ACO-based approach for integrating product lifecycle management with MRO services in aviation industry

Guraksin, Ahmet Muhammed; Özcan, Alper

doi:10.1007/s00500-022-07560-4

Cited by 2 publications

(1 citation statement)

References 47 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Bu algoritmalar arasında özellikle 1990'lı yılların başlarında Tavlama Benzetimi Osman [17]; Yasaklı Arama Algoritması (Glover ve Laguna [18]; Barbarosoğlu ve Özgür [19]); Karınca Kolonisi Algoritması (Dorigo [20]; Dorigo vd. [21]; Guraksin ve Özcan [22]), Parçacık Sürüsü En iyileme Optimizasyon algoritması (Kennedy ve Eberhart [23]; Marinakis vd. [24]), Geniş Komşuluk Araması (Shaw [25]; Erdoğan [26]), Adaptif Geniş Komşuluk Araması (Pisinger ve Ropke [27]) örnek olarak verilebilir.…”

Section: Giriş (Introduction)unclassified

Kapasiteli araç rotalama problemi için makine öğrenmesi ve matematiksel programlama temelli hibrid bir çözüm önerisi

SANLI,

KARTAL

2023

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi

View full text Add to dashboard Cite

Bu çalışmada, kapasiteli araç rotalama probleminin (KARP) çözümü için makine öğrenmesi teknikleri ile matematiksel programlama formülasyonlarını hibridleştiren iki aşamalı bir yaklaşım önerilmiştir. KARP'ın çözümü için ilk aşamada makine öğrenmesi algoritmaları ile düğümlerin hangi araçlara atanacağına karar verildikten sonra ortaya çıkan kümelerin toplam talep miktarının her bir aracın kapasitesini aşmaması kapasite dengeleme algoritması adı verilen bir metot tarafından garantilenmiştir. İkinci aşamada ise, her bir araç depodan tur oluşturmak için başlar ve gezgin satıcı problemi (GSP) matematiksel modelini kullanarak en kısa kat edilen mesafeyi bulmak için atanan tüm düğümleri ziyaret eder. KARP 'ın nihai çözümü, tüm TSP rotalarının birleştirilmesiyle oluşturulmuştur. Bu çalışmada kullanılan makine öğrenmesi algoritmaları denetimli öğrenme kategorisi altında; K-En yakın Komşuluk algoritması (K-NN) ve lojistik regresyon (LR) algoritmalarıyken; denetimsiz öğrenme kategorisi için, K-Ortalamalar (K-Means) algoritmasıdır. Önerilen yaklaşım için, farklı araç sayıları ile literatürden farklı veri setleri kullanılarak duyarlılık analizleri gerçekleştirilmiştir. Sonuç olarak önerilen hibrid yaklaşımın test problemlerinin çoğunda KARP'ın matematiksel modelinin çözümüne göre daha iyi sonuçlar verdiği gösterilmiştir.

show abstract