİA CİN
Doktora
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. SERMİN ONAYGİL
- Gerçek işletme verilerine dayalı makine öğrenmesi yöntemleri ile anaerobik metan üretiminin tahmini ve simülasyon analizi
Prediction and simulation analysis of anaerobic methane production using machine learning methods based on real operational
ALİCAN YAĞIN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiAfyon Kocatepe ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YÜKSEL OĞUZ
- Building energy efficiency: A data-driven machine learning approach for energy optimization
Bina enerji verimliliği: Enerji optimizasyonu için veriye dayalı makine öğrenmesi yaklaşımı
AHMAD REZA DARABI
Yüksek Lisans
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Kurumsal büyük veri analitiği yetenekleri ve performans ilişkisi : Türkiye için bir araştırma
Big data anaytics capabilities: Survey at Turkey
İLKNUR BUSE PALA
Yüksek Lisans
Türkçe
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİHAN YILDIRIM
- A transformer-based archıtecture: The ınformer model for uav power consumptıon estımatıon
İha güç tüketimi tahmini için transformer tabanlı ınformer modeli
AHMET KAAN DURMAZ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLAY ÖKE GÜNEL