Pekiştirmeli öğrenme ile çoklu ajan tabanlı dinamik ve stokastik çizelgeleme: Bir endüstri 4.0 uygulaması
Multi agent based dynamic and stochastic scheduling with reinforcement learning: An industry 4.0 application
- Tez No: 990209
- Danışmanlar: PROF. AHMET KÜRŞAD TÜRKER
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Akıllı ajanlar, Atölye çizelgelemesi, Dinamik çizelgeleme, Takviyeli öğrenme, Intelligent agents, Job shop scheduling, Dynamic scheduling, Reinforced learning
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Kırıkkale Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çizelgeleme, üretim sürecindeki işlerin sıralanması ve kaynakların etkin bir şekilde kullanılması için planlama ve yönetim faaliyetlerini içeren bir süreçtir. Atölye tipi üretim sistemlerinde; işlerin çeşitli, rotaların karmaşık ve faktörlerin dinamik olması, çizelgeleme faaliyetlerini zorlaştırmaktadır. Beklenmeyen olaylar mevcut üretim çizelgesini etkilemektedir. Dolayısıyla her yeni olayla birlikte üretim çizelgesi dinamik olarak güncellenmelidir. Atölye tipi üretimde dinamik çizelgeleme problemi (DAÇP) için aynı anda birçok performans kriterinin iyileştirilmesini amaçlayan, pekiştirmeli öğrenme kullanan bir çoklu ajan sistemi (ÇAS-PÖ) önerilmiştir. Önerilen ÇAS-PÖ'nin performansı literatürde sıkça kullanılan; ilk giren ilk çıkar (İGİÇ), en kısa işlem süresi (EKİS) ve en erken teslim tarihi (EETT) kuralları ile kıyaslanmıştır. Kıyaslama için; geciken iş adedi, ortalama gecikme süresi, maksimum gecikme süresi, ortalama erken bitme süresi, maksimum erken bitme süresi, ortalama akış süresi, maksimum akış süresi, sistemdeki ortalama iş adedi ve tamamlanma süresi olmak üzere 9 adet performans kriteri kullanılmıştır. Atölyenin iş yükü yoğunluğuna göre 3 farklı senaryo oluşturulmuştur. 3x3, 5x5 ve 10x10 problem boyutları için gerçekleştirilen simülasyon çalışması neticesinde, ÇAS-PÖ'nin nihai skorunun diğer çözüm yöntemlerinden daha iyi olduğu görülmüştür. Önerilen ÇAS-PÖ aynı anda birçok performans kriteri için iyi sonuçlar vermiş ve gelecekteki çalışmalar için önemli bulgulara varılmıştır.
Özet (Çeviri)
Scheduling is a process that includes planning and management activities for the sequencing of jobs in the production process and the efficient use of resources. In job shop type production systems; The variety of jobs, complex routes and dynamic factors make scheduling activities difficult. Unexpected events affect the current production schedule. Therefore, the production schedule must be dynamically updated with each new event. For improving many performance criteria at the same time in the dynamic job shop scheduling problem (DAÇP), a multi-agent system using reinforcement learning (ÇAS-PÖ) is proposed. The performance of the proposed ÇAS-PÖ is compared with the first in first out, shortest processing time and earliest due date dispatching rules. For comparison; 9 performance criteria were used, including the tardy jobs, mean tardiness, maximum tardiness, mean earliness, maximum earliness, mean flow time, maximum flow time, work in process, and makespan. 3 different scenarios were created according to the workload intensity of the job shop. As a result of the simulation study carried out for the 3x3, 5x5 and 10x10 problem sizes, it was observed that the final score of ÇAS-PÖ was found to be better than other solution methods. The proposed ÇAS-PÖ showed good results for many performance criteria simultaneously and provided important findings for future studies.
Benzer Tezler
- Multi-agent planning with automated curriculum learning
Otomatik müfredat öğrenmesi ile çoklu ajan planlaması
ONUR AKGÜN
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Wind-optimized route planning with deep reinforcement learning
Derin pekiştirmeli öğrenme ile rüzgar optimizasyonlu rota planlaması
MELİH SAFA CENGİZ
Yüksek Lisans
İngilizce
2025
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. BARIŞ BAŞPINAR
- Balancing mixed adversarial perturbations: Towards robust reinforcement learning
Karma çekişmeli bozulmaları dengeleme: Gürbüz pekiştirmeli öğrenmeye doğru
MUSTAFA ERDEM
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Network digital twins: Tackling challenges and enhancing wireless network management
Ağ dijital ikizleri: Sorunları ele alma ve kablosuz ağ yönetimini geliştirme
ELİF AK
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BERK CANBERK
- Trajectory tracking control of a quadrotor with reinforcement learning
Pekiştirmeli öğrenme ile bir quadrotor'un yörünge takip kontrolü
EREN ÇAKMAK
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN