Data driven optimization and applications in complex real-life problems
Veri güdümlü optimizasyon ve kompleks gerçek hayat problemlerinde uygulamaları
- Tez No: 877461
- Danışmanlar: PROF. DR. ÖZGÜR KABAK
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 222
Özet
Veri güdümlü optimizasyon (VGO) son yıllarda popüleritesi hızla artan ve gelecek 10 yılda da hızla artmaya devam edeceği düşünülen veri analizi ve problem modelleme tekniklerinin birlikte kullanıldığı bir metodolojidir. VGO'da veri analizi kullanılarak geçmiş veriden bilgi elde edilir ve elde edilen bu bilgiler problemin modellenmesinde ve modelin çözümünde kullanılır. Bu yöntem sayesinde problem modellenirken yapılan varsayımların azalması ve modelin gerçek hayatta karşılaşın probleme daha yakın olması sağlanır. Ayrıca elde edilen bilgiler modelin daha hızlı sonuç elde etmesini sağlayacak şekilde modelin yeniden tasarlanmasına da olanak sağlar. VGO'un son yıllarda popüleritesi ve dolayısıyla literatürde VGO alanına yapıaln çalışma sayısı artmış olsa da literatür incelendiğinde bu alanın yeni bir araştırma alanı olması sebebiyle VGO'nun sınırlarının ve bu metedolojinin kavramsal çerçevesinin çizilmediği görülmektedir. Bu tezde bu sebeple öncelikle VGO alanında literatür incelenmiş ve kavramsal bir çerçeve sunulmuştur. Önerilen kavrsamsal çerçevenin VGO alanında yapılacak çalışmalara yol göstermesi ve VGO metedolojisinin literatürdeki sınırlarının belirlenmesinde katkı sağlaması hedeflenmektedir. Önerilen VGO metedolojisi bu tez çalışmasında dört farklı probleme uygulanmış ve sonuçlar tartışılmıştır. VGO'nun ilk aşaması veriden bilgi elde edilmesi aşamasıdır. Bu aşamada makine öğrenmesi yöntemler, veri madenciliği yöntemleri, bulanık yaklaşımlar ve istatistiksel yöntemler kullanılmaktadır. Bu tez çalışmasında ele alınan ilk problem operasyonel depo problemlerinin çözümünde en temel model parametresi olan toplama seyahat zamanlarının tahminlenmesi problemidir. Bu tez çalışmasında büyük bir otomobil yedek parça tedarik deposunun geçmiş toplama verileri kullanılarak depoda gelen siparişlerdeki ürünlerin toplanması için gerekli zaman tahminlemesi yapılmıştır. Üzerinde çalışılan problemde toplama işlemi bir çok farklı toplayıcı tarafından gerçekleştirlmekte ve her toplayıcının toplama süreleri farklılık göstermektedir. Dolayısıyla toplamayı hangi toplayıcının yapacağı toplama süresini direk olrak etkilemektedir. Bu sebeple öncelikli olarak toplayıcılar toplama karakteristiklerine göre geçmiş veri kullanılarak gruplanmış ve benzer toplama karakteristiğine sahip toplayıcılar aynı grup altında toplanmıştır. Bu gruplama işlemi için Bulanık Kümeleme (Fuzzy c-Means) yaklaşımı kullanılmıştır. Daha sonra elde edilen küme bilgilerine göre veri seti güncellenmiş ve yapay sinir ağları yöntemi kullanılarak toplama seyahat zamanları tahmin edilmiştir. Tahmin edilen toplama seyahat zamanları sipariş toplama problemi, topayıcı atama problemi ve toplayıcı rotalama problemi gibi operasyonel depo problemlerinin hepsinde model parameteri olarak kullanılabilir. Ele alınan ikinci problem üzerinde çalışılan ilk problemin tamamlayıcısı niteliğinde eş zamanlı sipariş gruplama, atama ve yönlendirme (ESGAY) problemidir. Bu problem bir depoda sipariş toplama sürecinde karşılaşılan üç problem olan sipariş gruplama, toplayıcı atama ve toplayıcı rotalama problemlerinin eş zamanlı olarak ele alındığı karmaşık bir problemdir. Öyleki problemi oluşturan alt üç problemin tamamı NP-Zor (NP-Hard) yapıda yani çözüm süresinin problem boyutuna göre üstel arttığı problem tipleridir. Bu tür problemlerin çözülmesi için genellikle meta-sezgisel yöntemler kullanılır. Bu çalışmada ESGAY problemi VGO metedolojisine uygun olarak ele alınmıştır. Öncelikle her problemin sonucunu doğrudan etkileyen toplama seyahat süresi yapay sinir ağları yöntemi ile geçmiş toplama verileri kullanılarak tahmin edilmiştir. Yapılan bu tahminin doğruluğunu artırmak için toplayıcıların geçmiş toplama karkateristikleri göz önünde bulundurulmuş ve tahmin sürecine dahi edilmiştir. Toplayıcılar geçmiş toplama performanslarına göre üç grup altında topalnmış ve bu grup bilgileri yapay sinir ağları eğitiminde girdi olarak kullanılmıştır. VGO ikinci aşaması olan modelleme aşamasında öncelikli olarak problem matekamitksel modelleme yöntemi ile modellenmiş ve üç alt problemi de kapsayacak şekilde ESGAY probleminin matematiksel modeli önerilmiştir. Önerilen matematiksel modelde toplayıcıların toplama karakteristiklerini yansıtan toplayıcı grup bilgileri ve yapay sinir ağlarından elde edilen toplama seyahat süreleri model parametresi olarak kullanılmıştır. Ancak ESGAY problemin kompleks yapısı sebebiyle matematiksel modelden istenen zaman içerisinde sonuç alınması mümkün olmamış ve bu sebeple problem için k-en yakın komşuluk algoritması tabanlı yeni bir sezgisel algoritma önerilmiştir. Önerilen sezgisel algoritmanın performansı hem belli zaman sınırı içinde matematiksel modelden elde edilen sonuçlarla hemde literatürde sıkça kullanılan bir tasarruf algoritması olan Clark&Wright algoritması ile kıyaslanmştır. Önerilen yeni sezgisel algoritmanın ESGAY için hem performans olarak hemde çözüm süresi olarak oldukça başarılı olduğu görülmüştür. Bu tez çalışmasında VGO yöntemi ile ele alınan üçüncü problem ham petrol operasyon planlama (HOP) problemidir. ESGAY'da olduğu gibi HOP problemi de kompleks yapıda NP-Zor bir problemdir. Literatürde HOP problemi için önerilmiş farklı matematiksel ve meta/sezgisel yöntemler olmakla birlikte gerçek büyüklükte bir HOP problemini ele alan çalışma sayısı oldukça azdır. Bu çalışmada HOP problemine VGO metedolojisi ile yaklaşılmış ve çözüm aranmıştır. Öncelikle literatürde yer alan olay bazlı bir matematiksel model kullanılarak HOP problemi küçük boyutlarda kısıtlı bir planlama dönemine kadar çözülmüştür. Daha sonra matematiksel modelden elde edilen veriler istatistiksel yöntemler ve literatürde en sık kullanılan veri madenciliği yöntemlerinden biri olan Apriori algoritması kullanılarak analiz edilmiştir. Analiz sonucunda elde edilen parametreler kullanılarak HOP problemi için yeni bir sezgisel yöntem önerilmiştir. Önerilen sezgisel yöntem farklı planlama dönemleri için uygulanmış ve performansı test edilmiştir. Elde edilen sonuçlar VGO metedolojisine göre önerilen yaklaşımın başarılı olduğunu göstermektedir. Bu tez çalışmasında son olarak veri güdümlü çok ölçütlü grup karar verme (ÇÖGKV) problemi ele alınmıştır. ÇÖGKV problemlerinde iki parametre karar sürecinin sonucunu doğrudan etkilemektedir. Bunlar grup üyelerinin yaptıkları değerlendirmelerin grup karar üzerine bireysel etkisi yani karar vericilerin ağırlıkları ve değerlendirme kriterlerinin ağırlıklarıdır. Bu çalışmada karar vericilerin ağırlıklarının önerilen VGO metedolojisine uygun olarak geçmiş verilerden elde edileceği bir akış önerilmiştir. Önerilen yaklaşımda öncelikli olarak karar sürecine katılan grup üyelerinin geçmişte dahil oldukları karar süreçlerindeki performansları değerlendirilerek mevcut karar problemi için ağırlıkları tahmin edilmiştir. Bu tamin sürecinde yapay sinir ağları kullanılmıştır. Önerilen metedoloji oluşturulan sentetik veri seti üzerinde uygulanmış ve sonuçlar paylaşılmıştır. Özetle bu tez çalışmasında öncelikli olarak VGO yaklaşımının literatürdeki sınırlarını ve akışını belirleyen yeni bir metedoloji önerilmiştir. Önerilen bu metedolojinin mevcut literatürün analizinde kullanılması ve gelecek VGO çalışmalarına rehberlik etmesi hedeflenmektedir. Tezin devamında önerilen VGO metedolojisi sırasıyla toplama seyahat süresi tahminlemesi, eş zamanlı sipariş gruplama, atama ve yönlendirme, ham petrol operasyon planlama ve çok ölçütlü grup karar verme problemlerine uygulanmış ve elde edilen sonuçlar paylaşılmıştır. Elde edilen sonuçlar, önerilen VGO metedolojisinin problemler için çözüm yaklaşımı olarak kullanıldığında başarılı sonuçlar elde edildiğini göstermeketir.
Özet (Çeviri)
Data-driven optimization (DDO) is a methodology that uses data analysis and problem modeling techniques together, whose popularity has increased rapidly in recent years and is expected to continue to increase rapidly in the next 10 years. In DDO, information is obtained from past data by using data analysis and this information is used in modeling the problem and solving the model. Thanks to this method, the assumptions made while modeling the problem are reduced and the model is closer to the problem encountered in real life. In addition, the information obtained allows the model to be restructured to get results in shorter time. The popularity of DDO has increased in recent years and therefore the number of studies in the field of DDO has increased in the literature. However, it is seen that the boundaries of DDO and the conceptual framework of this methodology have not been drawn since this is a new research field. For this reason, in this thesis, the literature in the field of DDO was first examined and a conceptual framework was presented. It is aimed that the proposed conceptual framework will guide studies in the field of DDO and contribute to determining the boundaries of DDO area in the literature. The proposed DDO methodology was applied to four different problems in this thesis study and the results were discussed. The first stage of DDO is obtaining information from data. At this stage, machine learning methods, data mining methods, fuzzy approaches and statistical methods are used. The first problem addressed in this thesis is the problem of predicting picking travel times, which is the most basic model parameter in solving operational warehouse problems. In this thesis study, the time required to pick the items in the orders received in the warehouse was predicted by using the historical picking data of a large automobile spare parts supplier warehouse. In the problem studied, the picking process is carried out by many different pickers and the picking times of each picker vary. Therefore, which picker does the picking directly affects the picking time. For this reason, first of all, pickers were grouped according to their picking characteristics using historical data, and pickers with similar picking characteristics were grouped under the same group. Fuzzy c-Means approach was used for this grouping process. Then, the data set was updated according to the cluster information obtained and picking travel times were predicted using the artificial neural networks method. Predicted picking travel times can be used as model parameters in all operational warehouse problems such as order picking problems, picker assignment problems and picker routing problems. The second problem addressed is the joint order batching, assigning and routing (JOBAR) problem, which is complementary to the first problem studied. This problem is a complex problem in which order batching, picker assigning and picker routing problems, which are three problems encountered in the order picking process in a warehouse, are addressed simultaneously. In fact, all of the lower three problems that make up the problem are NP-Hard in nature, that is, they are problem types where the solution time increases exponentially according to the problem size. Meta-heuristic methods are often used to solve such problems. In this study, the JOBAR problem is addressed in accordance with the DDO methodology. First of all, the picking travel time, which directly affects the outcome of each problem, was predicted using historical picking data with the artificial neural network method. In order to increase the accuracy of this prediction, the pickers' past picking characteristics were taken into consideration and included in the prediction process. The pickers were grouped into four groups according to their past picking performances, and this group information was used as input in the training of artificial neural networks. In the modeling phase, which is the second stage of DDO, the problem was first modeled with the mathematical modeling method and a mathematical model of the JOBAR problem was proposed, covering all three sub-problems. In the proposed mathematical model, picker group information reflecting the picking characteristics of the pickers and piking travel times obtained from artificial neural networks were used as model parameters. However, due to the complex structure of the JOBAR problem, it was not possible to obtain results from the mathematical model within the required time, and therefore a new heuristic algorithm based on the k-nearest neighbor algorithm was proposed for the JOBAR problem. The performance of the proposed heuristic algorithm is compared both with the results obtained from the mathematical model within a certain time limit and with the Clark&Wright algorithm, which is a frequently used savings algorithm in the literature. It has been observed that the proposed new heuristic algorithm is quite successful for JOBAR in terms of both performance and solution time. The third problem addressed with the DDO method in this thesis study is the scheduling crude oil operation (SCOO) problem. As in JOBAR, the SCOO problem is also a complex NP-Hard problem. Although there are different mathematical and meta/heuristic methods proposed for the SCOO problem in the literature, the number of studies dealing with a real-sized SCOO problem is very few. In this study, the SCOO problem was approached and solved with DDO methodology. First of all, by using an event-based mathematical model in the literature, the small sizes SCOO problem was solved for a limited planning period. Then, the result obtained from the mathematical model was analyzed using statistical methods and the Apriori algorithm, one of the most frequently used data mining methods in the literature. A new heuristic method has been proposed for the SCOO problem using the parameters obtained as a result of the data coming from previous stage analysis. The proposed heuristic method has been applied for different planning periods and its performance has been tested. The results obtained show that the proposed approach according to DDO methodology is successful. The last problem addressed in this thesis is the data-driven multi-criteria group decision making (MCGDM) problem. In MCGDM problems, two parameters directly affect the outcome of the decision process. These are the individual effects of the evaluations made by group members on the group decision, that is, the weights of the decision makers and the weights of the evaluation criteria. In this study, a flow is proposed in which the weights of decision makers will be obtained from historical data in accordance with the proposed DDO methodology. In the proposed approach, first of all, the performance of the group members in the past was evaluated and their weights were estimated for the current decision problem. Artificial neural networks were used in this determination process. The proposed methodology was applied on the created synthetic data set and the results were shared. In summary, in this thesis study, a new methodology has been proposed that determines the limits and flow of the DDO approach in the literature. It is aimed to use this proposed methodology in the analysis of the existing literature and to guide future DDO studies. In the continuation of the thesis, the proposed DDO methodology was applied to picking travel time prediction, joint order batching, assigning and routing, crude oil operation planning and multi-criteria group decision making problems, respectively, and the obtained results were shared. The results obtained show that successful results are obtained when the proposed DDO methodology is used as a solution approach for problems.
Benzer Tezler
- Mültecilere yönelik barınma ve eğitim ihtiyaçlarının optimizasyonu
Optimization of shelter and education needs of refugees
BETÜL MACİT
Doktora
Türkçe
2018
Endüstri ve Endüstri MühendisliğiGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. HADİ GÖKÇEN
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Advanced computational modeling of wave energy converters and fluid-structure interaction: a smoothed particle hydrodynamics approach
Dalga enerjisi dönüştürücülerinin ve akış-yapı etkileşiminin ileri düzey hesaplamalı modellemesi: düzgünleştirilmiş parçacık hıdrodinamiği yaklaşımı
SHAYAN RAMEZANZADEH
Doktora
İngilizce
2023
Makine MühendisliğiSabancı ÜniversitesiÜretim Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET YILDIZ
DR. ÖĞR. ÜYESİ MURAT OZBULUT
- Melez akış tipi çizelgeleme problemi için tepkisel bir algoritma
A reactive algorithm for the hybrid flow shop scheduling problem
ABDULLAH AKTEL
Doktora
Türkçe
2015
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET MUTLU YENİSEY