AI Summary & Key Takeaways
AI InsightThe GA model, operating through evolutionary operators (selection, crossover, and mutation), minimizes workload imbalance and improves overall scheduling efficiency.
📌 3 Key Takeaways
Abstract
In today’s highly competitive industrial environment, the efficiency of production planning processes plays a critical role in ensuring the sustainability and operational performance of enterprises. This study develops a hybrid artificial intelligence model that integrates Artificial Neural Networks (ANN) and Genetic Algorithms (GA) to enhance production planning decisions in a medium-sized machine manufacturing company operating in Istanbul. The proposed model consists of two stages: in the first stage, production time is predicted using an ANN model based on variables such as order quantity, product type, stock level, and labor utilization (R² = 0.91, MAPE = 8.7%). In the second stage, the predicted values are utilized in a GA-based optimization process to achieve a balanced assignment of orders to three production lines under capacity constraints. The GA model, operating through evolutionary operators (selection, crossover, and mutation), minimizes workload imbalance and improves overall scheduling efficiency. Comparative analyses indicate that the proposed approach reduces average production time by 18.6%, delivery delays by 45.6%, and total labor costs by 11.9% compared to the manual planning method. Consequently, the developed ANN–GA-based model is evaluated as a low-cost, applicable decision-support tool that contributes to the digital transformation process of small and medium-sized enterprises (SMEs).
Özet
Günümüzün yoğun rekabet ortamında üretim planlama süreçlerinin etkinliği, işletmelerin sürdürülebilirliği ve operasyonel verimliliği açısından kritik bir öneme sahiptir. Bu çalışmada, İstanbul’da faaliyet gösteren orta ölçekli bir makine üretim tesisinde üretim planlama kararlarını iyileştirmek amacıyla Yapay Sinir Ağları (YSA) ve Genetik Algoritma (GA) yöntemlerini bütünleştiren hibrit bir yapay zeka modeli geliştirilmiştir. Önerilen model iki aşamadan oluşmaktadır: ilk aşamada, sipariş adedi, ürün tipi, stok miktarı ve iş gücü kullanımı değişkenlerine dayalı olarak üretim süresi YSA modeli ile tahmin edilmiştir (R² = 0.91, MAPE = %8.7). İkinci aşamada ise, elde edilen tahmin değerleri GA tabanlı optimizasyonda kullanılarak siparişlerin üç üretim hattına kapasite kısıtları altında dengeli biçimde atanması sağlanmıştır. Evrimsel operatörler (seçim, çaprazlama, mutasyon) aracılığıyla çalışan GA modeli, iş yükü dengesizliğini minimize ederek genel planlama verimliliğini artırmıştır. Karşılaştırmalı analizler, önerilen yaklaşımın manuel planlamaya göre ortalama üretim süresini %18.6, teslimat gecikmelerini %45.6 ve toplam işçilik maliyetini %11.9 oranında iyileştirdiğini göstermektedir. Sonuç olarak, geliştirilen YSA–GA tabanlı model, küçük ve orta ölçekli işletmeler için düşük maliyetli, uygulanabilir ve dijital dönüşüm sürecine bir karar destek aracı olarak değerlendirilmektedir.