Reinforcement learning based solution approaches to static and dynamic machine scheduling problems

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: BEHİCE MELTEM KAYHAN

Danışman: Gökalp Yıldız

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tez, statik/deterministik ve dinamik/stokastik makine çizelgeleme problemlerine pekiştirmeli öğrenme tabanlı çözüm yaklaşımları önerir ve üç aşamadan oluşur. İlk aşamada, pekiştirmeli öğrenme yönteminin temel yönlerini incelemek ve literatürdeki eksiklikleri ve gelecek vaat eden alanları ortaya çıkarmak için makine çizelgeleme problemlerine pekiştirmeli öğrenme uygulamaları hakkında kapsamlı bir literatür taraması yapılmıştır. Ardından, ilgili literatür, uygulanan algoritmalar, makine ortamları, iş ve makine özellikleri, amaç fonksiyonları ve kıyaslama yöntemlerine göre detaylı bir şekilde incelenmiş ve incelemenin temel bulguları ve ilgili literatürdeki boşluklar tartışılmıştır. İkinci aşamada, pekiştirmeli öğrenme yöntemi statik/deterministik ilişkisiz paralel makine ve hibrit akış tipi atölye çizelgeleme problemlerine uygulanmıştır. Önerilen yöntemlerin performansları, literatürdeki kıyaslama problemleriyle karşılaştırılmıştır. Üçüncü aşamada, dinamik/stokastik hibrit akış tipi atölye çizelgeleme problemlerine pekiştirmeli öğrenme yöntemi uygulanmış ve genel bir simülasyon modeli geliştirilmiştir. Bu aşamada öncelikle, seçilen dağıtım kurallarının çeşitli amaç fonksiyonlarına göre performansları analiz edilmiş ve her bir amaç fonksiyonu altında en iyi dağıtım kuralları özetlenmiştir. Daha sonra, ortalama akış süresini ve gecikmeyi en aza indirmek için dinamik/stokastik hibrit akış tipi atölye çizelgeleme problemlerine pekiştirmeli öğrenme algoritması uygulandı. Son olarak, önerilen yöntemin performansı değerlendirilmiş ve seçilen dağıtım kuralları ile karşılaştırılmıştır.