AI Summary & Key Takeaways
AI InsightThe results indicate that the MILP model provides satisfactory and near-optimal solutions for small and medium-sized problems; however, as the problem size increases, computational time rises significantly and solution efficiency decreases.
📌 3 Key Takeaways
Abstract
The study addresses the job shop scheduling problem through an application-oriented perspective and proposes an integrated solution framework that incorporates realistic production constraints by considering sequence-dependent setup times, which are relatively limited in the literature. Mixed Integer Linear Programming (MILP) models reflecting the actual production structure of the factory were developed, and small- and medium-sized test problems were solved using these models. For large-scale instances, a permutation-based Genetic Algorithm (GA) supported by evolutionary search was applied. The primary objective is to minimize order delays caused by setup times arising from machine changeovers. The results indicate that the MILP model provides satisfactory and near-optimal solutions for small and medium-sized problems; however, as the problem size increases, computational time rises significantly and solution efficiency decreases. In contrast, the GA generates feasible and stable solutions for all problem sizes and demonstrates superior performance, particularly in large-scale cases. Future studies may extend the model to a multi-objective structure and enhance the GA through hybridization with other metaheuristic approaches.
Özet
Çalışma, atölye tipi çizelgeleme problemini uygulama odaklı bir bakış açısıyla ele almakta ve literatürde görece sınırlı incelenen sıra-bağımlı hazırlık sürelerini dikkate alarak gerçekçi üretim kısıtlarını içeren bütünleşik bir çözüm çerçevesi sunmaktadır. Fabrikanın gerçek üretim yapısını yansıtan karma tam sayılı doğrusal programlama (MILP) modelleri geliştirilmiş ve küçük ile orta ölçekli test problemleri bu modeller aracılığıyla çözülmüştür. Büyük ölçekli problemler için ise evrimsel arama yaklaşımına dayalı, permütasyon temelli bir genetik algoritma (GA) uygulanmıştır. Çalışmanın temel amacı, makineler arasındaki işlem değişikliklerinden kaynaklanan hazırlık sürelerinin neden olduğu sipariş gecikmelerini en aza indirmektir. Elde edilen bulgular, MILP modelinin küçük ve orta ölçekli problemlerde tatmin edici ve optimale yakın çözümler sunduğunu; ancak problem boyutu arttıkça çözüm süresinin belirgin biçimde arttığını ve çözüm etkinliğinin azaldığını göstermektedir. Buna karşılık GA, tüm problem boyutlarında uygulanabilir ve kararlı çözümler üretmiş; özellikle büyük ölçekli örneklerde daha üstün performans sergilemiştir. Gelecek çalışmalarda modelin çok amaçlı yapıya dönüştürülmesi ve GA’nın diğer meta sezgisel yöntemlerle hibrit olarak geliştirilmesi önerilmektedir.