Geri Dön

A K-means clustering and machine learning enhanced hybrid optimization approach for large-scale container loading problems

Büyük ölçekli konteyner yükleme problemleri için K-means kümeleme ve makine öğrenmesi destekli hibrit bir optimizasyon yaklaşımı

PDF İndir

  1. Tez No: 1012276
  2. Yazar: SEZGİ TEKİL ERGÜN
  3. Danışmanlar: PROF. DR. FERHAN ÇEBİ
  4. Tez Türü: Doktora
  5. Konular: Endüstri ve Endüstri Mühendisliği, Yönetim Bilişim Sistemleri, Industrial and Industrial Engineering, Management Information Systems
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: İşletme Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Üç Boyutlu Konteyner Yükleme Problemi (3B-KYP), lojistik ve taşımacılık sistemlerinde önemli bir yere sahip olan ve NP-zor sınıfında yer alan kombinatoryal bir optimizasyon problemidir. Konteyner hacminin etkin kullanımı; taşıma maliyetlerinin azaltılması, operasyonel verimliliğin artırılması ve çevresel etkilerin azaltılması açısından kritik öneme sahiptir. Konteyner içerisindeki hacim kullanımında sağlanacak küçük iyileştirmeler dahi yakıt tüketimi ve karbon salınımı üzerinde önemli kazanımlar sağlayabilmektedir. Ancak gerçek hayattaki büyük ölçekli yükleme problemlerinde; ürün rotasyonları, istiflenebilirlik kuralları, ağırlık kısıtları, yükleme öncelikleri ve karma yükleme gereksinimleri gibi pratik kısıtlar çözüm sürecini oldukça karmaşık hale getirmektedir. Bu tez çalışmasında, Türkiye'de faaliyet gösteren bir lojistik firmasında karşılaşılan gerçek bir konteyner yükleme problemi ele alınmış ve büyük ölçekli örnekleri etkin şekilde çözebilen bütünleşik hibrit bir optimizasyon çerçevesi önerilmiştir. Önerilen yöntem; kümeleme tabanlı ön işleme, çok seviyeli sezgisel yerleştirme algoritması, Sütun Üretimi (Column Generation) yaklaşımı ve denetimli makine öğrenmesini tek bir bütünleşik yapı içerisinde bir araya getirmektedir. İlk aşamada, problem boyutunu azaltmak ve yerleştirme sürecinde yapısal bütünlüğü artırmak amacıyla K-Ortalamalar (K-Means) kümeleme algoritması ön işleme adımı olarak kullanılmaktadır. Ürünler boyutsal benzerliklerine göre gruplandırılmakta ve böylece kombinatoryal karmaşıklık azaltılmaktadır. Küme sayısı (K) rastgele belirlenmemekte; Dirsek (Elbow) yöntemi, Silhouette indeksi, Davies–Bouldin indeksi ve Calinski–Harabasz skoru kullanılarak çok kriterli bir değerlendirme ile sistematik biçimde seçilmektedir. Bu veri odaklı yaklaşım, kümeler içerisinde homojenliği artırırken gereksiz parçalanmayı önlemektedir. Kümeleme sonrasında iki seviyeli üç boyutlu bir sezgisel yerleştirme stratejisi uygulanmaktadır. İlk seviyede, her küme içerisindeki ürünler fizibilite, ağırlık, rotasyon ve istiflenebilirlik kısıtları dikkate alınarak kompakt ve dengeli bloklar haline getirilmektedir. İkinci seviyede ise bu bloklar konteyner içerisine yerleştirilmektedir. Çözüm kalitesini artırmak amacıyla blok tahsisi süreci, 3B Best-Fit Decreasing with Orientation algoritması ile desteklenen bir Sütun Üretimi yaklaşımı ile güçlendirilmiştir. Bu ayrıştırma temelli yapı, yüksek kaliteli yükleme desenlerinin sistematik biçimde oluşturulmasını sağlamaktadır. Büyük ölçekli örneklerde sütun üretimi sürecinde ortaya çıkan hesaplama yükünü azaltmak amacıyla, indirgenmiş maliyeti negatif olma olasılığı yüksek desenleri tahmin eden denetimli bir makine öğrenmesi modeli çerçeveye entegre edilmiştir. Makine öğrenmesi bileşeni, umut vaat etmeyen desenleri erken aşamada eleyerek gereksiz fizibilite kontrollerini azaltmakta ve çözüm süresini önemli ölçüde kısaltmaktadır. Gerçek endüstriyel veriler ve kıyaslama veri setleri üzerinde gerçekleştirilen deneysel çalışmalar, önerilen yaklaşımın temel sezgisel yöntemlere ve manuel yükleme stratejilerine kıyasla konteyner doluluk oranını anlamlı ölçüde artırdığını ve büyük ölçekli örneklerde çözüm süresini önemli ölçüde azalttığını göstermektedir. Sonuç olarak bu tez, teorik optimizasyon yöntemleri ile gerçek lojistik uygulamaları arasındaki boşluğu doldurarak, üç boyutlu konteyner yükleme problemleri için ölçeklenebilir, veri odaklı ve hesaplama açısından verimli bir çözüm mimarisi sunmaktadır.

Özet (Çeviri)

The Three-Dimensional Container Loading Problem (3D-CLP) is a well-known NP-hard combinatorial optimization problem that plays a critical role in logistics and transportation systems. Efficient utilization of container space directly affects transportation costs, operational efficiency, and environmental sustainability. Even small improvements in space usage can significantly reduce fuel consumption and carbon emissions. However, solving large-scale real-world container loading problems remains computationally challenging due to practical constraints such as item rotations, stackability requirements, weight limits, loading priorities, and mixed loading restrictions. This thesis addresses a real-world container loading problem encountered in a logistics company in Turkey and proposes an integrated hybrid optimization framework to handle large-scale instances under realistic industrial constraints. The proposed methodology combines clustering-based preprocessing, multi-level heuristic packing, column generation, and supervised machine learning within a unified architecture. First, K-Means clustering is employed as a preprocessing mechanism to group items according to dimensional similarity. This step reduces combinatorial complexity and improves structural coherence during packing. The number of clusters is determined through a multi-criteria evaluation using the Elbow method, Silhouette index, Davies–Bouldin index, and Calinski–Harabasz score. This systematic and data-driven selection ensures balanced cluster compactness while avoiding unnecessary fragmentation. Following clustering, a two-level three-dimensional heuristic packing strategy is applied. In the first level, items within each cluster are packed into compact and stable blocks while satisfying feasibility, weight, orientation, and stackability constraints. In the second level, these blocks are allocated to containers using a Column Generation framework combined with a 3D Best-Fit Decreasing with Orientation procedure. This decomposition-based structure enhances space utilization and solution robustness. To further improve computational efficiency, a supervised machine learning model is integrated into the column generation process to predict promising reduced-cost columns. Since only a small portion of generated patterns contribute to improvement, the machine learning component functions as a screening mechanism, reducing unnecessary feasibility evaluations and accelerating convergence. Computational experiments conducted on benchmark datasets and real industrial instances demonstrate significant improvements in container utilization compared to baseline heuristic approaches and manual loading strategies. The proposed framework also achieves substantial reductions in computational time for large-scale instances. Overall, this thesis bridges the gap between theoretical optimization techniques and practical logistics applications by introducing a scalable, data-driven, and computationally efficient solution architecture for complex three-dimensional container loading problems.

Benzer Tezler

  1. Tez No

    978581

    Mesane kanseri kas invazyonunun radyomik özellikler ve makine öğrenimi modelleri kullanılarak değerlendirilmesi: Açıklanabilir yapay zekâ yaklaşımı

    Assessment of muscle-invasive bladder cancer using radiomic features and machine learning models: An explainable artificial intelligence approach

    İREM TİRYAKİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpSağlık Bilimleri Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. AYTÜL HANDE YARDIMCI

  2. Tez No

    966033

    Customer-merchant shopping behavior modeling in e-commerce

    E-ticarette müşteri-mağaza alışverış davranışı modeli

    GÖRKEM GÜNEY

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMef Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUNA ÇAKAR

  3. Tez No

    921127

    Mass prediction from 2D images

    2 boyutlu görüntülerden kütle tahmini

    İPEK CEMRE SONYILDIRIM YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET ÖNDER EFE

  4. Tez No

    1012091

    Seasonal forecasting and trend analysis in redefinedclimate zones: A deep learning and climate indicesapproach

    Yeniden tanımlanan iklim bölgelerinde mevsimsel tahminve eğilim analizi: Derin öğrenme ve iklim indisleriyaklaşımı

    NİDA ÇİFTCİ

    Doktora

    İngilizce

    İngilizce

    2026

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET DURAN ŞAHİN

  5. Tez No

    960120

    Beyin manyetik rezonans görüntülerinde makine öğrenmesi tabanlı tümör tespiti ve sınıflandırılması

    Machine learning based tumor detection and classification in brain magnetic resonance images

    ÖZLEM ALTIOK

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiHitit Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT ALPARSLAN GÜNGÖR

Geri Dön