Order dispatching via deep reinforcement learning

Başlık çevirisi mevcut değil.

PDF İndir

Tez No: 712817
Yazar: ERAY MERT KAVUK
Danışmanlar: DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN
Tez Türü: Yüksek Lisans
Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Computer Engineering and Computer Science and Control, Science and Technology
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2022
Dil: İngilizce
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
Sayfa Sayısı: 94

Özet

Bu tezde, bir perakende ve lojistik şirketi olan Getir 'in kendine özgü olan sipariş gönderme problemi çalışılmıştır. Getir birçok şehirde ve birden fazla ülkede hizmet vermektedir ve hizmet alanı da günden güne genişlemektedir. Her gün binlerce müşteriye, birçok farklı alanda hizmet veren Getir, piyasanın bu alandaki öncü şirketlerindendir. Bu tezde Getir 'in Dünya'da bir ilk olarak bulup uygulamaya başladığı ve şirketin ilk ve en çok bilinen hizmet alanı olan ultra hızlı teslimat konusunda çalışılmıştır. Getir'in ultra hızlı teslimat iş modelinde amacı, müşterilerine siparişlerini dakikalar içinde ulaştırmaktır. Bu iş modelinde siparişler şirkete ait depolardan karşılanır. Çok kısa süreler içerisinde sipariş teslimatını tamamlamak oldukça zorlu bir hedeftir. Trafik sıkışıklığı, günün belli saatlerindeki ya da haftanın belli günlerindeki siparişlerin yoğunlaşması nedeniyle, ultra hızlı bir teslimat hedefine ulaşmak gerçek bir problem haline gelmektedir. Ayrıca, Covid-19 pandemisi ve değişen tüketici alışkanlıklarından dolayı insanlar giderek eve teslimat ile alışveriş yöntemini daha fazla tercih etmektedir. Bu sebeple günlük ve haftalık bazda beklenen sipariş sayılarında ciddi değişiklikler gözlenebilmektedir. Önceden bilinmeyen sokağa çıkma yasakları ya da diğer kısıtlamalar ise beklenen sipariş sayıları ve içeriklerinde değişikliklere sebep olmaktadır. Bundan dolayı bu değişiklikleri veri analizleri ve tahminleme yöntemleriyle kestirmek pek mümkün olmamaktadır. Buna ek olarak, bugünlerdeki sağlık ve hijyen hususlarındaki artan hassasiyeti göz önünde bulundurarak, taleplerin çoğunu dakikalar içinde teslim etmek farklı boyutta bir problemi beraberinde getirmektedir. Bu sebeplerden dolayı değişen şartlara uyum sağlayabilecek bir sipariş gönderme algoritması hayati önem taşımaktadır. Ultra hızlı teslimat modelinde amaç, vaat edilen süreler içerisinde mümkün olduğunca fazla müşteriye hizmet sunabilmektir. Siparişler, sipariş veren müşterinin bölgesindeki depoların çalışma saatleri arasında herhangi bir zamanda verilebilir. Bölgedeki ilgili depoların sipariş yoğunluğuna, kurye vardiya planlarına göre gelen siparişin kabul edilmesine veya reddedilmesine karar verilir. Buradaki karar verme algoritmasında kısıtları ihlal etmeyen kural bazlı bir yapı yerine, derin pekiştirmeli öğrenme algoritmasının kullanılmasını öneriyoruz. Oldukça hızlı büyüyen bir şirket olan Getir' in büyüme hızına ayak uydurabilecek, bölgelerin farklı özelliklerine adapte olabilecek bir algoritma kullanılması gerektiğini düşünüyoruz. Getir, hizmet kalitesini, teslimat süresini, kurye atamasını, yeni depoların yerinin tespit edilmesi gibi operasyonel ve teknik sorunları iyileştirmek için algoritmalar tasarlayan ve geliştiren mühendisleri içeren büyük bir veri bilimi ekibine sahiptir. Bu çalışmada önerdiğimiz derin pekiştirmeli öğrenmeye dayalı bir sipariş gönderimi algoritmasının tasarlanması sürecinde Getir' in veri bilimi ekibiyle de bir iş birliğinde bulunduk. Önceden tespit edilen ve ileride ortaya çıkabilecek komplikasyonlar üzerine bu alandaki uzmanlıklarından faydalandık. Buradan çıkardığımız sonuçlar ve yaptığımız veri analizleri sonucunda farklı senaryolara uyum sağlayabilecek bir algoritmanın gerekli olduğuna karar verdik. Bu çalışmada iki farklı model tanımlanmıştır. Modellerden biri mevcut durumu daha verimli hale getirmek, diğeri ise hizmet kalitesini yükseltmeyi ve üzerinden yapılacak veri analizleri neticesinde genişleyen hizmet alanları için izlenecek stratejilere yol göstermesi amacıyla tasarlanmıştır. Bu problem için uygulanabilecek olan derin pekiştirmeli öğrenme metotlarından önce Getir' in ilgili sorununu ve şirketin uyguladığı yöntemlerden birini tanımlıyoruz. Kullanılan yöntemin sorunlarını, sınırlamalarını ve eksik yönlerini tartışıyoruz. Önerdiğimiz yöntem ile mevcut yöntem arasındaki farkları karşılaştırıyor ve farklılıklarını vurguluyoruz. Önerilen yöntemler ve mevcut kullanılan yöntemleri gerçek sipariş verileri üzerinden karşılaştırıp, başarıları ölçüyoruz. Ultra hızlı teslimat iş modelinde siparişin kullanıcıya 10--15 dakika içerisinde teslim edilmesi hedeflenmektedir. Sipariş yoğunluğunun yaşandığı ve siparişin 10--15 dakika içerisinde teslim edilemeyeceği düşünülen zamanlarda eğer sipariş 45 dakika içerisinde teslim edilebilecekse müşteriye sırada beklemeyi kabul edip etmediği sorulmaktadır. Eğer müşteri sıraya alma isteğini onaylarsa siparişin 45 dakika içinde teslim edilmesi amaçlanmaktadır. Müşterinin bu durumu kabul etmediği durumlarda ise sipariş reddedilmektedir. Öte yandan siparişin 45 dakika içerisinde teslim edilemeyeceği düşünülüyorsa müşteriye sıra sorusu sorulmaksızın sipariş reddedilmektedir. Bir siparişi vaat edilen süre sınırları içerisinde götürememek en kötü senaryodur. Bunun yerine bu sipariş reddedilmelidir. Müşteri memnuniyeti açısından çok kritik olan bu süreç göz önünde bulundurularak modellerimizin ödül fonksiyonu tanımlanmıştır. Siparişin kabul veya reddedildiği müşteriye o anda bildirilmektedir. Reddedilen bir siparişin ödemesi alınmamaktadır. Bu yaklaşımda sipariş önce kabul edilip sonra değişen duruma göre reddedilemez. Anlık bir karar verme mekanizmasına ihtiyaç duyulduğundan dolayı değişen durumları öngörebilecek bir karar verme mekanizmasına ihtiyaç duyulmaktadır. Aksi takdirde kabul edilen bir sipariş yaşanan yoğunluğa bağlı olarak vaat edilen sürelerde götürülemeyebilir ya da daha güvenli bir yaklaşım tercih edilerek potansiyelin altında sipariş kabulü yapılabilir. Burada kullanılan kural bazlı ve statik bir algoritmanın ciddi bir optimizasyon boşluğu yarattığı görülmektedir. Sipariş verilerinden, kurye vardiya planlarından elde edilebilecek bilgiler kullanılarak yaşanacak değişimleri yüksek başarıyla öngörebilecek bir algoritma tasarlanabilir. Mevcut algoritma hizmet kalitesinden ve vaat edilen teslimat sürelerinden ödün vermemek için iş modelinin potansiyelinin altında bir sipariş kabulü yapmaktadır. Algoritmadaki en büyük problem teslimat süreleri içerisinde müşteriye ulaşabilecek tüm siparişlerin kabul edilmesi ve kabul edilen siparişlerin yarattığı yoğunluktan dolayı sonrasında gelen siparişlerin özelliklerine bakılmaksızın reddedilmesidir. Kural bazlı algoritma esasında hangi zamanda ya da hangi tür siparişleri reddetmesi gerektiğine karar vermez. Reddedilen siparişler doğrudan doğruya kabul edilen siparişlerin yarattığı yoğunluktan kaynaklanmaktadır. Basit bir yaklaşımla şunu söylemek mümkündür: Kabul edilebilecek bir siparişi reddetmek daha sonra reddedilecek birden fazla siparişin kabul edilebilmesini sağlayabilir. Örnek vermek gerekirse depoya uzak bir siparişin reddedilmesi peşi sıra gelen ve normalde reddedilecek olan depoya yakın iki siparişin kabul edilmesini sağlayabilir. Bu durum doğrudan uzak siparişlerin reddedilmesi gerektiği anlamına gelmemektedir. Çünkü gerekli yoğunluk sağlanmamışsa ve peşi sıra yakın siparişler gelmezse bir sipariş boşu boşuna reddedilmiş olur. Burada ihtiyacımız olan sipariş geldiği anda sonraki durumları öngörebilecek yapıya sahip bir algoritmadır. Pekiştirmeli öğrenme bu tarz bir problemi çözmek için oldukça etkili bir yaklaşımdır. Pekiştirmeli öğrenme gözetimli ve gözetimsiz öğrenme ile birlikte en bilindik yapay öğrenme yöntemlerinden biridir. Pekiştirmeli öğrenme, çevre (enviroment) ile etkileşim içinde olan bir ajanın (agent) en yüksek kümülatif ödüle (reward) ulaşması için alması gereken aksiyonları (action) bulmasını sağlayan bir makine öğrenmesi türüdür. Amaç maksimum kümülatif ödüle ulaşılması için alınması gereken aksiyonlar bütününü temsil eden bir karar politikası (policy) oluşturmaktır. Pekiştirmeli öğrenmede çevre bir Markov karar süreci (Markov decision process) olarak modellenir. Markov karar süreci modelleri bir sonraki durum ile ilgili tahminde bulunurken sadece o anki durumla ilgili bilgilere ihtiyaç duyarlar. Şu anki durumdan önceki adımlardaki bilgiler bir önem arz etmez. Derin pekiştirmeli öğrenme, yapay sinir ağları kullanılarak gerçekleştirilen bir pekiştirmeli öğrenme türüdür. Bu çalışmada Deep Q-Networks (DQN) ve uzantıları kullanılmıştır. Q-Learning algoritması en ünlü pekiştirmeli öğrenme algoritmalarından biridir. Q-Learning'in çok boyutlu ve büyük problemler için uygulanması pek mümkün değildir. Q-Learning algoritmasının yapay sinir ağları sayesinde hesaplamaları yaklaşımsal olarak yapabilen ve çok boyutlu problemlerin çözülebilmesine olanak sağlayan bir pekiştirmeli öğrenme algoritması olan DQN ve onun uzantıları bu çalışmada kullanılmıştır. Yapay sinir ağı modelinin girdisi olarak durumun bileşenleri kullanılmıştır. Çıktı olarak ise her bir aksiyona (kabul ve ret) karşılık gelen Q değerleri alınmaktadır. Yüksek Q değerine sahip olan aksiyon seçilerek bir sonraki duruma geçilir. Ödül fonksiyonu özet olarak vaat edilen sürelerde götürülen siparişlere en yüksek ödülü, geciken siparişlere ise en düşük ödülü vermektedir. Reddedilen siparişler ise bu ikisinin arasında yer almaktadır. Siparişin tutarı şirket politikası gereği burada bir önem arz etmemektedir. Her sipariş tutarından veya karından bağımsız bir şekilde değerlendirilmiştir. Bu çalışmada modellerimiz için iki farklı ödül fonksiyonu tanımlanmıştır. Farklı ödüller ile eğitilen bu modeller, Getir' in operasyonunda farklı yönlerde iyileştirmeler sağlamayı amaçlamaktadır. Temelde ödüllerden biri mevcut durumu daha verimli hale getirmeyi amaçlarken, diğeri ise mümkün olan en düşük maliyetle daha yüksek hizmet kalitesini amaçlamaktadır. Pekiştirmeli öğrenmede model eğitimin başlangıcında çevre bilinmemektedir. Bir derin pekiştirmeli öğrenme ajanı öncelikle çevreyi keşfeder ve sonrasında öğrendiği bilgileri kullanır. Literatürde keşif-sömürü ikilemi (exploration-exploitation dilemma) olarak adlandırılan bu durumda ajan keşif sürecinde rastgele aksiyonlar alır. Rastgele alınan aksiyonlara karşılık çevreden aldığı ödüle göre hangi durumda hangi aksiyonun alınması gerektiği ile ilgili bilgi sahibi olur. Bu bilgiyi kullandığı aşamada, sömürü, ilgili durumdaki en yüksek ödülü veren aksiyona yönelir. Modelin eğitiminin başlangıcında keşif ağır basarken eğitimin sonlarına doğru sömürü daha ağır basar. Test aşamasında ise eğitilmiş modeller kullanılır ve keşif yapılmaz, doğrudan en yüksek ödülü veren aksiyon seçilir. Bu çalışmada klasik DQN mimarisinin yanında farklı DQN uzantıları da kullanılmıştır. Bunlar Double DQN, Duelling DQN, Prioritized Experience Replay ve bu uzantıların kombinasyonlarıdır. Ultra hızlı teslimat hizmetinde depolar önceden belirlenmiş alanlara hizmet ederler. Depoların kuryeleri sadece ilgili deponun hizmet alanındaki siparişlere hizmet vermektedir. Depolar arası kurye değişimi söz konusu değildir. Kuryeler vardiya planına göre sisteme giriş ve sistemden çıkış yaparlar. Çalışılan problemdeki modelleme şu şekildedir: Deponun hizmet alanındaki siparişler, deponun kuryeleri, günün saati vs. çevrenin bileşenleridir. Depo ise çevre ile etkileşim içinde olan ajandır. Deponun alabileceği aksiyonlar ise gelen siparişi kabul etmek veya reddetmektir. Bu modellemede her bir bölüm (episode) bir günü temsil etmektedir. Herhangi bir müşteri tarafından bir sipariş verildiğinde çevre mevcut durumu (state) günceller ve alınan aksiyon uyarınca bir sonraki duruma geçer. Bölüm, gün sonunda sona erer. Bu çalışmada ayrıntılarını açıkladığımız mevcut yaklaşım kural bazlı sezgisel bir algoritmadır. Bu algoritmada kısıtlar, zamana ve bölgeye göre değişkenlik göstermemektedir. Yukarıda anlatılan derin pekiştirmeli öğrenme modellerimiz, çevreyi tanımlayan durumun (state) tüm bileşenlerini girdi olarak kullandığından dolayı zamanın ve yoğunluğun farkında olarak karar alabilmektedir. Modellerimiz sipariş verilerinden beslendiği için gelen siparişlerin yapısını, yoğun saatleri göz önünde bulundurarak karar verebilmektedir. Bu çalışmada önerdiğimiz model ve yaklaşımların başarısını ölçmek adına modellerimizi kullanılan kural bazlı sezgisel algoritma ile karşılaştırdık. Bunun için sistemin gerçek hayattaki davranışlarını taklit eden bir simülasyon ortamı oluşturduk. Bu simülasyonda gelen sipariş kural bazlı algoritmanın sonucu neticesinde kabul veya reddedilir. Kabul edilen siparişin kuryeye atanması için deterministik bir atama algoritması kullanılır ve simülasyon ortamı güncellenir. Eğitim aşamasında olduğu gibi test aşamasında da bir bölüm bir gün sürmektedir. Karşılaştırma yapabilmek için yukarıda anlatılan sistemde kural bazlı sezgisel algoritma ile derin pekiştirmeli öğrenme modeli yer değiştirir. Sonuç neticesinde gerekli durumlarda aynı deterministik kurye atama algoritması kullanılır ve simülasyon ortamı güncellenir. Test aşaması için 30 farklı gün kullanılmıştır. Bu karşılaştırmalar için 9880 sipariş içeren 30 günlük gerçek sipariş verileri kullanılarak ampirik analizler uygulanmıştır. Bu 30 günlük testin kümülatif, gün bazlı ve saat bazlı analizleri yapılmış ve sonuçlar karşılaştırılmıştır. Yapılan karşılaştırmaların tamamında bu çalışmada sunduğumuz modellerin kullanılan kural bazlı sezgisel algoritmadan daha başarılı olduğu gözlemlenmiştir. Başarı ölçütü olarak zamanında teslim edilen sipariş sayıları ve teslimat süreleri seçilmiştir. İlk bakışta birbiriyle çelişen amaçlar gibi görünen bu iki kriterde de modellerimiz kural bazlı sezgisel algoritmadan daha başarılı olmuştur. Bu çalışmada önerdiğimiz yaklaşım kurye kaynaklarının daha verimli kullanılmasını sağlayarak operasyonel maliyetlerin düşürülmesini ve ortalama sipariş teslimat sürelerini kısaltarak müşteri memnuniyetinin artırılmasını sağlamıştır.

Özet (Çeviri)

In this thesis, the unique order dispatching problem of Getir, a retail and logistics company, has been studied. Getir serves in many cities and multiple countries, and its service area is expanding day by day. Getir, which serves thousands of customers every day in many different fields, is the pioneer of the market in this field. In this thesis, it has been studied on ultra-fast delivery, which is the first and most known service area of the company, which Getir found and started to apply as a first in the world. The aim of Getir's ultra-fast delivery business model is to deliver orders to its customers within minutes. In this business model, orders are fulfilled from the company's warehouses. It is a very challenging goal to complete order delivery in a very short time. Achieving an ultra-fast delivery goal becomes a real problem due to traffic congestion, high numbers of orders at certain times of the day or on certain days of the week. In addition, due to the Covid-19 pandemic and changing customer habits, people increasingly prefer home delivery and shopping method. For this reason, serious changes can be observed in the expected number of orders on a daily and weekly basis. Previously unknown curfews or other restrictions cause changes in the expected number of orders and their content. Therefore, it is not possible to predict these changes with data analysis and estimation methods. For these reasons, an order dispatching algorithm that can adapt to changing conditions is vital. In the ultra-fast delivery model, the goal is to serve as many customers as possible within the predetermined and promised time. Orders can be placed at any time during the working hours of the warehouses in the customer's service zone. It is decided to accept or reject the incoming order according to the order density of the relevant warehouses in the region and the courier shift plans. In the decision-making algorithm here, we recommend using a deep reinforcement learning algorithm instead of a rule-based structure that does not violate constraints. We suggest that an algorithm should be used that can keep up with the growth rate of Getir, which is a fairly fast growing company, and can adapt to the different characteristics of the regions. Before deep reinforcement learning methods that can be applied for this problem, we describe the related problem of Getir and one of the methods used by the company. We discuss the problems, limitations and shortcomings of the method used. We compare and highlight the differences between the proposed method and the current method. We measure the success of the approaches by comparing the proposed methods and the currently used methods over the actual order data. In the ultra-fast delivery business model, it is aimed to deliver the order to the user within 10-15 minutes. At times when there is a high number of orders and it is thought that the order cannot be delivered within 10-15 minutes, if the order can be delivered within 45 minutes, the customer is asked whether he agrees to wait in the queue. If the customer approves the queuing request, the order is intended to be delivered within 45 minutes. In cases where the customer does not accept this situation, the order is rejected. On the other hand, if it is thought that the order cannot be delivered within 45 minutes, the order is rejected without asking the customer about the order. The worst case scenario is not to be able to deliver an order within the promised time limits. Instead, this order should be rejected. Considering this process, which is very crucial in terms of customer satisfaction, the reward function of our models has been defined. The customer is immediately notified that the order is accepted or rejected. Payment is not taken for a rejected order. In this approach, the order cannot be accepted first and then rejected according to the changed situation. Since an instant decision-making mechanism is needed, a decision-making mechanism that can foresee changing situations is needed. Otherwise, an accepted order may not be delivered in the promised time depending on the workload experienced, or the accepted number of orders may be below the potential by choosing a safer approach. It is seen that a rule-based and static algorithm used here creates a great optimization window. Using the information that can be obtained from order data and courier shift plans, an algorithm can be designed to predict the changes that will occur with high success. In the current algorithm accepted number of orders is below the potential of the business model in order not to compromise the quality of service and promised delivery times. The biggest problem in the algorithm is that all orders that can reach the customer within the delivery time are accepted and the subsequent orders may be rejected, regardless of their characteristics, due to the workload created by the accepted orders. The rule-based algorithm does not decide when or what kind of orders to reject. Rejected orders are directly caused by the workload of orders that are accepted. With a simple approach, it is possible to say this: Rejecting an order that can be accepted can result in the acceptance of more than one order that will be rejected later. For example, rejecting an order far from the warehouse can lead to the acceptance of two consecutive orders close to the warehouse that would normally be rejected. This does not directly mean that remote orders should be rejected. Because, if the necessary workload is not occurred or orders which are close to warehouse do not placed immediately, an order will be rejected for nothing. What we need here is an algorithm that has a structure that can predict the next situations as soon as the order arrives. Reinforcement learning is a very effective approach to solving this kind of problem. Reinforcement learning is a type of machine learning that enables an agent interacting with the environment to find the actions it needs to take in order to reach the highest cumulative reward. The aim is to create a decision policy that represents the set of actions to be taken to reach the maximum cumulative reward. Environments are modeled as a Markov decision processes in reinforcement learning approaches. When Markov decision-processes models make predictions about the next situation, they only need information about the current situation. The information in the previous steps from the current state has no importance. Deep reinforcement learning is a type of reinforcement learning performed using artificial neural networks. Deep Q-Networks (DQN) and its extensions are used in this study. The components of the state are used as the input of the artificial neural network model. As output, Q values corresponding to each action (accept and reject) are taken. The action with a high Q value is selected and the next state is passed. In summary, the reward function gives the highest reward to orders delivered within the promised time, and the lowest reward to delayed orders. Rejected orders are between these two. The price of the order is not important here due to company policy. In this study, besides the vanilla DQN architecture, different DQN extensions are also used. These are Double DQN, Duelling DQN, Prioritized Experience Replay, and combinations of these extensions. In the ultra-fast delivery service, warehouses serve predetermined areas. Warehouse couriers only serve orders in the service area of the relevant warehouse. There is no exchange of courier between warehouses. Couriers log in and out of the system according to the shift plan. The modeling of the studied problem is as follows: Orders in the warehouse's service area, warehouse couriers, time of day, etc. are components of the environment. The warehouse is the agent that interacts with the environment. The actions that the warehouse can take are accepting or rejecting the incoming order. In this modeling, each episode represents a day. When an order is placed by any customer, the environment updates the current state (state) and moves to the next state in accordance with the action taken. The episode ends at the end of the day. The current approach is a rule-based heuristic algorithm. In this algorithm, constraints do not vary according to time and region. Since our deep reinforcement learning models described above use all components of the state that defines the environment as inputs, they can make decisions by being aware of time and workload. Since our models are fed from order data, it can decide the structure of the incoming orders, taking into account the peak hours. In order to measure the success of the models and approaches we propose in this study, we compared our proposed models with the rule-based heuristic algorithm used. For this, we created a simulation environment that imitates the real-life behavior of the system. In this simulation, the incoming order is accepted or rejected as a result of the rule-based algorithm. A deterministic assignment algorithm is used to assign the accepted order to the courier and the simulation environment is updated. As in the training phase, one episode lasts a day during the testing phase. In order to make comparisons, the rule-based heuristic algorithm and the deep reinforcement learning model are replaced in the system described above. As a result, the same deterministic courier assignment algorithm is used when necessary and the simulation environment is updated. 30 different days were used for the test phase. For these comparisons, empirical analyzes were applied using 30-day real order data containing 9880 orders. Cumulative, day-based, and hour-based analyzes of this 30-day test were performed and the results were compared. In all of the comparisons, it was observed that the models we presented in this study were more successful than the rule-based heuristic algorithm used. The number of orders delivered on time and delivery times were chosen as success criteria. The approach we propose in this study has enabled more efficient use of courier resources, reducing operational costs, and increasing customer satisfaction by shortening average order delivery times.

Benzer Tezler

Tez No
349638
Hipotetik bir tekstil atölyesinin dinamik çizelgelenmesinde yollama kurallarının benzetim tekniğiyle analizi
Dynamic scheduling in hypothetic textile shop for analyzing dispatching rules via simulation technique
MURAT ELHÜSEYNİ
Yüksek Lisans
Türkçe
2012
Endüstri ve Endüstri Mühendisliği İstanbul Teknik Üniversitesi
Endüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CAFER ERHAN BOZDAĞ
Tez No
602915
Tesettür ile ilgili hadislerin değerlendirilmesi
Evaluati̇on of hadiths about vei̇li̇ng
MEHMET KAYA
Yüksek Lisans
Türkçe
2019
Din Karabük Üniversitesi
Temel İslam Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAKUP KOÇYİĞİT
Tez No
650852
2014-2019 yılları arası Kırıkkale Üniversitesi Tıp Fakültesi çocuk acil servisine başvuran zehirlenme vakalarının epidemiyolojik, demografik özeliklerinin ve klinik izlemlerinin incelenmesi
Examination of epidemiological, demographic and clinical features of poisoning cases admitted to Kirikkale University, Faculty of Medicine, pediatric emergency service between 2014-2019
OĞUZHAN ŞENSES
Tıpta Uzmanlık
Türkçe
2020
Çocuk Sağlığı ve Hastalıkları Kırıkkale Üniversitesi
Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN TURSUN
Tez No
493130
Shipment consolidation and dispatching problem with transshipment terminals
Aktarma terminalli yük birleştirme ve sevkiyat problemi
SİNEM TOKCAER
Doktora
İngilizce
2018
İşletme İzmir Ekonomi Üniversitesi
Lojistik Yönetimi Ana Bilim Dalı
DOÇ. DR. NAİL ÖZGÜR ÖZPEYNİRCİ
DR. ÖĞR. ÜYESİ AHMET CAMCI
Tez No
739911
Multi-objective shipment consolidation and dispatching problem
Çok amaçlı yük birlestirme ve sevkiyat problemi
ÖZGE BÜYÜKDEVECİ
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliği İzmir Ekonomi Üniversitesi
Endüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SELİN ÖZPEYNİRCİ
DOÇ. DR. NAİL ÖZGÜR ÖZPEYNİRCİ

Geri Dön