Konteyner yükleme probleminin çözümü için genetik algoritma bazlı hibrit yaklaşım
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Küresel lojistik ve tedarik zinciri yönetiminin hayati bir parçası olan konteyner yükleme sorunları, operasyonel karmaşıklığı ve maliyet etkinliği ile önem kazanır. Çeşitli ürünlerin dünya genelinde çok sayıda noktaya ulaştırılması gereken kapsamlı işlemlerde, konteynerlar ana taşıma mekanizması olarak görev yaparlar. Bu konteynerlar çeşitli boyutlarda olabilir ve ağırlık kapasiteleri birbirinden önemli ölçüde farklılık gösterebilir. Konteynerların etkin bir şekilde yüklenmesi ve boşaltılması, tedarik zincirinin verimliliği ve maliyet etkinliği açısından kritik bir öneme sahiptir. Konteyner yükleme sorunları, bu bağlamda ele alınan ve kesme ve paketleme problemlerinin bir alt grubu olarak literatüre dahil edilmiş olan NP-zor problemlerdir. Bu tür lojistik zorlukların üstesinden gelmek için yöneylem araştırması, matematiksel modeller ve algoritmalar kullanarak karmaşık sistemleri optimize etmek için mükemmel bir araç olarak işlev görür. Yöneylem araştırması ve yapay zekâ, karmaşık problemlerin sezgisel arama ile çözümünde ortak bir ilgi paylaşır. Genetik algoritma gibi yapay zeka tabanlı yöntemler, belirli bir sistemin içsel string temsili aracılığıyla optimizasyon işlemlerini gerçekleştirir. Bu temsilin belirli düzeni, bir kromozom olarak adlandırılan ve optimizasyon sürecinin sonucu üzerinde belirleyici bir etkiye sahip olan yapıdır. Bu çalışmadada genetik algoritma optimizasyonu ve ilk uygun azalan algoritma tekniklerinin bir arada kullanıldığı hibrit bir çözüm sunulmaktadır. Genetik algoritma optimizasyonu, genetik algoritmanın doğal seçim ve evrim süreçlerini simüle ederek, problem alanında en uygun çözümü bulmayı hedefleyen bir optimizasyon tekniğidir. İlk uygun azalan algoritma ise birçok optimizasyon probleminin çözümünde kullanılan güçlü bir yaklaşımdır. Bu teknik, çözüm alanındaki en iyi veya en uygun çözümü ararken, mevcut durumdan daha kötü bir sonuç veren çözümleri kabul etmeme prensibine dayanmaktadır. Bu hibrit çözümün uygulanmasında, genetik algoritma optimizasyonunun ve ilk uygun azalan algoritmanın birleşiminden faydalanmak için Geneticsharp gibi kütüphaneler kullanılmıştır. Geneticsharp, genetik algoritma çözümlerini desteklemek için tasarlanmış, literatürde sıkça kullanılan ve multi-threading gibi birçok avantajı olan bir kütüphanedir. Bu kütüphane, geniş bir kullanıcı tabanı ve olgun bir API ile, genetik algoritma tabanlı çözümler için oldukça kullanışlıdır. Uygulamanın görsel yönü, WebGL tabanlı yapılar kullanılarak gerçekleştirilmiştir. WebGL, 3D grafikler oluşturmak ve işlemek için kullanılan bir web standardıdır ve bu çalışma kapsamında, algoritmanın çalışmasını ve sonuçlarını görselleştirmek için kullanılmıştır. Bu hibrit çözümün etkinliği, literatürdeki diğer mevcut yöntemlerle karşılaştırılarak değerlendirilmiştir. Bulgular, bu hibrit yaklaşımın konteyner yükleme problemlerini çözmede mevcut yöntemlerden daha üstün olmadığını göstermiştir. Ancak, bulgular aynı zamanda bu hibrit yaklaşımın, konteyner yükleme optimizasyonu alanında önemli ve anlamlı bir yer edinebileceğini göstermiştir.
Container loading problems, which are a vital part of global logistics and supply chain management, gain importance with operational complexity and cost effectiveness. In comprehensive operations where various products need to be delivered to numerous points worldwide, containers serve as the main transportation mechanism. These containers can come in various sizes and their weight capacities can vary significantly from each other. Loading and unloading of these containers effectively is of critical importance in terms of the efficiency and cost-effectiveness of the supply chain. Container loading issues are NP-hard problems considered in this context and included in the literature as a subgroup of cutting and packing problems. Operations research serves as an excellent tool for optimizing complex systems using mathematical models and algorithms to overcome these types of logistical challenges. Operations research and artificial intelligence share a common interest in solving complex problems with heuristic search. Artificial intelligence-based methods like genetic algorithm perform optimization processes through the intrinsic string representation of a particular system. The particular arrangement of this representation is a structure called a chromosome that has a decisive effect on the result of the optimization process. In this study, a hybrid solution is presented where the genetic algorithm optimization and the first-fit decreasing algorithm techniques are used together. Genetic algorithm optimization is an optimization technique that aims to find the most appropriate solution in the problem area by simulating the natural selection and evolution processes of the genetic algorithm. The first-fit decreasing algorithm is a powerful approach used in solving many optimization problems. This technique is based on the principle of not accepting solutions that yield a worse result than the current situation while searching for the best or most appropriate solution in the solution area. In the application of this hybrid solution, libraries like Geneticsharp were used to take advantage of the combination of genetic algorithm optimization and the first-fit decreasing algorithm. Geneticsharp is a library designed to support genetic algorithm solutions, frequently used in the literature, and with many advantages such as multi-threading. This library, with a wide user base and a mature API, is quite useful for genetic algorithm-based solutions. The visual aspect of the application was implemented using WebGL-based structures. WebGL is a web standard used for creating and processing 3D graphics, and in this study, it was used to visualize the operation and results of the algorithm. The effectiveness of this hybrid solution has been evaluated by comparison with other existing methods in the literature. The findings showed that this hybrid approach was not superior to existing methods in solving container loading problems. However, the findings also showed that this hybrid approach could hold a significant and meaningful place in the field of container loading optimization.
Container loading problems, which are a vital part of global logistics and supply chain management, gain importance with operational complexity and cost effectiveness. In comprehensive operations where various products need to be delivered to numerous points worldwide, containers serve as the main transportation mechanism. These containers can come in various sizes and their weight capacities can vary significantly from each other. Loading and unloading of these containers effectively is of critical importance in terms of the efficiency and cost-effectiveness of the supply chain. Container loading issues are NP-hard problems considered in this context and included in the literature as a subgroup of cutting and packing problems. Operations research serves as an excellent tool for optimizing complex systems using mathematical models and algorithms to overcome these types of logistical challenges. Operations research and artificial intelligence share a common interest in solving complex problems with heuristic search. Artificial intelligence-based methods like genetic algorithm perform optimization processes through the intrinsic string representation of a particular system. The particular arrangement of this representation is a structure called a chromosome that has a decisive effect on the result of the optimization process. In this study, a hybrid solution is presented where the genetic algorithm optimization and the first-fit decreasing algorithm techniques are used together. Genetic algorithm optimization is an optimization technique that aims to find the most appropriate solution in the problem area by simulating the natural selection and evolution processes of the genetic algorithm. The first-fit decreasing algorithm is a powerful approach used in solving many optimization problems. This technique is based on the principle of not accepting solutions that yield a worse result than the current situation while searching for the best or most appropriate solution in the solution area. In the application of this hybrid solution, libraries like Geneticsharp were used to take advantage of the combination of genetic algorithm optimization and the first-fit decreasing algorithm. Geneticsharp is a library designed to support genetic algorithm solutions, frequently used in the literature, and with many advantages such as multi-threading. This library, with a wide user base and a mature API, is quite useful for genetic algorithm-based solutions. The visual aspect of the application was implemented using WebGL-based structures. WebGL is a web standard used for creating and processing 3D graphics, and in this study, it was used to visualize the operation and results of the algorithm. The effectiveness of this hybrid solution has been evaluated by comparison with other existing methods in the literature. The findings showed that this hybrid approach was not superior to existing methods in solving container loading problems. However, the findings also showed that this hybrid approach could hold a significant and meaningful place in the field of container loading optimization.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri, Bilgisayar ve Kontrol, Computer Engineering, Computer Science, Control
