Üretim esnasında biriken işlerin paralel tezgahların boşalması ile izin verilen
sınırlı bir sürede hangi tezgahta hangi sırada işleneceğinin belirlenmesi problemi yarı dinamik paralel tezgah çizelgeleme problemi olarak tanımlanabilir. Bu çalışmada
paralel fakat tümüyle aynı olmayan tezgahların yükleme ve üretim partilerini sıralama
problemi ele alınmıştır. Problemin çözümüne yönelik, hem matematiksel model, hem
de genetik algoritma geliştirilip, gerçek-hayat test problemleri kullanılarak elde edilen
sonuçlar karşılaştırılmış ve çözüm yöntemlerinin performansları ortaya konmuştur.
Geliştirilen matematiksel modelin çözümleri CPLEX ve Lingo ortamlarında elde
edilmiştir. Önerilen genetik algoritma ise Excel VBA ortamında programlanmıştır. Her
iki yaklaşımın çözüm etkinlikleri sabit bir çalışma süresi için deneylemeye tabi
tutulmuştur. Küçük çaplı problemlerde eniyileme yöntemlerinin ve genetik
algoritmanın aynı sonuçlara erişmelerine rağmen, orta boyutlu problemlerde eniyileme
yaklaşımları mevcut çözücülerin yakınsadığı alt eniyi çözümler genetik algoritmanın o
süre içinde bulduğu çözümlerden geride kalmıştır. Büyük boyutlu problemlerde ise
verilen süre içinde eniyileme yöntemleri herhangi bir uygun çözüm bulamaz iken
geliştirilen genetik algoritma oldukça olumlu sonuçlar elde etmiştir.
Semi-parallel machine scheduling is a loading and seguencing problem which
decides that jobs accumulated in a job pool during the production process will be
processed at which machine and in which sequence. In this work, parallel but not
necessarily identical machines loading and sequencing problem is considered. Both a
mathematical model and a genetic algorithm has been developed, and real-world test
problems have been used to compare the solutions obtained and the performances of the
solution methods have been analyzed. The developed matematical model has been
solved by using GAMS-Cplex and LINGO 6.0. Proposed genetic algorithm has been
programmed on the Excel VBA platform. Efficiency of both solution approach has
been tested for a fixed computation time. Although the optimization method and the
genetic algorithm have reached the same solution in the small scale problem, in the
medium scale problems, sub-optimal solutions provided by optimization tools have
been outperformed by the developed genetic algorithm. In the large scale problem,
while the optimzation tools can not reach any feasible solution, developed genetic
algorithm provided rather satisfactory solutions.
