Anahtar Kelimeler: Dinamik Çizelgeleme, Teslim Tarihi, Yapay Sinir AglarıBu çalısmada dinamik atölye çizelgelemede teslim tarihi belirleme yöntemlerinealternatif olarak daha iyi sonuçlar üretebilecegi düsünülen bir yapay sinir agıyaklasımı sunulmakta ve olurlulugu gösterilmektedir. Yapay sinir agı modelininperformansını ölçebilmek amacıyla karsılastırma yapılabilecek bes farklı regresyonmodeli seçilmistir.Çalısmayı yapabilmek için öncelikle olay artımlı bir benzetim yazılımıgelistirilmistir. Yazılımın ürettigi verilerle regresyon model denklemleriolusturulmus ve ayrıca yapay sinir agı modelinin teslim tarihi belirlemek üzereegitimi yapılmıstır. Yapay sinir agı modeli olarak geriye yayılımlı yapay sinir agıkullanılmıs ve bir yapay sinir agı yazılımı gelistirilmistir. Regresyon modelleriolusturulduktan ve yapay sinir agı egitildikten sonra benzetim yazılımı tekrar bu defakarsılastırma amaçlı olarak çalıstırılmıstır. Regresyon modelleri için her birmodeldeki denklem kullanılarak teslim tarihleri belirlenerek benzetim yapılarakperformans ölçütleri hesaplanmıs ve saklanmıstır. Yine yapay sinir agı kullanılarakteslim tarihlerinin belirlendigi benzetim yapılmıs ve performans ölçütlerikaydedilmistir.Söz konusu bu çalısmalar en kısa islem süreli ve en erken teslim tarihli öncelikkuralları için ayrı ayrı yapılmıstır. Modelleri karsılastırmak amacıyla performansölçütleri olarak teslim tarihinden ortalama mutlak sapma, teslim tarihinden mutlaksapmalarının kareleri ortalaması, ortalama pozitif gecikme, pozitif geciken is sayısı,ortalama negatif gecikme ve negatif geciken is sayıları kullanılmıstır. Çalısmasonucunda yapay sinir agı modelinin teslim tarihi belirlemede olurlulugugörülmüstür. Hem en kısa islem süreli önce ve hem de en erken teslim tarihli önceöncelik kuralları açısından birkaç performans ölçütü açısından iyi sonuçlar vermistir.Yapay sinir agının en kısa islem süreli performans ölçütünde genel olarak daha iyisonuç verdigi görülmüstür.
Keywords: Dynamic Scheduling, Due Date, Artificial Neural NetworksIn this study, an artificial neural network approach is considered to perform betterthan conventional due date determination methods in dynamic job shop scheduling ispresented and its feasibility is showed. Five different regression models are selectedto compare the performance of the artificial neural network model.An event oriented simulation software is developed to perform this study. Dataproduced by this software are used to build the regression models and to train theartificial neural network. Building the regression models and training the artificialneural network, the simulation software is run to compare these models. Performancemeasures are computed and recorded using the regression models. Also simulationsoftware is run using the artificial neural network model to determine due dates andthe performance measures are recorded.Studies mentioned above are done for each dispatching rule of shortest processingtime and earliest due date. Performance measures are mean absolute deviation oflateness, mean squared error of lateness, mean tardiness, number of tardy jobs, meanearliness and number of early jobs. At the end of the study, it is observed that theartificial neural network model is feasible to determine due dates. Better results areobtained in some performance criteria for the shortest processing time and theearliest due date dispatching rules. In general, the artificial neural network modelgives the better results for the shortest processing time rule.
