hızlı tüket m malları depo yer seç m problem ç n genet k algor tma le

advertisement
HIZLI TÜKET M MALLARI DEPO YER SEÇ M PROBLEM
ALGOR TMA LE B R ÇÖZÜM
Burcu YILMAZ
Gazi Üniversitesi
Metin DA DEV REN
Gazi Üniversitesi
Ç N GENET K
M. Ali AKÇAYOL
Gazi Üniversitesi
ÖZET
Tesis yeri seçimi problemi, kurulacak optimal tesis saysnn, yerlerinin ve da tm a  tasarmnn
belirlenmesi amacyla irdelenen ve günümüz küresel i ve rekabet ortamnda, do ru çözüme ula trlmas
durumunda firmalara büyük kar ve pazar pay sa layaca ndan dolay gittikçe daha da büyük önem kazanan
bir problem tipidir. Depo yerimi seçimi problemi, literatürde çok nadir i lenmi bir tesis yeri seçimi problemi
tipidir, etkin ve verimli bir tedarik zinciri için oldukça temel, karma k, çözümü ve modellenmesi güç ve
zaman alan bir karar verme problemidir. Bu çal mada, depo yeri seçimi problemi için genetik algoritma
kullanlarak, Türkiye genelinde hzl tüketim mallar satan yabanc bir irketin, tüm ülke çapnda en az
mesafeyle (dolaysyla en dü ük maliyetle) ta ma ve teslimat yapabilmesi için en uygun depo saysnn
belirlenmesi ve bu depo yerlerinin bulunmas hedeflenmi tir. Bu amaçla olu turulan algoritma MS SQL
Server veritaban sunucusu ve .NET Framework 3.5 Visual Studio 2008 IDE’si kullanlarak çözüme
götürülmü tür. Çal mada kullanlan programlama dili C# teknolojisidir.
Anahtar Kelimeler: Depo Yeri Seçimi, Depo Yönetimi, Genetik Algoritma, Tedarik Zinciri Yönetimi
A SOLUTION FOR WAREHOUSE LOCATION ALLOCATION PROBLEM OF FAST MOVING
CONSUMER GOODS WITH GENETIC ALGORITHM
ABSTRACT
Facility location allocation problem is studied for determination of the optimum facility number,
locations and design of the distribution network, and, in the global business and competition environement of
nowadays, is a type of problem which is gathering more importance day after day because of it will provide a
big amount of profit and market share when it is managed truely. Warehouse location allocation problem is a
kind of facility location allocation problem studied rarely in the literature, and is a complex, hard and time
consuming to model and solve, quite fundamental decision making problem for an efficient and effective
supply chain. In this study it is aimed to determine the optimum warehouse number and their locations, that
a foreign company selling fast moving consumer goods, operating in Turkey, can do transportation and
delivery throughout whole country with the least distance (and so minimum costs). Algorithm created to this
end, is solved by the employment of MS SQL Server database server and .NET Framework 3.5 Visual Studio
2008 IDE. Programming language used in this study is C# technology.
Keywords: Warehouse Location Allocation, Warehouse Management, Genetic Algorithm, Supply
Chain Management.
485
B. Ylmaz, M. Da deviren, M. A. Akçayol
1. G R
Son yllarda her çe it pazardaki küresel geni leme yeni pazarlara girme ve farkl boyutlardaki
ekonomileri kullanma frsat do urmu tur. Dinamik ve de i ken bir çevre tarafndan karakterize edilen
günümüz küresel ekonomisinde, ara trmaclar politik, ekonomik, yasal, sosyal ve kültürel etkiler gibi pek
çok yer seçimi faktörünün göz önünde bulundurulmasnn önemini vurgulamaktadr (Badri, 1999).
Depo yeri seçimi genel bir problemdir. Yatrma karar veren bir i letmeci karllk, verimlilik, etkinlik,
ekonomiklik gibi i letme ba ar göstergelerini en iyi bir biçimde gerçekle tirecek yeri arar (Korkut vd.,
2010). Yer seçimi problemine çözüm getirebilecek etkin araçlar geli tirmek tedarik zinciri yönetimi ve
kontrolü iyile tirmek için çok önemlidir (Albareda-Sambola vd., 2009). Yönetim kademesindeki ki iler
seçim yaparken ister istemez birçok kriteri bir arada dü ünmek durumundadr ve birçok optimizasyon
problemini de içeren zor problemlerin büyük bir ksm, çözümü yeterince hzl ekilde garanti eden
algoritmalar ile çözülememektedir. Dolaysyla, baz durumlarda e er yeterince hzl hesaplanabiliyorsa
yakla k optimum çözümler kabul edilebilmektedir (Baran, 1995). Böyle durumlarda, Genetik Algoritma
(GA) gibi sezgisel yöntemlerden yararlanlmas hem süre hem de çözüm kalitesi açsndan büyük fayda
sa lamaktadr.
Bu çal mada uluslararas platformlarda faaliyet gösteren ve Türkiye pazarna girecek olan, hzl
tüketim mallari satan bir firma için tüm ülke genelinde depo yeri seçimi problemi GA ile ele alnarak, en az
mesafeyi dola ma kriteri altnda açlacak depo says ve kat edilecek toplam mesafe incelenecektir. Yaplan
bu çal mann fark, literatürde incelendi i çal ma says oldukça az olan depo yeri seçimi probleminin,
kendisi için tespit yaplan firmann istekleri do rultusunda olu turulan bölgeler temelinde, maliyetler ve
mesafeler temelinde incelenmi olmasdr. Bu sayede çok sayda veri içeren ve karma kl  ile zorlu u
yüksek seviyede olan bir problem, ksa sürede etkin biçimde çözülecek, elde edilen sonuçlarn geçerlili i
incelenecektir.
2. DEPO YER SEÇ M
Bu çal mada ele alnan depo yeri seçimi problemi, tesis yeri seçimi problemleri ba l  altnda bulunan
daha özel bir konudur. Küresel i ve rekabet ça nda, tedarik zinciri yönetimi firmalarn ba ars için kritik
bir faktör olarak ortaya çkmaktadr. Geçti imiz yllar tedarikçiler, üreticiler ve mü terileri ba layan
kanallarn önemine tanklk etmi tir. Depo yeri seçimi problemi etkin ve verimli bir tedarik zinciri için
oldukça temel bir karar verme problemidir. Depo yeri seçimini ilgilendiren karar, i lerin bugunkü ve
gelecekteki durumu da göz önüne alnd nda, çok mühim bir konudur ve büyük oranda yatrm içermektedir
(Chan vd., 2007). Günümüzde depolar yalnzca mallarn saklanmas ve korunmas amacnn d nda bir takm
katma de erli hizmetlerin verildi i, mü teriye hzl ula mn sa land  merkezler haline gelmi tir (Can vd.,
2006). Depo yerlerinin belirlenmesinde üzerinde çal lmas gerekli ana konular unlardr;
Ula m imkanlar ve maliyetleri,
Talep bölgelerinin yerle imi,
Talep bölgelerinin talep miktarlar,
Bölgelerin i gücü durumu ve miktar,
Bölgelerin do al kaynaklara yaknl .
Depo yeri seçimi, depo i letimi, depolar aras ta malar gibi pek çok parametre, artan mü teri
beklentileri sebebi ile firmalar açsndan stratejik önem ta maktadr. Bu beklentiyi kar layacak depolarn
edinilmesi ve i letilmesi firmalar açsndan önemli bir yatrm ve maliyet unsuru olu turmaktadr. Dolaysyla
uzun süreli stratejik kararlar olup irket karll  üzerindeki etkileri yllar boyu sürecektir (Can vd., 2006).
Genel tesis yeri seçiminde, depo yeri seçimi probleminde de oldu u gibi, karar verirken a a da özetlenen
baz temel ilkelerin dikkate alnmas gerekir (Korkut vd., 2010);
letmenin ihtiyaçlar tarafsz bir sekilde incelenmeli, verilen kararlar objektif olmaldr.
Çal malar sistematik olarak sürdürülmeli, çok yönlü ve güvenilir kaynaklardan yararlanlmaldr.
Yer seçimi çal malar belirli a amalar birbirine kar trlmadan sra ile yürütülmelidir.
Her a amann gerektirdi i uzman ki i ve kurulu lar titizlikle saptanarak bunlardan yararlanlmaldr.
486
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011
Depo yeri seçimi problemine dair yakn zamanda yaplan birkaç örnek çal madan bahsedilecek olursa,
Maniezzo vd. (1998) endüstriyel atk yönetimi konusundaki çal mada, problemi öncelikle sezgisel
yöntemlerle tek amaçl bir kaç küçük boyutlu problem haline getirmi ve daha sonra kesin sonuçlar elde
etmek için çok kriterli karar verme yöntemleri kullanarak sonuca ula m lardr. Chen (2001) çal masnda
depo yeri seçimi problemi için üçgensel bulank saylarn kullanld  admsal bir sralama prosedürü öne
sürmü tür. Can vd. (2006) çal malarnda Türkiye piyasasna yeni girecek bir süpermarket zinciri için ana
depo ve merkez üs yer seçimi yapmak amacyla, d bükey programlama yöntemini kullanm tr. Chan vd.
(2007) bir depo yeri seçimi problemi için bulank AHP yöntemini kullanm lardr. Sarpta ve Alpaslan
(2007) tarafndan yürütülen bir di er çal mada, kat atk depolama alanlar yer seçimi sürecinde
uygulanabilecek co rafi bilgi sistemleri ve çok kriterli karar analizi tabanl bir konumsal karar destek
sisteminin geli tirilmesi amaçlanm tr. Ho vd. (2008) çal malarnda depo yeri seçimi problemi için AHP
ve hedef programlamayöntemlerini bütünle tirmi tir.
3. GENET K ALGOR TMA
GA stokastik, populasyon tabanl ve biyolojik sistemlerin geli im sürecini simüle eden bir arama
yöntemidir. lk kez Holland (Holland, 1975) tarafndan önerilmi tir. GA’nn elemanlar u ekilde
sralanabilir;
Gen: Kendi basna anlaml bilgi ta yan en küçük birim.
Kromozom (Birey): Birden fazla genin bir araya gelerek olu turdu u diziye denir. Kromozomlar,
alternatif aday çözümleri gösterirler.
Populasyon: Kromozomlardan olu an toplulu a denir. Popülâsyon, geçerli alternatif çözüm
kümesidir (Eiben ve Smith, 2003).
GA’da her noktann bir uygunluk de eri vardr. Her jenerasyonda, GA, çaprazlama ve mutasyon gibi
genetik operatörleri kullanarak yeni bir populasyon olu turur. Birkaç jenerasyon sonunda, populasyon daha
iyi uygunluk de erine sahip üyeleri içerir (Emel ve Ta kn, 2002). Yani GA, Darwin'in "en iyi olan ya ar
(survival of the fittest)" prensibine dayal olarak biyolojik sistemlerin geli im sürecini simüle eder (Goldberg,
1989). GA'nn her iterasyonunda üç ana adm vardr (Karao lan ve Altparmak, 2005);
GA’da yeniden üretim i lemi: Mevcut y ndan gelecek y na ta nacak dizilerin seçilmesi
i lemidir. Ta nan diziler, genetik olarak mevcut y nda en uygun yapya sahip dizilerdir.
GA’da genetik operatörler : Bu operatörler, genetik bilgileri kullanarak yeni y nn yeni dizilerini
(mümkün yeni çözümleri) elde ederler. Çaprazlama operatörü, farkl diziler arasnda bilgi
de i imini sa layarak yeni çözümleri elde ederken mutasyon operatörü, mevcut dizilerin bir
ksmnda rassal de i imi sa layarak çözüm uzaynda yeni noktalar elde etmektedir.
GA’da uygunluk de eri: Uygunluk de eri, yeni y na ta nacak dizilerin belirlenmesinde kullanlan
bir araçtr.
Belirtilen bu admlarn gerçekle tirilmesi için öncelikle birey seçimi yaplmaldr. GA’da birey seçimi
rulet tekeri ya da turnuva seçimi teknikleriyle veya deterministik ya da rassal olarak gerçekle tirilebilir. Yine
bu admlar yürütürken gerçekle tirilecek olan yeni populasyon olu turma i lemi ise elitizm, çaprazlama,
seçme ya da mutasyon operasyonlarnn biri ya da birden fazla uygulanarak gerçekle tirilir.
Tipik bir GA’nn genel i leme prosedürü a a daki gibi özetlenebilir (Xiao, 2008);
1. t=0
2. P(t) populasyonunu olu tur.
3. repeat until {bir durdurma kriterinin gerçekle mesi};
4. P(t)’deki tüm bireyleri de erlendir.
5. P(t)’den yeni bireyler olu tur.
6. Yeni bireyi P(t)’ye ta .
7. t=t + 1
A a da açklanan kontrol parametreleri, GA performans üzerinde önemli etkiye sahiptir. Optimal
kontrol parametrelerini bulmak için bir çok çal ma yaplm tr fakat tüm problemler için genel olarak
kullanlabilecek parametreler bulunamam tr (Emel ve Ta kn, 2002);
487
B. Ylmaz, M. Da deviren, M. A. Akçayol
Populasyon büyüklü ü: Bu de er çok küçük oldu unda, GA yerel bir optimuma taklabilmektedir,
populasyonun çok büyük olmas ise çözüme ula ma zamann arttrmaktadr.
Çaprazlama olasl : Çaprazlamann artmas, yap bloklarnn artmasna neden olmakta fakat ayn
zamanda baz iyi kromozomlarn da bozulma olasl n arttrmaktadr.
Mutasyon olasl : E er mutasyon olasl  artarsa, genetik arama rastsal bir aramaya dönü ür, fakat
bu ayn zamanda kayp genetik malzemeyi tekrar bulmada yardmc olmaktadr.
Jenerasyon aral : Genetik operatörler için kaç tane kromozomun seçildi ini gösterir. Yüksek bir
de er bir çok kromozomun yer de i tirdi i anlamna gelmektedir.
Seçim stratejisi
Fonksiyon ölçeklemesi
Bu çal mann uygulama ksmnda kullanlmak için yazarlarca geli tirilen GA’nn admlar ise a a da
özetlenmi tir.
Adm 0: Çözüm gösterimi yaplr.
[010..00|001..11|110..001|00..010]
N1
N2
N3
N4
Bu problemde N1=11 (birinci bölgede bulunan ehir says), N2=25 (ikinci bölgede bulunan ehir
says), N3=24 (üçüncü bölgede bulunan ehir says) ve N4=21 (dördüncü bölgede bulunan ehir says)
alnacaktr.
Adm 1: Ba langç populasyonunun olu turulmas (ba langçta çözümler rastsal olarak ve olu turulur).
[010..00|001..11|110..001|00..010]
[010..00|001..11|110..001|00..010]
.
.
[010..00|001..11|110..001|00..010]
Adm 2:Populasyondaki bireylerin uygunluk fonksiyonu de erleri hesaplanr (Bir bireyin uygunluk
fonksiyonu de eri, her bir bölge temelinde sahip oldu u uygunluk fonksiyonu de erlerinin toplamna e ittir.
Bölgesel uygunluk fonksiyonu de eri ise o bölgede açlan depolarn sabit maliyetleri ve açlm depolar ile
di er ehirler arasndaki kat edilen toplam mesafedir.).
TCPOP = TC1 + TC2 + TC3 + TC4
Adm 3:Daha önceden belirlenmi
gerçekle tirilir.
olan maksimum iterasyon saysna kadar a a daki i lemler
Adm 3.1:Ebeveynlerin seçilmesi (populasyon genelinde rulet tekeri seçim tekni ine göre en iyi olan
iki birey seçilir).
Adm 3.2.:Çaprazlama i lemi gerçekle tirilir (çok noktal çaprazlama rastsal olarak yaplr).
Adm 3.3:Daha önceden belirlenmi olan mutasyon oranna (Pm) göre mutasyon i lemi gerçekle tirilir
(bireydeki her bir dijit için tek tek gerçekle tirilir).
p~N(0,1)
p<Pm, mutasyona u rat
p>PM, mutasyona u ratma.
Adm 3.4:Olu an yeni bireyin uygunluk fonksiyonu de eri hesaplanr.
Adm 3.5:Kar la trma yaplr ve yeni jenerasyon olu turulur (elde edilen bireyin uygunluk fonksiyonu
de eri, populasyondaki en kötü uygunluk fonksiyonu de erinden iyi ise, yeni birey populasyona dahil edilir
ve en kötü populasyondan çkarlr.
488
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011
Adm 4:Maksimum iterasyon saysna ula ld nda algortima durur ve elde edilmi
populasyondaki en iyi birey çözüm olarak seçilir.
son
Literatürde GA’nn tesis yeri seçimi konu ba l  altnda kullanld  çal malara rastlanm tr, depo yeri
seçimi konusu için özel olarak gerçekle tirilmi bir çal maya ise ula lamam tr. Dolaysyla tesis yeri
seçimi konusunda gerçekle tirilmi olan güncel çal malardan birkaç örnek verilecek olursa, Gong vd. (1997)
çal malarnda kapasite kstl bir tesis yeri seçimi problemi için GA ve evrim stratejisi ile etkin geleneksel
optimizasyon tekniklerinin bütünle tirilmesiyle olu turulan hibrit bir yöntem önermi lerdir. Drezner ve
Wesolowsky (2003) iki farkl ta ma maliyeti söz konusu olan çal malarnda toplam ta ma maliyetlerini en
azlayacak, tavlama benzetimi, tabu arama ve GA’dan olu an bir algoritma geli tirmi lerdir. Min vd. (2006)
ürün geri dönü lerini de içeren bir tersine lojistik probleminin çözümü için do rusal olmayan kar k
tamsayl programlama modeli ile GA’y bütünle tirmi lerdir. Bischoff ve Klamroth (2007) ise konveks
polihedral bariyerlerin bulundu u bir alanda açlacak yeni bir tesis için tesis yeri seçimi yapm lardr.
Çal mada, alt problemlerin seçilmesi ve ana probleme hzl bir çözüm bulunmas için GA kullanlm tr. Min
ve Ko (2008) çal malarnda üçüncü taraf servis sa layclarn tamir tesislerinin yer seçimini içeren bir
tersine lojistik probleminin çözümü için kar k tamsayl programlama modeli ile GA’y bütünle tirmi tir.
Wen ve Kong (2011) beklenen ve ( , ) maliyetlerini en azlama ile ans en büyükleme modellerini bulank
talaplerin var oldu u varsaymyla ele alm lardr. Bu rastsal bulank modellerin çözümü için simpleks
algoritmas, rastsal bulank simülasyon ve GA’dan olu an melez bir zeki algoritma olu turulmu tur.
4. ÖRNEK UYGULAMA
Bu çal mada uluslar aras platformda etkinlik gösteren bir firmann hzl tüketim mallar için tüm
Türkiye genelinde açaca  en uygun depo saysn ve açlacak depolarn yerlerini bulmak amaçlanm tr.
Yaplan çal mada, firma hzl tüketim mallar üretip satt  ve yurt d nda üretilen ürünler depolara getirilip
buradan tüm ülke geneline yani 81 ilin hepsine da tlaca  için depolarn talep bölgelerine uzakl  ana
de i ken olarak ele alnm tr. Yaplan hesaplamalarda ele alnan bu ana de i kene dair ehirler aras
uzaklklar (km) kullanlm tr, maliyet yerine uzaklk birimi kullanlmasnn birinci nedeni tek tip araç ile
(motorin kullanan kamyonlar) ta ma yaplaca ndan, yakt ya da araç maliyetlerinin her ehirler aras mesafe
için ayn olmasdr, ikinci neden ise kullanlacak olan kamyonlarn sonsuz kapasitede oldu u kabul
eidlmi tir, dolaysyla her kamyon söz konusu mesafeyi bir kez kat etti indeteslimat
gerçekle tirebilmektedir. ncelenen problemde ehirler aras uzakl n yan sra açlacak depolar için sabit
maliyetler de hesaba katlm tr, ancak depolara dair de i ken maliyetler dikkate alnmam tr ve ehirlerin
talepleri e it varsaylm tr. Gerçekle tirilen hesaplamalarda 81 ilin tümü ko um süresini azaltmak ve
yöntemin etkinli ini arttrmak amacyla tek bir bütün olarak ele alnmam tr. Tüm illeri bir bütün olarak ele
almak hesaplama zaman ve etkinli i açsndan verimlili i dü ürecektir. Bunun yan sra, çal mann kendisi
için yapld  irket, etkinlik gösterdi i alanlarn Marmara, Akdeniz, Anadolu ve Karadeniz bölgeleri
temelinde incelenmesini istemi tir. irket yetkililerinin bu iste i üzerine, bölgeler Turkensteen vd. (2011)’n
çal masnda oldu u gibi, tüm ehir çiftlerinin birbirleri arasndaki uzaklklar dikkate alnarak belirlenen bir
D parametresi kullanlarak , her bir bölge bu bölgedeki her bir ehir çiftinin arasndaki uzaklklar bu de eri
geçmeyecek ekilde olu turulmu , ve bu de erden daha dü ük uzaklklara sahip olan ehirler irket tarfndan
verilen dört ayr bölge temelinde ait olduklar bölgede toplanm tr. ehirler arasndaki mesafelere dair
veriler http://www.kgm.gov.tr/Sayfalar/KGM/SiteTr/Root/Uzakliklar.aspx adresinden elde edilmi tir. Bu
ikili kar la trmalar sonucunda dört ayr bölge elde edilmi tir. Elde edilen bölgeler ve bu bölgelerdeki
ehirler ile bunlarn birbirlerine olan uzaklklarna ait veriler bildiri metnine ayrlan sayfa says kstndan
ötürü bu bildiriye eklenenmemi tir, ancak verilere ula mak isteyen ara trmaclarca istenirse yazarlar
tarafndan sa lanacaktr. Bu tablolarda görülen veriler, ele alnan problem incelenirken, öncelikle SQL
Server 2005 Express Edition veritaban yönetim sistemine aktarlm , daha sonra da bu veriler kullanlarak
SQL ADO.NET teknolojisiyle T-SQL sorgular yaplm ve C#.NET uygulamasnda bu veriler kullanlm tr.
ehirler aras mesefe verilerini tutabilmek için SQL Server 2005’te bütünle ik bir veritaban
olu turulmu tur. Visual Studio Windows Form projesi ile hazrlanan bir arayüz kullanlarak SQL Server
2005’e girilmi tir. SQL Server 2005’te hazrlanan veritabannn diyagram ekil 1’de görülmektedir. Depo
yeri seçimi probleminde veritabanna ba lanmak, veri giri i ve sorgusu yapmak ve string parse yöntemlerini
kullanabilmek için olu turulan “Tools” projenin class diyagram ekil 2’de görülmektedir. Ele alnan
problem incelenirken GA admlarn gerçekle tirmek amacyla olu turulan “DepoSecimiLib” projesinin class
diyagram ise ekil 3’te görülmektedir. “testLib” Class Library projesi ise, her bir ko um için, her
489
B. Ylmaz, M. Da deviren, M. A. Akçayol
iterasyonda eri ilen en iyi bireyin sahip oldu u uygunluk fonksiyonu de eri ve bu bireyin sra bilgisini .txt
formatnda belirlenmi bir klasöre ko um tarihi ve saati bilgisini isim olarak alp kaydeden metodu
içermektedir. Bu projenin class diyagram ise ekil 4’te verilmi tir.
5. DENEYLER
Olu turulan algoritma farkl maksimum iterasyon, populasyon geni li i ve mutasyon oran (Pm)
parametreleri ve bölgeler için srasyla 30, 30, 25, 25 bin TL’lik sabit depo maliyetleri (arsa, in aa, ekipman
kurulumu, vergi vb.) ile toplamda 10 kez çal trlm tr ve elde edilen ko um süresi, açlan depo says ile
toplam uzaklk sonuçlar ile ko um bilgileri Tablo 1’de görülmektedir. Son iki bölgedeki depo maliyetlerinin
farkl olmasnn sebebi, devletin bu bölgelerde daha yo un olarak baz kalkndrma politikalar izliyor
olmasdr. Gerçekle tirilen ko umlarda daha önceden denenerek, en verimli sonuçlarn alnd  0.25 ve 0.20
mutasyon oranlar ile, 100-300 aras populasyon geni likleri (Yoon ve Ventura, 2002; Norman ve Bean,
2000; Liaw, 2000; Jeong vd., 2002), 100 ve 1000 maksimum iterasyon saylar (Paksoy, 2007) için sonuçlar
elde edilmi tir . Populasyon geni li inin 150 ve 300 birey arasnda alnmasnn nedeni, 150 bireyden az
bireye sahip populasyonlarn yeterli çe itlili e sahip olmamas ve 300’den fazla bireye sahip populasyonlarn
ise ko um süresini arttrmas, dolaysyla 150’den az 300’den çok birey saysnn çözüm etkinli ini
azaltmasdr. Maksimum iterasyon says parametresi de yaplan birkaç test sonucunda deneme yanlma yolu
ile belirlenmi tir. En az 100 ve en çok 1000 iterasyonda birbirinden oldukça farkl sonuçlar elde edilmi ve
yöntemin esnekli inin incelenmesi için bu iki uç parametre de eri seçilmi tir.
Gerçekle tirilen 10 ko um sonrasnda, Tablo 1 incelendi inde de görülmektedir ki, toplam maliyet
açsndan en iyi sonuç üçüncü ko umda, maksimum iterasyon says 1000 iterasyon, populasyon geni li i
200 birey ve mutasyon oran 0.25 iken bulunmu tur. Ayrca, bu minimum maliyetin sa land  ko umda elde
edilen açlan depo says, tüm sonuçlarn ortalama açlan depo saysndan küçük çkm tr. Elde edilen sonuç
incelendi inde birinci bölgedeki iki açk deponun bulundu u iki ehir için de ayn mesafenin kat edildi i
görülmekteidr. kinci bölge için en az mefanin kat edildi i ehir Trabzon, üçüncü bölge için en az mefanin
kat edildi i ehir Konya ve dördüncü bölge için en az mefanin kat edildi i ehir Batman olarak, 28 dakika 46
saniyelik bir zaman içinde bulunmu tur. Deneyler 32 bit (86x) MS Windows 7 Professional Edition i letim
sistemine, IntelCore 2 Duo CPU [email protected] GHz i lemciye, 2.00 GB RAM belle e sahip olan bir
bilgisayarda gerçekle tirilmi tir. Tablodan da görüldü ü gibi ko um süresi bu en iyi sonucun elde edildi i
ko umda en uzun süredir, bu gibi durumlarda ko um süresinin uzun sürmesi ve sonuca geç ula lmas da GA
gibi meta sezgisel yöntemlerin dezavantajlarndan biridir.
ekil 1. ehirler Aras Mesafe Verileri Veritaban Diyagram
490
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011
ekil 2. “Tools” Projesine Ait Class Diyagram
ekil 3. “DepoSecimiLib” Projesine Ait Class Diyagram
ekil 4. “testLib” Projesine Ait Class Diyagram
491
B. Ylmaz, M. Da deviren, M. A. Akçayol
ekil 5. Gerçekle tirilen On Ko uma Ait Sonuç Sayfalar
492
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011
Tablo 1. Ko um Sonuçlarnn Kar la trlmas
Maksimum
Mutasyon
Ko um
terasyon Populasyon
Oran
Ko um
No
Says
Geni li i
(Pm)
Süresi
1
1000
150
0.25
2:43
2
100
150
0.25
0:28
3
1000
200
0.25
28:46
4
100
200
0.25
0:27
5
1000
250
0.25
4:30
6
100
250
0.25
0:27
7
1000
300
0.25
4:33
8
100
300
0.25
0:27
9
1000
150
0.20
4:41
10
100
150
0.20
0.31
Sonuçlar
Açlan
Depo
Says
44
37
36
37
34
38
52
34
42
35
Toplam
Maliyet
159048
162061
135734
156760
145087
144469
144291
144651
159345
158244
6. SONUÇLAR
Bu çal mada tesis yeri seçimi probleminin bir alt konusu olan depo yeri seçimi problemi ele alnm tr.
Problemin zor yapsndan dolay çözüm kalitesini arttrmak ve sonuca ula ma süresini azaltmak amacyla
sezgisel yöntemler kullanma yoluna gidilmi tir. GA’nn kullanm ile 10 ko um sonrasnda 36 adet deponun
açld , toplam uzaklk de eri 135764 km. olan en iyi çözüm elde edilmi tir. Yazlan program sayesinde,
mutasyon oran, populasyon geni li i, maksimum iterasyon says gibi baz GA kontrol parametreleri ve
uygunluk fonksiyonu de erleri hesaplanrken dikkate alnan sabit maliyet tutarlar d ardan
girilebilmektedir. Böylece, geli tirilen program daha farkl problemlere de uygulanabilecek nitelikte
olu turulmu tur, farkl veriler içeren farkl tesis yeri seçimi problemleri için de uygulanabilir yapdadr. Elde
edilen sonuçlar önerilen yöntemin kullan ll n göstermektedir. Çal mann mevcut literature katks ele
alnd nda, depo yeri seçimi ile ilgili olarak incelenen bu problemde, birbiri ile çeli en iki amaç olan
minimum mesafe ve minimum depo says hedefleri en mümkün oranda gerçekle tirilmeye çal lm tr.
Çal mada elde edilen sonuçlarn tatmin edici bulunmas, bu çal mada çeli en iki amacn birlikte ele alnarak
karma k ve zor bir problemin ba ar ile çözüldü ü görülmektedir.
KAYNAKÇA
Albareda-Sambola, M., Fernández, E., Hinojosa, Y., Puerto, J., “The multi-period incremental service
facility location problem”, Computers & Operations Research, 1356–1375, 36, 2009.
Badri, M. A., “Combining the analytic hierarchy process and goal programming for global facility
location-allocation problem”, Int. J. Production Economics, 62, 237-248, 1999.
Baran, S., “Kat Atk (Cop) Depo Yerlerinin Seçimi ve n aasndaki Baz Ana Hususlar”, Jeoloji
Mühendisli i, 46, 82-54, 1995.
Bischoff, M., Klamroth, K., “An efficient solution method for Weber problems with barriers based on
genetic algorithms”, European Journal of Operational Research, 177, 1, 22-41, 2007.
Can, T., Çilingirtürk, M., Koçak, H., “D bükey programlama ile lojistik merkezi tespiti”, Yönetim, 17,
54, 17-25, 2006.
Chan, F., T., S., Kumar, N., Choy, K., L., “Decision-making approach for the distribution center
location problem in a supply chain network using the fuzzy-based hierarchical concept”, J. Engineering
Manufacture, 221, JEM526, 2007.
Chen, C. T., “A fuzzy approach to select the location of the distribution center”, Fuzzy Sets and
Systems, 118, 65-73, 2001.
Drezner, Z., Wesolowsky, G. O., “Network design: Selection and design of links and facility location”,
Transportation Research Part A: Policy and Practise, 37, 3, 241-256, 2003.
493
B. Ylmaz, M. Da deviren, M. A. Akçayol
Eiben, A., E., Smith, J., E., “Introduction to evolutionary computing”, Springer-Verlag Berlin
Heiderberg, Germany, ISBN – 3-540-40184-9, 2003.
Emel, G., G., Ta kn, Ç., “Genetik Algoritmalar Ve Uygulama Alanlar”, U.Ü. ktisadi ve dari Bilimler
Fakültesi Dergisi, XXI, 1, 129-152, 2002.
Goldberg, D.E., “Genetic Algorithms in Search, Optimization and Machine Learning”, Addison
Wesley, 1 – 85 (1989).
Gong, D., Gen, M., Yamazaki, G., Xu, W., “Hybrid evolutionary method for capacitated locationallocation problem”, Computers & Industrial Engineering, 33, 3-4, 577-580, 1997.
Ho, W., Lee, C., K., M., Ho, G., T., S., O., “Optimization of the facility location-allocation problem in a
customer-driven supply chain”, Oper Manag Res, 1, 69–79, 2008.
Holland, J.H., “Adaptation in Natural and Artificial Systems”, Ann Arbor, University of Michigan
Press, 1975.
Jeong, B., Jung, H., Park, N., “A computerized causal forecasting system using genetic algorithms in
supply chain management”, Journal of Systems and Software, 60, 223-237, 2002.
Karao lan, ., Altparmak, F., “Konkav Maliyetli Ula trma Problemi için Genetik Algoritma Tabanl
Sezgisel Bir Yakla m” Gazi Üniv. Müh. Mim. Fak. Der, 20, 4, 443-454, 2005.
http://www.kgm.gov.tr/Sayfalar/KGM/SiteTr/Root/Uzakliklar.aspx, Son eri im tarihi: 16 Aralk 2010.
Korkut, D., S., Do an, A., M., Bekar, ., “Kurulu Yeri Seçimini Etkileyen Faktörlerin Düzce li
Açsndan De erlendirilmesi”, Düzce Üniversitesi Ormanclk Dergisi, 6, 1, 20-31, 2010.
Liaw, C., “A hybrid genetic algorithm for the open shop scheduling problem”, European Journal of
Operational Research, 124, 28-42, 2000.
Maniezzo, V., Mendes, I., Paruccini, M., “Decision support for siting problems”, Decision Support
Systems, 23, 273–284, 1998.
Min, H., Ko, H. J., Ko, C. S., “A genetic algorithm approach to developing the multi-echelon reverse
logistics network for product returns”, Omega, 34, 1, 56-69, 2006.
Min, H., Ko, H. J., “The dynamic design of a reverse logistics network from the perspective of thirdparty logistics service providers”, International Journal of Production Economics, 113, 1, 176-192, 2008.
Norman, B., A., Bean, J., C., “Scheduling operations on parallel machine tools”, IIE Transactions, 32,
449-459, 2000.
Paksoy, S., “Genetik algoritma ile proje çizelgeleme”, Doktora Tezi, Çukurova Üniversitesi Sosyal
Bilimler Enstitüsü, letme Anabilim Dal, Adana, 2007.
Sarpta , H., Alpaslan, M., N., “Kat atk depolama alanlar yer seçimi için bir konumsal karar destek
sistemi”, TMMOB Çevre Mühendisleri Odas, 7. Ulusal Çevre Mühendisli i Kongresi, Ya am Çevre
Teknoloji, 2007.
Turkensteen, M., Sierksma, G., Wieringa, J. E., “Balancing the fit and logistics costs of market
segmentations”, European Journal of Operational Research, 213, 340-348, 2011.
Wen, M., Kang, R., “Somer optimal models for facility location-allocation problem with random fuzzy
demands”, Applied Soft Computing, 11, 1, 1202-1207, 2011.
Xiao, N., “A unified conceptual framework for geopraphical optimization using evolutionary
algorithms”, Annals of the Association of American Geographers, 98, 4, 795-817, 2008.
Yoon, S. H., Ventura, J. A., “An application of genetic algorithms to lot streaming flow shop
scheduling”, IIE Transactions, 34, 779-787, 2002.
494
Download