Akış Tipi Çizelgeleme Problemlerinin Genetik Algoritma (ga) İle Çözüm Performansının Artırılmasında Deney Tasarımı Uygulaması

Abstract

Bu çalışma, NP olarak bilinen akış tipi çizelgeleme problemlerinin genetik algoritma ile çözüm performansının artırılmasında deney tasarımı ile ilgilidir. Deney tasarımı ve özellikle iki seviyeli kesirli faktöriyel deneyler ile Taguchi’nin L8 ve L16 dizaynları üzerine yoğunlaşılmıştır. Genetik algoritmanın optimum veya optimuma yakın çözüme ulaşma performansını etkileyen; başlangıç popülasyonu; üreme, çaprazlama ve mutasyon operatörleri ile çaprazlama ve mutasyon oranlarının belirlenmesine çalışılmıştır. Parametrelerin ayrı ayrı değerlendirilmesi ile bulunan en iyi iki parametre değeri, çok makine problemleri için iki seviyeli, altı faktörlü olarak deney tasarımına tabi tutulmuştur. Daha sonra elde edilen veriler kullanılarak her faktörün en iyi seviyeleri belirlenmiştir. Sayısal seviyelere sahip faktörler için elde edilen sonuçlar doğrultusunda seviye aralıkları daraltılarak daha hassas sonuçlar elde etmek üzere iki deney tasarımı daha gerçekleştirilmiştir. Deneyler turbo paskal programlama dilinde hazırlanan genetik algoritma programı ile yapılmıştır. Gerçekleştirilen üç deney tasarımı toplam 24 adet deneyden oluşur. Bu deneyler sonucunda genetik algoritmanın çözüm performansını artıracak parametre setleri önerilmeye çalışılmıştır.

This study is about the experimental design in improving solution performance by using genetic algorithm of the problem of scheduling jobs in a flow-shop which is known as NP-complete problem. The design of experiments and especially bi-level fractional factorial experiments and Taguchi’s L8 and L16 designs were covered. It was studied the parameters, such as number of initial population, reproduction operators, crossover operators, mutation operators, rate of crossover and mutation operators affected performance of genetic algorithm to achieve optimum or suboptimum solution. The best two parameters value found by evaluating the parameters individually were used in design of experiments as bi-level and six factors for multi-machine problems. Then by using the obtained data, the best levels of every parameter were determined. According to the results, two more experimental designs were realized for the parameters which have numerical levels, by reducing the level intervals, to obtain more sensitive results. Experiments were done with the genetic algorithms program made by using Turbo Pascal programming language. Three experiment designs have totally 24 experiments. As a result of experiments, parameter sets being able to improve the solution performance of genetic algorithm were tried to be proposed.