KaydedilenlerDerginizi ekleyin

Dergiler / Ege Akademik Bakış Dergisi / 2026 / Cilt: 10 Sayı: 1

PARALEL MAKİNALARIN GENETİK ALGORİTMA İLE ÇİZELGELENMESİNDE MUTASYON ORANININ ETKİNLİĞİ

EFFICIENCY OF MUTATION RATE FOR PARALLEL MACHINE SCHEDULING WITH GENETIC ALGORITHM

Murat Kocamaz(Ege Üniversitesi iktisadi ve idari Bilimler Fakültesi işletme Bölümü,)
Ural Gökay Çiçekli(Ege Üniversitesi iktisadi ve idari Bilimler Fakültesi işletme Bölümü,)
Sayfa
199–210
Yayın Tarihi
2010-02-01
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

GA, sahip olduğu operatörlerin gerçekleşme oranlarına bağlı olarak olumlu veya olumsuz performans göstermektedir.Bu operatörden bir tanesi de mutasyon oranıdır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Genetik algoritma (GA), karmaşık olarak bilinen paralel makinaların çizelgelenmesi problemlerinin çözümlenmesinde kullanılan sezgisel bir yöntemdir.
📊
Temel Bulgular & Veri:GA, sahip olduğu operatörlerin gerçekleşme oranlarına bağlı olarak olumlu veya olumsuz performans göstermektedir.Bu operatörden bir tanesi de mutasyon oranıdır.
💡
Sonuç & Katkı:Bu çalışmada paralel makinaların çizelgelenmesinde mutasyon oranının genetik algoritma performansı üzerine etkisi araştırılmıştır
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:genetik algoritma · mutasyon oranı · genetic algorithm

Özet

Genetik algoritma (GA), karmaşık olarak bilinen paralel makinaların çizelgelenmesi problemlerinin çözümlenmesinde kullanılan sezgisel bir yöntemdir. GA, sahip olduğu operatörlerin gerçekleşme oranlarına bağlı olarak olumlu veya olumsuz performans göstermektedir.Bu operatörden bir tanesi de mutasyon oranıdır. Bu çalışmada paralel makinaların çizelgelenmesinde mutasyon oranının genetik algoritma performansı üzerine etkisi araştırılmıştır

Abstract

Genetic algorithms (GA) have been extensively used in parallel machine scheduling as a type of heuristic method. Depends on rate of operators, GA represents affirmative or negative performance. One of these operators is mutation rate. In this study, we addressed efficiency of mutation rate on GA for parallel machine scheduling

🔖

Bu Makaleye Atıf Yap

Kocamaz, M., Çiçekli, U. G. (2010). PARALEL MAKİNALARIN GENETİK ALGORİTMA İLE ÇİZELGELENMESİNDE MUTASYON ORANININ ETKİNLİĞİ. Ege Akademik Bakış Dergisi, Cilt: 10 Sayı: 1, 199–210. https://ajindex.com/articles/1476785

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. Borovska P. 2006. „Solving the Travelling Salesman Problem in Parallel by Genetic Algorithm on Multicomputer Cluster‟. International Conference on Computer Systems and Technologies - CompSysTech‟06, 15-16 June 2006, University of Veliko Tarnovo, Bulgaria
  2. Gen, M. ve Cheng, R. (1997): Genetic Algorithms and Engineering Design, Wiley-IEEE.
  3. Goldberg D.E. (1989), Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, USA.
  4. Hamilton, W.D. ve Ridley, M. (2005): Narrow roads of gene land: the collected papers of W.D. Hamilton, Oxford University Press.
  5. Kocamaz, M., Çiçekli, U.G. ve Soyuer, H. (2009): “A Developed Encoding Method for Parallel Machine Scheduling with Permutation Genetic Algorithm”, European and Mediterranean Conference on Information Systems EMCIS 2009, Crowne Plaza Hotel, Izmir, Brunel University and Dokuz Eylül University, 13 – 14 July 2009.
  6. Mitchell, M. (1998): An Introduction to Genetic Algorithms, MIT Press.
  7. MORI M. ve TSENG C.C. (1997): “Theory and Methodology: A genetic algorithm for multi-mode resource constrained project scheduling problem”, European Journal of Operational Research, 100: 134-141
  8. Pinedo, M. (2008): Scheduling: Theory, Algorithms, and Systems, Edition: 3, Springer.
  9. Ruiz, R. Ve Maroto, C. (2006): “A genetic algorithm for hybrid flowshops with sequence dependent setup times and machine eligibility”, European Journal of Operational Research, 169: 781–800
  10. Sagegheih, A. (2006): “Scheduling problem using genetic algorithm, simulated annealing and the effects of parameter values on GA performance”, Applied Mathematical Modelling, 30: 147-154.
  11. Sheikh, K. (2003): Manufacturing Resource Planning (MRP II) With an Introduction to ERP, SCM, and CRM, McGraw-Hill.
  12. WANG Y.Z. (2003): “Using genetic algorithm methods to solve course scheduling problems” Expert Systems with Applications, 25: 39-50
  13. YEO M. F. and Agyei E. O. (1998): “Optimising engineering problems using genetic algorithms”, Engineering Computations, 15(2): 268-280.
  14. Zhenbo W. and Wenxun X. 2006. „Parallel Machine Scheduling with Special İşs‟, Tsınghua Science and Technology, 11(1): 107-110.