You are on page 1of 104

STANBUL NVERSTES

FEN BLMLER ENSTTS

DOKTORA TEZ

SR ZEKSI OPTMZASYON TEKN VE TEDARK


ZNCR YNETMNDE BR UYGULAMA

Tark KKDENZ
Endstri Mhendislii Anabilim Dal
Endstri Mhendislii Program

Danman
Prof. Dr. akir ESNAF

Haziran, 2009

STANBUL

1
STANBUL NVERSTES
FEN BLMLER ENSTTS

DOKTORA TEZ

SR ZEKSI OPTMZASYON TEKN VE TEDARK


ZNCR YNETMNDE BR UYGULAMA

Tark KKDENZ
Endstri Mhendislii Anabilim Dal
Endstri Mhendislii Program

Danman
Prof. Dr. akir ESNAF

Haziran, 2009

STANBUL

2
Bu alma 17 / 06 / 2009 tarihinde aadaki jri tarafndan Endstri Mhendislii
Anabilim Dal Endstri Mhendislii programnda Doktora Tezi olarak kabul
edilmitir.

Tez Jrisi

Prof. Dr. akir ESNAF Prof. Dr. Ekrem MANSALI


stanbul niversitesi stanbul niversitesi
Mhendislik Fakltesi Mhendislik Fakltesi

Prof. Dr. Gne GENYILMAZ Prof. Dr. Semra BRGN


stanbul Kltr niversitesi stanbul Ticaret niversitesi
ktisadi ve dari Bilimler Fakltesi Mhendislik ve Tasarm Fakltesi

Do. Dr. Alp BARAY


stanbul niversitesi
Mhendislik Fakltesi

1.

iii
NSZ

Bu almam sunarken, akademik hayatm boyunca bana her trl konuda destek olan
ve almalarm ynlendirmemde yardmc olarak yeni bilgilere ulama ve retme
frsatn salayan danmanm Prof. Dr. akir ESNAF' a, ayrca, akademisyenlie
balamamdan itibaren yardm ve nerilerini hibir zaman esirgemeyen Prof. Dr. Ekrem
MANSALI'ya, bilginin paylald huzurlu bir alma ortam salayan deerli
alma arkadalarma teekkrlerimi bor bilirim.

Hayatlar boyunca tm imkanlarn ocuklar iin seferber eden, varlklarndan her


zaman g aldm anne ve babama sayg ve kranlarm sunarm.

Son olarak, doktora almam boyunca manevi desteini srekli hissettiim, zor
zamanlarmda yanmda olan sevgili Banu ATEEDURAN' a teekkr ederim.

Mays, 2009 Tark KKDENZ

1
2

NDEKLER

NSZ ......................................................................................................... 1
NDEKLER ........................................................................................... 2
EKL LSTES .......................................................................................... 4
TABLO LSTES ........................................................................................ 5
SEMBOL LSTES ..................................................................................... 6
ZET ............................................................................................................ 7
SUMMARY ................................................................................................. 8
1. GR 1
1.2. KATKILAR................................................................................................... 2
1.3. TEZN ANA HATLARI............................................................................... 3
2. GENEL KISIMLAR 4
2.1. TEDARK ZNCR YNTEM............................................................... 4
2.1.1. Tedarik Zinciri Kavram ...................................................................... 4
2.1.2. Tedarik Zinciri Ynetimi Kavram ..................................................... 5
2.1.3. Tedarik Zinciri Ynetimi Bileenleri ................................................... 6
2.2. TEDARK ZNCRNN MODELLENMES ........................................... 6
2.2.1. Tedarik Zinciri Problemleri ................................................................. 7
2.3. TEDARK ZNCR YNETM MODELLER ..................................... 9
2.3.1. Kavramsal Modeller.............................................................................. 9
2.3.2. Analitik Modeller ................................................................................ 10
2.3.3. Yapay Zek Tabanl ve Sezgisel Modeller ........................................ 11
2.3.4. Simlasyon Modelleri.......................................................................... 12
2.4. TESS YER SEM PROBLEM .......................................................... 13
2.4.1. Kapasite Kstsz oklu Tesis Yeri Seimi Problemleri ................... 15
2.4.2. oklu Tesis Yeri Seimi Problemlerinde bekleme Analizi ........... 16
2.4.3. Talep Noktalarnn beklemesi in Bulank C-Ort. Algoritmas . 18
2.4.4. Talep Noktalarnn beklemesi in Gustafson Kessel Alg. ........ 20

2
3

2.4.5. Tesis Yerlerinin Tespiti iin Melez Yntemler ................................. 23


2.4.6. Bulank bekleme - Arlk Merkezi Melez Yntemi...................... 23
2.4.7. Bulank bekleme - Konveks Programlama Melez Yntemi ......... 24
2.4.8. Ulatrma Maliyetinin Hesaplanmas ................................................ 25
2.5. SR ZEKASI ........................................................................................... 26
2.6. PARACIK SR OPTMZASYONU YNTEM ............................. 28
2.6.1. k Noktas ........................................................................................ 28
2.6.2. Standart Algoritma ............................................................................. 30
2.6.3. Uygulama Alanlar .............................................................................. 36
2.6.4. PSO ile Evrimsel Hesaplama Yntemleri Arasndaki liki ............ 39
2.6.5. Performans Artrmaya Ynelik Dzenlemeler................................ 39
2.6.6. 1 Tip Parack Sr Optimizasyonu Modeli .................................. 42
2.6.7. Srnn En yisi in nerilen Yntemler: ..................................... 43
2.6.8. PSO Tabanl bekleme Analizi Yntemleri ..................................... 46
2.6.9. PSO Tabanl Tesis Yeri Seimi Yntemleri ...................................... 48
3. MALZEME VE YNTEM 50
3.1. ODAK BREYL SR OPTMZASYONU BEKLEME YNTEM....... 50
3.1.1. Modelin Yaps ..................................................................................... 51
3.1.2. Balang lemleri .............................................................................. 53
4. BULGULAR 57
4.1. V ndeksi ...................................................................................................... 58
4.2. Dunn ndeksi ............................................................................................... 59
4.3. Test Veri Kmelerinde Sonular ............................................................... 60
4.3.1. I. Test Veri Kmesi (IRIS Veri Kmesi) ........................................... 60
4.3.2. II. Test Veri Kmesi ............................................................................ 63
4.3.3. III.Test Veri Kmesi ........................................................................... 69
4.3.4. Tesis Yeri Seimi Probleminde OBSO Yntemini uygulanmas..... 73
5. TARTIMA VE SONU 77
KAYNAKLAR 82
ZGEM 90

3
4

EKL LSTES

ekil 2.1 : Tedarik zinciri boyunca bilgi, malzeme ve para ak ............................. 6


ekil 2.2 : Tedarik Zinciri Problemlerinin Snflandrlmas .................................... 8
ekil 2.3 : BCO algoritmasnn ama fonksiyonu parametreleri ............................ 19
ekil 2.4 : BCO algoritmasnn ileyii .................................................................. 20
ekil 2.5 : Arlk merkezi ynteminin ama fonksiyonu ve parametreleri ........... 23
ekil 2.6 : Konveks programlama ynteminin ama fonksiyonu parametreleri..... 25
ekil 2.7 : Toplam ulatrma maliyeti fonksiyonunun parametreleri ..................... 25
ekil 2.8 : Balk ve ku srleri .............................................................................. 26
ekil 2.9 : Bilginin yaylm.................................................................................... 33
ekil 2.10 : Sr Zekas Optimizasyon Algoritmas ................................................ 36
ekil 2.11 : Sr zekas optimizasyon teknii ile ilgili yaynlanm alma says 37
ekil 2.12 : Atalet katsaysnn eitli deerleri iin baarsz deney says............. 40
ekil 2.13 : Komuluk ilikisi olarak halka yaps.................................................... 45
ekil 2.14 : Komuluk ilikisi olarak yldz yaps ................................................... 45
ekil 2.15 : Komuluk ilikisi olarak odak yaps..................................................... 45
ekil 3.1 : l=13 olan bir modelde OBSO ynteminin komuluk yaps. ................ 51
ekil 3.2 : t = 0 annda OBSO algoritmasnda komuluk yaps ........................... 51
ekil 3.3 : OBSO ynteminin szde kodu .............................................................. 56
ekil 4.1 : OBSO algoritmas iin gelitirilen programn rnek ekran grnts .. 58
ekil 4.2 : 51 noktal veri kmesinin K-Ortalamalar 2 bek sonular ............... 63
ekil 4.3 : 51 noktal veri kmesinin BCO 2 bek sonular .............................. 64
ekil 4.4 : 51 noktal veri kmesinin GK 2 bek sonular ................................. 64
ekil 4.5 : 51 noktal veri kmesinin PSO 2 bek sonular ............................... 65
ekil 4.6 : 51 noktal veri kmesinin OBSO 2 bek sonular ............................ 65
ekil 4.7 : 51 noktal veri kmesinin K-Ortalamalar 3 bek sonular ............... 66
ekil 4.8 : 51 noktal veri kmesinin BCO 3 bek sonular .............................. 66
ekil 4.9 : 51 noktal veri kmesinin GK 3 bek sonular ................................. 67
ekil 4.10 : 51 noktal veri kmesinin PSO 3 bek sonular ............................... 67
ekil 4.11 : 51 noktal veri kmesinin OBSO 3 bek sonular ............................ 68
ekil 4.12 : 400 noktal veri kmesinin K-Ortalamalar 4 bek sonular ............. 70
ekil 4.13 : 400 noktal veri kmesinin BCO 4 bek sonular ............................ 70
ekil 4.14 : 400 noktal veri kmesinin GK 4 bek sonular ............................... 71
ekil 4.15 : 400 noktal veri kmesinin OBSO 4 bek sonular .......................... 71
ekil 5.1 : Iris veri kmesinde Dunn indeksine gre baarm. ............................... 78
ekil 5.2 : Iris veri kmesinde V indeksine gre baarm....................................... 78
ekil 5.3 : 51 noktal veri kmesinde Dunn indeksine gre baarm. ................... 79
ekil 5.4 : 51 noktal veri kmesinde V indeksine gre baarm. .......................... 79
ekil 5.5 : 400 noktal veri kmesinde baarm...................................................... 80

4
5

TABLO LSTES

Tablo 2.1 : Standart SZO algoritmasnn parametreleri ......................................... 35


Tablo 4.2 : Iris veri kmesinde Dunn indeksine gre baarm............................... 62
Tablo 4.3 : Iris veri kmesinde hatasna gre baarm........................................... 62
Tablo 4.4 : 51 noktal veri kmesinde V indeksine gre baarm .......................... 68
Tablo 4.5 : 51 noktal veri kmesinde Dunn indeksine gre baarm .................... 69
Tablo 4.6 : 400 noktal veri kmesinde V indeksine gre baarm ........................ 72
Tablo 4.7 : 400 noktal veri kmesinde Dunn indeksine gre baarm .................. 72
Tablo 4.8 : Tesis yeri seimi problemi iin 51 noktann koordinat ve talep verisi 74
Tablo 4.9 : Hesaplanan maliyet parametresi deerleri ........................................... 75
Tablo 4.10 : Tesis yeri problemi iin sonu bek merkezi koordinatlar ................. 75
Tablo 4.11 : Tesis yeri problemi iin sonu bek merkezi koordinatlar ................. 76

5
6

SEMBOL LSTES

SZO : Sr Zekas Optimizasyonu


BCO : Bulank C-bekleme
GK : Gustafson-Kessel
OBSO : Odak Bireyli Sr Optimizasyonu
KP : Konveks Programlama
d : Boyut says
zi : i. veri elemannn konum vektr
SZ : Veri elemanlar kmesi
l : Veri eleman says
c : bek says, Odak birey says
m : Birey says
bi : i. birey
SS : i. bireyin konum vektr
vi : i. bireyin hz vektr
pi : i. bireyin o ana kadar gsterdii en iyi performansn konum
vektr
gi : i. bireyin komular ierisinden en iyi performansa sahip olann en iyi
performansnn konum vektr
J : Ama fonksiyonu
Si : i. bei oluturan veri elemanlar kmesi
fi : i. odak birey
SF : Odak bireyler kmesi

6
7

ZET

SR ZEKSI OPTMZASYON TEKN VE TEDARK ZNCR


YNETMNDE BR UYGULAMA

Bu almada, tedarik zinciri ynetiminde olduka nemli bir paya sahip olan tesis yeri
seimi problemleri iin sr zekas optimizasyon algoritmasna dayal yeni bir
bekleme analizi yntemi sunulmutur. Sr zeks, zor problemlerin zmnde baar
salayan sezgisel bir yntemdir. Bu yntemin temel yap talar balk ve ku srleri,
karnca kolonileri, termitler ve arlar gibi sosyal canllarn davranlarndan esinlenilerek
gelitirilmitir. Sr zekas optimizasyonu bcek yada balk srlerinin davranlarn
taklit eden bir algoritmadr. Srdeki davranlar ok boyutlu bir uzayda hz ve konum
olmak zere iki karakteristii olan bireyler ile modellenir. Bu bireyler ok boyutlu
uzayda hareket ederken kefettikleri en iyi konumu hafzalarnda tutarlar. Eritikleri iyi
konumlar birbirleriyle iletiime geerek paylar ve kendi konum ve hzlarn bu iyi
konumlara gre ayarlarlar.

Sr zeks yaklamnn birey ve komuluk unsurlarn ele alarak yeni bir komuluk
yaps ve birden fazla odak bireyin tanmlanmas ile gelitirilen yeni bir bekleme
algoritmas ile tedarik zinciri ynetiminde tesis yeri seimi problemine yeni bir zm
yntemi gelitirilmitir. Odak birey tabanl bu yeni bekleme algoritmasnn mevcut
bekleme algoritmalar ile eitli test problemleri zerinde performans
karlatrlmtr.

Ortaya konan sonular gelitirilen yeni yntemin baarl bir bekleme analizi yntemi
olduunu ve tedarik zinciri ynetiminde tesis yeri seimi problemlerinde de baaryla
uygulanabileceini gstermitir.

7
8

SUMMARY

PARTICLE SWARM OPTIMIZATION TECHNIQUE AND AN APPLICATON


IN SUPPLY CHAIN MANAGEMENT

A new swarm intelligence based clustering analysis method for facility location
allocation problems in supply chain management is presented in this study. Swarm
intelligence is a heuristic method which is successfully applied to hard optimization
problems. Algorithm is inspired by behaviors of social beings like fish schools, bird
flocking, ant colonies, termites and bees. Behaviors in the swarm are modeled by
individuals who have two main characteristics, namely position and velocity, in the
hyperspace. This individuals remember their best previous position and at the same time
shares knowledge of their positions among each other. At each iteration, these
individuals adjust their position and velocity vector by considering their current position
and velocity, their memory and mentioned shared knowledge.

This new solution approach alters behaviors of particles in the swarm and neighborhood
structure so that multiple focal particles are defined which reflects cluster centers.
Clustering based facility location-allocation problems are solved using this new
clustering approach. Comparisons are made on test problems between proposed focal
particle based algorithm and other well known clustering analysis algorithms.

Results indicate that the new clustering algorithm is performed well against other well-
known clustering algorithms and successfully applied in facility location-allocation
problems in supply chain management context.

8
2. GR

Bu almada parack sr optimizasyonunun temel metaforlarna dayanan yeni bir


bekleme analizi yntemi gelitirilmitir ve gelitirilen yntem tedarik zinciri
ynetiminde oklu tesis yeri seimi problemlerinin zmne uygulanmtr. Sr
zekas, eitli problemlerin zmnde bir grup olarak hareket eden ku, balk, termit
gibi canllarn sosyal dzenlerini modelleyen yaklamlardan esinlenerek gelitirilmi
bir optimizasyon metodolojisidir. Sr zekas kavramnn temelinde yatan lidersiz
hareket eden, basit ve etkileim ierisindeki bireyler olgusu, bu metodoloji kullanlarak
eitli optimizasyon yntemlerinin domasn salamtr. Parack sr optimizasyonu
yntemi de bu temel prensipler zerine kurulmu bir yntemdir. Parack sr
optimizasyonu ilk olarak bu tip basit canllarn karmak problemleri zmekteki
etkinliini sosyal ve psikolojik adan inceleyen ve temel etkileimleri matematiksel
olarak ifade etmeye alan bir yntem olarak ele alnmtr. Ancak ortaya konan
ilerleme neticesinde bu temel metaforlarn pek ok mhendislik ve temel doa bilimleri
alanlarnda da baaryla uygulanabilecei grlmtr.

Tesis yeri seimi problemi 1960lardan beri incelenen bir optimizasyon problemi
olmakla birlikte tesis yeri seimi problemini bekleme analizi yaklam ile ele alarak
zmleyen snrl sayda alma bulunmaktadr. Farkl bekleme analizi tekniklerinin
tesis yeri seimi problemlerinde baarmnn karlatrld alma says ise daha
azdr. Tesis yeri seimi problemini, tesislerin ve talep noktalarnn corafi konumlar ve
maliyetlere yada evresel faktrlere etki eden eitli zelliklerin de modele dahil
edilebilmesi asndan bekleme analizi yaklam ile zmek etkili bir yntem olarak
grlse de literatrdeki bekleme analizi yntemlerinin ama fonksiyonlarnn, tesis
yeri seimi probleminin ama fonksiyonu ile farkl hedeflere sahip olabilmesinden
dolay bekleme ile yer seimi optimizasyonunun badatrlmas amacyla ounlukla
melez yntemler gelitirilmi ve bu yntemler baarl olmutur.

1
2

2.1. AMALAR

Bu almada yapay zeka ve sezgisel algoritmalarn karmak optimizasyon


problemlerini zme konusundaki stnlklerinden faydalanrken, bekleme analizi
yaklamnn tesis yeri seimi problemlerini srekli uzayda tanmlayabilme ve corafi
konumlara uygun zmleyebilme zelliklerinden faydalanlarak, takip eden amalara
ulalmaya allmtr.
bekleme analizinin, tedarik zinciri ynetiminde tesis yeri seimi problemlerine
uygulanmas iin bir yntem gelitirmek.
Parack sr optimizasyonu yaklamn kullanarak yeni bir bekleme
algoritmas gelitirmek.
Gelitirilen bekleme analizi algoritmasnn baarmn literatrdeki nemli
algoritmalar ile karlatrarak test etmek.
Gelitirilen bekleme analizi algoritmasnn tesis yeri seimi problemlerine
uygulamak ve literatrdeki benzer yntemlerle performansn karlatrmak.

2.2. KATKILAR

Bu tezin literatre temel katklar takip eden maddelerde aklanmtr.


Parack sr optimizasyonu ynteminde birden fazla odak bireyin tanmland
yeni bir komuluk yaps sunulmu;
Bu yeni komuluk yapsnn yeni bir bekleme analizi yntemi olarak
uygulamas gelitirilmi;
Yeni komuluk yapsna sahip algoritmann uygulanan probleme gre ama
fonksiyonu esnekliine sahip olmas salanm;
Tesis yeri seimi problemlerinde bekleme analizi kullanlarak bir optimizasyon
modeli tanmlanm;
Tanmlanan problem gelitirilen bekleme analizi yntemi ile zlerek
sonular irdelenmitir.

2
3

2.3. TEZN ANA HATLARI

Gelitirilen bekleme analizi yntemi, parack sr optimizasyonu ynteminin temel


ileyiini, bir veri kmesinin istenen sayda bee ayrlmas iin kullanlacak olan
birden fazla odak bireyli yeni bir komuluk yaps ve odak bireyler etrafnda bek
oluumunu salayacak bir algoritma ile gelitirerek yeni bir yntem olarak ortaya
kmtr. Bu yntemin ncelikle bir bekleme analizi olarak baars, eitli test
problemleri zerinde, literatrdeki K-Ortalamalar, Bulank C-Ortalamalar ve Gustafson-
Kessel algoritmalar ile karlatrlarak incelenmi ardndan bekleme analizinin
tedarik zincirinde yer seimi problemlerinde gl bir zm arac olarak
kullanlabilecei gsterilmitir. Bu amala, gelitirilen yntem kapasite kstsz, gerek
bir oklu tesis yeri seimi problemi zerinde uygulanarak, literatrdeki dier benzer
yntemlerle karlatrmal analizi yaplmtr.

almann birinci blmnde tedarik zinciri ynetimi kavram anlatm ve tedarik


zincirinde tesis yeri seimi problemi tanmlanmtr. Bu blmde zel olarak tesis yeri
seimi problemlerinde ele alnm olan bekleme analizi yntemleri incelenmitir.

kinci blmde sr zekas metodolojisi aklanm ve sr zekas metodolojisinin


temel prensiplerinden yola karak gelitirilen parack sr optimizasyonu yntemi ele
alnmtr. Bu aamada parack sr optimizasyonu ynteminin algoritmas incelenmi,
kullanm alanlar ve literatrde bu algoritmann baarmn arttrmak iin yaplan
almalar deerlendirilmitir. Ayrca bu blmde parack sr optimizasyonu
ynteminin tesis yeri seimi problemlerine uyguland almalar incelenmitir.

nc blmde ise bu almada nerilen odak bireyli sr optimizasyonu yntemi


yeni bir bekleme analizi yntemi olarak tantlarak, yntemin temel parametreleri,
algoritmas ve ileyii aklanmtr. Bu yeni yntemin baarm test problemlerinde
karlatrmal olarak ele alnm ve bir tesis yeri seimi problemine uygulanarak
sonular incelenmitir.

3
3. GENEL KISIMLAR

3.1. TEDARK ZNCR YNTEM

3.1.1. Tedarik Zinciri Kavram


Tedarik zinciri, tketicilerin elinde rn ya da hizmet formunda deer reten, farkl
sre ve aktiviteleri kapsayan organizasyonlar adr (Christopher, 1998). APICS
szlnde tedarik zinciri yle tanmlanmaktadr: 1. Tedariki ile firma arasndaki, ilk
hammaddeler ile tamamlanm rnlerin son tketimi arasnda yer alan sreler; 2.
rn ve hizmetlerin mterilere sunulmas iin deer zincirini harekete geiren firma ii
ve d fonksiyonlar.

Tedarik zinciri konseyi u tanm kullanmaktadr: Lojistik uzmanlar tarafndan sk


olarak kullanlan tedarik zinciri terimi, tedarikinin-tedarikisi aamasndan,
mterinin-mterisi aamasna kadar, nihai rnn retimi ve teslimi iin gereken tm
abalar kapsamaktadr. Drt temel sre -planlama, kaynak, retim, teslim- bu abalar
geni lde tanmlamaktadr; bunlar arz ve talep ynetimi, hammadde ve para tedarik
kaynaklar, retim ve montaj, depolama ve envanter datm, sipari girii ve sipari
ynetimi, tm kanalda datm ve mteriye teslim aamalarn iermektedir..

Quinn(2000) ise tedarik zincirini yle tanmlamaktadr: Hammadde evresinden


balayarak son kullancya kadar mallarn hareketi ile ilgili olan aktivitelerin tm.
Bunlar, kaynak ve tedarik, retim planlama, sipari sreci, envanter ynetimi, nakliyat,
depolama ve mteri hizmetlerini iermektedir. Daha da nemlisi, bu ayn zamanda tm
aktivitelerin gzlenmesi iin gereken bilgi sistemlerini de kapsamaktadr..

Genel anlamda bir iletmenin amac; rettii bir rn ya da hizmeti tketicilere sunmak
ve hizmet verdii alanda gelir salamaktr. Bu alanda rakiplerin artan says ve rekabet
koullar karsnda ayakta kalmak amac ile rekabet stnlnn salanabilmesi iin
iletmelerin yksek verimlilik, yksek kalite ve dk maliyet ile almalar
gerekmektedir. Bir iletmenin kurulumundan, mterisine sunduu rn ya da hizmetin

4
5

mterinin kullanmna verdii haline kadar geen tm sreler bu esas gzetilerek


ynetilmelidir.

3.1.2. Tedarik Zinciri Ynetimi Kavram


Tedarik zinciri ynetimi rn, bilgi ve hizmet aknn, balang noktasndan son
noktaya ulancaya dein tedarik zinciri ierisindeki hareketliliinin etkin ve verimli bir
ekilde planlanmas, depolanmas ve tanmas hizmetidir.

Tedarik zinciri ynetimi tketiciye rnleri doru miktarda, doru yerde ve doru
zamanda temin edebilmeyi salayan, rn ya da hizmetin retilmesi iin gerekli olan
birimlerin etkin olarak entegre edilmesi ile tm sistem boyunca verimlilik ve etkinlik
salayarak mteri hizmet gereklerini yerine getirebilmektir. Tedarik zinciri ynetimi
iin farkl kaynaklarda hemen aada verilmi tanmlar da mevcuttur.

Tedarik zinciri ynetimi hammaddelerin kaynaktan elde edilmesinden son datmla


nihai kullancya ulatrlmasna kadar rnn hareketinin her basamann planlanmas
ve ynetilmesidir (Ross, 1998).

Tedarik zinciri ynetimi, iletme iinde ve tedarik zincirinde yer alan ticari ortaklarn
iletme fonksiyonlarnda, retken yeteneklerini ve kaynaklarn birletirmeye alan,
deer yaratmak iin yaratc zmler gelitirmeye odaklanm ve rnler, hizmetler ve
bilginin e zamanl akn baarm rekabeti tedarik zincirine dnmelerini salamak
amacyla srekli gelien bir ynetim felsefesidir (Ross, 1998).

Entegre tedarik zincirinde bilgi ve malzemenin kesintisiz ak esastr. ekil 2.1 de


tedarik zinciri boyunca malzemenin saa doru, parann ise sola doru akt
gsterilmitir. Bilgi ise tedarik zinciri boyunca her iki ynde de akar.

5
6

Tedariki retici Bayi Mteri

Malzeme Ak
Para Ak
Bilgi Ak

ekil 2.1: Tedarik zinciri boyunca bilgi, malzeme ve para ak

3.1.3. Tedarik Zinciri Ynetimi Bileenleri


Tedarik zinciri ynetimi firmann faaliyetlerinde stratejik seviyeden balayp, taktiksel
seviyeye ve operasyonel seviyeye kadar geni bir ksm kapsar. Stratejik dzeyde uzun
sreli etkileri olan kararlar verilir. Bu, fabrika ve depolarn says, yeri ve kapasiteleri ve
materyallerin lojistik a boyunca aknn tasarmn kapsar. Tm taktiksel ve
operasyonel faaliyetlerin st atsn oluturan bu aamada verilecek kararlar tedarik
zincirinde ortaya kan maliyetlerin, hizmet dzeyinin ve genel olarak firma karllnn
limitlerini belirleyen en nemli unsurlardan biridir. Taktiksel dzey, sadece bir veya
birka ylda bir gncellenen kararlar kapsar. Bunlar tama stratejileri, satn alma ve
retim kararlar, stok politikalar ve mterilerin hangi sklkla ziyaret edilecei
kararlarn da ierir. Operasyonel dzey, kamyon ykleme, rota tayini, izelgeleme gibi
gnlk kararlar kapsar.

3.2. TEDARK ZNCRNN MODELLENMES

Tedarik zinciri, son kullancya ynelik rn ya da hizmet biiminde deer reten, farkl
sre ve aktivitelerin bir araya geldii bir organizasyonlar adr (Christopher, 1998).
Tedarik zinciri ynetimi, mteri hizmet dzeyini arttrrken maliyetleri drerek
mteri iin deer yaratmak amacyla tedarik zincirinin btnlemi ve sre odakl
tasarm, ynetimi ve kontrol olarak tanmlanabilir.

Tedarik zinciri stratejik, taktik ve operasyonel perspektiflerden ele alnabilecek yer


seimi, a yapsnn kurulmas, talep tahmini, satn alma, retim, datm, stok, tama
ve mteri hizmeti gibi birbirinden ayr alanlar kapsar. Tedarik zinciri ynetimi
kavram pek ok ekilde tanm bulmutur. lk olarak 1980li yllarn balarnda satn
alma, retim, datm ve satlar gibi farkl iletme fonksiyonlar balamnda yeni bir

6
7

btnlemi lojistik ynetimi yaklam olarak tanmlanmtr (Houlihan, 1984). Daha


sonra, bu btnleme yaklam firma snrlarnn tesine de tanm ve mteri ile
tedarikiyi de kapsar hale gelmitir. Son zamanlarda tedarik zinciri ynetimi kavram
ok daha geni bir ierie ulaarak, lojistikle ilgili olmayan baz tedarik zinciri
srelerini de bnyesine dhil edilmitir. Global Supply Chain Forum a gre (Lambert
ve di., 1998) tedarik zinciri, son kullancdan asl tedarikilere kadar rn, hizmet ve
bilgi salayarak mterilere ve hissedarlara deer kazandran anahtar iletme
srelerinin entegrasyonudur.

ok disiplinli ynlerinin mevcudiyeti ve farkl tanmlamalarla kullanlmas tedarik


zinciri ynetimini karmaklatrmakta; te yandan snrlarnn belli olmamas tedarik
zinciri ynetimi zerindeki akademik almalar ile uygulamalar arasnda bir boluk
yaratmaktadr. Tedarik zinciri ynetimi problemlerini ele alan ok sayda model
gelitirilmi olmasna ramen bunlarn ou henz uygulama olana bulamamtr.

Tedarik zinciri iin literatrde yer alan modeller iki farkl boyutta ele alnabilir.
Bunlardan birincisi problemin tr ve dieri de modelleme yaklamdr. Tedarik zinciri
problemleri iki ana snfta gruplanr; tedarik zincirinin yaps (biimi) ve tedarik
zincirinin koordinasyonu. Modelleme yaklamlar asndan ise kavramsal, analitik,
yapay zek ve simlasyon modellerinden bahsedilebilir (Giannoccaro, 2001).

3.2.1. Tedarik Zinciri Problemleri

Yapsal yada koordinasyon problemleri olarak iki farkl tipe ayrlarak incelenebilecek
olan tedarik zinciri problemlerinin karlalan uygulama alanlarn gruplamak
gerektiinde ana uygulama alan belirlenmitir; Mteri ynetimi, retim ynetimi ve
rn gelitirme. Mteri ynetimi hedef pazarn tanmlanmas ve hedef mteri kitlesine
ynelik programlarn uygulanmas ile ilgili aktiviteleri ele alr. retim ynetimi satn
alma, talep tahmin, siparilerin karlanmas ve lojistik gibi farkl sreleri ierir. rn
gelitirme, tedarik zinciri ynetimi balamnda, tedarik zinciri iin tasarm ve
yerelletirme iin tasarm gibi stratejileri kapsar (Giannoccaro, 2001). Bu geni tedarik
zinciri ynetimi problemleri tedarik zincirinin yaps (biimi) ve tedarik zincirinin
koordinasyonu balklaryla ayrtrlp incelenebilir (ekil 2.2).

7
8

Tedarik Zinciri
Ynetimi
Problemleri

Yap Koordinasyon
Problemleri Problemleri

retim /
Tedarik A Operasyonel
Datm A
Problemleri Kararlar
Problemleri

Tesis Yeri Pazarlama-


Al ya da ret
Seimi retim

Tedarik Talep-Tesis Tedarik-


stratejisi Eletirmesi retim

Satn alma Datm kanal retim-


politikas tasarm Datm

Tedariki Geri dnm


Stok-retim
seimi a

Stok-Datm

retim-Geri
Dnm

ekil 2.2: Tedarik Zinciri Problemlerinin Snflandrlmas

Yap, temel olarak, tedarik zinciri ann tasarm balamnda stratejik dzeydeki
problemleri kapsar. Tedarik zinciri a, kendi iinde tedarik, retim ve datm
alarndan oluur. Bu tr problemlerle ilgili kararlar al ya da ret problemi, satn alma
stratejisi, tedarik szlemeleri ve tedariki seimi sreci olarak tanmlanabilir. Tedarik
zinciri ynetimi perspektifi dorultusunda firmalar yalnzca kendi tedarikilerini deil
onlarn tedarikilerini de ele almaldrlar. Bunun yan sra firmalar, altyap
tedarikilerinin de neminin farkna varmaldrlar. Altyap tedarik zinciri de dikkatlice
tasarlanmal ve ynetilmelidir.

retim-Datm ann tasarm genel olarak yer seimi ve eletirme problemlerinden


oluur. Bunlar, eitli tesislerin (fabrika ya da depo gibi) yeri kararlatrlrken, ayn
zamanda tesisler arasndaki aklarn da talep odaklarna hizmet edecek ekilde
paylatrlmas problemleridir. Ele alnmas gereken dier konular dardan edinim
kararlar, datm kanalnn tipi ve rnein geri dnm a ihtiyac gibi evresel

8
9

faktrlerdir. Sonu olarak, bir tedarik zinciri yap probleminin zm tedarik zinciri
zerindeki tesisleri ve bunlarla ilikili balantlar belirlemektir.

Koordinasyon problemi ise taktik ve operasyonel bazda tedarik zinciri ann


ynetimini ele alr. Literatrde farkl koordinasyon trleri tanmlanmtr.

Tedarik zinciri koordinasyon problemi, birka farkl karar verici tarafndan verilen
operasyonel kararlarn entegrasyonunu ierdiinden olduka karmak bir olgudur. Bu
kararlar tek bir fonksiyon dhilinde olabilecei gibi farkl fonksiyonlar ya da birden
fazla organizasyonu ierebilir. Bunun da tesinde, mevcut bir probleme uygun tedarik
zinciri modelinin seiminde, koordinasyonun fonksiyonlar aras, organizasyonlar aras
ya da fonksiyon ii olup olmayaca kararndan kaynaklanan belirgin nemin dnda,
karar verme srecinin merkezi ya da yerel olmas da anahtar bir konudur. Merkezi karar
verme sreci, tedarik zincirinde tm tedarik zincirinden karar vermeye yetecek bilgileri
alp, ileyebilen ve bu kararlar uygulatma gcne sahip tek bir karar vericinin
bulunduu bir yapdr.

Karar verme sreci merkezi deil ise tedarik zinciri zerinde genellikle zincirin bir
ksmndaki bilgi dorultusunda karar veren eitli sayda karar verici yer alr. Bu karar
vericilerin birbirleriyle akma ihtimali olan farkl hedefleri (yerel hedefler) olmas
doal olacaktr. Ardndan yerel karar vericilerin kanal boyunca koordinasyonu iin
koordinasyon mekanizmalar gerekecektir. Aslnda bu tip mekanizmalar riskin ve
kazancn tm tedarik zinciri birimleri arasnda paylamn salayarak, tedarik zinciri
birimlerinin kararlarnn birbirleriyle uyumas ynnde olumlu etki yaratrlar.

3.3. TEDARK ZNCR YNETM MODELLER

3.3.1. Kavramsal Modeller


Yap Problemleri
Kavramsal tedarik zinciri modellerinin byk ounluu tedarik zincirinin biimi
problemini ele alr. Tedarik a tasarm asndan pek ok model al ya da ret karar,
dardan edinim durumunda tedariki seimi ve deerlendirme ile ulatrma
stratejilerinin belirlenmesi srelerini inceler.

9
10

Koordinasyon
Kavramsal modellerde tedarik zinciri koordinasyonu yaklamlarnn asl hedefi tedarik
zincirinin ynetiminde sre odakl bir yaklamn salanmasdr. Bu tip modeller
genellikle teorik erevede kalp, tedarik zinciri kontrolnn merkezi olduunu
varsaymaktadr. Entegrasyonu tamamyla salam bir tedarik zinciri iin fonksiyonel
entegrasyon, i entegrasyon ve d entegrasyon aamalarnn baarlmas gerekmektedir.
Fonksiyonel entegrasyon satn alma, malzeme kontrol, retim, satlar ve datmn
bamsz balk altnda, malzeme ynetimi, retim ynetimi ve datm, entegrasyonunu
ele alr. entegrasyon bu alanda taktik entegrasyonu salamay amalarken, d
entegrasyon bu entegre yntemin kapsamnn tedariki ve mteriyi de iine alacak
ekilde firma dna genilemesini salar (Giannoccaro, 2001).

3.3.2. Analitik Modeller


Analitik modeller lineer programlama, dinamik programlama, tamsay programlama,
ok amal programlama, markov karar sreci ve analitik hiyerarik sre gibi farkl
yneylem aratrmas tekniklerini temel alr.

Yap
Tedarik zinciri yaps balamnda analitik modeller temel olarak tedariki seimi sreci
ve retim-datm ann tasarmn ele alrlar. Tedariki seimi ve deerlendirmesi
modelleri lineer arlklandrma, lineer programlama, ok amal programlama, AHP,
Bulank AHP, Elektre, Topsis ve ANP teknikleri ile zlmeye allr. retim datm
ann tasarm kapsamndaki modeller ounlukla tamsay programlamann
adaptasyonunu kullanrlar.

Koordinasyon
Daha nce de bahsedildii gibi koordinasyon problemleri uygulanan karar verme
srecine bal olarak merkezi ya da merkezi olmayan eklinde ikiye ayrlr.

Merkezi Karar Verme


Pazarlama-retim koordinasyonu, stok ya da retim planlama ile fiyatlandrma
kararlarnn birlikte ele alnmasnn yannda mteriye sevkiyatn retim plan ile de e
zamanlln ierir.

retim-Datm koordinasyonu retim ve datm problemlerinin birlikte


optimizasyonunu ele alr. Optimal retim ve sevkyat parti byklkleri iin eitli
10
11

modeller gelitirilmitir. Stok-Datm koordinasyonu retim-datm sistemlerinde stok


ynetimi problemini ele alr. Hedef, tm sistem iin en uygun olan stok politikasn
belirlemektir.

Yerel Karar Verme


Yerel karar verme tarzyla ileyen tedarik zincirinde miktar iskontolar, miktar
esneklii, yedekleme anlamalar iade politikalar gibi konular zerinde durulmaktadr.

3.3.3. Yapay Zek Tabanl ve Sezgisel Modeller


eitli tedarik zinciri ynetimi problemlerini zmek zere yapay zek teknikleri
gelitirilmitir.

Yap
Tedarik zincirinin yapsyla ilgili problemlerde, yapay zek, esas olarak tedarik
stratejisi, tedariki seimi ve retim-datm ann tasarm balklar altnda
kullanlmaktadr. Kararlarn daha hzl, daha isabetli ve daha tutarl olmas iin uzman
sistemlere dayal karar destek sistemlerinin gelitirilmesi gerektii 1990l yllarn
banda dile getirilmitir. Albino ve di.(1998) bulank mantk temeline dayal szl
ifadeleri de ileyebilen bir tedariki deerlendirme modeli gelitirmitir.

Tesis yeri seimi problemi bu balk altnda en sk ele alnan konulardan biridir. Tesis
yeri seimi iin bulank mantk, yapay sinir alar, genetik algoritmalar, tavlama
benzetimi, diferansiyel hesaplama, genetik programlama, tabu arama, sr zekas gibi
teknikler kullanlarak eitli modeller gelitirilmitir.

Koordinasyon
Merkezi karar verme hipotezi altnda yapay zek tekniklerinin uyarland koordinasyon
problemleri zerinde almalar yaplmtr. Belirsizliin modellenmesi iin bulank
kme yaklamnn kullanld tedarik zinciri stok ynetimi almalar yaplmtr.
Bulank kme teorisi, ynetimin deneyim ve kararlarn da srelere dhil ederek
belirsizliin modellenmesinde son derece kullanl ve turtal sonular vermektedir. Bu
almalarda bulank deikenler genellikle maliyetler ve talep iin kullanlmtr
(Kkdeniz, 2004).

Tedarik zincirlerinin taktik ve operasyonel seviyede ynetimi iin yerel yapda


alabilecek yazlmlar gelitirilmitir. Fox (2000) tedarik zincirini her biri
11
12

sorumluluklar uyarnca birbirleriyle etkileime girebilen, bir akll yazlmlar zinciri


olarak ele almtr. Akll yazlmlar otonom, hedefe odakl, gerektiinde dier
yazlmlarla iletiim ve ibirlii kurabilen sreler olarak deerlendirilmektedirler.
Bunlar problemleri yapay zek ve yneylem aratrmas metotlar ile zmeye
almaktadrlar.

Bu tip bir sistemde tedarik zinciri farkl alt sistemler halinde ele alnmaktadr. Bunlar
satn alma, lojistik, tama, izelgeleme, kaynak kullanm alt sistemleridir.

3.3.4. Simlasyon Modelleri


Dier uygulamalarnda da olduu gibi simlasyon tedarik zinciri ynetimi
problemlerinin daha detayl ve daha gereki bir ekilde ele alnmas avantajna sahiptir.
Bu sebeple tedarik zinciri ynetiminde simlasyon modelleri belli bal problem
zmlerini test etmek amacyla kullanlmaktadr. Alternatif olarak, basitletirilmi
genel bir sistemin davrannn simlasyonu yolu ile meselenin ana noktalarnn
anlalmas salanabilir. Bu ikinci durumda, sonularn hem yap hem de koordinasyon
parametreleri zerinde etkileri gzlemlenebilir.

Tedarik zinciri performansn arttrmak iin malzeme akn dzgnletirmek zerine


odaklanm olan endstriyel dinamikler teorisi (Towill, 1996) bu balk altnda
incelenmesi gereken bir yaklamdr. 60l yllarn balarnda tedarik zincirinde yukar
doru kldka belirsiz talebin yaratt kam etkisi tanmlanmtr (Christopher,
2005). Bu etkinin tedarik zincirinin yapsna ve ilerin bitirilmesi iin gerekli zaman ve
karar vermedeki zayflklara bal olduu grlmtr. Bu etki tedarik zinciri
koordinasyonuna mdahale etmek yolu ile azaltlabilir. Bu mdahaleler mevcut sipari
politikalarnn ince ayar, beklemelerin azaltlmas, yerel karar verme kurallarnn
deitirilmesi ve tedarik zinciri boyunca bilginin aknn daha iyi salanmas eklinde
gerekletirilebilir.

12
13

3.4. TESS YER SEM PROBLEM

Bu almada, blm 2.2.1 de bahsedilen tedarik zinciri ynetimi problemlerinden


tedarik zinciri ynetiminde tesis yeri seimi problemi ele alnmtr. Bu problem, blm
2.3 de snflandrlan modelleme yaklamlarndan, yapay zeka ve sezgisel
optimizasyon tabanl bir zm yntemi gelitirilerek incelenmitir. Tesis yeri seimi
problemi NP-zor optimizasyon problemlerinin en ok incelenmi olanlarndandr
(Gner, 2008). Tanm olarak mteriler yada talep merkezlerinin konumlar ve bunlara
bal olan talep byklklerinin bilindii bir durumda tesis yerlerinin saylarnn,
konumlarnn, kapasitelerinin belirlenmesi ve talebin bu tesislere atanmas problemidir.
Bu tip problemlerde sklkla rastlanan ama iletme maliyetlerinin en ke
indirgenmesidir. Dolaysyla ama fonksiyonunun, kurulum ve ulatrma maliyetlerini
kapsad bir optimizasyon problemi sz konusudur.

Lojistik a zerinde sabit tesis yerlerinin seimi problemi, lojistik sisteminin


tamamnn performansn etkileyen bir karar verme problemidir. Yerleim problemleri
tekli ve oklu tesis yeri seimi olmak zere iki ana balk altnda snflandrlr. Tekli
tesis yeri seimi(ttys) ve oklu tesis yeri seimi (tys) problemleri kapasite kstl veya
sonsuz kapasiteli kaynak durumuna gre incelenir. oklu tesis yer seim problemi, tekli
yer seimi probleminden farkl olarak yalnzca arz/depo tesis yerlerinin belirlenmesi ile
snrlandrlmayarak hem arz/depo tesis yerlerinin belirlenmesi hem de talebin(mteri)
bu arz/depo tesislerine elemelerinin incelendii problemler olarak da ele alnmtr.

Literatrde tys problemleri iin alternatif tesis yerleri arasnda seim yapmaya dayal
atama yntemleri ya da alternatiflerin sz konusu olmad problemler iin koordinat
sisteminde yer belirlemeye dayal gerek say optimizasyonu yntemleri bulunmaktadr.
Corafi dzlemde tesis yeri seimi problemlerini zmek amacyla gelitirilen
yntemlere, arlk merkezi, p-medyan yntemi gibi klasik yntemler ve bekleme
analizi yntemi yada bekleme analizinin dier klasik yntemlerle birlikte kullanld
melez yntemler olarak karlalmaktadr. oklu tesis yer seimi probleminin
geleneksel optimizasyon yntemleri ile zm Sule (2001), ReVelle ve Eiselt (2005)
tarafndan incelenmitir.

13
14

Baz temel varsaymlar zerinde ele alndnda, Sule (2001), tesis yeri seimi
problemlerini be temel kategoride snflandrmtr;
1. p-medyan problemleri
2. p-merkez problemleri
3. Kapasite kstsz tesis yeri seimi problemleri
4. Kapasite kstl tesis yeri seimi problemleri
5. Karesel atama problemleri

p-medyan problemi, p adet tesisin toplam maliyeti en kk klacak ekilde p adet yere
yerletirilmesi problemidir. Maliyet zaman, para, sevkiyat says, toplam uzaklk veya
dier bir lt olarak belirlenebilir. bu tip problemlerde ama en kk toplam maliyete
ulamak olduundan Minisum problemi yada Weber problemi olarak da adlandrlr
(Sule, 2001).

p-merkez problemleri, ama fonksiyonu olarak, herhangi bir tesis ile bu tesisin eletii
talep noktalar arasndaki en byk uzakln en kk deerini bulacak ekilde
formlize edildii modellerdir. tfaiye istasyonlar, cankurtaran hizmetleri, polis
merkezleri gibi acil durum ve felaket modellerinde sklkla kullanlan bir yntemdir.

Kapasite kstsz tesis yeri seimi problemi, ama fonksiyonunun bir minisum fonksiyon
olduu ancak maliyet denklemine tesislerin konumlarna gre deien, sabit bir kurulum
maliyetinin de eklendii problemlerdir. Tesis says nceden belirli olmamakla birlikte,
toplam maliyeti en kk klacak ekilde belirlenmektedir. Kapasite kst olmadnda
bu tr modellerde bir talep noktasndaki talebi birden fazla tesisle eletirmek hi bir
zaman uygun zm olmamaktadr.

Kapasite kstl tesis yeri seimi problemi, kapasite kstsz problemle temel olarak ayn
olmakla birlikte her bir tesisin nceden belirlenmi sabit bir kapasite kst altnda ele
alnd modellerdir. Bu modellerde bir talep noktasna birden fazla tesisin farkl
oranlarda hizmet salad durumlar ortaya kabilmektedir.

Karesel atama problemleri n adet tesisin, n adet konuma, toplam maliyeti en kk


klacak ekilde e zamanl olarak yerletirilmesi problemidir. Bu tip problemlerde

14
15

yerletirilmesi gereken n tesis iin n! kadar olas zm kombinasyonu ortaya


kmaktadr.

3.4.1. Kapasite Kstsz oklu Tesis Yeri Seimi Problemleri


Kapasite kst olmayan tesis yeri seimi problemlerinde, modeldeki her tesisin snrsz
miktarda rn yada malzeme retebilecei ya da datmn yapabilecei kabul
edilmektedir. 1960lardan itibaren bu tip problemlerin zm iin dorusal
programlama, dinamik programlama, p-medyan, p-merkez, minisum ve lagranj
gevetmesine dayal yntemler gibi pek ok matematiksel model gelitirilmitir
(Galvao, 2004).

Matematiksel modellemeye dayal klasik zm yntemleri zm uzayndaki en iyi


zme ulama kapasitesine sahip olmalarna ramen ele alnan problemin bykl
ve kstlarn miktar ile orantl olarak hesaplama ihtiyalar artmaktadr. Sezgisel
yntemler ise her zaman en iyi zme ulamay garanti etmemekle birlikte problemin
tm kstlarnn modele dahil edilebilmesi ve daha dk hesaplama ihtiyalarndan
dolay tercih edilmektedirler.

tys ayn tesis tarafndan hizmet alan mterilerin bekler olarak dikkate alnd
durumlara zel bir bekleme problemi olarak tanmlanr (Levin ve Ben-Israel, 2004).
Levin ve Ben-Israel (2004) yaptklar almada tys probleminin zm iin
geleneksel bekleme analizini kullanmlardr. Bu yntem atk toplama, sat ekiplerinin
yerleimi, datm sistemlerinde depo yerlerinin belirlenmesi, iletiim alarnda aktarm
merkezlerinin konumlandrlmas, denizde petrol sonda yerlerinin belirlenmesi, pazar
aratrmalarnda farkl mteri gruplarnn beklenmesi, salgn hastalklarla mcadele,
belediye hizmetleri, acil durum ve felaket yardm modellemesi gibi alanlarda ele
alnmtr (Negresios ve Palhano, 2006).

Bulank bekleme analizi ise noktalarn beklerle ksmi olarak baka bir deyile yelik
dereceleri ile ilikilendirilmelerine izin verir. Bu bir noktann ayn zamanda birden
fazla bee ait olmas demektir (Dring ve di. 2006). Sheu (2002) otoyol olaylarn
bulank bekleme teorilerini esas alarak tanmlayan modeli gelitirmitir. Bu melez
bulank hiyerarik bekleme analizi modelinin farkl versiyonlar Hu ve Sheu (2003),

15
16

Sheu (2006) ve Sheu (2007) nun almalarnda srasyla bir maaza zincirinin talep
tepkili lojistik datm ilemleri, tele-pazarlama firmasnn yine talep tepkili ehir ii
lojistik datm ilemleri ve otomobil, bilgisayar aksesuarlar reten bir retici firmann
lojistik datm ilemlerinde kantitatif ve ounlukla kalitatif mteri zelliklerini analiz
etmek ve bu mterileri gruplamak iin kullanlmtr. Yukardaki almada
kullanlan bu yntem ok zellikli mteri sipari verilerinin saysal olsalar bile mutlaka
iki deerli ifadelere dntrlmesini gerektirmektedir.

Lin ve dierleri (1998) bir tedarik zincirinde siparilerin karlanmas srecinin


performansn iyiletirmek iin oklu ajan tabanl bir PSO modeli gelitirmilerdir. Bu
modelde tedarik zincirindeki eitli unsurlar sr elemanlar olarak tanmlanm ve bir
tedarik zincirinde sipari karlama srecinin oklu ajan bazl bir yaklamla nasl
modellenebilecei gsterilmitir.

Bu almada tedarik zinciri ynetiminin nemli problemlerinden biri olan oklu tesis
yeri seimi problemlerinin zm iin parack sr optimizasyonuna dayal bir
bekleme yntemi gelitirilmitir.

3.4.2. oklu Tesis Yeri Seimi Problemlerinde bekleme Analizi


bekleme ok geni uygulama alanna sahip olan temel veri analizi yntemlerinden
biridir. bekleme analizinin temel amac verinin ierisinde gml olan belirgin
gruplar tanmlayarak ortaya karmaktr. bekleme analizi, bir kme ierisindeki
elemanlar, bek ierisindeki elemanlar arasndaki benzerlikler en ok, bekler
arasndaki benzerlikler en az olacak ekilde belirli sayda bee tahsis etmektir.
zellikle veri madencilii, yapay zeka, iz tanma, mhendislik, sosyal bilimler, iktisat,
biyomedikal gibi alanlarda bekleme analizi sklkla kullanlmaktadr (Kogan ve di.,
2006). Tesis yeri seimi problemlerinde bekleme analizi oklu tesis yeri seimi
probleminin tesis yerlerinin tespiti ve hangi talep noktalarnn hangi tesis ile
eleeceinin belirlenmesi amacyla kullanlmtr.

Genel olarak tesis yeri seimi ile ilgili bekleme analizi modellerinde C talep noktalar
kmesi ve F tesis yerleri kmesi modele girdi olarak verilerek, talep noktalar ile tesisler
arasndaki ulatrma maliyetlerini en aza indirgeyecek F alt kmesinin tespiti

16
17

hedeflenir. Bu amala kullanlan klasik bekleme algoritmalar k-medyan ve k-merkez


algoritmalardr (Zalik, 2006). K-ortalamalar algoritmas ise ama fonksiyonu k-medyan
algoritmas ile ayn olmakla birlikte F kmesinin elemanlarnn modele girdi olarak
verilmesini gerektirmez (Chen, 2004).

K-Ortalamalar bekleme algoritmasnn baz dezavantajlarndan olumsuz etkilenmemek


iin eitli bekleme algoritmalar gelitirilmitir. Bunlarn en iyilerinden biri Bezdek
in (1981) bulank C-Ortalamalar bekleme algoritmasdr. Bulank C-Ortalamalar
algoritmas K-ortalamalar algoritmas ile benzerlikler gsteren bir bekleme yntemidir.
K-ortalamalar algoritmasndan fark ise veri noktalarnn birden fazla bee yelik
derecesi ile ait olmasn salayan bulank saylar kullanarak hesaplama yapmas ve
sonular elde etmesidir.

Bulank C-Ortalamalar yntemi ve bu ynteme yaplan eklentiler finans, tp, manyetik


grntleme, stok ynetimi, hcresel imalat, akustik, iz tanma, haberleme alar gibi
alanlarda uygulanmtr (Bharitkar ve Kyriakakis, 2001; Cheng ve di., 1998; Eschrich,
2003; Esnaf, 1998; Lu ve di., 2006; Nascimento ve di., 2005; zakar ve Esnaf,
1998; Trken ve Esnaf, 1997; Trken ve Esnaf , 1998).

Esnaf ve Kkdeniz (2006, 2009), Bezdek in Bulank C-Ortalamalar (BCO) (Bezdek


ve Dunn, 1975) ve Gustafson ve Kessel in GK (Gustafson ve Kessel, 1979), srasyla
biri dairesel dieri eliptik olan, bulank bekleme algoritmalar ile nce sonsuz
kapasiteli tys problemini ttys problemine dntrm daha sonra ttys problemini
arlk merkezi yntemi ile zerek dairesel ve eliptik bekleme ile arlk merkezini
birletiren melez yntemlerin sonularn karlatrmal olarak vermitir. Gelitirilen
modelde ncelikle mterileri ifade eden talep noktalar corafi konumlarna gre BCO
dairesel bulank bekleme teknii ile gruplanrlar ve bek merkezleri tesislerin
balang yerleri olarak kabul edilir. kinci aamada, nceki aamada tesislerin
balang yerleri olarak kabul edilen bek merkezleri arlk merkezi yntemi
kullanlarak ulatrma maliyetini en az klacak ekilde kesinletirilir.

Esnaf ve Kkdeniz (2007) benzer bir yaklam kapasite kstl oklu tesis yeri seimi
problemine uygulamlardr. Bu almada klasik bekleme fonksiyonundan farkl

17
18

olarak, nceden belirlenmi tesis yerleri iin bulank beklemenin yelik derecesi
belirleme fonksiyonundan yararlanlm ve kapasite kst altnda tesis - mteri
elemesini salayan bir algoritma gelitirilmitir. Gelitirilen algoritma taleplerin
srekli olarak en uygun tesise atanmasn salayan bir yazlmda kullanlmtr.

Esnaf ve Kkdeniz (2008), 2007 ylnda gelitirdikleri algoritmann genelletirilmi


halini kapasite kst altnda oklu tesis yeri seimi problemlerinin genel zm olarak
ele almlardr. Bu almada, tesis mteri elemeleri ve tesis beklerinin
belirlenmesi iin BCO ynteminin her bir talep noktasnn bekler iin ayr ayr tespit
ettii yelik derecelerinden faydalanlmtr. Mteri talepleri ilgili bekteki tesisin
kapasitesi yeterli olduu srece, talebin bu bek iin belirlenen yelik derecesi kadar
miktar, bekteki tesise atanarak kapasite kst probleme dhil edilmitir.

3.4.3. Talep Noktalarnn Corafi beklemesi in Bulank C-Ortalamalar


Algoritmas
Bir veri kmesinin en uygun bulank beklerini bulma problemi Dunn (1974) tarafndan
yelik fonksiyonlarna bal bir ama fonksiyonunun en ke indirgenmesi olarak
tanmlanmtr. Bezdek (1981), bulank C-ortalamalar olarak adlandrlan
genelletirilmi bekleme algoritmalar ailesini gelitirmitir. Literatrde yer alan ok
saydaki bekleme algoritmalar ierisinde bulank C-ortalamalar algoritmas en popler
olanlarndan biridir (Emami ve di., 1996). Bulank C-Ortalamalar bekleme
algoritmas, C-Ortalamalar fonksiyonu olarak adlandrlan bir ama fonksiyonunun en
kklenmesi temeline dayanmaktadr (Bezdek ve Dunn, 1975). BCO algoritmas
standart klid uzaklk formunu kullanr. Bu hiperkresel bekleri ortaya karr.
Dolaysyla, sadece ayn ekil ve oryantasyona sahip bekleri tespit edebilir. Genel
olarak bu bekler dairesel ekillidir.

BCO bekleme algoritmas iin girdi parametresi gereklidir.


- bek says
- Bulanklatrma arlk faktr(p)
- Maksimum tolerans ()

18
19

Zalik (2006)' de tesis yeri seimi problemlerinde bulank bekleme yaklamn ele
alm ve algoritma parametreleri iin uygun deerlerin p=1,7 ve = 10 6 olduunu
gstermitir.

BCO algoritmasnda ama fonksiyonu forml 2.1 deki gibi tanmlanr.

n c

(u
2
=
J p (U , v) ik ) p ak v i (2.1)
=
k 1 =i 1

Forml 2.1 deki parametreler ekil 2.3 de aklanmtr.

c : Algoritma ile elde edilmek istenen nceden belirlenmi bek says

U = {[uik ],1 i c,1 k n} : Blmleme matrisi

=v {[v ] ,1 i c}
i | vi m : bek prototiplerinin vektrleri

a k (1 k n) : beklenecek veri kmesi

p (1, ) : yelik derecelerinin hesaplanmasnda arlk faktr

ekil 2.3: BCO algoritmasnn ama fonksiyonu parametreleri

Optimizasyon problemi forml 2.1 deki kst altnda J p (U , v ) nin en aza indirgenmesi

olarak tanmlanr.

u=
i =1
ik 1 k (2.2)

Optimizasyon probleminin zm iin kullanlan yelik fonksiyonu ve beklerin son


prototip vektrlerinin hesaplanmas forml 2.3 ve 2.4 da gsterilmitir (Bezdek, 1981).

n n
= ( uik ) (u ) 1 i c
p p
vi ak ik , (2.3)
=k 1=k 1

2 ( p 1)
a k vi c
=uik 1 k , 1 i c, 1 k n (2.4)
j =1 a v j

19
20

Forml 2.3 ve 2.4 kullanarak ardk yinelemelerle bek merkezleri ve yelik


dereceleri tespiti ekil 2.4de algoritmann szde kodu ile aklanmtr.

Adm 1: bek says c yi belirle, p yi belirle, v1 , v2 ,....vc . iin

balang deerlerini belirle

Adm 2: Forml 2.4 ile uik yelik derecelerini hesapla (1 i c ,

1 k n ).
Adm 3: Forml 2.3 kullanarak bek merkezlerini v1yeni , v2yeni ,....., vcyeni
gncelle

Adm 4: Eer {
max i vi vinew
err
}< ise dur, deilse adm 2 ye git.

ekil 2.4: BCO algoritmasnn ileyii

ekil 2.4 deki sonlandrma toleransn ifade etmektedir.

Bu almada test problemlerinin BCO algoritmas ile performanslarnn hesaplanmas


iin Balasko ve di. (2005) Matlab iin gelitirdikleri bir program kullanlmtr.
Parametre deerleri olarak ise Zalik (2006) in belirttii deerler kullanlmtr.

3.4.4. Talep Noktalarnn Corafi beklemesi in Gustafson Kessel bekleme


Algoritmas
Gustafson-Kessel, standart BCO algoritmasnn farkl bir uzaklk hesaplama yntemi
kullanlarak gelitirilmi versiyonudur. Bu sayede farkl geometrik ekillere sahip
beklerin tespiti mmkn hale gelmitir. Gustafson-Kessel algoritmas (GK)
Mahalanobis uzaklk normunu kullanr (Gustafson ve Kessel, 1979). GK algoritmas
BCO algoritmas ile ayn girdilere sahiptir. Algoritma benzer ekilde ardk
yinelemeler neticesinden nceden belirlenmi bir sonlandrma kriteri gerekleinceye
kadar altrlr (Babuska, 2002). Algoritmann ama fonksiyonu denklem 2.5de
verilmitir.

c N m

J ( X ;U , V , { Ai } ) = ( ik ) DikA
2
i
(2.5)
=i 1 =
k 1

20
21

[ ik ] [0,1]cxN X R nxN verisinin bulank blm matrisi, V=[ v 1 , v 2 ,..,


Burada U =

v c ], vi R n bek prototiplerinin (merkezlerinin) vektr ve m [1, ) sonu

beklerinin bulankln belirleyen parametredir. Uzaklk normu DikAi bir veri

setindeki farkl geometrik ekilleri dikkate alabilir ve hemen aadaki gibi hesaplanr:

= x k vi = (x k vi ) A(x k vi )
2 2 T
DikA A (2.6)

Her bir bein ls 2.5 numaral formlde optimizasyon deikenlerinden biri olarak
kullanlan yerel bir A i norm indirgeme matrisi iin tanmlanr. Bu uzaklk normunun,
verilerin yerel topolojik yapsna uyum salamasna izin verir.

Bu bekleme algoritmasnda veri rnekleri kk veya bek iindeki veriler dorusal


olarak birbirleriyle ilikili olduunda kovaryans matrisi tekil hale gelebilmektedir. Bu
problemin basit ve etkili bir biimde zlebilmesi iin Babuska ve di. (2002) aada
detaylar verilen GK algoritmasn gelitirmilerdir:

Verilen X veri kmesi iin, c, m, , pi standart parametreleri koul says eii ve

arlk parametresi seilir. Blm matrisi balang deerleri belirlenir ve tm veri

kmesi iin kovaryans matrisi, F0 , hesaplanr.

l=1,2,.. iin tekrarla:


1.Adm: bek merkezlerini hesapla:

( ( l 1) m
ik ) xk
Vi (l )
= k =1
N
,1 i c
(
k =1
( l 1) m
i ,k )
(2.7)

2.Adm: bek kovaryans matrisini hesapla:

( ( l 1) m
ik ) ( x k vi( l ) )( x k vi( l ) ) T
Fi (l ) = k =1
N
,1 i c
(
k =1
( l 1) m
ik )
(2.8)
21
22

leklenmi zde matrisi ekle:

Fi = (1 ) Fi + ( F0 )1 / n I (2.9)

Fi den ij ve ij zdeerlerini kar,

i ,max = maks j ij
bulunur ve
i ,max = ij / , j /
iin i ,max ij yaplr.

Fi aadaki formlle yeniden oluturulur:

Fi = [ i ,1 ... i ,n ]diag (i ,1 ......i ,n )[ i ,1 ....... i ,n ]


1
(2.10)

3.Adm: Uzaklklar hesapla:

2
DikA i
[ ]
( x k vi ) = ( x k v (i l ) ) T ( i det( Fi ))1 / n Fi 1 ( x k vi(l ) )
(2.11)

4.Adm: Blm matrisini gncelle.


1 k N iin;

DikAi > 0 1 i c iin


Eer

1
i(,lk) = ,
( DikAi ( xk , vi ) / Dik ( xk , vi )) 2 /( m1)
c
j =1
(2.12)

Aksi halde,
DikAi > 0 i(,lk) [0,1]
Eer ve
i(,lk) = 0
K


i =1
(l )
i ,k =1
Aksi halde,

|| U ( l ) U ( l 1) ||< gerekleene kadar devam et.

22
23

3.4.5. Tesis Yerlerinin Tespiti iin Melez Yntemler


Bu almada sunulan Odak Bireyli Sr Zekas Optimizasyonu ynteminin tesis yeri
seimi problemlerindeki baarmnn deerlendirilmesi amacyla, bulank bekleme,
bulank bekleme ve arlk merkezi, bulank bekleme ve konveks programlama ile
parack sr optimizasyonu tabanl eitli melez/melez olmayan yntemlerle
karlatrmalar yaplmtr. Tesis yeri seimi problemlerinde tek bana bekleme
analizi yaklamlarndan daha iyi BCO tabanl sonular veren iki farkl yntem ele
alnmtr;
1. BCO bekleme algoritmas ve arlk merkezi melez yntemi
2. BCO bekleme algoritmas ve konveks programlama melez yntemi

3.4.6. Bulank bekleme - Arlk Merkezi Melez Yntemi


Bu yntem Esnaf ve Kkdeniz (2006) tarafndan nerilmi bir yntemdir. Tesislerin
koordinat eksenindeki konumlar ve tesislerin hizmet salayaca bekler 2.4.3 ve
2.4.4de detaylar verilen BCO ve GK bulank bekleme algoritmalar ile tespit
edildikten sonra her bek ierisindeki mterilerin talep byklkleri gz nne
alnarak zel bir arlk merkezi yntemi uygulanr. Arlk merkezi ynteminin amac
mteri talep noktalaryla tesisler arasndaki ve tesislerle tedarikiler arasndaki
ulatrma maliyetlerini en aza indirmektir. ekil 2.5 ama fonksiyonu ve yntemin
temel parametrelerini gstermektedir (Ballou, 1999).

Vi Ri di
En Az TM =
i

TM : Toplam Maliyet
i : talep (mteri) veya hammadde (tedariki) indeksi
Vi : i noktasndan ulatrlacak miktar
di : kurulacak tesisin i. talep noktasna uzakl
Ri : Ulatrma maliyeti

ekil 2.5: Arlk merkezi ynteminin ama fonksiyonu ve parametreleri

Bu yntemin ilk aamasnda her bir bein arlk merkezi forml 2.13, 2.14 ve 2.15 ile
hesaplanr:

23
24

V X i i
X= i
(2.13)
V i
i

V Y i i
Y = i
(2.14)
V i
i

(X X ) + (Yi Y )
2 2
d=
i i (2.15)

Ardndan bu deerler kullanlarak d i yeniden hesaplanr. Bulunan d i deeri forml 2.16


ve 2.17 da yerine konarak yeni X ve Y koordinatlar bulunur.

V R X / d i i i i
X= i
(2.16)
V R / d i
i i i

V R Y / d i i i i
Y = i
(2.17)
V R / d
i
i i i

Bulunan son koordinatlara gre d i yeniden hesaplanr ve X ve Y koordinatlarnda ok


az deiiklik oluncaya kadar yinelemelere devam edilir.

3.4.7. Bulank bekleme - Konveks Programlama Melez Yntemi


Detaylar 2.4.3de verilen BCO algoritmas ile BCO-Arlk Merkezi ynteminde
olduu gibi bekler belirlenir ve problem ok tesisli yer seimi probleminden tek tesisli
yer seimi problemine dntrlr. Daha sonra Can ve dierlerinin (2006)
almasnda kulland, talep noktalarnn koordinatlar ve talep byklklerini girdi
olarak kabul ederek ulatrma maliyetlerini en aza indirgeyecek koordinatlar
hesaplayan bir konveks programlama modeli BCO sonularna uygulanmtr. Modelin
ama fonksiyonu forml 2.18de gsterilmitir.

24
25

] Z wi ( mx xi ) + ( my yi ) 2
n
[ En Az
2
=
2

i =1 (2.18)
mx 0, my 0

Forml 2.18 deki denklemde gsterilen parametrelerin aklamalar ekil 2.6 de yer
almaktadr.

n : Talep noktas says


w : Talep bykl
x,y : Talep noktalarnn koordinatlar
m x , m y : En uygun noktann koordinatlar

ekil 2.6: Konveks programlama ynteminin ama fonksiyonu parametreleri

3.4.8. Ulatrma Maliyetinin Hesaplanmas

Toplam ulatrma maliyeti denklem 2.19 daki gibi hesaplanr.

n c
TUM = ( wk dik cik ) (2.19)
=
k 1 =i 1

Toplam ulatrma maliyeti formlndeki parametreleri ekil 2.7 da aklanmtr.

TUM : Toplam ulatrma maliyeti


cik : i. tesisten k. talep noktasna birim ulatrma maliyeti

wk : k. talep noktasnn talep bykl

d ik : i. tesis ile k. talep noktas arasndaki mesafe

ekil 2.7: Toplam ulatrma maliyeti fonksiyonunun parametreleri

25
26

3.5. SR ZEKASI

Koloni veya sr halinde yaayan sosyal bcekler ve dier canllar herhangi bir otorite
olmadan alrlar. Bu tip yaplarda takm almas bireyler arasndaki eitli
etkileimler sonucu kendi kendine ortaya kan bir unsurdur (Bonebeau, 2001). Bu
etkileimler ne kadar basit olursa olsun bir araya geldiklerinde byk problemler iin
etkin zmler sunabilirler. Karncalarn olas sonsuz sayda rota ierisinden yiyecek
kaynana giden en ksa yolu bulabilmeleri buna bir rnektir. Bir grup halinde bulunan
sosyal canllarn ortaya koyduklar kolektif davrana sr zekas denir.

ekil 2.8: Balk ve ku srleri

Sr Zekas algoritmalar balk, ku, ar gibi sr halinde hareket eden canllarn sosyal
dzenlerini modelleyen yaklamlardan esinlenilerek gelitirilmi algoritmalardr. Bu
algoritmalarn iki temel zellii herhangi bir liderin olmamas ve sr iindeki
etkileimlerin yerel olmasdr. Bu iki zellik nedeniyle, gelitirilen modellerde
komularn hzna uyma, komularla arpmaktan kanma ve komulardan ok
uzaklamaktan kanma gibi davranlar ortaya kmaktadr.

Sr zeks doadaki ya da yapay olarak oluturulmu ortamlardaki kendi kendine


organize olabilen srelerin incelendii grece yeni bir disiplindir. Hayvan davranlar
ve etimoloji ile ilgilenen aratrmaclar tarafndan yllar ierisinde ortaya konmu olan
modeller tarafndan esinlenerek zor ve karmak hesaplamal problemlerin zm
hedeflenmitir.

26
27

Sr zeks ats altnda incelenen konu balklarndan biri karnca kolonisi


optimizasyon tekniidir. Burada odak noktas kesikli optimizasyon problemleridir.
Karnca kolonisi optimizasyonu gezgin satc problemi, karesel atama problemi,
izelgeleme, ara rotalama gibi pek ok kesikli optimizasyon probleminde baar ile
uygulanmtr. Bir dier yaklam ise parack sr optimizasyonu tekniidir. Burada
odak noktas srekli optimizasyon problemleridir. Bir dier aratrma alan ise sr
robotiidir. Burada birlikte alan ok sayda otonom robotun kontrol iin sr zeks
prensipleri kullanlmaktadr.

Bu almada parack sr optimizasyonu tekniini ile oklu tesis yeri seimi


problemlerine zm aranm ve parack sr optimizasyonu tekniine dayal yeni bir
yntem gelitirilmitir.

27
28

3.6. PARACIK SR OPTMZASYONU YNTEM

3.6.1. k Noktas
Bilim adamlar ku ve balk srlerindeki organizmalarn hareketlerini aklayan eitli
bilgisayar simlasyonlar gelitirmilerdir. Reynolds ku srlerinin uularndaki
simetriyi incelerken (Reynolds, 1987), Heppner ve Grenander bir srdeki ok sayda
kuun nasl senkronize bir biimde uup, aniden topluca yn deitirebildiklerini,
aniden dalp yine aniden tekrar grup haline gelebildiklerini incelemitir (Heppner ve
Grenander, 1990). Sz konusu davranlarn modellenmesi srasnda modellerin arlkl
olarak bireyler arasndaki mesafenin ayarlanmasna dayand grlmtr. Buna gre
sr davranndaki senkronizasyonu salayan etken, kularn, birbirleri arasnda
optimum mesafe brakmak iin gsterdikleri abann bir fonksiyonudur.

Parack sr optimizasyonu algoritmas 1995 ylnda James Kennedy ve Russell


Eberhart tarafndan gelitirilmitir. Yukarda bahsedilen sosyal metaforlar temel alan
bu algoritma ile arama ajanlar arasnda bilgi paylam (sosyal etkileim) salanarak
optimizasyon hedeflenmitir. Algoritmann temel fikri sr dhilindeki en iyi ile her bir
bireyin kendi en iyisinin srekli olarak izlenmesidir. Kennedy ve Eberhart bu yntemi
ilk olarak sosyal ve bilisel davranlarn incelenmesi amacyla sunmulardr. Ancak
yntemin geni olarak uyguland alan mhendislik ve temel doa bilimleri olmutur.
Bu yaklam biyoloji, matematik ve sosyal bilimler gibi farkl bilim dallarndaki eitli
konseptlerin bir araya getirilmesi ile ortaya konulmu olan grece yeni bir optimizasyon
metodolojisidir. Sr zekas kavramnn altnda yatan temel fikir bir grup halindeki
basit bireylerin karmak ve zeki davranlar sergileyeceidir. Bu amala doada
gzlemlenen grup halinde davran yapsndan esinlenilerek bir takm stratejiler
gelitirilmi ve bunlar mhendislik problemlerinin zm iin teorik matematiksel
temeller haline getirilmitir.

Sr birbirleriyle dorudan ya da dolayl olarak iletiim ierisinde olan ve kolektif


olarak bir problemi zme amac tayan belirli sayda bireylerden olumu bir yn
olarak tanmlanr. Srdeki bireylerden her birinin amac evrelerine uyum salayacak
ekilde hareket etmektir. Bu metaforun matematiksel olarak ifade edilmesi her bireyin
bir uyum (ama) fonksiyonu dorultusunda arama uzaynda hareket etmesi olarak
28
29

tanmlanmtr. Ortaya konan yntem ayrca bireylerin sosyal varlklar olduunu


belirtmektedir. Bu da bireylerin dier bireylerle iletiime ak olduklar anlamna gelir.
Srdeki her bir bireye ak olan iki tr bilgi vardr. Birincisi kendi deneyimleridir.
kincisi ise belirli saydaki dier bireyin (bu say srnn tamam da olabilir yalnzca
dier bir birey de olabilir) en iyi deneyimleridir. Bu iki bilgi bireyin renme
davranna etki ederek sr ierisinde bir tr bilisel ak temsil etmektedir.

Bireyler kendi gemi baarlarndan ve iletiim ierisinde olduu dier bireylerin


baarlarndan etkilenme eilimindedir. Bu iletiimin ekli Kennedy ve Eberhart
tarafndan sosyometrik prensipler olarak adlandrlmtr. Bireyler kendi aralarnda
eitli yollarla iletiim kurabilirler. En basit yntem ikili iletiimdir. Bu durumda her
birey kendine en yakn dier iki birey ile iletiim halindedir. Bunun yerine kendine en
yakn k adet birey de seilebilir. Eer bir bireyin iletiim iin setii birey says
srdeki toplam birey saysnn altnda ise buna lbest prensibi denir (Eberhart, Kennedy,
1995). Eer birey tm sr ile haberleiyor ise buna gbest prensibi denir.

Srde her birey kendi davrann ynetecek minimum basitlikte tanmlanmtr. Temel
olarak bu bireysel davrann zellikleri unlardr:
Davranlar olumlu geri beslemeden g alr
Davranlar olumsuz geri besleme ile dengelenir
Davranlar rastgele salnmlar gsterebilir
Davranlar hayata geirilme aamasnda dier bireylerin davranlarndan bilgi
alr

Sr zekasnn balca avantajlar unlardr;


leklenebilirlik: Srnn bykl problemin arama uzaynn byklne
gre ayarlanabilir.
Merkezi kontrol mekanizmasnn olmamas bireysel hatalarn gz ard
edilmesini kolaylatrr. Baz bireylerin baarsz olmas tm sry dorudan
etkilemez.
Sistemdeki deiiklikler ajanlar etkiler. Bu sayede ajanlar deiebilir, yok
olabilir yada yeniden sisteme girebilirler

29
30

Sr zekas tabanl yntemlerde kullancnn modele etki edecei parametre


says azdr.

3.6.2. Standart Algoritma


Parack sr optimizasyonu algoritmas, yinelemeler boyunca hareket eden bir takm
bireyden oluan bir srnn davrann ele almaktadr. Parack sr optimizasyonu
yntemi (PSO) bir arama uzaynda belirli bir fonksiyonun yerel/kresel en uygun
deerlerini arar. PSO ile incelenebilen modeller;
- Matematiksel olarak formlize edilebilen problemler
- ok adml algoritmalar
- Hesaplanabilir ktlar olan gerek bir sre yada srecin simlasyonu olabilir.

Bir problemin PSO yntemi ile ele alnabilmesi iin temel kriter, seilen sistemin
herhangi bir annda deerinin hesaplanabilir olmasdr (Clerc, 2006).

Temel PSO algoritmas, bir sr olarak tanmlanan birden fazla bireyin arama uzaynda
verilen bir fonksiyonun en iyi noktalarn yinelemeli bir sre ile aramasn hedefler.
Her birey aday bir zm temsil eder. Bireyin arama uzayndaki durumu bireyin
konum vektr ile ifade edilir. Bu algoritmada her yineleme bireylerin bulunduklar
konumu deerlendirmeleri, kendilerinin daha nce bulunmu olduklar konumlar
ierisinden en iyi olan deerlendirmeleri ve tanmlanan bir komuluk erevesinde
dier bireylerle etkileim kurarak onlarn en iyilerini deerlendirmeleri ilemlerini
kapsar. Bu sre neticesinde her yinelemenin sonunda bireyin bir sonraki yinelemede
gidecei yn hesaplanr ve birey arama uzaynda hareket eder.

Modelin Kurulum Aamalar


Birinci admda arama uzaynda bir sr tanmlanmaldr. Bu aamada belirlenecek olan
parametre sr bykldr. En basit yaklam srnn srekli sabit bir byklkte
olmasdr. Ayrca elde edilen sonulara gre optimizasyon srecinde sr
byklnn anlk olarak deitirilebilmesini ngren daha karmak modeller de
gelitirilmitir (Tillett ve di., 2005).

30
31

Doada gzlemlenen kolonilerden rnein ar kolonilerinde birey says 20000e kadar


ksa da PSO ynteminde temel modeller iin 20 ile 40 aras bir byklk yeterlidir
(Clerc, 2006).

Balang annda tm paracklar ayn noktada bulunur. lk zaman artrmnda (birinci


yineleme) bu paracklar rastgele olarak arama uzayna dalr. Bu anda sistemde
retilmi bir bilgi bulunmadndan rastgele dalm mantkl bir yntem olarak kabul
edilmitir (Kennedy ve Eberhart, 1995). Srecin basitletirilmesi iin bu rastgele
dalm durum PSO algoritmasnn balang durumu olarak kabul edilir.

Balang annda rastgele olarak belirlenen bir dier parametre ise bireylerin hzlardr.
Hz vektr bir pozisyona uygulanan ve sonu olarak yeni bir pozisyon veren bir
operatr grevini stlenir. Algoritmann her yinelemesi algoritma zamannda bir birim
artrm anlamna geldiinden ve srdeki bireyler her artrmda hz vektrlerinin
belirttii kadar mesafe kat ettiklerinden, bu vektre birim zamanda alnan mesafenin
karl olarak hz vektr ad verilmitir (Kennedy ve Eberhart, 1995). xmin ve xmax
srasyla arama uzaynda x parametresinin alabilecei en kk ve en byk deerler
olarak tanmlandnda bu hz vektrnn balang bykl arama uzaynn
byklne bal bir fonksiyon ile hesaplanr. Konum ve hz vektrlerinin balang
durumunda alacaklar deerleri hesaplamak iin forml 2.20 kullanlr.

xd = UNIF [ xmin , xmax ]


( xmin xmax ) ( xmax xmin ) (2.20)
vd = UNIF [ , ]
2 2

Bu formlde v hz vektr, d ise vektrn boyutlarn ifade etmektedir. Bunun yan sra
her birey iin, o bireyin iletiim ierisinde olaca bilgilendiricilerinin hangi bireyler
olaca tespit edilmelidir.

Bireylerin hangi sayda dier bireyi bilgilendireceinin belirlenmesi iin farkl


yaklamlar ortaya konmutur. Eer bireylerin tm dier bireyleri bilgilendirmesi
benimsenirse bilginin kullanmnn artt ve bunun iyi bir yaklam olduu
dnlebilir. Ancak ayn bilgiyi alan tm bireylerin benzer dorultularda hareket
edecei dnldnde, bu yaklam optimizasyon srecinde kresel arama

31
32

performansn drecektir. Aksi ekilde her bir bireyin ok az sayda dier birey ile
bilgi al verii ierisinde bulunduu durumda ise bireylerin davranlarnda farkllk
salanm olacak ancak bilginin deerlendirilmesinin etkinlii decektir. nemli olan
bir birey iyi bir konuma ulatnda tm dier bireylerin dorudan ya da dolayl olarak
bundan haberdar olmasnn salanmasdr.

Bilgilendirilecek Birey Saysnn Belirlenmesi


Srdeki bilgi al verii yapsnn oluturulmas iin her bir yinelemede nceden
belirlenmi K adet bilgi balantsnn oluturulduu kabul edilirse herhangi bir C
bireyinin, dier bir A bireyinin belirli bir anda rettii bilgiyi kesin olarak alabilmesi
iin gerekletirilmesi gereken yineleme says T ne olmaldr sorusuna cevap
aranmaldr (Clerc, 2006). Bu soru, A bireyi tarafndan retilen bilgiyi T yineleme
sonunda tm dier bireylerin almas iin gereken balant says K ne olmaldr eklinde
de ifade edilebilir.

Srdeki birey says N ise, ilk yinelemede A bireyi, kendi bilgisini N adet birey
ierisinden K adedine yaymaktadr. Bu durumda herhangi bir C bireyinin A bireyi
tarafndan seilmeme ihtimali forml 2.21 de gsterilmitir.

1
p= 1 (2.21)
N

K adet tercihten sonra hala C nin seilmemi olma ihtimali ise forml 2.22 deki
gibidir.

1 K
pk= (1 ) (2.22)
N

kinci yineleme ile birlikte toplam K 2 adet birey rastgele olarak seilmi olacaktr.
Dolaysyla t. yineleme neticesinde bir bireyin seilmeme olasl forml 2.23 deki
gibidir.

1 Kt
pk (t )= (1 ) (2.23)
N

Sonu olarak C bireyinin t adet yineleme neticesinde en azndan bir kez bilgilendirilmi
olmas olasl forml 2.24 da gsterilen ekilde hesaplanr.

32
33

1 Kt
p(t ) =1 (1 ) (2.24)
N

Grld gibi bu olaslk t nin artmas ile birlikte ok hzl olarak artacaktr. K nn
bilginin tm bireylere yaylm iin ok byk bir deer almasna gerek yoktur.

ekil 2.9 da K=2 iin eitli sr byklklerinde tye bal olarak herhangi bir bireyin
bilgilendirilme olasl gsterilmitir.

1,2

0,8
N=10
Olaslk

N=20
0,6
N=100
N=300
0,4

0,2

0
0 2 4 6 8 10 12
Yinelem e

ekil 2.9: Bilginin yaylm.

Temel Hareket Denklemi


d boyutlu arama uzaynda herhangi bir i bireyinin konumu xi vektr ile ifade edilir.

Bireyin o anki hz ise vi vektr ile gsterilir. Bu iki vektr arama uzaynn boyut
says d kadar elemandan oluur. Her eleman, bireyin, ilgili boyuttaki konum ve hzn
gstermektedir. rnein tesis yeri seimi probleminde tesislerin X ve Y koordinatlar
bulunmak isteniyorsa, hz ve konum vektrleri iki boyutlu vektrlerdir. Ya da klasik bir
retim probleminde 5 farkl rnn eitli kstlar altnda en uygun retim miktarlar
hesaplanmak isteniyorsa, hz ve konum vektrleri 5'er boyutlu olacaktr. Dolaysyla her

33
34

bir bireyin konum vektr bu 5 rnn retim miktarlarn gsteren aday bir zm
temsil edecektir.

Her yinelemede, bireylerin o anki konumlar kullanlarak bir f fonksiyonunun deeri


hesaplanr ve bireylerin konum ve hzlar ayarlanr. Eer bir birey, f fonksiyonunu
deerlendirerek, daha nce bulduu tm deerlerden daha iyi deer veren bir konumda
olduunu grrse bu konumu pi vektrnde saklar. pi vektr i. bireyin o ana kadar
sahip olduu deerler ierisinden en iyisidir. Bir en k arama probleminde, bu, en
dk f deeri anlamna gelir. pi vektrnn gncellenmesi forml 2.25 de verilen
erevede gerekleir.

p eer f(xi ) f ( pi )
pid = id (2.25)
xid eer f(xi ) < f ( pi )

i. bireyin o anki konumu ( xi ) ile pi (bireyin o ana kadar bulduu en iyi konum)
arasndaki fark bireyin o anki hzna stokastik olarak eklenerek bireyin yrngesinin bu
nokta civarnda salnmas salanr. Buna ek olarak, her bir birey iin kendisi ve srdeki
dier baz bireyleri ieren topolojik bir komuluk ilikisi tanmlanr. i. bireyin kendi
tanmlanm komuluk yapsndaki en iyi konum gi olarak ifade edilir ve bu deer ile
bireyin o anki konumu arasndaki fark da bireyin hzna stokastik olarak eklenerek, hz
vektrnn bir sonraki yineleme iin deeri hesaplanr (Forml 2.26).

vid vid + c1 ( pid xid ) + c2 ( gid xid )


(2.26)
xid xid + vid

Bireyin arama uzayndaki hareketine etki eden bu faktrler neticesinde bireyler


yinelemeler sresince kendi en iyileri ve komuluk kmesinin en iyisini gsteren iki
deer etkisi altnda kalarak arama yaparlar. Bireylerin arama uzayndaki yrngeleri ve
bu yrngelere etki eden faktrler arasndaki iliki Bergh ve Engelbrecht (2006) in
almasnda ele alnmtr. Bu alma neticesinde srdeki tm bireylerin bir sre
sonra duraan bir noktaya yaknsad ortaya kmtr.

c1 , c2 algoritmann rastgele parametreleridir. Algoritma parametrelerinde kullanlan


rastgele arlklandrma arama uzay ierisinde meydana gelen hareketin karakteristiini

34
35

belirleyen temel etmendir. c1 ve c2 bireyin, kendi en iyi performans ve


bilgilendiricilerinin en iyi performansna uygulanan etki katsaylardr. c 1 parametresi
sr zekas metodolojisinin k noktas olan sosyal metafordan yola klarak
bilisel parametre, c 2 parametresi ise sosyal parametre olarak adlandrlr (Laskari
ve di., 2002). Bu deerler, her yinelemede, [0, cmax ] aralnda dzgn dalma uygun

olarak rastgele seilirler. Dolaysyla c1 ve c2 ifadeleri yerine denklemlerde

UNIF (0, cmax ) gsterimi de tercih edilebilir (Forml 2.27).

vid vid + UNIF (0, cmax )( pid xid ) + UNIF (0, cmax )( gid xid )
(2.27)
xid xid + vid

Temel hareket denkleminin doal bir neticesi olarak yksek hzlarda baz bireylerin
[ xmin , xmax ] olarak belirlenen arama uzaynn dna kabilecei grlmektedir. Bu
sorunu ortadan kaldrmak iin herhangi bir yinelemede arama uzaynn dna kan
paracklarn konumlar en yakn snr deerine ekilir. Ayrca bireyin bir sonraki
yinelemede tekrar arama uzaynn dna kmasnn engellenmesi iin bireyin hz
vektr sfrlanr. Bu dzenleme forml 2.28de gsterilmitir.

vd 0

xd [ xmin , xmax ] xd < xmin xd xmin (2.28)
x > x x x
d max d max

Sonu olarak standart PSO algoritmasnn parametreleri tablo 2.1de zetlenmitir.

Tablo 2.1: Standart PSO algoritmasnn parametreleri

Parametre Aklama Tavsiye Edilen Deer

cmax Rastlantsal 1,47 (Trelea, 2003)


parametre

N Sr bykl 20 40 (Clerc, 2006)

K Komuluk says 3 (Clerc, 2006)

35
36

Szde Kod
Algoritmann szde kodu ekil 2.10 da gsterilmitir. Bu algoritmada sonlandrma
kriteri olarak nceden belirlenmi tmax yinelemeye ulaana kadar algoritma
altrlmaktadr.

Srnn balang durumunu olutur: rasgele xi , vi


Belirle: xmin , xmax , vmax
YAP: Sonlandrma kriteri gereklemedii srece ( t tmax )

{Her bir i. birey iin


{

Eer f (=
xi ) < f ( pi )
= pi xi

gi = uluk
MIN ( xkom )

Her bir d boyutu iin


{
Hz hesapla
Konumu hesapla
Eer arama uzaynn dna kld ise

xd [ xmin , xmax ]
}
}
t=t+1
}

ekil 2.10: Parack Sr Optimizasyonu Algoritmas

3.6.3. Uygulama Alanlar


1995 ylnda Kennedy ve Eberhart n almalaryla ortaya kan parack sr
optimizasyonu algoritmas takip eden yllar ierisinde aratrmaclar tarafnda ilgi
grm ve eitli alanlara uygulanmtr. Yaplan aratrmalarn bir ksm algoritmay
gelitirmek ve algoritma parametreleri zerinde inceleme yaparak optimizasyon
baarmn arttrmaya ynelik, dier bir ksm ise mevcut ya da zelletirilmi
algoritmalarn eitli problemlere uygulanmas eklindedir.

36
37

ekil 2.11 de yllar itibari ile parack sr optimizasyonu teknii ile ilgili yaynlanm
almalarn saylar grlmektedir. (Hu ve dierleri, 2004)

120
108
100
100

80

60 49

40

16 18
20 12
2 2 4
0
1995 1996 1997 1998 1999 2000 2001 2002 2003

ekil 2.11: Parack sr optimizasyonu teknii ile ilgili yl baznda yaynlanm alma says

Sz konusu metodoloji eitli mhendislik alanlarnda, farkl problemler zerinde kendi


bana ya da mevcut dier yntemlerle birlikte karma zmler oluturmak zere
kullanlmtr. Yaplan almalar ierisinde literatrde ska referans gsterilen ve
kendi alannda zgn olan belli bal almalar incelendiinde yntemin uygulanan
problemlerde etkin ve hzl zmler sunduu grlmektedir.

Xia ve Wu (2005), parack sr optimizasyonu teknii ile tavlama benzetimini birlikte


kullanan melez bir yntem gelitirerek, bunu ok amal esnek atlye tipi izelgeleme
problemleri zerinde incelemiler ve yntemin uygulanabilirliini ortaya koymulardr.

Utkan (2006) karesel atama problemlerinden tesis ii yerleim problemini parack sr


optimizasyonu metodolojisi ile ele alarak, tesis ii yerleiminde etkin sonular veren bir
yntem gelitirmitir.

Thai (2007) eitli PSO algoritmalarn tesis ii yerleim problemlerinde uygulayarak,


bu tip problemler iin en etkili modelin hangisi olduunu tartm ve kritik baar
faktrlerini incelemitir.

37
38

Yoshida ve dierleri (2000) voltaj gvenliini salamak zere reaktif g ve voltaj


kontrol sistemlerinde parack sr optimizasyonu tekniini uygulamlar ve ortaya
koyduklar modeli reaktif tabu arama metodolojisi ile karlatrmlardr.

Ujjinn ve Bentley (2003) internet tabanl bir neri sistemi gelitirmilerdir. PSO' nun
veri madencilii alannda ilk uygulamalarndan biri olan bu almada kullanclarn
kiisel tercihlerini analiz eden bir algoritma kullanlmtr.

Bunlarn dnda PSO yntemi, yapay sinir alarnn eitimi (Settles ve Rylander,
2002), Robot Kontrol (Kaewkamnerdpong ve Bentley, 2005) , dokman ynetimi (Cui
ve di., 2005), portfy ynetimi (Filho, 2006), telekomnikasyon sistemleri (White,
1997) alanlarnda da uygulanmtr.

Kennedy (2000) almasnda PSO algoritmasnn hz vektr gncelleme


fonksiyonunda baz deiiklikler yapmtr. Her bir bireyin kendi gemi en iyisini ve
komuluk kmesindeki ya da tm srdeki en iyiyi gz nne alarak yapt hz vektr
gncellemesi ilemini bireyleri bekleyerek ve en iyi deerler olarak, her bireyin kendi
beinin gemi en iyi bek merkezini kullanarak yeniden hesaplamtr. Bu yaklam
ile srdeki bireyler arama davranlarna gre beklenerek, bek ierisinde
zayflklarn etkisinin azaltlmas amalanmtr.

Li (2004) birden fazla optimum noktas olan problemlerin zm iin bir PSO
algoritmas gelitirmitir. Bu algoritma srdeki bireyleri birbirleri ile yaknlk
ilikilerine gre trlere ayrarak her trn kendi etrafndaki alanda optimizasyon
yapmasn ngrmektedir. Bu sayede algoritmann paralel olarak birden fazla optimum
nokta bulmas salanmtr.

Shi ve Eberhart (2001) bulank saylar kullanan bir PSO algoritmas gelitirmiler ve
bu algoritmann performansn standart algoritma ile karlatrmlardr.

38
39

3.6.4. PSO Yntemi ile Evrimsel Hesaplama Yntemleri Arasndaki liki


Langdon ve Poli (2007) PSO yntemi ile Diferansiyel Evrim, Evrimsel Programlama ve
Genetik programlama arasndaki performans farklln incelemitir. Bu alma
neticesinde diferansiyel evrim ynteminin, ajanlarn byk arama uzaylarnda yaylma
ve hzl hareket etme konusunda PSO nun gerisinde kald grlmtr. Ancak hz
kstlamas tanmlanmam bir PSO modelinin kresel optimumu bulma konusunda
genetik programlamann gerisinde kalabilecei, baz durumlarda PSO ynteminin
kresel optimuma ok yaklap ardndan hz kstlamas olmamas durumunda tesine
getii grlmtr. Genetik programlama ise yineleme kuaklar boyunca aramasn bu
noktada odaklamay baarabilmitir.

Castro (2002) evrimsel algoritmalar, sr zekas algoritmalar ve yapay baklk


sistemleri algoritmalarn incelemi ve k felsefelerini karlatrmtr. Angeline
(1998) parack sr optimizasyonu teknii ile evrimsel optimizasyon algoritmalarnn
baz temel metaforlarn bir araya getirerek seilim mekanizmas ieren bir parack
sr optimizasyonu teknii gelitirmitir. Ortaya konan model drt test fonksiyonunun
nde standart sr zekas algoritmasna gre daha iyi ya da ok yakn sonular
retmitir.

3.6.5. Performans Artrmaya Ynelik Dzenlemeler


Atalet Katsays
Standart PSO algoritmasnn eitli test fonksiyonlarnn en uygun deerlerini bulma
konusundaki performans Shi ve Eberhart (1999) n almasnda incelenmitir. Bunun
yan sra standart algoritmann performansn iyiletirmek amacyla eitli fikirler ortaya
konmutur.

PSO algoritmas zerinde ilk yaplan deiikliklerden biri algoritmann yaylma hzn
iyiletirmek amacyla bir atalet katsaysn modele eklemek olmutur (Shi ve Eberhart,
1998). Atalet katsays algoritmann en son yinelemedeki hzna etki eden bir lekleme
faktrdr. Atalet katsaynn (w) yer ald deitirilmi hz hesaplamas forml 2.21
de gsterilmitir.

39
40

vd wvd + c1 ( pd xd ) + c2 ( g d xd ) (2.21)

Grld gibi w nin deerinin 1 olmas durumunda orijinal hz denklemi elde edilir.
Shi ve Eberhart (1998) w katsaysnn etkilerini [0, 1.4] aralnda, 4 farkl test
fonksiyonu zerinde, en ok 4000 yinelemeli, 30ar deneme ile incelemilerdir. ekil
2.12 de atalet katsaysnn eitli deerleri iin ortalama baarszlk adetleri
grlmektedir. Bu almann sonular w [0.8, 1.2] olarak seilmesi durumunda
algoritmann en iyi noktalara daha hzl yaknsadn ancak w>1,2 durumunda hata
orannn arttn gstermitir.

20
18
Baarszlk Says

16
14
12
10
8
6
4
2
0
0,00 0,50 1,00 1,50
Atalet Katsays

ekil 2.12: Atalet katsaysnn eitli deerleri iin ortalama baarsz deney says (Shi ve
Eberhart, 1998).

Atalet katsays (w) nn parack sr optimizasyonu algoritmasnn yaknsama


davran zerinde nemli bir etkisi vardr (Eberhart ve Shi, 2000). Atalet katsays
bireyin nceki hzlarnn o anki hzna olan etkisini kontrol etmek iin kullanlr. Bu
sayede w parametresi srnn arama yeteneinin kresel ya da yerel karakteristiklere ne
lde sahip olacan belirler. Byk bir atalet katsays deeri kresel aratrmay,
kk deerler ise yerel aramay tetikler. Uygun belirlenmi bir w katsays srnn
kresel ve yerel arama yetenei arasnda denge salayarak en uygun zme
ulalmasna yardmc olur. Eberhart ve Shi nin almalar atalet katsays w iin
0,7298 ve ayn zamanda c 1 =c 2 =1,49618 deerlerinin etkin bir yaknsama davran
ortaya kardn gstermitir. Bunun yan sra aratrmalar atalet katsaysnn, arama

40
41

srecinin banda yksek bir deer olarak atanarak balangta kresel aramann
salanmas ardndan kademe kademe drlerek szlm sonulara ulalmasnn da
etkili bir yntem olduunu gstermitir (Suganthan, 1999, Naka ve di., 2001).

Hz Kst
w katsays iin 1den byk bir deer belirlenmesi durumunda ilgili birey iin srekli
artan bir hzdan bahsedilebilir. Bu durum bireylerin daha sk zm uzaynn dna
kmalar ihtimalini dourur. Bireylerin hareketlerini kstlayarak zm uzaynn dna
kmalarn engellemek iin PSO algoritmasnda hz vektrlerinin alabilecei hzn en
byk deerini belirleyen bir vmax parametresi tanmlanmtr. vmax modelin her boyutu
iin farkl deeri olan bir en byk hz vektrdr. rnein arama uzaynn herhangi bir
d boyutunun genilii [0 5] aral ise ve bu boyutta en byk hz [2,5] olarak
tanmlanmsa v vektrnn deeri 2,5 in zerine ktnda tekrar 2,5 deerine ekilir.

Atalet katsays bir nceki yinelemede elde edilen hzn ne oranda yeni yinelemeye
=
aktarlacan belirlemek iin kullanlr. c1 0=
ve c2 0 olarak kabul edilirse, w>1
olmas durumunda bireylerin nceden belirlenen v max hzna doru hzlanaca
grlebilir. w<1 olmas durumunda ise bireyler zamanla hzlar sfra inecek kadar
yavalayarak hareket edeceklerdir. c1 , c2 0 olmas durumunda ise algoritmann
davrann tahmin etmek zordur.

Baka bir almada ise v max ile atalet katsays arasndaki balant incelenmitir (Shi ve
Eberhart, 1998). Bu alma neticesinde v max = x max olmas durumunda w=0.8 in daha
iyi sonular dourduu grlmtr. Ancak en iyi performans atalet katsaysnn
zamanla 0.9 dan 0.4 e drld 1500 yinelemeli modellerde salanmtr.

PSO Algoritmasnn performansn inceleme ve gelitirmeye ynelik olarak yaplan


almalarn bir ksm ise srdeki bireylerin yrnge davranlarn analiz ederek arama
uzayndaki en iyi noktalara doru hareket etmelerini salayacak temel davran
faktrlerini anlamak ve yaknsamalarn hzlandrmaktr. Bu konu ile ilgili yaplan ilk
almalar Ozcan ve Mohan (1998,1999) a aittir. almalarnda tek boyutlu tek bireyli
bir srnn yrnge davranlarndan yola klarak, bulgular, ok boyutlu, ok bireyli

41
42

PSO sistemlerine genelletirilmitir. Bu almalarn en nemli sonucu bireylerin


yrngelerinin periyodik sins dalgalar eklinde hareket ettiinin ortaya kmas
olmutur. En uygun deeri arama ilevinin ise rastgele olarak dier bir dalgay
yakalayp, kendi frekans ve iddetini ona gre dzenlemek ile saland grlmtr.

Trelea (2003) model parametrelerinin aldklar deer ile bireylerin yrngelerindeki


genleme-yaknsama davranlar arasndaki ilikiyi incelemitir.

Clerc ve Kennedy (2002) ve Trelea (2003) nin almalarnda yaplan matematiksel


analizler, algoritmann nceden belirlenmesi gereken c1 ve c2 parametrelerinin
birbirlerinden bamsz olarak belirlenmemesi gerektiini gstermektedir. Bu
almalarda [0,7 1,47] ve [0,8 1,62] deer iftlerinin genellikle en iyi sonular veren
deerler olduu sonucuna varlmtr.

Shi ve Eberhart (1998) ise atalet katsays iin en byk ve en kk deerleri;

wmax = 0.9
wmin = 0.4

olarak nermilerdir.

3.6.6. 1 Tip Parack Sr Optimizasyonu Modeli


Clerc ve Kennedy (2002) PSO algoritmasn gelitirmek amacyla parametre
deerlerinin model kts zerindeki etkilerini matematiksel olarak ele almlardr.
Standart modeldeki rastgele deiken deerini ikiye ( cmax , ) indiren bir algoritma
gelitirmilerdir. Bu modelde hz gncelleme forml, ilemin tamamna etki eden bir
'daraltma katsays ile arplr (forml 2.30).

vid (vid + c1 ( pid xid ) + c2 ( gid xid )) (2.30)

Formldeki parametreler ise;

42
43

2
=
2 cmax cmax 2 4cmax
(2.31)
cmax =
c1 + c2 , cmax > 4

olarak hesaplanr.

Shi ve Eberhart (2001) almalarnda, en iyi zme c1 ==


c2 2.05 cmax =
4.1 ve
dolaysyla = 0.7298 kullanarak ulamlardr. Daraltma katsaysnn kullanm amac,
bu modelde hz vektrnn deerini snrlayacak bir v max sabitine ihtiya
duyulmamasdr. Bu model, standart modelden genellikle daha iyi sonulara daha hzl
ulamtr. Ancak baz test problemlerinde bireylerin arama uzaynn u noktalarna
gidii engellenememi ve model baarsz olmutur. Bunun zerine Shi ve Eberhart
standart modeldeki hz kstlayc sabitin v max = x max olarak modele dahil edilmesi
gerektiini sylemi ve bu ekilde tm test fonksiyonlarnda optimum deere
yaknsama performansn iyiletirmilerdir.

Kennedy ve Rui (2002) almasnda 5 test fonksiyonu zerinde eitli komuluk


topolojilerini denemi ve tip 1 tr algoritmalarda parametreler iin optimum
deerleri;

cmax = 2.01
= 0.729844

olarak hesaplamtr.

3.6.7. Srnn En yisi in nerilen Yntemler:

zm uzay ierisindeki bireyler, mevcut hareket dorultusunu gsteren kendi hz


vektrleri, ayn bireyin gemi en iyi konumunu (kendi hafzas) gsteren konum
vektr ve bireyin komular ya da srnn tm ierisinde o ana dek bulunan en iyiyi
gsteren konum vektrlerinin nn birleimi uyarnca hareket ederler. Bireyin
komuluk kmesi ierisindeki ya da tm srdeki dier bireylerle etkileime girmesi
sosyal alardaki bilginin ak metaforu ile benzeim gstermektedir (Kennedy, 1999).

43
44

Bir grup iersisindeki iletiim ve zellikle grubun performans, sosyal an yapsndan


yksek oranda etkilenirken sosyal alardaki bilgi ak da an baz temel
zelliklerinden etkilenmektedir. lk etken adaki bireyler arasndaki balant
derecesidir. Bireylerin komuluk kmelerinin en iyisinden etkilendikleri sr zeks
optimizasyonu modellerinde her bir birey K adet komusu arasndan en iyi f deerine
sahip olana bakacaktr. Dolaysyla bu modelde ki K parametresi, bireyin, srdeki tm
bireylerin en iyisine bakt yntem ile komuluk kmesine bakt yntem arasndaki
temel farkll yaratmaktadr.

Yaplan almalarda komuluk durumu zerinde eitli alternatif yntemler


gelitirilmitir. Komuluk u ekillerde ifade edilebilir (Nedjah ve Mourelle, 2006);

1. i. bireyin komular: bireyin kendisi ve bireye en yakn olan K adet dier


bireyden oluur. Eer K=2 ise bu yapya halka yaps denir (ekil 2.13). Bu
yaklamda bireyler arasndaki balantlar oluturulurken iki farkl yol
izlenebilir.
o K adet birey algoritmann balangcnda sr ierisinden rastgele olarak
seilir.
o K adet birey her yinelemede sr ierisinden rastgele olarak seilir

2. Srdeki tm bireyler birbirleri ile balantldr. Bu yapya gbest yaps da denir


(ekil 2.14).
3. Odak Yaps: Srdeki bir birey dier tm bireylere baldr ve dier tm
bireyler yalnzca bu bireye baldr (ekil 2.15) (Bergh, 2001).
4. Bireyin komular, bireyin evresindeki dier bireylerden belirli bir yapda
(yldz, piramit, kutu) seilirler (Kennedy ve Rui, 2002; Rui, 2004).

44
45

ekil 2.13: Komuluk ilikisi olarak halka yaps (K=2)

ekil 2.14: Komuluk ilikisi olarak gbest yaps

ekil 2.15: Komuluk ilikisi olarak odak yaps

45
46

Bu komuluk yaplarndan 1 numaral yapda sr ierisinde birbirinden uzak olan


bireylerin ayn zamanda birbirlerinden bamsz olduklar da grlr. Bu durum
srnn bir parasnn bir yerel optimuma yaknsarken dier bir parann da baka bir
yerel optimuma yaknsayabilecei ya da aramaya devam edebilecei sonucunu dourur.
Bu yapda etkileim bir komuluktan dierine doru hareket edecek ve bu srada eer
bir birey problemin gerek optimumunu (genel optimum) bulursa, tm bireyleri kendine
doru ekmeye balayacaktr.

Odak yaps tm bilginin srde nceden seilmi olan tek bir birey zerinden gei
yapt yapy temsil etmektedir. Bu odak birey srdeki tm dier bireylerin
performanslarn deerlendirerek kendini en iyi olan noktaya doru ynlendirmektedir.
Burada odak birey bir eit tampon ya da filtre grevi grerek iyi zmlerin srye
yaylmn yavalatan bir etki sergilemektedir.

Kennedy (1999), balant saysnn az olduu modellerin ok boyutlu problemlerde


daha iyi sonulara ularken, birbirleriyle balants fazla olan bireylerden oluan
modellerin dk boyutlu problemlerde daha etkin olduunu gstermitir.

Kennedy ve Rui (2002) eitli komuluk yaplarnn modelin performans zerindeki


etkilerini aratrdklar almalarnda sz konusu yaklamlar arasnda en kt
sonularn tm bireylerin dier tm bireyler ile balantda olduu durumda ortaya
ktn gstermilerdir.

3.6.8. PSO Tabanl bekleme Analizi Yntemleri


Literatrde PSO ynteminin kullanld eitli bekleme almalar bulunmaktadr.
Ancak PSO nun kullanm genellikle mevcut veya deitirilmi bir bekleme
algoritmasnn sonular zerinde en uygun ekle sokma eklindedir. Ji ve dierleri
(2004) mobil alarn optimizasyonu ile ilgili almalarnda arlklandrlm bekleme
algoritmasnn sonular zerine PSO yntemini uygulayarak mobil alarn datmn
gerekletirmilerdir. Mobil alardaki balant noktalar altyapsz a elemanlar
olduundan enerji tasarrufu mobil alarn optimizasyonunda nemli bir lttr.

46
47

Dolaysyla a idare eden optimizasyon algoritmasnn ilem gc gereksinimi dk


olmal ve hesaplama ihtiyac adaki elemanlar arasnda dengeli datlm olmaldr.
PSO merkezi olmayan, yinelemeli yapsyla bu tip problemlerin zmnde etkili bir
yntem olarak ortaya konmutur.

Correa ve di. (2006) kesikli parack sr optimizasyonu algoritmasn kullanarak,


biyolojik veri ieren veri kmelerinde bekleme analizi ile rnek trlerinin
kategorizasyonu problemini ele almlardr. Bu almada bireylerin konum vektrlerini
oluturan her bir boyut, incelenen veri kmesinin sahip olabilecei eitli
karakteristikleri temsil eder. Bu karakteristik zellikler birer tamsay olarak
tanmlanmtr ve bireyler, arama uzaynda, farkl karakteristik yap gruplarn temsil
eden aday zmler oluturacak ekilde bu tamsay deerlerinin deiimi ile hareket
ederler.

Chen ve Ye (2004) PSO ynteminin bekleme analizinde kullanmn ele alm ve 4


farkl veri kmesinde PSO bekleme algoritmasn test etmilerdir. Gelitirilen modelde
her bir birey olas bir zm ifade etmektedir. Dolaysyla 3 bekli 2 boyutlu bir
problemde bireylerin 3x2=6 adet boyutu vardr. Bu boyutlar her iki tanesi bir bek
merkezini gsterecek ekilde blmlendirilmilerdir. Uygunluk fonksiyonu olarak her
bekteki bireylerin bek merkezine klidyen uzakln minimize eden bir fonksiyon
seilmitir. Algoritma bek merkezlerinin konumlarndaki deiim miktar nceden
belirlenen bir deerin altna dene kadar altrlmaktadr. Bu metot standart PSO
algoritmas ile kullanlarak ortaya konan bekleme ynteminin performans
incelenmitir. Algoritmann parametre deerleri c=
1 c=
2 1,5 ve w = 0, 75 olarak kabul
edilmitir.

Merwe ve Engelbrecht (2003) almalarnda melez bir bekleme yntemi


sunmulardr. Klasik K-Ortalamalar ynteminin sonularna PSO nun uyguland bir
model gelitirilmitir. Yaplan analizler PSO tabanl melez bekleme mekanizmasnn
klasik K-Ortalamalar ynteminden daha iyi sonular ortaya koyduunu gstermitir.

Cui ve di. (2005) dokman bekleme problemini parack sr optimizasyonu yntemi


ile ele almlardr. Dokman niteliklerinin birer boyut olarak tanmland vektr

47
48

uzaynda her bir dokman bir nokta ile temsil edilecektir. Gelitirilen algoritmann
amac ise bu vektr uzayndaki bek merkezlerini tespit ederek; bek merkezlerinin
belirttii nitelikteki dokmanlar birbirinden ayr olarak snflandran bekleri tespit
etmektir. Sunulan modelde bireylerin boyutlar bek merkezlerinin konumlarn
gstermektedir. Dolaysyla k adet nitelie gre yaplacak bir bekleme analizi
almasnda, dokmanlar, c adet bee ayrlmak isteniyorsa her bir bireyin kxc adet
boyutunun olmas gerekir. Her bireyin ayr bir aday zm temsil ettii PSO
algoritmasnda en iyi zme ulaan bireyin boyutlar sonu beklerin merkezlerini
gsterecektir. Algoritmann hesaplama sresini ksaltmak iin bu almada, Merwe ve
Engelbrecht (2003) in almasndan farkl olarak, PSO algoritmas belli bir yineleme
says kadar altrldktan sonra elde edilen sonu bek merkezleri K-Ortalamalar
algoritmasnda girdi olarak verilerek en iyi bek merkezleri tespit edilmeye allmtr.

Omran ve dierleri (2002, 2005) PSO tabanl bir resim tanma ve snflandrma yntemi
gelitirmilerdir. z tanma ve resim snflandrma problemleri bek saysnn nceden
bilinmedii bir problem tipi olduundan ortaya koyduklar model dinamik olarak bek
saysn ayarlayan bir iki deerli (1-0) PSO modelidir.

3.6.9. PSO Tabanl Tesis Yeri Seimi Yntemleri


Parack sr optimizasyonu ynteminin tesis yeri seimi problemlerine uyguland
eitli almalar mevcuttur. Bu almalar genellikle tesis yeri seimi problemini bir
atama problemi olarak ele almaktadrlar.

Guner ve Sevkli (2008) ile Sevkli ve Gner (2006) kapasite kstsz tesis yeri seimi
problemi iin PSO tabanl bir zm nerisi sunmutur. Standart PSO algoritmasn
temel alan bu almada n adet tesisin m adet mteriye hizmet verdii bir sistemde
minimum maliyeti salayacak tesis / tesislerin seilmesi hedeflenmitir. Bu amala
oluturulan PSO modelinde her bir birey n boyutlu olarak tanmlanmtr. Bu boyutlarda
modelin alabilecei deerler 1 veya 0 olarak snrlandrlarak, ilgili tesisin ak ya da
kapal olmas durumu temsil edilmitir. Her bir bireyin aday bir zm temsil ettii
PSO algoritmas en iyi ak/kapal tesisler bileimini bulmak iin nceden belirlenen bir
yineleme saysna ulalncaya kadar altrlmtr.

48
49

Bu tez almasnda sunulan odak bireyli sr zekas optimizasyonu algoritmas


bahsedilen almalardan farkl olarak bir atama algoritmas deildir. Srekli uzayda
tanmlanm bir maliyet fonksiyonunun minimum deerine ulamay salayacak
nceden belirlenmi sayda tesisin, arama uzayndaki en uygun konumlarn bulmaya
alan bir algoritmadr.

Yapcolu ve dierleri (2004) yar-istenen tesisler iin tesis yeri seiminde PSO
yntemini kullanmlardr. Bu almada Tip1 modeli zerinde tesisin ulatrma
maliyeti ve yerleim yerlerine yaknlnn ortaya kard zararn etkisini kapsayan iki
kriterli bir ama fonksiyonu kullanlmtr. Gelitirilen model karlatrlan dier
sezgisel yntemlerden daha iyi sonular vermitir.

Yano ve di. (2008) tesis yeri seimi problemi iin melez parack sr optimizasyonu
algoritmasn nermilerdir. Tesisler ile tesislerin hizmet saladklar mterileri
arasndaki toplam mesafeyi en kklemeye dayal bu algoritmada her tesise eit sayda
mterinin atanmasn salayacak bir model gelitirilmitir. Merwe ve engelbracht
(2003) ve Cui ve di. (2005) in almalarna benzer bir ekilde oluturulan parack
sr optimizasyon modelinde bireylerin boyutlar bek merkezlerinin konumlarn
gstermektedir. Dolaysyla n adet tesisin X-Y koordinat dzlemindeki konumlarn
gsteren her bir bireyin konum vektr 2n adet boyuttan olumaktadr.

49
50

4. MALZEME VE YNTEM

4.1. ODAK BREYL SR OPTMZASYONU BEKLEME YNTEM

Bu almada sunulan odak bireyli sr optimizasyonu (OBSO) (Swarm Optimization


with Focal Particles) algoritmas belirli saydaki veri elemannn beklenmesi amacyla
gelitirilmitir. Odak bireyli sr optimizasyonu (OBSO) algoritmas yeni bir bekleme
tekniidir. Sr zekas yntembiliminin temel metaforlarna bal kalarak, srdeki
bireyler arasndaki iletiimin yapsn birden fazla odak birey zerinden salayan bu
yaklamn iyi bir bekleme analizi teknii olduu ve tedarik zinciri ynetiminde yer
seimi problemlerinin zmnde baaryla uygulanabilecei ortaya konmutur.

Literatrde odak bireyin bir komuluk yaps olarak tanmland eitli almalar
mevcuttur (Sierra ve Coello, 2006, Kennedy ve Rui, 2002). Ancak srnn bireyleri
ierisinde birden fazla odak bireyin ayn anda bulunduu ve bireyler arasndaki iletiim
ann bekleme analizinin temel hedeflerine ulaacak dorultuda dinamik olarak
gncellendii bir alma yer almamaktadr.

Odak bireyli sr optimizasyonu algoritmas temel olarak nceden belirlenmi miktarda


odak bireyin sr ierisinden seildii ve tm iletiimin bu odak bireyler zerinden
gerekletirildii bir sr zekas modelidir. Modelin komuluk yaps ekil 3.1 de
grlmektedir.

50
51

ekil 3.1: l=13 olan bir modelde OBSO ynteminin algoritmann herhangi bir t 1
yinelemesindeki komuluk yaps. f 0 ve f1 odak bireyleri temsil etmektedir.

4.1.1. Modelin Yaps


OBSO ynteminin balang annda l adet bireyden oluan bir sr tanmlanr. Sr
ierisinden rastgele seilen c adet birey, odak bireyler olarak kabul edilir. Ardndan
bireyler arasndaki bilgi al veriinin yapsn belirleyecek olan bilgi balantlar
tanmlanr. OBSO ynteminin balang durumunda tm bireyler tm odak bireyler ile
balantdadr (ekil 3.2).

ekil 3.2: t = 0 annda OBSO algoritmasnda komuluk yaps

Sry oluturan bireylerin konumlar arama uzayndaki muhtemel bek merkezi


zmlerini temsil eden d boyutlu vektrlerle tanmlanmtr. Odak bireylerin yapsal
olarak srdeki dier bireylerden herhangi bir farkll bulunmamakla birlikte en son
yineleme ile birlikte sonu bek merkezlerinin konumlarn temsil eden vektrler odak
bireyler tarafndan temsil edilirler. OBSO algoritmasnn parametreleri u ekilde
tanmlanmtr;

Arama uzay iin;


d : Boyut says

51
52

beklenecek olan veri elemanlar iin;


zi : i. veri elemannn konum vektr
z id : i. veri elemannn konum vektrnn d. boyutu
SZ : Veri elemanlar kmesi
m : Veri eleman says
c : bek says, Odak birey says

OBSO yntemi deikenleri;

l : Birey says
bi : i. birey
SS : Sry oluturan bireyler kmesi
S S = {b1 , b2 ,.., bl }
xi : i. bireyin konum vektr
xi = {xi1 , xi 2 ,.., xid }
vi : i. bireyin hz vektr
vi = {vi1 , vi 2 ,.., vid }
pi : i. bireyin o ana kadar gsterdii en iyi performansn konum
vektr
pi = { pi1 , pi 2 ,.., pid }
gi : i. bireyin komular ierisinde en iyi performansa sahip olann
en iyi performansnn konum vektr
gi = {gi1 , gi 2 ,.., gid }
J(x) : x vektrne gre ama fonksiyonu deeri

52
53

bekleme parametreleri;
Si : i. bei oluturan veri elemanlar kmesi
Si S z
fi : i. odak birey
SF : Odak bireyler kmesi
SF SS
S F = { f1 , f 2 ,.., f c }
t : terasyon indisi

l adet bireyden oluan srnn, balang annda, ilk c adet bireyi odak bireyler olarak
tanmlanr. Her bir odak birey ayr birer bek merkezini temsil edecektir.

Algoritmann birey says belirlenirken l 2c olmaldr. Zira her bir odak birey kendisi
dnda en az bir arama yapacak bireye ihtiya duyar.

4.1.2. Balang lemleri


lk olarak beklenecek veri kmesi belirlenmelidir. Bu aamada arama uzaynn snr
deerleri veri kmesindeki en kk ve en byk deerler olarak belirlenir (forml 3.1).

xmin = MIN (z id )
(3.1)
xmax = MAX (z id )

Clerc (2002) daraltma katsayl modelinde hz vektrnn en byk deerini vmax = xmax
olarak tanmlamtr. OBSO algoritmasnda da bireylerin arama uzay dna kn
kontrol altnda tutmak amacyla ayn kabul yaplmtr. Veri elemanlarnn
tanmlanmasndan sonra sry oluturan bireylerin balang konum ve hz vektrleri
forml 3.2 ye gre oluturulur.

xid = xmin + (( xmax xmin ) )


xmax xmin (3.2)
=vid
2

Forml 3.2 de yer alan parametresi [0 1] aralnda dzgn dalma uygun rastgele
bir deerdir. Balang durumunda srnn ilk c adet bireyi odak bireyler olarak

53
54

tanmlanr (forml 3.3). Bilgi balantlar srdeki tm bireyler iin, balang


durumunda, tm odak bireylerle bilgi al verii gerekleecek ekilde tanmlanr.

S F = {b1 , b2 ,.., bc } (3.3)

Sry oluturan bireylerin balang konum ve hzlar forml 3.2ye gre


belirlendikten sonra bu konumlara gre her bir bireyin ama fonksiyonu deeri J ( xi )
hesaplanr. Ama fonksiyonu, veri elemanlarn, bekleme yaplmak istenen kritere gre
srdeki bireylerin, alternatif bek merkezi konumlar olarak deerlendirildii herhangi
bir fonksiyon olabilir. Bu almada OBSO ynteminin bir bekleme algoritmas olarak
performansn incelemek amacyla ama fonksiyonu olarak niceleme hatas fonksiyonu
ve Dunn indeksi; tedarik zincirinde tesis yeri seiminde tesis yerlerinin ve tesis
beklerinin tespiti amacyla da toplam ulatrma maliyeti fonksiyonu olarak belirlendii
farkl problem tipleri ele alnmtr.

Algoritmann ileyii ardk yinelemelerden olumaktadr. Balang ilemleri


tamamlandktan sonra sonlandrma kriteri gerekleene kadar her yinelemede, ncelikle
her bir i bireyinin bilgi al veriinde olduu dier bireyler deerlendirilerek bireyin gi
vektr forml 3.4 deki gibi gncellenir.

p | J ( pi ) J ( gi )
gid = id (3.4)
gid | J ( pi ) > J ( gi )

Ardndan forml 3.5 kullanlarak her bir i bireyinin hz vektr hesaplanr.

c1 ( pid xid ) + c2 ( gid xid ) | bi S F


vid (3.5)
(vid + c1 ( pid xid ) + c2 ( gid xid )) | bi S F

Forml 3.5de grld gibi odak bireylerin hz vektrleri hesaplanrken, kendi


mevcut hzlar dikkate alnmaz. Odak bireyler yalnzca komuluklarndaki dier
bireylerin en iyi konumlarndan ve kendi gemi en iyi konumlarndan etkilenirler.
OBSO ynteminde, odak bireylerin arama uzaynda rastgele hareketinin tanmlanmad
ve tanmland iki farkl durum ele alnabilir.

54
55

Hz vektrleri hesaplanan bireylerin bir sonraki aamada yeni konumlar forml


3.6daki gibi tespit edilir.

x=
id xid + vid (3.6)

Srdeki tm bireylerin yeni konumlar hesaplandktan sonra her bir birey iin ama
fonksiyonu deeri hesaplanr. Bu aamada ele alnan her birey iin ncelikle bireyin
tm bilgi balantlar iptal edilir. Ardndan birey yalnzca kendisine en yakn odak birey
ile bilgi al veriinde bulunacak ekilde bilgi balants, bu odak bireyle, iki ynl
olarak tekrar kurulur (forml 3.7).

f ' = MIN (dist (b, S F ))


b f ' (3.7)
f 'b

Forml 3.7deki dist fonksiyonu b bireyi ile odak bireyler arasndaki uzakl
hesaplamaktadr ve forml 3.8 de gsterilmitir.

d
=
dist (b, S F ) (x
x f S F k =
1
ik x fk ) 2 (3.8)

ekil 3.3 de OBSO ynteminin szde kodu verilmitir. OBSO ynteminin komuluk
yapsnn standart algoritmadan fark bireyler ile odak bireyler arasndaki bilgilendirme
balantlarnn kurulma eklidir. Standart algoritmada nceden tanmlanm bir
komuluk yaps erevesinde bireyler arasndaki balantlar kurulurken, OBSO
ynteminde, ilk olarak tm bireylerin tm odak bireylerle balants gerekletirilmekte,
yinelemeler balamadan nce bir kez tm bireylerin J ama fonksiyonu deeri
hesaplanarak, mevcut btn balantlar silinmekte ve ardndan her bir birey yalnzca
kendisine en yakn odak birey ile bilgi balants kuracak ekilde komuluk yaps
yeniden oluturulmaktadr. Algoritmann devam eden yinelemeli aamalarnda da
standart algoritmadan farkl olarak her J ama fonksiyonu deerlendirmesinin ardndan
bireylerin mevcut bilgi balantlar silinerek komuluk yaps yeniden
tanmlanmaktadr.

55
56

Veri elemanlarn ykle: zi


xmin , xmax , vmax deerlerini hesapla
Srnn balang durumunu olutur: xi , vi
Odak bireyleri tanmla: S F = {b1 , b2 ,.., bc }
Komuluk yapsn tanmla:
{ Her bir f odak bireyi iin
{ Her bir b bireyi iin
f b
b f
}
}
Balang durumunu olutur:
{ Her bir i. birey iin
Ama fonksiyonu deerini hesapla: J ( xi )
Bireyin tm bilgi balantlarn kaldr
Bireyi kendisine en yakn konumdaki odak bireye(f)
bala
f bi
bi f
Balang anndaki ama fonksiyonu deerini bireyin en
iyi deeri olarak belirle: pi = xi
}
YAP: Sonlandrma kriteri gereklemedii srece: t tmax
{{ Her bir i. birey iin
gi = uluk
MIN ( xkom )
}
{ Her bir i. birey iin
{ Her bir d boyutu iin
Forml 3.5 e gre hz hesapla
Eer vid > vmax vid =
vmax
Forml 3.6 ya gre konumu hesapla
Eer arama uzaynn dna kld ise
xid [ xmin , xmax ]
}
}
{ Her bir i. birey iin
Ama fonksiyonu deerini hesapla: J ( xi )
Bireyin tm bilgi balantlarn kaldr
Bireyi kendisine en yakn konumdaki odak bireye(f)
bala
f bi
bi f
Eer J ( xi ) < J ( pi ) pi =
xi
}
t = t +1
ekil 3.3: OBSO ynteminin szde kodu

56
57

5. BULGULAR

Literatrde bir bekleme analizi ynteminin baarmn incelemek amacyla eitli


geerlilik indeksleri tanmlanmtr. Geerlilik indeksleri, bekleme neticesinde ortaya
kan beklerin kendi ilerinde ve birbirleri arasndaki farkllklar deerlendirerek,
birden fazla yntemin birbirleri ile karlatrlabilmesine olanak tanyan deikenlerdir.

Bu almada OBSO bekleme ynteminin baarmn incelemek amacyla V geerlilik


indeksi (Omran ve di, 2005, Merwe ve Engelbrecht, 2003) ve Dunn indeksi (Bezdek
ve Pal, 1995) hesaplanmtr. OBSO yntemi farkl test veri kmesi zerinde K-
Ortalamalar, Bulank C-Ortalamalar (BCO), Gustafson-Kessel (GK) ve PSO Melez
bekleme (PSO) (Merwe ve Engelbrecht, 2003) yntemleri ile karlatrlmtr.

OBSO ynteminin ve PSO (Merwe ve Engelbrecht, 2003) ynteminin uygulamalar


Microsoft Visual Studio .NET 2008 platformunda Visual Basic 2008 dili ile yazlm
olan bir program aracl ile gerekletirilmitir. ekil 4.1' de bu programn rnek bir
ekran grnts yer almaktadr. Program, ilk olarak girdileri okumakta, ardndan
srnn parametreleri belirlenerek, yineleme ve koum saylar girilmektedir. Model
altrldnda kt olarak her bir bireyin son yineleme sonucundaki konum vektrleri
ve en iyi yineleme bilgileri verilmektedir.

BCO ve GK algoritmalar MATLAB zerinde gelitirilmi olan "Fuzzy Clustering and


Data Analysis Toolbox For Use with MATLAB" (Balasko ve di., 2005) kullanlarak
altrlmtr. BCO - COG ve BCO - CP melez yntemleri ise MATLAB ve ardndan
sonularn Microsoft Excel yardm ile srasyla arlk merkezinin bulunmas ve
konveks programlama ile optimizasyonunun yaplmas eklinde ele alnmtr.

57
58

ekil 4.1: OBSO ve PSO algoritmalar iin gelitirilen programn rnek ekran grnts

Test verisi olarak kullanlan veri kmelerinden birincisi Iris veri kmesi, ikinci veri
kmesi stanbulun Avrupa yakasndaki 51 ile/beldenin koordinat bilgileri ve nc
veri kmesi ise 400 rastgele belirlenmi noktadan oluan bir rastgele kmedir.

5.1. V ndeksi

OBSO ynteminin bekleme performansn deerlendirmek amacyla forml 4.1 de


verilen niceleme hatas indeksi (V) kullanlmtr (Omran ve di, 2005, Merwe ve
Engelbrecht, 2003).

Intra
V=
Inter
[
C
=j 1 zC j
dist ( z , m j ) / C j ]
Intra = (4.1)
NC
Inter = min{dist
(mi , m j )}
i j

58
59

Intra, bek baznda, her bir veri elemannn atand bek merkezine olan uzaklklar
toplamnn bekteki veri eleman saysna blnmesi ile elde edilen deerlerin
ortalamasdr. Inter ise birbirine en yakn iki bek merkezi arasndaki mesafeyi gsterir.
Forml 4.1de yer alan dist fonksiyonu iki vektr arasndaki mesafeyi hesaplar ve
forml 4.3' de gsterilmitir. C j , j. bekteki veri eleman saysn ifade etmektedir. m j

ise j. bek iin tespit edilmi olan bek merkezidir (forml 4.2).

m =x S F (4.2)

Herhangi bir birey(b i ) iin ama fonksiyonu deeri hesaplanrken, ilk olarak bu bireye
en yakn olan odak birey (f') tespit edilir. Ardndan beklenmek istenen her bir veri
elemannn (z), f dndaki tm dier odak bireyler ve b i bireyi ile arasndaki mesafeler
hesaplanr (forml 4.3). Her bir veri eleman, hesaplanan mesafeler ierisinden en yakn
olan odan yada bireyin temsil ettii odan beine atanr.

f f ' dist ( f , z )
dist = (4.3)
=f f ' dist (b, z )

5.2. Dunn ndeksi

Dunn indeksi bekler aras en kk uzaklk ile bek ii en byk uzakln oran
olarak ifade edilir (Bezdek ve Pal, 1995). Herhangi iki X i ve X j bekleri arasndaki en

kk mesafe, farkl beklerdeki herhangi bir veri eleman iftinden birbirine en yakn
olan iki tanesinin arasndaki mesafe olarak forml 4.4 deki gibi hesaplanr.

dist ( X i , X j ) = min
{d ( zi , z j )} (4.4)
zi X i
z j X j

bek ii en byk mesafe ise bir bekteki veri eleman iftlerinden birbirine en uzak iki
tanesi arasndaki mesafedir ve forml 4.5 de gsterilmitir.

diam( X i ) = max
{d ( zi , z j )} (4.5)
zi , z j X i

dist ( X i , X j )
Dunn indeksi tm beklerin birbirleri ile karlatrlarak en kk
max{diam( X )}
deerinin bulunmas ile hesaplanr (forml 4.6).

59
60


dist ( X i , X j )
Dunn = min
min (4.6)
1i NC 1 j NC max
{diam( X k )
j i 1 k NC

5.3. Test Veri Kmelerinde Sonular

K-Ortalamalar, BCO, GK, PSO Melez ve OBSO yntemleri farkl veri kmesinde
eitli bek saylar iin altrlarak sonular incelenmitir. Her bir yntem 30ar kez
altrlm ve tm koumlarn ortalama deeri ile standart sapmas verilmitir. BCO ve
GK algoritmalar iin bulanklatrma faktr Zalik in (2006) almasnda belirtilen
m = 1, 7 deeri; OBSO algoritmas iin ise = 0, 7298 ve c=
1 c=
2 2, 05 deerleri kabul
edilmitir. OBSO ynteminde odak bireylerin de hzlarnn tanmland model
kullanlmtr.

5.3.1. I. Test Veri Kmesi (IRIS Veri Kmesi)


Iris veri kmesi her biri 50 rnekten oluan 3 snf barndrr. Bu snflarn her biri
farkl bir Iris bitki trn temsil etmektedir. Snflardan biri dierlerinden kolaylkla
ayrt edilebilirken dier iki snf birbirinden ayrt etmek gtr. rneklere ait llen
zellikler unlardr;
anak uzunluu
anak kalnl
Ta yapra uzunluu
Ta yapra kalnl

Bu veri kmesinde bekleme analizi ile toplam 150 rnein ait olduklar snflar tespit
edilmeye allr. bekleme analizi ile elde edilen 3 bein merkez deerleri ile her bir
rnee ait llen deerler karlatrlr. Her rnek kendisine en yakn bee atanr ve
rneklerin gerek snflar ile bekleme analizi neticesinde atandklar snf
karlatrlr. Forml 4.7deki hata deeri bekleme analizi ynteminin baarmn
lmek iin kullanlr (Balasko ve di., 2005).

N hatal
=
Hata Oran 100 (4.7)
N

60
61

Forml 4.7de N toplam rnek adedi olan 150, N hatal ise bekleme analizi neticesinde
hatal atanan rnek saysn temsil etmektedir.

Iris verisi zerinde aadaki bekleme analizi yntemleri kullanlmtr;


K-Ortalamalar
Bulank C-Ortalamalar
Gustafson-Kessel
OBSO

OBSO ynteminde ama fonksiyonu olarak V indeksi (forml 4.1) kullanlmtr. Bu


ama fonksiyonu dier bekleme yntemleri ile ayn temel prensip olan bek iindeki
farkllklarn minimum ve bekler aras farkllklarn maksimum olduu duruma
ulamay hedefledii iin karlatrma amacna uygun bir fonksiyondur. OBSO
ynteminin baarmlarn test etmek iin 30 ar koum yaplmtr.

Tablo 4.1: Iris veri kmesinde bekleme yntemlerinin tahmin hatasna gre baarm
(Kk deerler daha iyi)
Yntem Yanl Tahmin Says Hata Oran
K-Ortalamalar 16 10,66%
BCO 16 10,66%
GK 7 4,66%
PSO Melez En yi 16 10,66%
PSO Melez Ortalama 16 10,66%
OBSO En yi 16 10,66%
OBSO Ortalama 17,43 11,62%

61
62

Tablo 4.2de ise karlatrlan bekleme analizi yntemlerinin Dunn indeksine gre
aldklar deerler grlmektedir.

Tablo 4.2: Iris veri kmesinde bekleme yntemlerinin Dunn indeksine gre baarm (Byk
deerler daha iyi)
Yntem Dunn ndeksi
K-Ortalamalar 0,098
BCO 0,104
GK 0,048
PSO Melez 0,106
OBSO Ortalama 0,112

Merwe ve di. (2003) Iris veri kmesini gelitirdikleri parack sr optimizasyonu


tabanl bekleme algoritmasn test etmek iin kullanmtr. Bu almada, K-
Ortalamalar yntemi, sr zekas tabanl bekleme analizi yntemi ve bek
merkezlerinin balang durumunu K-Ortalamalar analizinin sonularndan alan melez
sr zekas tabanl bekleme analizi yntemi niceleme hatas (forml 4.1) e gre
karlatrlmtr. Merwe ve di. (2003) nin ulatklar sonular ile OBSO
algoritmasnn sonular tablo 4.3 de gsterilmitir. Tablodaki deerler 30 koum
sonucunda elde edilen sonularn ortalama ve standart sapmalarn yanstmaktadr.

Tablo 4.3: Iris veri kmesinde bekleme yntemlerinin V indeksine gre baarm (Kk
deerler daha iyi)
Yntem V ndeksi
K-Ortalamalar (Merwe ve di, 0, 649 0,146
2003)
PSO (Merwe ve di, 2003) 0, 774 0, 094
PSO Melez (Merwe ve di, 2003) 0, 633 0,143
OBSO 0, 623 0, 023

62
63

5.3.2. II. Test Veri Kmesi

II. test veri kmesi stanbul Avrupa yakasndaki 51 adet ile/belde merkezinin
koordinatlarndan olumaktadr. Karlatrlan bekleme analizi yntemleri neticesinde
bek yaplar takip eden ekillerde grlmektedir. ekillerde kullanlan simgeler hemen
aada tanmlanmtr.

Veri Noktalar

bek Merkezi

80000

70000

60000

50000

40000

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000

ekil 4.2: 51 noktal veri kmesinin K-Ortalamalar 2 bek sonular

63
64

80000

70000

60000

50000

40000

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000

ekil 4.3: 51 noktal veri kmesinin BCO 2 bek sonular

80000

70000

60000

50000

40000

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000

ekil 4.4: 51 noktal veri kmesinin GK 2 bek sonular

64
65

80000

70000

60000

50000

40000

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000

ekil 4.5: 51 noktal veri kmesinin PSO 2 bek sonular

80000

70000

60000

50000

40000

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000

ekil 4.6: 51 noktal veri kmesinin OBSO 2 bek sonular

65
66

80000

70000

60000

50000

40000

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000

ekil 4.7: 51 noktal veri kmesinin K-Ortalamalar 3 bek sonular

80000

70000

60000

50000

40000

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000

ekil 4.8: 51 noktal veri kmesinin BCO 3 bek sonular

66
67

80000

70000

60000

50000

40000

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000

ekil 4.9: 51 noktal veri kmesinin GK 3 bek sonular

80000

70000

60000

50000

40000

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000

ekil 4.10: 51 noktal veri kmesinin PSO 3 bek sonular

67
68

80000

70000

60000

50000

40000

30000

20000

10000

0
0 10000 20000 30000 40000 50000 60000 70000 80000 90000

ekil 4.11: 51 noktal veri kmesinin OBSO 3 bek sonular

Tablo 4.4de 51 noktal veri kmesinde elde edilen V indeksi deerlerine ve tablo 4.5de
ise Dunn indeksi deerlerine yer verilmitir.

Tablo 4.4: 51 noktal veri kmesinde bekleme yntemlerinin V indeksine gre baarm
(Kk deerler daha iyi)
bek Says
Yntem
2 3
K-Ortalamalar 0,382 0,404
BCO 0,378 0,507
GK 0,768 0,491
PSO Melez En yi
0,465 0,804
(Merwe ve di, 2003)
PSO Melez Ortalama
0,494 0,006 2,27 0,848
(Merwe ve di, 2003)
OBSO En yi 0,467 0,281
OBSO Ortalama 0,483 0,006 0,442 0,113

68
69

Tablo 4.5: 51 noktal veri kmesinde bekleme yntemlerinin Dunn indeksine gre baarm
(Byk deerler daha iyi)
bek Says
Yntem
2 3
K-Ortalamalar
0,067 0,113
BCO
0,092 0,078
GK
0,089 0,091
PSO Melez En yi 0,089 0,088
(Merwe ve di, 2003)
PSO Melez Ortalama 0,078 0,012 0,045 0,01
(Merwe ve di, 2003)
OBSO En yi 0,089 0,113
OBSO Ortalama 0,089 0 0,093 0,013

51 noktal veri kmesi iin yaplan analiz neticesinde hemen aadaki sonulara
ulalmtr;
2 bekli zmlemede, ortalamada ve en iyi zmlerde, OBSO yntemi Dunn
indeksine gre K-Ortalamalar ve PSO Melez yntemlerinden daha iyi, GK ile
ayn ve BCO ynteminden daha kt sonular sergilemitir. V indeksine gre ise
PSO Melez ve GK algoritmalarndan daha iyi, dier yntemlerden daha kt
sonular ortaya kmtr.
3 bekli zmlerde, ortalamada, OBSO yntemi K-ortalamalar dndaki tm
yntemlerden daha iyi bir baarm gstermitir. En iyi zmlerde ise K-
ortalamalar ile ayn ve dier tm yntemlerden daha iyi sonular ortaya
kmtr.
3 bekli en iyi OBSO zm dier tm yntemlerden daha iyi sonu vermitir.

5.3.3. III.Test Veri Kmesi


III. test veri kmesi 400 adet rastgele belirlenmi noktadan olumaktadr. Karlatrlan
bekleme analizi yntemleri neticesinde bek yaplar takip eden eklerde
grlmektedir.

69
70

120000

100000

80000

60000

40000

20000

0
0 20000 40000 60000 80000 100000 120000

ekil 4.12: 400 noktal veri kmesinin K-Ortalamalar 4 bek sonular

120000

100000

80000

60000

40000

20000

0
0 20000 40000 60000 80000 100000 120000

ekil 4.13: 400 noktal veri kmesinin BCO 4 bek sonular

70
71

120000

100000

80000

60000

40000

20000

0
0 20000 40000 60000 80000 100000 120000

ekil 4.14: 400 noktal veri kmesinin GK 4 bek sonular

120000

100000

80000

60000

40000

20000

0
0 20000 40000 60000 80000 100000 120000

ekil 4.15: 400 noktal veri kmesinin OBSO 4 bek sonular

71
72

Tablo 4.6: 400 noktal veri kmesinde bekleme yntemlerinin V indeksine gre baarm
(Kk deerler daha iyi)
bek Says
Yntem
4
K-Ortalamalar 0,399
BCO 0,395
GK 0,395
PSO Melez En yi (Merwe ve di, 2003) 0,394
PSO Melez Ortalama (Merwe ve di, 2003) 2,469 1,65
OBSO En yi 0,398
OBSO Ortalama 0,421 0,01

Tablo 4.7: 400 noktal veri kmesinde bekleme yntemlerinin Dunn indeksine gre baarm
(Byk deerler daha iyi)
bek Says
Yntem
4
K-Ortalamalar 0,035
BCO 0,035
GK 0,023
PSO Melez En yi (Merwe ve di, 2003) 0,035
PSO Melez Ortalama (Merwe ve di, 2003) 0,019 0,008
OBSO En yi 0,041
OBSO Ortalama 0,032 0,005

400 noktal veri kmesi iin yaplan analiz neticesinde hemen aadaki sonulara
ulalmtr;
OBSO yntemi, ortalamada Dunn indeksine gre GK ve PSO Melez
yntemlerinden daha iyi, K-Ortalamalar ve BCO yntemlerinden daha kt
baarm sergilemi, V indeksine gre PSO Melez ynteminden daha iyi, dier
yntemlerden daha kt sonu sergilemitir.
OBSO yntemi, en iyi zmlerde Dunn indeksine gre tm dier yntemlerden
daha iyi sonu vermi, V indeksine gre K-ortalamalar ynteminden daha iyi,
dier yntemlerden ise kt ama ok yakn baarm gstermitir.

72
73

5.3.4. Tesis Yeri Seimi Probleminde OBSO Yntemini uygulanmas


bekleme analizi, talep noktalarnn corafi dzlemdeki koordinatlarnn bilindii
problemlerde retim ve/veya datm tesisleri gibi tedarik zinciri unsurlarnn ulatrma
maliyetlerini en aza indirgeyecek ekilde konumlandrlmas iin kullanlan bir
yntemdir. Tesis yeri seimi probleminin bir bekleme problemi olarak ele alnmasnn
salad bir dier fayda ise analiz neticesinde tesis talep noktas elemelerinin
dorudan elde edilmesidir.

Bu almada gelitirilen OBSO yntemi, ama fonksiyonu kurulacak tesisler ile talep
noktalar arasndaki toplam ulatrma maliyetini en kkleyecek bir model kurularak
stanbulun Avrupa yakasndaki 51 ile ve beldeye, bu ile ve beldelerin nceden
bilinen talep miktarlar kadar datm yapacak bir tesis yeri seimi probleminin zm
iin kullanlmtr. Ayn problem BCO, BCO ve Arlk Merkezi, BCO ve konveks
programlama, GK ve PSO Melez yntemleri ile de zlerek karlatrmal sonular
verilmitir.

Model 51 adet talep noktasndan olumaktadr. Bu noktalarn koordinat ve talep bilgileri


tablo 4.8de grlmektedir.

73
74

Tablo 4.8: Tesis yeri seimi problemi iin kullanlan 51 noktann koordinat ve talep verisi

le Ad X Y Talep le Ad X Y Talep
ARNAVUTKY 61311 37489 35867 GNGREN 72719 19399 94639
AVCILAR 59425 19301 101632 GRPINAR 50879 16311 21818
BACILAR 69353 21702 141768 HADIMKY 50832 35355 12800

BAHEKY 81557 36768 11779 HARACI 58451 37627 10000

BAHELEVLER 69676 18161 72952 KAITHANE 81279 26484 30266

BAHEEHR 56037 25653 4100 KARACAKY 30599 64447 2525

BAKIRKY 69205 14856 103630 KAVAKLI 26678 28396 2575

BAYRAMPAA 74990 22558 40438 KIRA 53000 21610 28837

BEKTA 85415 24968 42640 KUMBURGAZ 40220 20231 7593

BEYLKDZ 53369 16218 22550 KKEKMECE 63628 23752 100000

BEYOLU 80017 21669 27875 MMARSNAN 44648 18479 24205

BNKILI 13149 69854 5831 MURATBEY 41033 27290 10283

BOAZKY 65785 37535 30991 ORTAKY 30471 29364 5025

BOLLUCA 64447 41729 13619 SARIYER 85197 35632 69914


SELMPAA 29030 25401 10000
BYKAVULU 2992 43953 10000
SLVR 20636 26599 144424
BYKEKMECE 48753 24148 8600
L 83431 27185 40894
CELALYE-KAMLOBA 35637 24553 2575
TAOLUK 58959 40531 28593
ANTA 5379 32489 9000
TEPECK 43218 24194 16450
ATALCA 36882 34755 152350
YAKUPLU 55721 16172 16450
FTLKKY 35493 56689 5025
ZEYTNBURNU 75229 17894 58609
DERMENKY 100 32143 5207
DURUSU 53715 53406 5025
EMNN 80478 18277 16316
ESENLER 71423 25720 70179
ESENYURT 55064 22292 66650
EYP 78228 25211 70000
FATH 77942 18983 83658
GAZOSMANPAA 73635 28639 75000
GKTRK 73496 38256 5025
GMYAKA 2010 25393 4300

bekleme analizi ile sz konusu 51 noktaya en dk ulatrma maliyeti ile hizmet


salayacak olan 2 veya 3 olas tesisin konumlar ve tesis-mteri elemeleri ile bu
elemeler neticesinde ortaya kan ulatrma maliyetleri hesaplanacaktr. Tesislerin
kapasite kstnn olmad varsaylmtr. Dolaysyla belirlenen tesislerin kendi
beklerindeki tm talebi karlayaca kabul edilmitir. Ulatrma maliyetlerinin
hesaplanmas iin forml 4.8deki yaklam uygulanmtr. Maliyet faktr, tm talep
noktalarnn (z) ait olduklar bek merkezinde bulunmas varsaylan tesis ile aralarndaki
mesafe ile talep miktarnn (w i ) arpm olarak ifade edilmitir.

c
=
TM w dist ( z , f )
i = 1 zSi
i i i (4.8)

74
75

Tablo 4.9 da eitli bek saylar iin bekleme analizi neticesinde ortaya kan toplam
maliyetler ve tablo 4.10 ve 4.11 de ise bu yntemlerin hesaplad bek merkezlerinin
koordinatlar grlmektedir.

Tablo 4.9: Tesis yeri seimi probleminde hesaplanan maliyet parametresi deerleri
bek Says
Yntem
2 3
K-Ortalamalar 23.962.248 21.732.452
BCO 22.384.575 19.878.228
BCO & COG 20.268.809 17.008.644
BCO & CP 20.247.401 16.886.653
GK 36.005.916 19.707.733
PSO Melez (Merwe ve di, 2003) 24.539.308 2.282 25.596.249 3.473
OBSO Ort. 20.204.783 1.018 16.222.899 2.615

Tablo 4.10: Tesis yeri problemi iin sonu bek merkezi koordinatlar

K-Ortalamalar BCO BCO & COG BCO & CP


bek No X Y X Y X Y X Y
1 66125,33 26504,56 68506,76 26215,73 70.152 22.035 69977,83 21942,78
2 23353,93 36103,8 26022,34 34063,25 30.682 30.469 31437,11 30917,42

GK PSO Melez OBSO


bek No X Y X Y X Y
1 62997,52 39054,63 49449,45 27344,79 70179,58 21935,06
2 44261,31 23800,29 78225,82 22717,76 34455,31 32618,49

75
76

Tablo 4.11: Tesis yeri problemi iin sonu bek merkezi koordinatlar

K-Ortalamalar BCO BCO & COG BCO & CP


bek No X Y X Y X Y X Y
1 67846,39 26002,58 74912,83 25605,59 73.223 22.114 73124,93 22013,61
2 33239 61099 12290,58 37484,67 20.634 26.602 20636,06 26598,84
3 25638,14 28088,57 48245,81 26354,73 51.518 24.153 52142,6 23677,53

GK PSO Melez OBSO


bek No X Y X Y X Y
1 68266,19 21629,27 75833,83 26494,36 74195,01 21758,58
2 54097,7 46582,06 85197,17 35632,01 57445,85 22527,04
3 26813,01 28039,3 45255,65 28886,31 28415,03 30431,37

76
77

6. TARTIMA VE SONU

Bu almada sr zekas tabanl yeni bir bekleme analizi yntemi gelitirilmi ve bu


yntemin tedarik zinciri ynetiminde tesis yeri seimi problemlerine uygulan
incelenmitir. Odak bireyli sr zekas optimizasyonu (OBSO) olarak adlandrlan bu
yeni yntem farkl bir komuluk yaps ve birden fazla odak bireyin yer ald yeni bir
sr zekas algoritmasdr.

almann birinci blmnde tezin ana hatlar ve literatre salanmak istenen katklara
deinilmitir. Ardndan ikinci blmde tedarik zinciri ynetimi kavram ve zel olarak
tedarik zinciri ynetiminde tesis yeri seimi problemi tanmlanm ve zm iin
gelitirilen yntemler incelenmitir. Ayn blmde sr zekas kavram ve parack sr
optimizasyonu yntemi anlatlm, yntemin temel denklemleri, alma prensipleri ve
gelimi versiyonlar sunulmutur. nc blmde, gelitirilen odak bireyli sr
zekas optimizasyonu yntemi anlatlarak drdnc blmde sz konusu yntemin
genel olarak bir bekleme analizi yntemi olarak baarm ve tesis yeri seimi
problemlerinde uygulanmas ele alnm, sonular sunulmutur.

Gelitirilen algoritma, ilk olarak, literatrdeki mevcut bekleme analizi yntemleri ile
eitli performans parametreleri zerinden karlatrlarak yntemin bekleme baarm
incelenmitir. Iris veri kmesi, 51 noktal stanbul Avrupa yakas ile ve beldeler veri
kmesi ve rastgele belirlenmi 400 noktal veri kmesi zerinde yaplan analizler
neticesinde Dunn indeksine gre OBSO ynteminin en iyi deerlerinin Iris veri kmesi
ve 400 noktal veri kmesinde, karlatrlan dier bekleme yntemlerinin
tamamndan daha iyi sonular elde ettii, yine Dunn indeksine gre 51 noktal veri
kmesinde 3 bekli zmlemede K-otalamalar dndaki bekleme yntemlerinden
daha iyi sonular elde ettii, ayn veri kmesinin 2 bekli zmlemesinde ise K-
ortalamalardan daha iyi, Bulank C-ortalamalardan daha kt ve dier yntemlerle ayn

77
78

baarm gsterdii grlmtr. ekil 5.1, 5.2, 5.3, 5.4 ve 5.5'de de elde edilen
bekleme analizi sonular karlatrlmtr

BCO PSO
GK

OBSO
K Ort
Dunn ndeksi


0 0.1

ekil 5.1: Iris veri kmesinde Dunn indeksine gre baarm. (Byk deerler daha iyi)
OBSO PSO
K Ort
V ndeksi


1
ekil 5.2: Iris veri kmesinde V indeksine gre baarm. (Kk deerler daha iyi)

78
79

K Ort / OBSO*
GK OBSO Ort
PSO*
BCO
3 BEK


0 0.1
2 BEK

GK / PSO* / OBSO* / OBSO Ort


PSO Ort
K Ort

BCO

ekil 5.3: 51 noktal veri kmesinde Dunn indeksine gre baarm. (Byk deerler daha iyi)
OBSO Ort
BCO GK

PSO Ort
OBSO*

PSO*
K Ort
3 BEK


0 1
2 BEK

K Ort

GK
PSO*
OBSO Ort PSO Ort
OBSO*
BCO

ekil 5.4: 51 noktal veri kmesinde V indeksine gre baarm. (Kk deerler daha iyi)

79
80

K Ort / BCO / PSDO*


GK
PSO Ort

OBSO*
OBSO Ort
Dunn ndeksi


0
V ndeksi

K Ort / OBSO*

PSO Ort
BCO / GK / PSO*

OBSO Ort

ekil 5.5: 400 noktal veri kmesinde baarm.

Tesis yeri seimi problemlerinde bekleme analizinin kullanlmas corafi dzlemde


ulatrma maliyetlerini en kk klacak noktalarn tespiti ve konumlar tespit edilen
tesislerin hangi talep noktalar ile eleeceinin belirlenmesini salamaktadr. Bu
kapsamda, gelitirilen algoritma, rnek bir veri kmesi zerinde eitli bekleme
algoritmalar ve melez algoritmalar ile karlatrlarak elde edilen toplam maliyet
deerleri karlatrlmtr. Ortaya konan sonular en dk maliyetli zmn OBSO
yntemi ile elde edildiini gstermitir. OBSO yntemi ile elde edilen toplam maliyet 2
bekli zmlemede K-ortalamalar, Bulank C-ortalamalar, BCO & Arlk merkezi,
BCO & Konveks programlama, Gustafson-Kessel ve PSO Melez algoritmalarndan
srasyla %15, %9, %0.3, % 0.2, %43 ve % 17 daha dk kmtr. 3 bekli
zmlemede ise sz konusu yntemlerden, ayn sra ile %25, %18, %4, %3, %17, %36
daha dk maliyetlere ulalmtr.

Odak bireyli sr zekas optimizasyon algoritmasnn baarl bir bekleme analizi


yntemi olarak ortaya kmasnn nedeni, arama uzaynda hareket eden bireylerin yerel
minimumlar bulma konusundaki stnlkleridir. Parack sr optimizasyonu

80
81

algoritmas yerel ve kresel minimumlar bulma konusunda baarl bir algoritmadr. Bu


algoritmann odak bireyler kavram ile farkllatrlmas ve ama fonksiyonu olarak
bekleme analizine ynelik bir fonksiyonun tanmlanmas ile bu almada yer alan
sonulara ulalmtr.

Odak bireyli sr zekas optimizasyon algoritmasnn tesis yeri seimi problemlerinde


baarl olmasnn nedeni, dier bekleme algoritmalarndan ve melez algoritmalardan
farkl ekilde, bekleme srasnda performans kriteri olarak, kullancnn
belirleyebilecei herhangi bir maliyet denkleminin kullanlabilmesidir. Bu sayede
bekleme analizi zellikle maliyetin en kklenmesini hedefleyen ama fonksiyonuna
gre almaktadr.

Drdnc blmde de bahsedildii gibi OBSO ynteminin bir tahmin yntemi olarak
kullanlmas ayr bir almann konusudur. Benzer ekilde kapasite kst altnda tesis
yeri seimi problemlerinin bekleme analizi ile zm ve buna uygun bir algoritmann
gelitirilmesi yaplacak akademik almalarn bir sonraki adm olabilir. OBSO
ynteminin performansna etki eden odak bireylerin davran ile ilgili farkl
yaklamlarn ele alnmas, PSO' nun performansn arttrmaya ynelik gelitirilen
tekniklerin OBSO yntemine uygulanmas da dier almalarda incelenebilecek
konulardr.

81
82

KAYNAKLAR

ALBINO, V., GARAVELLI, A.C., GORGOGLIONE, M., 1998, Fuzzy logic in vendor
rating: a comparison between fuzzy logic system and neural network, Fuzzy
Economic Review, 3 (2), 25-48.

ANGELINE, P., 1998, Using Selection to Improve Particle Swarm Optimization,


Proceedings of the 1998 International Conference on Evolutionary Computation,
Alaska, USA, Piscataway NJ: IEEE Press, 84-89.

BABUSKA, R., VEEN, P.J., KAYMAK, U., 2002, Improved covariance estimation for
Gustafson Kessel clustering. Proceedings of 2002 IEEE International Conference
on Fuzzy Systems, 1081 - 1085, Honolulu, Hawaii.

BALASKO B., ABONYI J. and FEIL B., 2005, Fuzzy Clustering and Data Analysis
Toolbox For Use with MATLAB. http://www.fmt.vein.hu/softcomp/fclusttoolbox

BALLOU R., 1999, Business Logistics Management, Fourth Edition, Prentice-Hall,Inc.


Upper Saddle River, New Jersey.

BERGH, F., 2001, An Analysis of Particle Swarm Optimizers, Doktora Tezi, Faculty of
Natural and Agricultural Science of University of Pretoria

BERGH, F., ENGELBRECHT, A.P., 2006, A Study of Particle Swarm Optimization


Particle Trajectories, Information Sciences, 176, 937-971.

BEZDEK, J.C., 1981, Pattern Recognition with Fuzzy Objective Function Algorithms,
Plenum Press, New York.

BEZDEK J.C., DUNN J.C., 1975, Optimal fuzzy partitions: A heuristic for estimating
the parameters in a mixture of normal distributions. IEEE Transactions on
Computers, 835-838.

BHARITKAR, S., KYRIAKIS, C. 2001, Cluster centroid method for room response
equalization at multiple locations, IEEE Workshop on Applications of Signal
Processing to Audio and Acoustics, 55-58.

82
83

BONABEAU, E., MEYER, C., 2001, Swarm Intelligence: A Whole New Way to Think
about Business, Harvard Business review, Harvard Business School Publishing
Corporation.

CAN T., LNGRTRK, M., KOAK, H., 2006, Konveks Programlama ile Lojistik
Merkezlerinin Tespiti, Ynetim:stanbul niversitesi letme Fakltesi letme
ktisad Enstits Dergisi, Yl:17, Say:54-Haziran, 17-25.

CASTRO, L.N., 2002, Immune, Swarm and Evolutionary Algorithms Part I: Basic
Models, Proceedings of The 9th International Conference on Neural Information
Processing, Vol 3, 1464-1468.

CHEN, C., YE, F., 2004, Particle Swarm Optimization Algorithm and Its Application to
Clustering Analysis, Proceeding of the IEEE Conference on Networking, Sensing
& Control, Taipei, Taiwan, 789-794.

CHENG, T.W., GOLDGOF, D.B.,HALL, L.O. 1998, Fast fuzzy clustering , Fuzzy Sets
and Systems, 93, 49-56.

CHRISTOPHER, M., 1998, Logistics and supply chain management, Prentice Hall,
ngiltere, 0273630490.

CLERC, M., KENNEDY, J., 2002, The particle Swarm: Explosion, Stability and
Convergence in a Multi-Dimensional Complex Space, IEEE Transactions on
Evolutionary Computation, Vol 6. No 1, 58-73.

CLERC, M., 2006, Particle Swarm Optimization, ISTE, CA, 1-905209-04-5.

CORREA, E., FREITAS, A., JOHNSON, C., 2006, A New Discrete Particle Swarm
Algorithm Applied to Attribute Selection in a Bioinformatics Data Set,
Proceedings of the 8th annual conference on Genetic and evolutionary
computation, Washington ABD, 35-42

CUI, X., POTOK, T., PALATHINGAL, P., 2005, Document Clustering using Particle
Swarm Optimization, Proceedings of IEEE 2005 Swarm Intelligence Symposium,
8-10 Haziran 2005, TN, 185 191.

DRNG C., LESOT M., KRUSE R., 2006, Data analysis with fuzzy clustering
methods, Computational Statistics & Data Analysis, 51, 192-214.

DUNN J.C. (1974) . A fuzzy relative of the ISODATA process and its use in detecting
compact well-seperated clusters , Journal of Cybernetcis, Vol.3,No.3,32-57.

EBERHART, R.C., SHI, Y., 2000, Comparing Inertia Weights and Constriction Factors
in Particle Swarm Optimization, Proceedings of The IEEE Congress on
Evolutionary Computation, San Diego, USA, 84-88.

83
84

EMAMI, M. R., Turksen I.B., Goldenberg, A. A. (1996). An improved fuzzy modeling


algorithm, Part II:System Identification, Proceedings of 1996 Biennial Conference
of the North American Fuzzy Information Processing Society-NAFIPS, 294-298.

ESNAF, S., 1998, Incremental Change Analysis-Based Fuzzy Objective Modeling in


Medicine: Serum Lithium Concentration Prediction, Istanbul Universitesi, Isletme
Fakultesi Dergisi, 27, 19-28.

ESNAF, S., KKDENZ, T., 2006, A Fuzzy Clustering-Based Hybrid Method For
A Multi-Facility Location Problem, Proceedings of The 5th International
Symposium On Intelligent Manufacturing Systems, 304-317.

ESNAF ., KKDENZ T., 2007, Kapasite Kstl Atama Problemleri in Bulank


bekleme Esasl Bir zm Algoritmas, VI. Endstri-letme Mhendislii
Kurultay, 09-10 Kasm 2007, Bursa.

ESNAF, ., KKDENZ, T., 2008, Fuzzy C-Means and Center of Gravity


Combined Model for a Capacitated Planar Multiple Facility Location Problem,
International Conference On Multivariate Statistical Modeling and High
dimensional Data Mining, 19-23 Haziran 2008, Kayseri, 131.

ESNAF, ., KKDENZ, T., 2009, A Fuzzy Clustering-Based Hybrid Method For


A Multi-Facility Location Problem, Journal of Intelligent Manufacturing, 20 (2),
259-265

ESCHRICH, S., KE, J.W., HALL, L.O., GOLDGOF, D.B. 2003, Fast accurate fuzzy
clustering through data reduction, IEEE Transctions on Fuzzy Systems, 11 (2),
262- 270.

FILHO, V.A.D., 2006, Portfolio Management Using Value at Risk: A Comparison


Between Genetic Algorithms and Particle Swarm Optimization, Master Thesis,
University Rotterdam Informatics & Economics.

FOX, M. BARBUCEANU M., TEIGEN R., 2000, Agent-Oriented Supply Chain


Management, The International Journal of Flexible Manufacturing Systems, 12,
165-188.

GALVAO, R.D., 2004, Uncapacitated Facility Location Problems: Contributions,


Pesquisa Operacional, 24 (1), 7-38.

GIANNOCCARO, I., PONTRANDOLFO, P., 2001, Models for supply chain


management: A taxonomy, Twelfth annual conference of the production and
operations management society, Mart 30-Nisan 2 2001, Orlando FI.

GUNER, A.R., SEVKLI, M., 2008, A Discrete Particle Swarm Optimization Algorithm
for Uncapacitated Facility Location Problem, Journal of Artificial Evolution and
Applications, Vol 2008.

84
85

GUSTAFSON D.E., KESSEL W.C., 1979, Fuzzy clustering with fuzzy covariance
matrix. In Proceedings of the IEEE CDC, San Diego, 761-766.

HEPPNER, F., GRENANDER, U., 1990, A Stochastic Nonlinear Model for


Coordinated bird Flocks, The Ubiquity of Chaos, AAAS Publications, Washington
DC.

HOULIHAN, J., 1984, Supply Chain Management, Proceedings of the 19th


International Technical Conference, BPICS.

HU T., SHEU J., 2003, A fuzzy-based customer classification method for Demand-
responsive logistical distribution operations, Fuzzy Sets and Systems, 139, 431-
450.

J, C., ZHANG, Y., GAO, S., 2004, Particle Swarm Optimization for Mobile Ad Hoc
Networks Clustering, IEEE International Conference on Networking, Sensing and
Control, 1, 372-375.

KAEWKAMNERDPONG, B., BENTLEY, P., 2005, Perceptive Particle Swarm


Optimisation: An Investigation, 2005 IEEE Swarm Intelligence Symposium, June
8-10, 2005, Pasadena, California.

KENNEDY, J., 1999, Small Worlds and Mega-Minds: Effects of Neighborhood


Topology on Particle Swarm Performance, Proceedings of the 1999 Conference
on Evolutionary Computation, Piscataway NJ: IEEE Press, 1931-1938.

KENNEDY, J., 2000, Stereotyping: Improving Particle Swarm Performance With


Cluster Analysis, Proceedings of the 2000 Congress on Evolutionary
Computation, 2, 1507 1512.

KENNEDY, J., EBERHART, R.C., 1995, Particle Swarm Optimization, Proceedings of


IEEE International Conference on Neural Networks, NJ, USA, IEEE Service
Center, 1942-1948.

KENNEDY, J., RUI, M., 2002, Population Structure and Particle Swarm Performance,
Proceedings of the Evolutionary Computation on 2002, 1671-1676.

KOGAN, J., NICHOLAS, C., TEBOULLE, M., 2006, Grouping Multidimensional


Data: Recent Advances in Clustering, Springer, Netherlands, 3-540-28348-X.

KKDENZ, T., 2004, Tedarik Zinciri Ynetiminde Bulank Modelleme, Yksek


Lisans Tezi, stanbul niversitesi Fen Bilimleri Enstits

LAMBERT, D.M., COOPER, M.C., PAGH, J.D., 1998, Supply Chain Management:
Implementation Issues and Research Opportunities, The International Journal of
Logistics Management, 9(2), 1-12.

85
86

LANGDON, W.B., POLI, R., 2007, Evolving Problems to Learn about Particle Swarm
and other Optimisers, IEEE transactions on evolutionary computation, 11
(5), 561-578.

LASKARI, E.C., PAROPOULOS, K.E., VRAHATIS, M.N., 2002, Particle Swarm


Optimization for Integer Programming, Proceedings of the IEEE 2002 Congress
on Evolutionary Computation, Honolulu (HI), 1582-1587.

LEVIN Y., BEN-ISRAEL A., 2004, A heuristic method for large-scale multi-facility
location problems, Computers & Operations Research, 31, 257272.

L, X., 2004, Adaptively Choosing Neighborhood Bests Using Species in a Particle


Swarm Optimizer for Multimodal Function Optimization, Proceedings of Genetic
and Evolutionary Computation Conference, 3102, 105-116.

LN, F., TAN, G., SHAW, M., 1998, Modeling Supply-Chain Networks by a Multi-
Agent System, Proceedings of the Thirty-First Annual Hawaii International
Conference on System Sciences, 6-9 Ocak 1998, 105-112.

LU, J., YUAN, X., YAHAGI, T. 2006, A method of face recognition based on fuzzy
clustering and parallel neural networks, Signal Processing, 86, 2026-2039.

MERWE V. D., ENGELBRECHT, A. P., 2003, Data clustering using particle swarm
optimization. Proceedings of IEEE Congress on Evolutionary Computation 2003
(CEC 2003), Canbella, Australia, 215-220.

NAKA, S., GENJ, T., YURA, T., FUKUYAMA, Y., 2001, Practical Distribution State
Estimation Using Hybrid Particle Swarm Optimization, IEEE Power Engineering
Society Winter Meeting, Columbus, USA, 815-820.

NASCIMENTO, S., SOUSA, F., CASIMIRO, H., BOUTOV, D. 2005, Applicability of


fuzzy clustering for the identification of upwelling areas on sea surface
temperature images, UK Workshop on Computational Intelligence, 5-7 Eyll, 143-
148.

NEDJAH, N., MOURELLE, L.M., 2006, Swarm Intelligent Systems, Springer-Verlag,


ISBN: 3-54033-868-3

NEGRESIOS, M., PALHANO, A., 2006, The capacitated centered clustering problem,
Computers & Operations Research, 33, 1639-1663.

OMRAN, M., ENGELBRECHT, A. P, SALMAN, A., 2005., Dynamic Clustering


Using Particle Swarm Optimization with Allpication in Unsupervised Image
Classification, 199 204.

OMRAN, M., SALMAN, A. and ENGELBRECHT, A. P., 2002. Image classification


using particle Swarm optimization, Proceedings of the 4th Asia-Pacific
Conference on Simulated Evolution and Learning 2002 (SEAL 2002), Singapore,
370-374.

86
87

ZAKAR, N., ESNAF, ., 1998, Fuzzy Clustering-Based Part-Family Formation in a


Multicell Flexible Manufacturing System, Istanbul Universitesi, Isletme Fakultesi
Dergisi, 27, 19-28.

OZCAN, E., MOHAN, C.K., 1998, Analysis of a Simple Particle Swarm Optimization
System, Intelligent Engineering Systems Through Artificial Neural Networks, 253-
258.

OZCAN, E., MOHAN, C.K., 1999, Particle Swarm Optimization: Surfing The Waves,
Proceedings of The IEEE Congress on Evolutionary Computation, Piscataway,
USA, 69-73.

QUINN F.J., 2000, The Clockspeed Chronicles, Supply Chain Management Review, 3
(4), 60-64.

REVELLE C.S., EISELT H.A., 2005, Location analysis: a synthesis and survey,
European Journal of Operational Research, Vol.165, 1-19.

REYNOLDS, C.W., 1987, Flocks, herds and schools: a distributed behavioral model.
Computer Graphics 2(2), 91-108.

ROSS, D.F., 1998, Competing Through Supply Chain Management: Creating Market-
Winning Strategies through Supply Chain Partnerships, Chapman & Hall,
0412137216.

RUI, M., 2004, Population Topologies and Their Influence in Particle Swarm
Performance, Doktora Tezi, Departmento de Informatica, Universidade do Minho

SETTLES, M., RYLANDER, B., 2002, Neural Network Learning Using Particle
Swarm Optimizers, Advances in Information Science and Soft Computing, 224-
226.

SEVKLI, M., GUNER, A.R., 2006, A New Approach to Solve Uncapacitated Facility
Location Problems by Particle Swarm Optimization, Proceedings of 5th
International Symposium on Intelligent Manufacturing Systems, Mays 29-31,
237-246

SHEU J., 2002, A fuzzy clustering-based approach to automatic freeway incident


detection and characterization, Fuzzy Sets and Systems, 128, 377-388.

SHEU J., 2006, A novel dynamic resource allocation model for demand-responsive city
logistics distribution operations, Transportation Research Part E: Logistics and
Transportation Review, 42 (6), 445-472.

SHEU J. ,2007, A hybrid fuzzy optimization approach to customer grouping-based


logistics distribution to operations, Applied Mathematical Modeling, 31, 1048-
1066.

87
88

SHI, Y. H., EBERHART, R. C., 1998, Parameter Selection in Particle Swarm


Optimization, Proceedings of The 7th Annual Conference on Evolutionary
Programming, San Diego, CA. 591-600.

SHI, Y., EBERHART, R.C., 1998, A Modified Particle Swarm Optimizer, Proceedings
of IEEE International Conference of Evolutionary Computation, Anchorage,
Alaska.

SHI, Y., EBERHART, R.C., 1999, Empirical Study of Particle Swarm Optimization,
Proceedings of the 1999 Congress on Evolutionary Computation, 3, 1950

SHI, Y., EBERHART, R.C., 2001, Fuzzy Adaptive Particle Swarm Optimization,
Proceedings of The IEEE Congress on Evolutionary Computation, IEEE Press:
Soul, Korea.

SIERRA, M.R., COELLO, C., 2006, Multi-Objective Particle Swarm Optimizers: A


Survey of the State-of-the-Art, International Journal of Computational
Intelligence Research, Vol. 2, No. 3.

SUGANTHAN, P.N.,1999, Particle Swarm Optimizer with Neighborhood operator,


Proceedings of The IEEE Congress on Evolutionary Computation, IEEE Press:
Piscataway, USA, 1958 1962.

SULE D.R., 2001, Logistics of facility location and allocation, Marcel Dekker Inc.,
New York, 0824704932.

TILLETT J., Rao T.M., Sahin F., and Rao R.,2005, Darwinian Particle Swarm
Optimization, in the Proceedings of the 2nd Indian International Conference on
Artificial Intelligence (IICAI-05), pp. 1474-1487, December 20-22 2005, Pune,
India.

THAI, A.B., 2007, Evaluation of Using Particle Swarm Intelligence To Produce


Facility Layout Solutions, Master of Engineering, University of Louisville School
of Engineering Dept. of Computer Science.

TOWILL, D.R., 1996, Industrial dynamics modeling of supply chains, International


Journal of Physical Distribution & Logistics Management, 26 (2), 23-42

TRELEA, I.C., 2003, The Particle Swarm Optimization, Algorithm: Convergence


Analysis and Parameter Selection, Information Processing Letters, 85, 317-325.

TRKEN, I.B., ESNAF, ., 1997, Financial Data Forecasting Using Fuzzy Objective
Modeling, Proc. IV. Congress of The International Society of Fuzzy Management
and Economics, Santiago de Cuba, 2, 1-16.

TRKEN, I.B.,ESNAF, ., 1998, Spare Parts Problem Revisited, 1st National


Production Conference, Eyll 30-31, 334-338.

88
89

UJJIN, S. ve BENTLEY, P. J., 2003, Particle Swarm Optimization Recommender


System. In Proceedings of the IEEE Swarm Intelligence Symposium,.
Indianapolis, 124 - 131.

UTKAN, F., 2006, Tesis Yerleim Problemleri iin Takm Zekas Tabanl Bir Rassal
Eniyileme Algoritmas, Yksek Lisans, Osmangazi niversitesi Fen Bilimleri
Enstits.

WHITE, T., 1997, Routing with Swarm Intelligence, Technical Report SCE-97-15,
Systems and Computer Engineering, Carleton University, September 1997.

XIA, W., WU, Z., 2005, An Effective Hybrid Optimization Approach for Multi-
Objective Flexible Job-Shop Scheduling Problems, Computers And Industrial
Engineering, Vol 48, 409-425.

YANO, F., SHAHDOHJI, T., TOYODA, Y., 2008, Modification of Hybridized Particle
Swarm Optimization Algorithms Applying to Facility Location Problems,
Proceedings of the 9th Asia Pasific Industrial Engineering & Management
Systems Conference,3-5 Aralk, Endonezya, 2278 2287

YAPICIOLU, H., DOZIER, G., SMITH, A.,2004, Bi-Criteria Model for Locating a
Semi-Desirable Facility on a Plane Using Particle Swarm Optimization,
Proceedings of the 2004 congress on evolutionary computation, 2371

YOSHIDA, H., KAWATA, K., FUKUYAMA, Y., NAKANISHI, Y., 2000, A Particle
Swarm Optimization For Reactive Power and Voltage Control Considering
Voltage Stability, Proceedings of The International Conference on Intelligent
System Application to Power System, Rio de Janeiro, Brazil, 117-121.

ZALIK, K.R., 2006, Fuzzy C-Means Clustering And Facility Location Problems,
Proceedings of the 10th IASTED International conference on Artificial Intelligence
and Soft Computing, 28-30 Au. 2006, Palma de Mallorca, spanya, 256-261

89
90

ZGEM

Tark Kkdeniz, 1979 ylnda stanbul' da dodu. lk ve ortareniminin ardndan


1997 ylnda Kabata Erkek Lisesi' nden mezun oldu. Ayn yl girdii stanbul
niversitesi Endstri Mhendislii Blmnn 2001 ylnda lisans, 2004 ylnda da
yksek lisans programlarn bitirdi. 2001 ylndan bu gne dek ayn blmde aratrma
grevlisi olarak grev almaktadr.

90
91

1. GR .................................................................................................................... 1
1.2. KATKILAR .................................................................................................... 2
1.3. TEZN ANA HATLARI................................................................................. 3
2. GENEL KISIMLAR ............................................................................................. 4
2.1. TEDARK ZNCR YNTEM .................................................................. 4
2.1.1. Tedarik Zinciri Kavram .......................................................................... 4
2.1.2. Tedarik Zinciri Ynetimi Kavram .......................................................... 5
2.1.3. Tedarik Zinciri Ynetimi Bileenleri ...................................................... 6
2.2. TEDARK ZNCRNN MODELLENMES................................................ 6
2.2.1. Tedarik Zinciri Problemleri ..................................................................... 7
2.3. TEDARK ZNCR YNETM MODELLER .......................................... 9
2.3.1. Kavramsal Modeller ................................................................................ 9
2.3.2. Analitik Modeller .................................................................................. 10
2.3.3. Yapay Zek Tabanl ve Sezgisel Modeller ............................................ 11
2.3.4. Simlasyon Modelleri ........................................................................... 12
2.4. TESS YER SEM PROBLEM.............................................................. 13
2.4.1. Kapasite Kstsz oklu Tesis Yeri Seimi Problemleri ....................... 15
2.4.2. oklu Tesis Yeri Seimi Problemlerinde bekleme Analizi ................ 16
2.4.3. Talep Noktalarnn Corafi beklemesi in Bulank C-Ortalamalar
Algoritmas .......................................................................................................... 18
2.4.4. Talep Noktalarnn Corafi beklemesi in Gustafson Kessel
bekleme Algoritmas ........................................................................................ 20
2.4.5. Tesis Yerlerinin Tespiti iin Melez Yntemler ..................................... 23
2.4.6. Bulank bekleme - Arlk Merkezi Melez Yntemi .......................... 23
2.4.7. Bulank bekleme - Konveks Programlama Melez Yntemi ............... 24
2.4.8. Ulatrma Maliyetinin Hesaplanmas .................................................... 25
2.5. SR ZEKASI............................................................................................. 26
2.6. PARACIK SR OPTMZASYONU YNTEM ................................. 28
2.6.1. k Noktas ......................................................................................... 28
2.6.2. Standart Algoritma ................................................................................ 30
2.6.3. Uygulama Alanlar ................................................................................ 36
2.6.4. PSO Yntemi ile Evrimsel Hesaplama Yntemleri Arasndaki liki... 39
2.6.5. Performans Artrmaya Ynelik Dzenlemeler ..................................... 39
2.6.6. 1 Tip Parack Sr Optimizasyonu Modeli ...................................... 42
2.6.7. Srnn En yisi in nerilen Yntemler: .......................................... 43
2.6.8. PSO Tabanl bekleme Analizi Yntemleri ......................................... 46
2.6.9. PSO Tabanl Tesis Yeri Seimi Yntemleri.......................................... 48
3. MALZEME VE YNTEM ................................................................................ 50
3.1. ODAK BREYL SR OPTMZASYONU BEKLEME YNTEM .. 50
3.1.1. Modelin Yaps ...................................................................................... 51
3.1.2. Balang lemleri ................................................................................ 53
4. BULGULAR ....................................................................................................... 57
4.1. V ndeksi ....................................................................................................... 58
4.2. Dunn ndeksi ................................................................................................. 59
4.3. Test Veri Kmelerinde Sonular .................................................................. 60
4.3.1. I. Test Veri Kmesi (IRIS Veri Kmesi) .............................................. 60
4.3.2. II. Test Veri Kmesi .............................................................................. 63
4.3.3. III.Test Veri Kmesi .............................................................................. 69
4.3.4. Tesis Yeri Seimi Probleminde OBSO Yntemini uygulanmas .......... 73

91
92

5. TARTIMA VE SONU ................................................................................... 77


KAYNAKLAR ........................................................................................................... 82
ZGEM ................................................................................................................ 90

Tablo 2.1: Standart PSO algoritmasnn parametreleri ................................................... 35


Tablo 4.2: Iris veri kmesinde bekleme yntemlerinin Dunn indeksine gre baarm
(Byk deerler daha iyi)................................................................................................ 62
Tablo 4.3: Iris veri kmesinde bekleme yntemlerinin V indeksine gre baarm
(Kk deerler daha iyi)................................................................................................ 62
Tablo 4.4: 51 noktal veri kmesinde bekleme yntemlerinin V indeksine gre
baarm (Kk deerler daha iyi) ................................................................................. 68
Tablo 4.5: 51 noktal veri kmesinde bekleme yntemlerinin Dunn indeksine gre
baarm (Byk deerler daha iyi) ................................................................................. 69
Tablo 4.6: 400 noktal veri kmesinde bekleme yntemlerinin V indeksine gre
baarm (Kk deerler daha iyi) ................................................................................. 72
Tablo 4.7: 400 noktal veri kmesinde bekleme yntemlerinin Dunn indeksine gre
baarm (Byk deerler daha iyi) ................................................................................. 72
Tablo 4.8: Tesis yeri seimi problemi iin kullanlan 51 noktann koordinat ve talep
verisi ................................................................................................................................ 74
Tablo 4.9: Tesis yeri seimi probleminde hesaplanan maliyet parametresi deerleri .... 75
Tablo 4.10: Tesis yeri problemi iin sonu bek merkezi koordinatlar......................... 75
Tablo 4.11: Tesis yeri problemi iin sonu bek merkezi koordinatlar......................... 76

92
93

93