Tez Arşivi

Hakkımızda

Tez aramanızı kolaylaştıracak arama motoru. Yazar, danışman, başlık ve özete göre tezleri arayabilirsiniz.


İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Endüstri Mühendisliği Anabilim Dalı

Lojistik sistemlerin yapay sinir ağları ile modellenmesi, gerçeklenmesi ve kontrolü

Modeling, implementation and control of logistics systems using artificial neural networks

Teze Git (tez.yok.gov.tr)

Bu tezin tam metni bu sitede bulunmamaktadır. Teze erişmek için tıklayın. Eğer tez bulunamazsa, YÖK Tez Merkezi tarama bölümünde 166672 tez numarasıyla arayabilirsiniz.

Özet:

LOJİSTİK SİSTEMLERİNİN YAPAY SİNİR AĞLARI İLE MODELLENMESİ, GERÇEKLENMESİ VE KONTROLÜ ÖZET Günümüz Lojistik Sistemlerinin, müşteri odaklı olarak, malzeme akışına göre şekillendirilmesi işlemi görünürde çok açık ve anlaşılırdır. Ancak, dinamik ve rekabetçi bir ortamda sanal şirket, elektronik ticaret gibi teknolojik gelişmelere ve yeni buluşlara hızla ayak uydurabilecek, farklı uygulama süreçlerinde ekonomi, biyoloji, sosyoloji ve psikoloji gibi alanlardan da teorik anlamda faydalanabilecek bütünleşik bir sistemi yönetmek oldukça karmaşıktır. Parçalara ayırma, bütünleştirme ve geri besleme mekanizmaları yoluyla sistem karmaşıklığı ile başa çıkmada, çeşitli avantajları nedeniyle hiyerarşik karar verme mekanizması kullanılmaktadır. Özellikle gerçek zamanlı, hata toleransını minimize eden, değişen pazar koşullarına hızlı uyum sağlayabilen yeni ve farklı yaklaşımlar üzerinde araştırmalar yapılmaktadır. Önceleri, tedarik zincirinde pazarlama, dağıtım, planlama, imalat ve satın alma işlemleri birbirinden bağımsız olarak gerçekleştirilirdi. Bu bölümler, genellikle birbirleriyle çatışan bireysel amaçlara sahiptirler. Pazarlamanın yüksek müşteri düzeyi ve maksimum satış hedefi, imalat ve dağıtım bölümlerinin amaçları ile çatışır. Bir çok imalat işlemi, düşük maliyetlerin envanter düzeyleri ve dağıtım yeteneklerine olan etkisini çok az göz önünde bulundurarak, üretilen işi enbüyükleyecek biçimde tasarlanır. Satın alma anlaşmaları, genellikle geçmiş satın alma örüntülerinin ötesinde çok az bilgi ile müzakere edilir. Bu yüzden, bu farklı işlevlerin bütünleştirilebileceği bir mekanizmaya gereksinim vardır. Bütünleşik lojistik sistemlerinden beklenen özellikleri karşılayabilmek için klasik yaklaşımların yerine; işletmenin farklı işlevsel alanlarını, tedarik zincirinin koordinasyonu altında bütünleştirici bir yöntemle ele alan, alt bileşenlerin kendilerine has perspektiflere ve güdüleyicilere sahip olmalarından dolayı tek tip bir karar verme yapısına zorlanmadıkları bir dağıtılmış karar verme mekanizması kullanılabilir. Bu yaklaşım ile gevşek bağlı {loosely-coupled) bilgisayarların kullanımı sayesinde XIVlojistik sisteminin bilgi yönetimi köklü olarak basitleştirilebilir. Paralel işleme ve adaptif öğrenme ile daha kararlı ve güçlü yapıların, daha hızlı olarak gerçekleştirilmesi yeteneği kazanılabilir. Bütünleşik lojistik sistemlerinden beklenenlere uyumlu bir çözüm sağlamak amacıyla; seçilen tez konusunun kapsamında, karmaşık bir yapıya sahip, dağıtılmış karar verme ve paralel işlem yapma süreçlerini gerektiren, maliyetlerde ve/veya taleplerde belirsizliklerin söz konusu olduğu, karar mekanizmaların ve analizlerin bir veri tabanı yönetim sistemi yardımıyla gerçekleştirildiği bir lojistik sistemi için, dağıtılmış bir sistem modelleme yaklaşımının uygulandığı, öğrenme ve çıkarım mekanizmalarında bir yapay sinir ağı altyapısının kullanıldığı sistem tasarlanıp gerçeklenmiştir. Bu yeni altyapı sistemi ve onu oluşturan ve koordineli olarak eniyilenmeye çalışılan modeller ile lojistik sisteminin operasyonel kararlarının kendiliğinden alınması, stratejik kararlarda üst düzey yöneticilere rapor verilmesi ve yol gösterilmesi, ayrıca performans analizleri yaparak kontrol edilmesi ve ileriye dönük projeksiyonların yapılması mümkün olacaktır. Özellikle lojistik yönetimi gibi dinamik sistemlerde, çok hızlı bir biçimde çözüm elde ederek karar verici için alternatifler oluşturmak oldukça önemlidir. Bu tip sistemlerde göreceli olarak kısa zamanda elde edilen iyi bir çözüm, uzun sürede bulunabilen optimal çözümden daha faydalıdır. Bu yüzden daha hızlı ve optimale yakın çözüm veren sezgisel yaklaşımlar üzerinde çalışılmaktadır. Bu tip sezgisel yöntemlerden bazıları Yerel Arama, Tavlama Benzetimi, Genetik Algoritmalar ve Yapay Sinir Ağlarfdır. Doksanlı yıllardan itibaren Yapay Sinir Ağlarının Yöneylem Araştırmasının inceleme sahalarına giren öngörüleme, modelleme, araç rotalama, kümeleme, sınıflandırma gibi bir çok alandaki problemleri çözmede kullanılmaya başlandığı gözlemlenmektedir. Sinir ağları yapay zeka ve beynin modellenmesi alanlarından geliştirilse de, aslında regresyon ve benzer yöntemlerde olduğu gibi bağımlı ve bağımsız değişkenler arasındaki ilişkiyi öğrenen bir fonksiyon tahmin aracından başka bir şey değildir. Sinir ağları ile istatistiksel yöntemler arasındaki temel farklılık, sinir ağlarının istatistiksel dağılımla veya verilerin özellikleri ile ilgili herhangi bir varsayım yapmamasıdır (parametrik değil). Bir diğer önemli özelliği de doğrusal olmayan bir tahmin yöntemi olduğundan karmaşık verilerin modellenmesinde daha uygundur. Bu tez çalışmasında, lojistik sistemlerinin modellenmesinde ve eniyilenmesinde yapay sinir ağlarının kullanım potansiyelini değerlendirmek, gerçek zamanlı bir XVsistemde kullanılabilecek etmen temelli ve sinir ağını kullanan bir karar destek sistemi tasarlayıp gerçeklemek hedeflenmiştir. Bu amaçla, lojistik sistemlerin matematiksel modelleri kurularak eniyilenmesinin gerektiği alt bileşenlerinde (öngörüleme, tedarikçi seçimi, depolama, fiziksel dağıtım, vs.) kullanılabilecek yapay sinir ağı modelleri olan çok katmanlı yapay sinir ağları, kendini örgütleyen ağlar ve Hopfield ağları bu tez çalışmasında detaylı olarak incelenmiştir. İlk olarak çok geniş bir alanda yaygın olarak kullanılan çok katmanlı sinir ağları incelenmiş, kullanımı sırasında sıklıkla karşılaşılan problemler ve çözüm yöntemleri üzerinde durulmuş, performans iyileştirici değişiklikler ele alınmış ve Genetik Algoritmalar ile melez olarak kullanımı da değerlendirilmiştir. Kombinatorik eniyileme problemlerini çözmede kullanılan iki temel yaklaşım; Hopfield-Tank sinir ağları ve Kohonen'in kendini düzenleyen ağlarıdır. Ancak, her iki yaklaşımın da bazı kusurları vardır ve farklı problem tiplerinin çözümünü bulmada gösterdikleri başarı değişkendir. Kohonen ağları öklit olmayan problemlerde genelleştirilememe, Hopfield ağları ise genellikle olursuz çözüm üretme ve en iyi çözümü elde etmek için çok uzun parametre ayarlamaları gerektirme gibi dezavantajlara sahip olmalarına rağmen; tavlama, melez modeller, vb. yaklaşımlarla özellikle ikinci dereceden programlamada oldukça iyi sonuçlar elde edilmiştir. Özellikle çok büyük miktardaki bilgileri sürekli olarak sınıflandırabilmek, sınıflandırmayı güncelleyebilmek lojistik sistemlerin performansı açısından önemli olduğundan, eğitme kümesine gereksinim duymadan veriler arasındaki ilişkileri ortaya çıkaran kendi kendini örgütleyen ağlar ele alınmış ve tedarikçilerin sınıflandırılması ile sürekli örten konum-tahsis problemlerine uygulanmıştır. Hopfield sinir ağlarının kombinatorik eniyileme problemlerindeki başarısı dikkate alınarak özellikle ağın performansını iyileştirici düzenlemeler üzerinde durulmuştur. Bu amaçla Gee ve Smith'in çalışmaları temel alınarak çözüm kalitesini artırmaya dönük ağın içsel dinamikleri değiştirilmiş ve merkez üsler problemini çözmede kullanılmıştır. Yapay sinir ağı modelleri literatürde yaygın olarak kullanılan gerçek test verileri kullanılarak diğer tekniklerle çözüm kalitesi ve tutarlılığı açısından karşılaştırmıştır. Konum - Tahsis problemlerini (KTP), özel olarak sürekli örten, p-medyan ve merkez üs modellerini çözmede yapay sinir ağlarının nasıl kullanılabileceği irdelenmiş, kendini örgütleyen ağlar ile yinelemeli mimariye sahip bir yapay sinir ağı olan xvıHopfield -Tank yapay sinir ağı kullanılarak çözülmüştür. Ayrıca, je-medyan ve sürekli örten KTP problemlerini çözmek için yeni bir yaklaşım olarak Titreşimli Genetik Algoritma yaklaşımı önerilmiştir. Önerilen yöntemlerin etkinliğini test etmek için, literatürde sıklıkla kullanılan test veri setleri kullanılmış, Yapay Sinir Ağı temelli yöntemler için elde edilen sonuçlar ile literatürde yer alan en iyi çözümler ve Tavlama Benzetimi ve Genetik Algoritmalar gibi diğer sezgisel yaklaşımlardan elde edilen sonuçlarla karşılaştırılın ıştır. Özellikle konum-tahsis problemleri için çarpıcı sonuçlar elde edilmiş ve yine önerilen Titreşimli Genetik Algoritma yaklaşımı da çok iyi sonuçlar vermiştir. Ayrıca, önerilen yapay sinir ağı modelleri üretim yapan uluslararası bir firmanın lojistik verileri kullanılarak test edilmiş, böylelikle gerçek yaşam sistemlerindeki uygulama başarısı da görülmeye çalışılmıştır. Son olarak, bütünleşik tedarik zinciri yönetimi sistemleri için gezgin etmen mimarisini temel alan, ana modül ile alt bileşenlerinin koordineli olarak hareket etmesi nedeniyle operasyonel kararların bilgi sistemi tarafından otomatik olarak alındığı, sistemin çatısının değişik lojistik sistemi tiplerine kolaylıkla genişletilebilecek yeterlikte genel olduğu, talep tahmini ile tedarikçilerin sınıflandırılması süreçlerinde yapay sinir ağı modellerini kullanan bir karar destek sistemi Java platformunda tasarlanmış ve gerçeklenmiştir. xvıı

Summary:

MODELING, IMPLEMENTATION AND CONTROL OF LOGISTICS SYSTEMS USING ARTIFICIAL NEURAL NETWORKS SUMMARY Although designing current logistics systems with a customer-oriented perspective and according to the flow of material seems quite clear and understandable, management of an integrated system which will make theoretical use of economics, biology, sociology, and psychology in different application processes is fairly complicated. Because of many advantages, hierarchical decision making mechanism is used to cope with system complexity by using the mechanisms of dividing into pieces, integration, and feed-back. There has been some researches especially on new and different approaches, which are real time, minimize error tolerance and can adapt to the changing market conditions. Traditionally, marketing, distribution, planning, manufacturing, and the purchasing organizations along the supply chain operated independently. These organizations have their own objectives and these are often conflicting. Marketing's objective of high customer service and maximum sales conflict with manufacturing and distribution goals. Many manufacturing operations are designed to maximize throughput and minimize costs with little consideration for the impact on inventory level and distribution capabilities. Purchasing contracts are often negotiated with very little information beyond historical buying patterns. Clearly, there is a need for a mechanism through which these different functions can be integrated together. In order to satisfy the issues that are expected from integrated logistics systems, instead of traditional approaches, a distributed decision making mechanism which considers the different functional fields of enterprise with an integration approach under the coordination of supply chain can be used. Because of the special perspectives and motivators of components, these mechanisms are not compelled to the uniform decision making structure. Using this approach, data management of logistics system might be simplified thoroughly by making use of loosely-coupled XVIIIcomputers. Also, the use of parallel processing and adaptive learning will facilitate building stable and stronger structures quicker. In this thesis, the aim is to find an alternative solution to the issues that are expected from integrated logistics systems. A complex logistics system requires distributed decision making and parallel processing. The decision mechanism and analysis are supported by a data base management system and a neural network based framework is designed and implemented. By using this novel framework, it will give reports to the managers in strategical decisions in order to achieve and to control performance analysis and to make the projections about future. In many real-world situations such as logistics system management, it is important that a solution be attained fairly quickly, so that it can be considered as a real option in the decision process. Under such circumstances, a good answer computed relatively quickly is more useful than an optimal solution which takes an unreasonable amount of time or which is even infeasible to calculate. For these reasons, the importance of heuristics which can provide very rapid, near optimal solutions is understood. Some of such heuristics are the Local Search, Simulated Annealing, Genetic Algorithms and Artificial Neural Networks. Over the last decade, we have seen a rapid acceptance of Artificial Neural Networks for solving a wide range of Operations Research such as forecasting, modeling, clustering and classification. While neural networks have developed from the field of artificial intelligence and brain modeling, they are nothing more than function approximation tools' which learn the relationship between independent variables and dependent variables, much like regression or other similar approaches. The principal difference between neural networks and statistical approaches is that neural networks make no assumptions about the statistical distribution or properties of the data (nonparametric). Neural networks are also an inherently nonlinear approach giving them much accuracy when modeling complex data patterns. In this thesis, our objective was to exploit the features of artificial neural networks in modeling and optimization of logistics systems, to design and implement a mobile agent based decision support system that uses artificial neural networks in its subsystems (e.g., forecasting, vendor selection, warehousing, physical distribution, etc.) which can be used in a real time system. For this reason, in this thesis artificial neural networks such as multi layer feed forward, self-organizing and Hopfield xixnetworks which can be used in the components of logistics systems that must be formulated and optimized as the mathematical models have been studied in details. First, the multi layer feed forward neural networks that are widely used in many fields were investigated, frequently encountered problems and solving techniques were dwelled on, modifications to enhance the performance were considered and their integration with Genetic Algorithms were also evaluated. Two basic approaches that are used to solve combinatorial optimization problems are the Hopfield neural network and self-organizing approaches. However, both approaches have some deficiencies and their success in solving different problem is dependent on the problem. Although, Kohonen maps can not be generalized in non- Euclidean problem, and Hopfield neural networks usually give infeasible solutions, and they necessitate tedious adjustments to get the optimal solution; the use of annealing, hybrid models, etc. provided satisfactory results especially in quadratic programming. Classifying large amounts of data continuously and updating the classification are important for the performance of logistics systems. For this reason, self organizing maps that can extract the relations between data without a need for training data set are considered. Subsequently, this approach is applied to continuous covering location - allocation and vendor classification problems. Considering the success of Hopfield neural networks in combinatorial optimization problems, especially the arrangements that improve the performance of network are analysed. For this reason, considering Gee and Smith's studies as a basis, the inner dynamics of networks are changed to improve the problem solving quality and used in solving the hub location problems. Using the test data, which are widely used in the literature, artificial neural network models are compared with another techniques by means of solution quality and consistency. This thesis also investigates the use use of artificial neural networks to solve location-allocation problems, specifically continuous covering, jP-median, and hub location models. The problem is solved by using self-organizing maps and Hopfield- Tank artificial neural networks which has a recurrent architecture. In addition, a Vibrational Genetic Algorithm is proposed to solve /»-median and continuous covering location-allocation problems. xxIn order to test the effectiveness of the proposed methods, test data sets which are widely used in the literature are used. The results are compared with the results attained for artificial neural network-based methods, with the best results in the literature and with the results found by using heuristic approaches such as Simulated Annealing and Genetic Algorithms. Remarking results are attained for the location-allocation problems, and also proposed Vibrational Genetic Algorithm produced very good results. In addition, the proposed artificial neural network models were tested by using the logistics data of an international manufacturing company. In this way, the success of the system in real life systems is investigated. Lastly, a mobile-agent based decision support system for integrated supply chain management systems were designed and implemented in Java environment. In this proposed framework, the structure of the system is sufficiently general to be easily applied to different logistics systems, and the artificial neural network models are used in the processes of demand forecasting and vendor classification. XXI