Beklemesiz akış tipi çizelgeleme problemlerinin çözümünde yapay sinir ağları yaklaşımı

Abstract

Yapay Sinir Ağları, kombinatöryel optimizasyon problemlerinin çözümünde optimal yada optimale yakın çözümler sunmaktadır. Bu çalışmada Beklemesiz Akış Tipi Çizelgeleme(BATÇ) problemlerini çözmek için Yapay Sinir Ağları(YSA) yaklaşımı önerilmiştir. Agarwal ve arkadaşları (2006b) tarafından geliştirilen, Yapay Sinir Ağları için Adaptif Öğrenme Yaklaşımı, Beklemesiz Akış Tipi Çizelgeleme problemlerine uygulanmıştır. Önerilen Yapay Sinir Ağlarının performansı, Aldowasian ve Allahverdi'nin (2003) önerdiği Genetik Algoritma(GA) ile karşılaştırılmıştır. Önerilen Yapay Sinir Ağları yaklaşımı ve Genetik Algoritma çözümleri için Delphi programlama dilinde yazılım yapılmıştır. Beklemesiz Akış Tipi Çizelgeleme problemleri için literatüre uygun olarak toplam 192 adet problem seti oluşturulmuştur. Bu problemler önerilen Yapay Sinir Ağları yaklaşımı ve Genetik Algoritma ile çözülmüş ve elde edilen sonuçlar karşılaştırılmıştır. Önerilen Yapay Sinir Ağları yaklaşımının çözümlerinin, Genetik Algoritmaya göre daha iyi olduğu görülmüştür.

Artificial Neural Networks serve up optimal or near optimal results for solving combinatorial optimization problems. In this study, Artificial Neural Networks approach has been proposed for solving No-wait Flowshop Scheduling problems. An Adaptive Learning Approach for the Artifical Neural Networks which have been improved by Agarwal and friends (2006), has been applied for No-wait Flowshop Scheduling problems. To compare for the performance of proposed Artificial Neural Networks approach has been used Aldowasian and Allahverdi?s (2003) Genetic Algorithm. Programs for the algorithm of Artificial Neural Networks approach and the Genetic Algorithm solutions are written in Delphi Language. For the No-wait Flowshop Scheduling problems, a total of 192 problem set suiting the literature is created. Proposed Artificial Neural Networks approach?s solutions are compared to the solutions of Genetic Algorithm. The results show that proposed Artificial Neural Networks approach?s solutions give better results than the Genetic Algorithm.