KaydedilenlerDerginizi ekleyin

Dergiler / Türk Doğa ve Fen Dergisi / 2021 / Cilt: 10 - Sayı: 1

Öğrenme Eğrilerinin Karşılaştırılması

Uğur ATICI
Sayfa
119–129
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)

Birey ve grup arasında tecrübe aktarımınının modellenmesine imkan tanıyan HLO algoritması iş postaları halinde çalışılan bakım hatlarında üretim süresinin belirlenmesine yönelik büyük bir potansiyele sahiptir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Şirketlerin iç ve dış süreçlerinde öğrenme eğrisi önemli bir yer tutmaktadır.
📊
Temel Bulgular & Veri:Üretim sektöründe üretim miktarı veya işin tekrar sayısı arttıkça üretim süresi belirli bir yüzde oranında azalır.
💡
Sonuç & Katkı:Birey ve grup arasında tecrübe aktarımınının modellenmesine imkan tanıyan HLO algoritması iş postaları halinde çalışılan bakım hatlarında üretim süresinin belirlenmesine yönelik büyük bir potansiyele sahiptir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Öğrenme eğrisi · Üretim · Verimlilik

Özet

Şirketlerin iç ve dış süreçlerinde öğrenme eğrisi önemli bir yer tutmaktadır. Üretim sektöründe üretim miktarı veya işin tekrar sayısı arttıkça üretim süresi belirli bir yüzde oranında azalır. Bu çalışmada farklı öğrenme eğri modelleri için üretim miktarının üretim süresi üzerindeki etkisi incelenmiştir. Öğrenme eğrisi modellerinin karşılaştırılması amacı kullanılan veri seti rastgele üretilmiştir. Üretilen veri seti, öğrenme eğrisi eşitlikleri ve lüteratürde önerilen katsayılar kullanılarak üretim için gerekli iş gücü süresi Matlab 2020b yazılımında hesaplanmıştır. Öğrenme eğrisi modelleri için tekrar sayısına bağlı olarak gerekli iş gücü mikarının değişimi araştırılmıştır. İncelenen tüm öğrenme modelleri, üretim miktarının artmasıyla üretim süresinin kısalacağını öngörmüştür. Üretim süresinin belirlenmesinde kullanılacak öğrenme eğrisi modeli üretim prosesine uygun olarak seçilmelidir. Birey ve grup arasında tecrübe aktarımınının modellenmesine imkan tanıyan HLO algoritması iş postaları halinde çalışılan bakım hatlarında üretim süresinin belirlenmesine yönelik büyük bir potansiyele sahiptir.

🔖

Bu Makaleye Atıf Yap

ATICI, U. (2021). Öğrenme Eğrilerinin Karşılaştırılması. Türk Doğa ve Fen Dergisi, Cilt: 10 - Sayı: 1, 119–129. https://ajindex.com/articles/418779

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Ebbinghaus H, Memory: a contribution to experimental psychology. Ann Neurosci. 2013;20(4): 155-156.
  2. Pegels CC, On Startup or Learning Curves: An Expanded View. A I I E Transactions. 1969;1(3): 216-222.
  3. Wright TP, Factors affecting the cost of airplanes.Journal of the Aeronautical Sciences. 1936;3: 122-128.
  4. Hirsch WZ, Manufacturing Progress Functions. The Review of Economics and Statistics. 1952;34(2): 143-155.
  5. Andress FJ, The Learning Curve as a Production Tool, Harvard University;1954
  6. Lundberg RH, Learning Curve Theory as Applied to Production Costs. SAE International. 1956; 64: 775-781.
  7. Carlson JG, How Management Can Use the Improvement Phenomenon. California Management Review. 1961;3(2): 83-94.
  8. Badiru AB, Manufacturing cost estimation: A multivariate learning curve approach. Journal of Manufacturing Systems. 1991;10(6):431-441.
  9. Badiru AB, Multivariate Learning Curve Model for Manufacturing Economic Analysis, in Economics of Advanced Manufacturing Systems. Springer: Boston, MA; 1992
  10. Thomopoulos NT, Lehman M, The Mixed Model Learning Curve. A I I E Transactions, 1969;1(2):127-132.
  11. Argote L, Insko C, Yovetich N, Romero A, Group Learning Curves: The Effects of Turnover and Task Complexity on Group Performance1. Journal of Applied Social Psychology. 1995;25: 512-529.
  12. Peltokorpi J, Jaber and MY. A group learning curve model with motor, cognitive and waste elements. Computers & Industrial Engineering. 2020;146:106621. Biskup D. Single-machine scheduling with learning considerations. European Journal of Operational Research. 1999;115(1):173-178. Lee WC. Scheduling with general position-based learning curves. Information Sciences. 2011;181(24):5515-5522.
  13. Wang L, Ni H, Yang R, Fei M, Ye W. A Simple Human Learning Optimization Algorithm. 2014;462:56-65.
  14. Wang L, Pei J, Menhas MI, Pi J, Fei M, Pardalos P.M. A Hybrid-coded Human Learning Optimization for mixed-variable optimization problems. Knowledge-Based Systems. 2017;127: 114-125.
  15. Shoja A, Molla-Alizadeh-Zavardehi S, Niroomand S. Hybrid adaptive simplified human learning optimization algorithms for supply chain network design problem with possibility of direct shipment. Applied Soft Computing. 2020;96:106594. Wei Z, Zhang Y, Xu X, Shi L, Feng L. A task scheduling algorithm based on Q-learning and shared value function for WSNs. Computer Networks. 2017;126: 141-149.
  16. Wei Z, Liu F, Zhang Y, Xu J, Ji J, Lyu Z. A Q-learning algorithm for task scheduling based on improved SVM in wireless sensor networks.Computer Networ