Using preference learning for multi-objective optimization with applications in supply chain
Çok amaçlı optimizasyonda tercihli öğrenmeyi kullanma ve tedarik zincirindeki uygulaması
- Tez No: 854039
- Danışmanlar: DR. ÖĞR. ÜYESİ EZGİ KARABULUT TÜRKSEVEN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 58
Özet
Çok kriterli karar verme (ÇKKV) problemlerini çözmede doğru kriter ağırlıkların belirlenmesi zorlu bir iştir. ÇKKV'deki kriter ağırlıklarını öğrenmek için, sıralamaya dayalı makine öğrenme yaklaşımlarından biri olan olan Sıralama Destek Vektör Makinesi kullanılmaktadır. Sıralama Destek Vektör Makinesi için eğitim verisi, karar vericinin belirlediği alternatiflerin ikili tercihlerinden oluşmaktadır. Bu çalışmada karar vericilere ikililer önermek için üç farklı strateji geliştirilmektedir. İlk strateji, en iyi (optimal) çözümler setini temsil eden Pareto sınırından ikililer sunmaktır; ikinci strateji, kısıtlamalar göz önünde bulundurularak domine edilemeyen (non-dominated) ve domine edilebilen (dominated) çözümleri içeren bölgeden ikililer sunmaktır; üçüncüsü ise hem olurlu (feasible) hem de uygun olmayan (infeasible) çözümleri kapsayan ütopik alandan ikililer sunmaktır. Bu çalışmanın temel amacı, karar vericiye farklı bölgelerden ikililer sunmanın Sıralama Destek Vektör Makinesinin öğrenme süreci üzerindeki etkisini değerlendirmek ve öğrenilen bilgilerin veri oluşturma stratejilerinde kullanılmasıdır. Stratejilerin performansını ve etkinliğini değerlendirmek için, test vakası olarak üç kademeli bir tedarik zinciri dağıtım ağı problemi seçilmiştir. Üç farklı tedarik zinciri dağıtım ağı probleminden elde edilen sonuçlar pratik bir değerlendirme sağlamaktadır. Alternatif ikililer sunma stratejileri arasında belirgin farklılıklar gözlemlenmektedir; bazı stratejiler diğerlerinden daha doğru veya tutarlı sonuçlar vermektedir. Bu, tercih öğrenme algoritmalarının etkinliğinde alternatif ikililerin kaynağının önemini vurgulamaktadır. Ayrıca eğitim verilerinin oluşturulmasında öğrenme bilgilerinin kullanılması Ütopya bölgesi stratejisi dışında önemli bir gelişme sağlamıştır.
Özet (Çeviri)
Choosing the right weight is a challenging task in solving a multi-criteria decision making (MCDM) problems. We utilize the learning-to-rank machine learning approach, Rank SVM, to learn the criteria weights in MCDM. As the training data, Rank SVM needs the pairwise preferences of the alternatives, as revealed by the decision maker (DM). We develop three strategies in offering alternative pairs to DMs. The first strategy is offering pairs from the Pareto frontier which represents a set of optimal solutions, the second strategy is offering pairs from the feasible region meaning dominated and non-dominated solutions that are possible given the constraints and the third one is offering pairs from the utopian space that covers both feasible and infeasible solutions. The main objective of this study is to evaluate the impact of offering pairs from different regions on the learning process of Rank SVM and utilizing information learned in data generation strategies. To evaluate the performance and effectiveness of our strategies, we chose a three-echelon supply chain network problem as our test case. Experimental results obtained from three different settings provide a practical evaluation. We observe distinct impacts between strategies in offering alternative pairs; some strategies yield more accurate or consistent results than others. This highlights the importance of the source of alternative pairs in the effectiveness of preference learning algorithms. In addition, the use of learning information in the generation of training data provided a significant improvement except the Utopian region strategy.
Benzer Tezler
- Takım çalışması esaslı demontaj hattı işgören atama ve dengeleme problemi için oyun teorisi odaklı yaklaşımlar
Game theory-oriented approaches for multi-manned disassembly line worker assignment and balancing problem
YILDIZ KÖSE
Doktora
Türkçe
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ÇEVİKCAN
DR. ÖĞR. ÜYESİ SİNAN ERTEMEL
- Bayesian optimization strategies for human-in-the-loop systems: Theory and applications in physical human-robot-interaction
İnsanın optimizasyon döngüsüde olduğu sistemler için bayes optimizasyon stratejileri: Teori ve fiziksel insan-robot etkileşimi uygulamaları
HARUN TOLASA
Yüksek Lisans
İngilizce
2024
Mekatronik MühendisliğiSabancı ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. VOLKAN PATOĞLU
- A comparative study of nonlinear model predictive control and reinforcement learning for path tracking
Yol izleme için doğrusal olmayan model öngörülü kontrol ve pekiştirmeli öğrenmenin karşılaştırmalı çalışması
GAMZE TÜRKMEN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- Sabit kanatlı insansız hava araçları için kilitlenme algoritması
Lock-on algorithm for fixed-wing unmanned aerial vehicles
MERVE İSMAİLVELİOĞLU
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Çok amaçlı karar verme metodları ve tekstil sanayiinde bir uygulama
Multiple criteria decision making methods and an application to the textile industry
H.EDA ÖZTÜRK
Yüksek Lisans
Türkçe
1992
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. RAMAZAN EVREN