Öğretme-Öğrenme algoritmasını kullanarak iki yönlü karışık modelli montaj hattı dengeleme

• Main Author: Alper HAMZADAYI
• Format: Article
• Language: English
• Published: Pamukkale University 2018-08-01
• Series: Pamukkale University Journal of Engineering Sciences
• Subjects: assembly line balancing; teaching-learning based optimization algorithm; hybrid teaching-learning based optimization algorithm; two-sided assembly lines; mixed-model assembly lines; montaj hattı dengeleme; öğretme-öğrenme-tabanlı eniyileme algoritması; melez öğretme-öğrenme-tabanlı eniyileme algoritması; i̇ki yönlü montaj hatları; karışık modelli montaj hatları
• Online Access: https://dergipark.org.tr/tr/pub/pajes/issue/38891/454095?publisher=pamukkale

Öğretme-Öğrenme-Tabanlı Eniyileme (ÖÖTE) algoritması, diğer popülasyon-tabanlı algoritmalar kadar etkin olduğu ortaya konmuş, popülasyon-tabanlı bir eniyileme algoritmasıdır. Bu makalenin temel amacı, ÖÖTE algoritmasını kullanarak iki yönlü karışık modelli montaj hattı dengeleme problemini ilk defa çözmektir. Yakın zamanda, stokastik iki yönlü tek modelli montaj hattı dengeleme problemini çözmek için [1]’de melez öğretme-öğrenme-tabanlı eniyileme (MÖÖTE) algoritması önerilmiştir. [1]’de MÖÖTE algoritması en iyi bilinen 10 farklı meta-sezgisel algoritma ile karşılaştırılmıştır. Yapılan testler MÖÖTE algoritmasının diğer algoritmalara göre daha üstün bir performans sergilediğini ortaya koymuştur. Bu makalede ayrıca, MÖÖTE algoritması iki yönlü karışık modelli montaj hattı dengeleme problemini çözmek için adapte edilmiş ve algoritmanın performansı test edilmiştir. Bu çalışmanın amacı önceden tanımlanmış çevrim süresinde karşılıklı eşleşen istasyon sayısını ve toplam istasyon sayısını en aza indirmektir. Literatürden alınan test problem grupları üzerinden kapsamlı bir deneysel çalışma gerçekleştirilmiştir ve algoritmaların performansları var olan yaklaşımlarla karşılaştırılmıştır. Deneysel çalışmalar ÖÖTE algoritmasının karşılaştırılan diğer en iyi bilinen sezgisel algoritmalara karşı göze çarpan bir potansiyele sahip olduğunu ve problemin çözümünde MÖÖTE algoritmasının bilinen en iyi sezgisel algoritmalar kadar iyi performans sergilediğini ortaya koymuştur.