Genel amaçlı arama algoritmaları ile benzetim eniyilemesi:En iyi kanban sayısının bulunması
Gerçek hayatta karşılaşılan sistemler büyük boyutlu ve karmaşık olup birtakım belirsizlikler içerdiğinde analitik çözümleri mümkün olmamaktadır. Bu tür sistemlerin bu karmaşık ve olasılıklı yapısından dolayı benzetim, mevcut sistemlerin performans ölçütlerinin tahmini için analiz ve yeni kurulacak sistemler için bir tasarım aracı olarak kullanılmaktadır. Benzetim modeli, bir girdi setine karşılık bir çıktı setinin elde edildiği girdi-çıktı modelidir. Benzetim tek başına bir eniyileme tekniği değildir. Benzetim en iyi performansı sağlayacak karar değişkenleri hakkında tahmini deðerler elde edilmesini sağlar. Ancak, çözüm uzayı büyüdükçe, karar değişkenlerinin oluşturacağı tüm kombinasyonların denenmesi benzetim koşum maliyetini katlanılamaz hale getirmektedir. Bu nedenle son yıllarda yaygın kullanılan bir yaklaşım, benzetim modeli ve arama algoritmalarının birlikte kullanıldığı benzetim eniyilemesidir. Bu çalışmada, gerçek cep telefonu üretiminden esinlenerek oluşturulmuş düşünsel bir tam zamanında üretim sistemi için, en iyi kanban kombinasyonunun bulunması amacıyla, genel amaçlı sezgisel teknikler sınıfında yer alan Tabu Arama (TA), Genetik Algoritma (GA) ve Tavlama Benzetimi (TB) algoritmaları sistemin benzetim modeli ile birlikte kullanılmıştır. Algoritmaların performansı rassal arama tekniği de dikkate alınarak çözüm zamanı ve çözüm kalitesi açısından karşılaştırılmıştır.
When the systems under investigation are complex and inherit uncertainities, the analytical solutions to these systems become impossible. Because of the complex stochastic characteristics of such systems, simulation can be used as an analysis tool to predict the performance of an existing system or a design tool to test new systems under varying circumstances. Simulation model in which the set of output is estimated for given a particular set of input is an inputoutput model. Since simulation is not an optimization tool, the difficulty is then to know how to drive simulation experiments in order to determine the value of decision variables. In fact, when there is large set of decision variables with many possible values, the number of possible combinations is such that an exhaustive search is not possible. Recently, search techniques have been used with simulation model to overcome this difficulty. In this study, Tabu Search (TS),Genetic Algorithms (GA) and Simulated Annealing (SA) belong to general purpose search techniques are applied to find optimum combination of kanbans on a hypothetic Just in Time production system stemmed from a real production system of mobile phone. The effectiveness and efficiency of the general purpose search algorithms together with random search are investigated according to solution quality and solution time. Key Words: Kanban, Just in time production system, simulation optimization, genetic algorithms, simulated annealing,tabu search, random search.
___
- 1.Ahmed, M. A. And Alkhamis, T. M., 1998, "Simulation Based Optimization Using Simulated Annealing with Rank¬ing and Selection", Computers and Operation Research, 387-402
- 2.Ahmed, M. A. And Alkhamis, T. M. and Hasan M., 1997,"Optimizing Discrete Stochastic Systems Using Simulated Annealing and Simulation", Computers and Operation Research, 823-836
- 3.Azadivar, F., Tompkins, G., 1999, "Simulation Optimization with Qualitative Variables and Structural Model Changes: A Genetic Algorithm Approach", Europan Journal of Operational Research, 113(1), 169-182
- 4.Altıparmak, F., 1996, "Genetik Algoritma ile Haberleşme Şebekelerinin Topolojik Optimizasyonu", Gazi Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı Doktora Tezi, 36-63
- 5.Alabaş, Ç., 1999, "Tabu Arama ve Tavlama Benzetimi Algoritmalarıyla Bilgisayar Şebekelerinin Topolojik Optimizasyonu", Gazi Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 29-56
- 6.Alabaş, Ç., Altıparmak, F., Dengiz, B., 2002, "A Comparison of the Performance of Artificial Intelligence Techniques for Optimizing the Number of Kanbans", Journal of the Operational Research Society, 53,907-914.
- 7.Banks, J., Carson, J.S, Nelson, B.L, Nicol, D.M, 2001, Discrete-Event System Simulation, Prentice-Hall, 485-492
- 8.Bulgak, A.A., and Sanders, J.L., 1988, Integrating a modified simulated annealing algorithm with the simulation of a manufacturing system to optimize buffer sizes in automatic assembly systems, Proceedings of the 1988 Winter Simu lation Conference, 684-690.
- 9.Dengiz, B., Altıparmak, F., 1998, "Genetik Algoritmalara Genel Bir Giriş", Endüstri Mühendisliği Dergisi, 9(3), 3-10
- 10.Dengiz, B., Altıparmak, F., Bulgak, A., 1998, "Optimization of Stochastic Systems Using Genetic Algorithms", Yöneylem Araştırması Dergisi/Transactions on Operational Research,9(10), 43-62
- 11.Fukukawa, T., Hong, S.C., 1991, "The determination of the optimal number of kanbans in a JIT production system", Computers and Industrial Engineering, 551-559.
- 12.Goldberg, D.E., 1989, Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, 1-88.
- 13.Gupta, Y., Gupta, M., 1989, "Asystem dynamics model for a multi-stage multi-line dual-card JIT-kanban system", International Journal of Production Research, 27(2), 309-352.
- 14.Haddock, J., Mittenthal, J., 1992, "Simulation Optimization Using Simulated Annealing", Computers and Industrial Engineering, 387-395
- 15.Metropolis, N., Rosenbluth, A., Rosenblulth, M., Teller, A. and Teller, E., 1953, "Equation of State Calculations by Fast Computing Machines", Journal of Chemical Physics,21,1087-1092.
- 16.Michalewicz, Z., 1992, "Genetic Algorithms+Data Structures=Evolution Programs", Springer Verlag Berlin Heidelberg, 1-53
- 17.Nahmias, S., 1993, Production and Operations Analysis, 2nd Edition, Irwin, USA.
- 18.Pierreval, H., Paris, J.L., 2000, "Distrubuted Evolutionary Algorithms for Simulation Optimization", IEEE Transactions on Systems, Man and Cybernetics, 30(1), 15-24
- 19.Pierreval, H., Paris, J.L., 2001, "A Distrubuted Evolutionary Simulation Optimization Approach for the Configuration of Multiproduct Kanban Systems", International Journal of Computer Integrated Manufacturing, 14(5), 421-430
- 20.Pierreval, H., Tautou, L., 1997, "Using Evolutionary Algorithms and Simulation for the Optimization of Manufacturing Systems", IEE Transactions, 29,181-189
- 21.Paul, R.J., Chanev, T.S., 1998, "Simulation Optimization Using a Genetic Algorithm", Simulation Practice and Theory, 6,601-611
- 22.Rees, L.P., Philipoom, P.R., Taylor, B.W., Kuang, P.Y., 1987, "Dynamically adjusting the number of kanbans in JIT production system using estimated values of leadime",IEE Transactions, 19(2), 199-207.
- 23.Wang, H., Wang, H., 1991, "Optimum number of kanbans between two adjacent workstations in a JIT system", International Journal of Production Economics, 22,179-188.
- 24.Yunker, J.M., Tew, J.D., 1994, "Simulation Optimization by Genetic Search", Mathematics and Computers in Simulation, 37,17-28
- ISSN: 1300-3410
- Yayın Aralığı: Yılda 3 Sayı
- Başlangıç: 1989
- Yayıncı: TMMOB MAKİNA MÜHENDİSLERİ ODASI