An application of machine learning for production scheduling
Üretim çizelgelemede makine öğrenmesinin uygulanması
- Tez No: 992213
- Danışmanlar: DOÇ. DR. BURÇİN KAPLAN
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
This study looks into the effectiveness of machine learning (ML) models, specifically Decision Tree (DT) and Linear Regression (LR), for solving permutation flow shop scheduling problems (PFSP). Using the Taillard benchmark datasets (Rec01, Rec19, Rec33), the study assesses model performance in terms of makespan, mean squared error (MSE), and machine utilization. The goal is to assess these models' suitability for optimizing production scheduling efficiency at varying levels of complexity. The investigation shows that both DT and LR models can give feasible scheduling predictions, with LR attaining superior accuracy in simple datasets (e.g., MSE = 398.55 in Rec01) and DT displaying better scalability in larger instances (e.g., makespan = 3962 in Rec33). The study also compares ML models to classic dispatching rules such as First-Come, First-Served (FCFS) and Shortest Processing Time (SPT), demonstrating ML-based techniques' greater adaptability and efficiency, particularly under complicated scheduling settings. The findings are further corroborated through comparison with contemporary literature on ML-driven scheduling, indicating that while DT and LR are limited in dynamic adaptability, methods remain useful for interpretable, data-driven planning in structured production scenarios. Practical recommendations are offered for integrating ML into real-world systems, and future research directions are outlined, including the adoption of reinforcement learning and hybrid models.
Özet (Çeviri)
Bu çalışma, makine öğrenmesi (ML) modellerinden Karar Ağacı (DT) ve Doğrusal Regresyonun (LR), permütasyon akış tipi üretim çizelgeleme problemleri (PFSP) üzerindeki etkinliğini incelemektedir. Taillard veri kümeleri (Rec01, Rec19, Rec33) kullanılarak modellerin başarımı; makespan (tamamlama süresi), ortalama karesel hata (MSE) ve makine kullanım oranı ölçütlerine göre değerlendirilmiştir. Araştırmanın amacı, bu modellerin farklı karmaşıklık düzeylerinde üretim planlama verimliliğini artırmadaki uygunluğunu ortaya koymaktır. Analiz sonuçlarına göre, her iki model de uygulanabilir çizelgeleme tahminleri sunabilmekte; LR basit veri kümelerinde daha yüksek doğruluk (örneğin, Rec01'de MSE = 398.55), DT ise daha büyük örneklerde daha iyi ölçeklenebilirlik (örneğin, Rec33'te makespan = 3962) göstermektedir. Ayrıca ML modelleri, geleneksel yöntemler olan İlk Gelen İlk Hizmet (FCFS) ve Kısa İşlem Süresi (SPT) ile karşılaştırılmış ve özellikle karmaşık çizelgeleme senaryolarında ML tabanlı yaklaşımların üstünlüğü ortaya konmuştur. Bulgular, yakın dönem literatür ile karşılaştırmalı olarak da değerlendirilmiş ve DT ile LR modellerinin dinamik uyarlanabilirlik açısından sınırlı olsa da, yorumlanabilir ve veri odaklı üretim planlamasında önemli avantajlar sunduğu gösterilmiştir. Gerçek dünyaya yönelik entegrasyon önerileri sunulmuş ve gelecekteki çalışmalar için pekiştirmeli öğrenme ile hibrit model araştırmalarına odaklanılması önerilmiştir.
Benzer Tezler
- Bir tekstil firmasında kanban sisteminin uygulanması
An Application of kanban system in a textile company
UĞUR ÖZÇER
- Advantage actor-critic deep reinforcement learning approach for paint shop planning and scheduling
Boya atölyesi planlama ve zamanlama için avantajlı oyuncu-kritik derin pekiştirme öğrenme yaklaşımı
MERT CAN ÖZCAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. METİN TÜRKAY
- Machine learning-based modeling and monitoring of machining processes and tool wear
İşleme prosesleri ve takım aşınmasının makine öğrenmesi tabanlı modellenmesi ve izlenmesi
ARASH EBRAHIMI ARAGHIZAD
Doktora
İngilizce
2024
Makine MühendisliğiSabancı ÜniversitesiÜretim Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN BUDAK
- 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
- Sonlu kapasite planlamada yapay sinir ağlarının kullanımına yönelik bir model tasarımı
Design of a model based on neural network utilization in finite capacity planning
ALEV TAŞKIN
Yüksek Lisans
Türkçe
2003
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALİ FUAT GÜNERİ