tedar kz nc raı tasarımında parçacık sürüsü opt m zasyon yöntem le

TEDAR K Z NC R A I TASARIMINDA PARÇACIK SÜRÜSÜ
OPT M ZASYON YÖNTEM LE ÇAPRAZ YÜKLEME YERLER N N
BEL RLENMES
Bilal
MAN
Afyon Kocatepe Üniveristesi
Hacer ARIOL
Afyon Kocatepe Üniveristesi
Ali ELEREN
Afyon Kocatepe Üniveristesi
ÖZET
Uygulamada kullanlan model çoklu ürün, merkezi imalat tesisi, çoklu çapraz yükleme ve da tm
merkezleri ve perakendecilerden olu maktadr. Çal mann amac, depo ve çapraz yükleme merkezlerinin
i letim maliyetlerini, ta ma, stokta tutma ve da tm maliyetlerini en küçüklemeye yönelik olacaktr.
Mü teriler veya mü teri bölgeleri sadece bir çapraz yükleme merkezine atanrken çapraz yükleme merkezleri
de sadece bir depoya atanacaktr. Bu sayede amaca yönelik en uygun sayda da tm merkezi saysna
ula lm olunacaktr. Çal mann literatüre iki önemli katks bulunmaktadr. Birincisi tedarik zinciri a 
tasarm probleminde çapraz yükleme ve da tm merkezlerinin yerlerinin ve saysnn belirlenmesi. kincisi,
modelin birçok ba arl uygulamalarda kullanlan parçack sürüsü optimizasyonu sezgisel yöntemi ile saysal
performansnn de erlendirilmesidir.
Parçack sürüsü optimizasyonu (PSO) popülasyon tabanl bir optimizasyon tekni idir. Bu teknik yerel
en iyi sonuçlar ile bütünsel en iyi sonuçlara oldukça yakla maktadr. Model en iyi sonucu verecek ekilde
GAMS matematiksel programlama ile çözülmü ve en iyi çözüm önerilen algoritma ile kar la trlm tr.
Anahtar Kelimeler: Çapraz Yükleme, Matematiksel Modelleme, Parçack Sürüsü Optimizasyonu,
Tedarik Zinciri A  Tasarm
A PARTICLE SWARM OPTIMIZATION METHOD FOR THE LOCATION OF CROSS DOCKS IN
SUPPLY CHAIN NETWORK DESIGN
ABSTRACT
The model that is used in this paper consist of multi product, central production plant, multi cross docks
and warehouses and suppliers. The purpose of this study is to privide minimum fixed cost of warehouse and
cross docks centers, operation costs, transportation, holding and distributions costs. While customer zones
must be assigned only one cross docks, cross docks centers must be assigned only one warehouse. So, the
optimum number of distribution centers will have been opened to provide minimum cost. The study have two
contributions in literature. First, find the optimal locaitons and numbers for warehouses and cross docks in
supply chain network design. Second, quantitative performance of the model evaluate with particle swarm
optimization heuristic method which is used for successful applications before.
Particle swarm optimization (PSO) is a population based optimization technique. This technique nearly
approaches global best solutions with local best solutions. The model is solved with GAMS mathematical
programming to give the optimal solution and this is compared with proposed algorithm.
Keywords: Cross Dock, Mathematical Model, Partical Swarm Optimization, Supply Chain Network
Design
518
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011
1. G R
Küreselle me ile de i en rekabet artlar, tedarik zinciri ve lojistik yönetim sistemlerine küresel bir
boyut kazandrm tr. Hammaddeden nihai ürüne kadar satn alnan, üretilen ve mü terilere sevk edilen
malzemeler artk ulusal snrlar a arak küresel yollarda dola maktadr. De i en ve geli en boyutlaryla
geçmi te önemi zaten bilinen tedarik zincirinde a tasarm problemleri de küresel geli meler   nda
önemini artrarak korumaktadr.
Düzgün bir tedarik zinciri a  tasarm uluslararas anlamnda çok önemli stratejik kararlar verilmesinde
düzenleyici bir yapya sahiptir. Tedarikçi a  tasarm problemi tüm tedarik zincirinde uzun dönem etkin
çal ma için en iyilemeye ihtiyaç duyulan en kapsaml stratejik karar problemlerinden biridir. Bu yap
sayesinde tesis ve da tm merkezi says, kapasitesi, tipi belirlenebilmektedir (Ballou, 2004).
Tedarik zinciri a  tasarm problemi ve çözüm teknikleri ile alakal birçok çal ma yaplm tr. Bu
çal malar saysal örnekler e li inde matematiksel formulasyonlar ile birlikte verilmi tir. Modeller gerçek
hayattaki problemleri daha iyi yanstabilmesi açsndan çoklu ürün, malzeme ihtiyaç kstl, esnek tedarik
zinciri, çoklu ta ma ve stok kontrollü gibi varsaymlar içerecek ekilde tasarlanm tr.
Cohen ve Lee (1989) deterministik karma tamsayl do rusal olmayan matematiksel programlama
modeli geli tirmi olup bu alandaki öncü çal malardan birini yapm lardr. Önerilen model, ekonomik
sipari miktar tekni ine dayal olarak küresel bir tedarik zinciri plan geli tirmektedir.
Nozick ve Turnquist, (2001) DM yeri belirleme karar verilirken stok maliyetleri, ta ma maliyetleri ve
hizmet seviyesi açsndan entegreli bir bak açs sa layarak modelleme yakla m önermi lerdir. Bu
makalenin amac yerle im modellerinin seçimin, stok tutma analizine ve tüm lojistik sistem içerinde ki
ki ilerin memnuniyetine odaklanm tr.
Jayaraman ve Ross (2003) çok a amal deterministik bir üretim da tm modeli için tavlama benzetimini
kullanm lar, farkl problem senaryolar ve parametre setleri için performans de erlendirmesi yapm lardr.
Ylmaz (2004) üç a amal üretim-da tm a  için stratejik planlama problemini göz önüne alm tr.
ncelenen problem tek ürünlü, çok tedarikçili çok üreticileri ve çok da tcl deterministik bir tedarik zinciri
a  tasarlam tr. Makalenin amac ta ma, stok ve üretimden olu an toplam maliyetleri en küçüklemektir.
Paksoy (2005) malzeme ihtiyaç kst altnda çok a amal bir tedarik zinciri a  tasarm için karma
tamsayl bir do rusal programlama modeli geli tirmi tir.
Lin vd. (2007) melez bir genetik algoritma yöntemi ile geleneksel bir tedarik zinciri a  için elde eti i
sonuçlar esnek bir tedarik zinciri a nda da çözerek kar la trm ve avantajlarndan bahsetmi tir.
Bachlaus ve arkada lar (2008) çok kademeli tedarik zinciri a  tasarm problemi üzerinde durmu ve
tedarik zincirinde ki tasarm kriterini mü teri hassasl , süreçler, a lar ve bilgi sistemini entegre ederek
çevikli i dikkate alm tr. Amaç, bu be kademeyi çeli en amaçlaryla birlikte entegre edebilmek ve SCOR
modeli tabannda be tedarikçi ve tesisi tanmlamaktr. Önerilen model, taguchi melez parçack sürüsü
optimizasyon yöntemi ile tedarik zinciri boyunca malzeme ak n en iyilemekte, en iyi sayda tedarikçi, tesis
ve da tm merkezi saysn belirlemekte ve en iyi bir ekilde çapraz yükleme noktas-mü teri atanmasn
gerçekle tirmektedir.
Kuo ve Han (2011) tedarik zinciri da tm problemi için iki seviyeli do rusal programlama
uygulam lar ve genetik algoritma (GA) ile parçack sürüsü optimizasyon (PSO) yöntemlerinin birle tirilmesi
ile etkin bir metot geli tirmi lerdir. Önerilen model tedarik zinciri da tm literatürüne GA ve PSO ile
sonuçlar kar la trarak yeni bir boyut kazandrm tr.
Çal mann amac tedarik zinciri a  tasarmnda parçack sürüsü optimizasyon yöntemi ile çapraz
yükleme ve depolarn yerlerinin belirlenmesi, açlan da tm merkezlerinin sonucunda ürünlerin son
mü teriye ula masna kadar olu an toplam ta ma maliyetlerinin en küçüklenmesine yöneliktir. Çal mada
kullanlan model Jayaraman ve Ross (2003) makalesinden alnm tr. Bu model öncelikle matematiksel
programlama mant  ile çözülmü ve çkan sonuçlar sürü zekâsndan yola çkarak Parçack Sürü
Optimizasyonu (Particle Swarm Optimization) yöntemi ile kar la trlm tr.
519
B. i man, H. Arol, A. Eleren
Yaplan çal ma tedarik zinciri a  tasarmnda stratejik öneme sahip olan depo ve çapraz yükleme
yerlerinin açlmas sezgisel bir en iyiyi arama yöntemi olan PSO ile aranmas ayrca literatüre bir katk
sa lam tr.
2. TEDAR K Z NC R YÖNET M NDE DA ITIM A LARININ TASARIMI
Rekabeti yo un olan bir pazarda ayakta kalmaya çal an i letmeler, rekabet avantaj kazanmak için
mü teri odakl çal mak zorundadr. Bu da sürekli olarak de i en mü teri gereksinimlerine kar n esnek ve
hzl olmay gerektirmektedir. Bu do rultuda tedarik zinciri yönetimi oldukça etkili bir yakla mdr.
Tipik bir tedarik zinciri sistemine sahip i letmelerin ürünlerini etkili bir ekilde da tabilmeleri için iyi
tasarlam bir a sistemine ihtiyaçlar vardr. Tedarik zinciri a planlama problemi hangi ürünün hangi
kayna nda çkp talep noktasna ula mas gerekti ini belirlemeye yönelik özel bir süreçtir. Bu durum
tesislerin yerlerinin belirlenmesi, tesislerden kaç tane olmas gerekti i, nerelerde kurulmas gerekti i,
ürünlerin ve mü terilerin hangilerine atanmas gerekti i gibi kararlar içerir. Tedarik zinciri yönetiminde
genel bir ürün ak  mü teri taleplerinin depolardan veya direkt olarak tesisler veya satclar tarafndan
kar lanmas yöntemiyle olabilmektedir. A tasarm problemleri sadece tedarikçi-mü teri arasnda tek
kademeden olu abilece i gibi, tedarikçi-üretici-depo-mü teri eklinde çok kademeden de olu abilmektedir
(Ballou, 2004). ekil 1’de çok kademeli bir tedarik zinciri verilmi tir.
ekil 1. Tedarik Zinciri Üyeleri
Tedarik zincirindeki tesis says arttkça, stok ve bu stoklardan kaynaklanan maliyetler artar. Bu
nedenle, irketler stok maliyetlerini azaltmak için tedarik zincirlerindeki tesislerini birle tirmeye ve saylarn
azaltmaya çal rlar. Örne in, Amazon.com’un stok dönü üm oran ylda 12 iken, Borders’n stok dönü üm
oran ise yalnzca ylda 2’dir. Tesis maliyetleri ise tesis says azaldkça azalr, çünkü az sayda tesis ile ayn
hacimde i yapmak ölçek ekonomisinden yararlanmamz sa lar. Fakat sektöre ba l olarak mü teriye taze
ürün ula trabilmek ve ikame ürünlere kar  pazar payn koruyabilmek için hizmet düzeyini artrmak,
mü teriye yakn yerlerde tesis bulundurmay gerektirmektedir. Burada bir ödünle me söz konusudur (Levi ve
Kaminsky, 2003).
A tasarm bir firmann stratejik amaçlarnn ba arlmasn sa lar. Tesislerin says ve yeri, ürünlerin
depolar ile mü teriler arasnda atanmas, da tm merkezlerinin kapasitesi, tesisler ve çapraz yükleme
noktalar a tasarm sürecinde oldukça önemli fonksiyonlardr. Hedefler mü teri hizmet seviyesi ve da tm
merkezlerinde ki stok seviyesine göre belirlenmelidir.
yi tasarlanm bir tedarik zincirinin sa lad  faydalar u ekilde sralayabiliriz (Waters, 2003):
1. Üreticiler mü teriye kolay ve rahat ula abilmek için üretim tesislerini en iyi yerde konumlandrrlar.
2. Üreticiler etkin TZY ile büyük miktarda bitmi ürün sto u tutmayacaklardr.
3. Toptanclar büyük sipari ler tutacaklardr ve üreticilerde dü ük maliyetlerle ta malar
gerçekle tirmi olacaklardr.
520
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011
4. Toptanclar perakendecilere ürün çe idi sunma açsndan birkaç tedarikçiden stok ürün
isteyeceklerdir.
5. Toptanclar perakendecilere yakn olacak ve ksa teslim zamanlar olacaktr.
6. Toptanclarn güvenilir teslimatlarndan dolay perakendeciler dü ük stok tutacaklardr.
7. letmeler özel alanlarda uzmanla abileceklerdir.
3. PARÇACIK SÜRÜSÜ OPT M ZASYON YÖNTEM
Parçack Sürüsü (particle swarm) Optimizasyonu (PSO), 1995 ylnda J.Kennedy ve R.C.Eberhart
tarafndan; kus sürülerinin davran larndan esinlenilerek geli tirilmi popülasyon tabanl stokastik
optimizasyon tekni idir. Do rusal olmayan problemlerin çözümü için tasarlanm tr. Çok parametreli ve çok
de i kenli optimizasyon problemlerine çözüm bulmak için kullanlmaktadr. PSO, genetik algoritmalar gibi
evrimsel hesaplama teknikleriyle birçok benzerlik gösterir. Sistem rasgele çözümler içeren bir popülasyonla
ba latlr ve nesilleri güncelleyerek en optimum çözümü ara trr. PSO da parçack olarak adlandrlan olas
muhtemel çözümler, o andaki optimum parçac  izleyerek problem uzaynda dola rlar.
PSO’nun klasik optimizasyon tekniklerinden en önemli farkll  türev bilgisine ihtiyaç duymamasdr.
PSO’yu uygulamak, algoritmasnda ayarlanmas gereken parametre saysnn az olmas sebebiyle oldukça
basittir. PSO fonksiyon optimizasyonu, bulank sistem kontrolü, yapay sinir a  e itimi gibi birçok alanda
basaryla uygulanabilmektedir (Tamer ve Karakuzu 2006).
4. PROBLEM N TANIMLANMASI ve MATEMAT KSEL MODEL
Çal mada kullanlan model Jayaraman ve Ross (2003) makalesinden alnm tr. Bu modeli
kullanmamzda ki temel amaç, çapraz yükleme sisteminin matematiksel model içerisinde kullanlmas ve
modelin etkin sonuçlar vermesidir. Çal ma, örnek bir gda i letmesinin u anki ko ullar dikkate alnarak
çözdürülmü ve çkan sonuçlar parçack sürüsü optimizasyon yöntemi ile kar la trlm tr. Problemde
i letme Konya’da ki merkezi imalat tesisinden aday depo yerleri olarak Bursa, Samsun ve Malatya illerinden
biri veya birkaçn kullanarak ürünlerini ta mak istemektedir. Ayrca i letme stanbul, zmir, Mardin,
Trabzon ve Ankara illerine aday çapraz yükleme merkezleri açmay dü ünmektedir. Bu sayede depolardan
çkan ürünler mü terilere ula madan önce çapraz yükleme merkezlerinde bir araya getirilerek toplanacaktr.
Bu sayede ürünler stokta tutulmayacak ve direk olarak nihai mü teriye ula trlm olacaktr.
Çal mann amac Jayaraman ve Ross (2003) tarafndan geli tirilen modelin çözümünü parçack sürüsü
optimizasyon (PSO) yöntemi ile aramak ve çkan sonuçlar iterasyon baznda matematiksel programlama
tekni i ile çkan sonuçlar ile kar la trmaktr.
4.1. Modelin Varsaymlar
Çok kademeli çok ürünlü bir tedarik zinciri a  tasarm problemi için varsaymlar u
tanmlanm tr.
ekilde
Türkiye’deki 10 il merkezi talep noktalar olarak alnm tr.
Her bir ilin (talep noktas) talebi biliniyor ve sabittir.
Model çok ürünlü ve çok kademeli bir yapya sahiptir.
Her bir mü terinin talebi sadece tek bir çapraz yükleme merkezi tarafndan kar lanacaktr.
Her bir çapraz yükleme sadece tek bir depoya atanacaktr.
Depolarn toplam kapasiteleri önceden bilinmekte ve snrldr.
Üretim tesisinden da tm merkezlerine ve da tm merkezlerinden mü terilere gerçekle en ta ma
maliyetleri biliniyor ve sabittir.
4.2. Matematiksel Model
Model açlmas muhtemel çapraz yükleme ve depolarn i letim maliyetini, ürünlerin depolardan çapraz
yükleme merkezlerine ta ma maliyetini, çapraz yükleme merkezlerinden mü terilere ula trma maliyetini
(elde tutma ve stok tutma maliyeti dahil) en küçüklemeye yönelik olacaktr.
521
B. i man, H. Arol, A. Eleren
4.3. Sezgisel Prosedür
PSO optimum ya da optimuma yakn çözüm bulmak için önce her biri çözüm aday olan parçacklar
olu turur. Bu bireyler belli snrlar içerisinde rastgele seçilir. Bireylerin bir araya gelmesiyle çözüm için
gerçekle tirilen popülasyon olu turulur. Parçack hareket etti inde koordinatlarn bir fonksiyona gönderir ve
parçac n uygunluk de eri (optimum çözüme olan uzakl ) ölçülmü olur. Parçac n konum bilgisi
(koordinatlarn), hz (çözüm uzaynda ne kadar hzla ilerledi i) ve güncel en iyi uygunluk de eri ile bu
de eri elde etti i koordinatlar hafzada tutulmaldr(Der vd. 2008). Her parçac n o ana kadar ba ard 
Pbest ve populasyonun o ana kadar ba ard  Gbest noktalarna ilave olarak ayrca rassal bir parçack
koordinat da seçilmektedir. Bu seçilim aramaya globallik kazandrmakta ve çözüm aranan bölge d nda
kalabilecek muhtemel bir sonucun göz ard edilmesi riskini azaltmaktadr.
A a da PSO’ya dair formulasyon bulunmaktadr.
Vik+1 =
Vik +
c1 r1(Pbestik - Xik)
+
c2 r2(Gbestk - Xik)
+
c3r3 (Rk-Xik)
Atalet
Ki isel Etki
Sosyal Etki
Pasif Katlm
(Inertia)
(Personal Influence)
(Social Influence)
(Passive Congregation)
Xik+1 = Xik + Vik+1
= Atalet Çarpan
c1 = Sabit Çarpan (0,8)
c2 = Sabit Çarpan (0,8)
c3 = Sabit Çarpan (0,6)
r1 = 0 ile 1 arasnda rastsal say
r2 = 0 ile 1 arasnda rastsal say
r3 = 0 ile 1 arasnda rastsal say
Pbestik (Personel Best) = i. parçac n k. iterasyonuna kadar ald  en iyi koordinat
Gbestk (Global Best) = Populasyondaki parçacklarn o ana kadar ald  en iyi koordinat
Rk (Random Point) = k. iterasyonda seçilen rastsal bir parçac n koordinat
Xik = i. parçac nn k iterasyonundaki koordinat
Xik+1 = i. parçac nn k+1 iterasyonundaki koordinat
Vik = i. parçac n k iterasyonu için hesaplanan hz vektörü
Vik+1 = i. parçac n k+1 iterasyonu için hesaplanan hz vektörü
Bu yöntemin en önemli yan; hem parçac n hem de sürünün ö renmesidir. Bu ikisinin entegrasyonuna
ayrca rastsal seçilen bir parçac n dâhil olmas rastsal bir parçac a ans verilerek geni alanda arama
yapabilme kabiliyetini vermektedir. Bu ekilde herhangi bir parçac n yanl bir hareketi populasyon
tarafndan so urulmakta ve bu parçac n populasyonu olumsuz etkilemesi minimuma indirgenmektedir.
PSO algoritmasnn admlar ekil 2’de gösterilmektedir:
4.4. Çal mann Hesaplama Sonuçlar
Bu bölümde, önerilen parçack sürüsü optimizasyon algoritmasnn performansn de erlendirmek için
hesaplama sonuçlar sunulacaktr. Probleme ait veriler bir gda i letmesine aittir. Mü teri talepleri her biri
için farkl olup de i kenlik göstermektedir. Ayrca i letme mü terilerine maksimum düzeyde hizmet
verebilmek için etkin bir tedarik zinciri a  tasarlamak istemektedir. Modelin amac toplam ta ma maliyetini
an küçükleyecek ekilde en uygun sayda depo ve çapraz yükleme açabilecek sonuçlar bulmaktr. Problemin
çözüm prosedüründe açlacak tesis ve depo setlerinin says ve yerleri, bunlarn sonucunda olu acak
maliyetler ve deneysel kar la trmalar Pentium Dual CPU 1.80 GHz özellikli bilgisayar da GAMS 23.5
programlama dilinde CPLEX 12.2 modülü ile MATLAB 7.7.0.471(R2008b) adl yazlm paketi ile kodlar
olu turulan sezgisel bir arama algoritmasna sahip parçack sürüsü optimizasyon yöntemi arasnda
yaplacaktr.
522
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011
Algoritma çal maya ba lar.
Populasyon ve terasyon Saysnn
kullanc tarafndan sisteme
girilmesi istenir.
Girilen populasyon says
do rultusunda her parçac a rassal
koordinatlar atanr.
Hz vektörü ile mevcut
koordinatlar toplanarak yeni
koordinatlar belirlenir.
Parçacklarn atandklar
koordinatlara göre amaç
fonksiyonu de erleri hesaplanr.
V(hz vektörü) hesaplanr.
Pbestik, Gbestk ve Rk güncellenir.
(eylemsizlik a rl )
güncellenir.
Hayr
terasyon Says
maksimum
iterasyon saysna
e it mi?
Evet
Algoritma sona erer.
Optimum Sonuç = Gbest
ekil 2. Parçack Sürüsü Optimizasyon Algoritmas Ak
emas
Parçack Sürüsü Optimizasyonu’nun popülasyon temelli çal masndan dolay kullancya her çal trma
sonucunda farkl de erler sunmaktadr. Bu durum do rultusunda program çktlarnn do ru
de erlendirilebilmesi amacyla model 20 kez çal trlm tr. Her çal trmada popülasyon says 50
alnm tr. terasyon says ise maksimum 1000 olarak belirlenmi tir. Durma kriteri olarak son 200 iterasyon
esas alnm ve son 200 iterasyonda amaç fonksiyonu de erinde de i me olmad ndan çkan de er en iyi
de ere atanm tr. Tablo 1’de gösterildi i gibi 20 çal trma neticesinde en iyi amaç fonksiyonu de eri 2
çapraz yükleme merkezi (Mardin ve Trabzon) ve 1 depo (Malatya) ile 4. çal trmada elde edilmi tir.
Matematiksel programlama kullanld  taktirde modelde 1 depo (Malatya) ve 2 çapraz yükleme merkezi
(Mardin ve Ankara) ile en iyi sonuç elde edilmektedir. Fakat çkan sonuçlar göstermi tir ki daha az iterasyon
ile PSO algoritmas daha iyi netice verebilmektedir.
523
B. i man, H. Arol, A. Eleren
Tablo 1. PSO’nun 20 Kez Çal trlmas ile M1 Modelinde Elde Edilen Sonuçlarn Gams ile
Kar la trlmas
PSO
Çal trlma
Says
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
terasyon
Says
281
456
268
157
623
218
646
707
925
602
136
465
142
36
668
129
861
495
182
268
Optimum Amaç
Fonksiyonu De eri
5408
5310
5510
5310
5610
5507
6608
5507
5309
5807
6607
5709
6608
5508
5309
5408
5910
5612
5613
5309
GAMS
Optimum Amaç
Fonksiyonu De eri
5405
5405
5405
5405
5405
5405
5405
5405
5405
5405
5405
5405
5405
Uygun çözüm yok
5405
5405
5405
5405
5405
5405
terasyona ba l amaç fonksiyonu grafi i ekil 3’te gösterildi i gibidir. Bu grafik iterasyon admlarnda
popülasyonun güncellemeye olan katksn göstermektedir. Görüldü ü gibi iterasyon says arttkça amaç
fonksiyonu en iyi de ere do ru yakla maktadr.
ekil 3. terasyona Ba l Amaç Fonksiyonu Grafi i
5. SONUÇLAR
Da tm merkezi a tasarm ve çapraz yükleme yerle im problemi parçack sürüsü optimizasyonu
(PSO) sezgisel prosedürü ile bulunmaya çal lm tr. Durma kriteri olarak son 200 iterasyonda amaç
fonksiyonundaki de i me ele anlnm ve her bir veri seti arka arkaya 20 kez çal trlm tr. Kar mza çkan
524
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011
sonuçlara göre dördüncü çal trmada en iyi de er elde edilmi ve 1 depo-2 çapraz yükleme merkezinden
olu an toplamda 3 da tm merkezi açlm tr. Çal mann sonuçlarn dikkate alan iterasyon kar la trmas
yaplm ve daha az iterasyon ile PSO’nun daha iyi sonuçlar verdi i görülmü tür.
KAYNAKÇA
Bachlaus M., Kumar M., Mahacan C., Shankar R., 2008. Designing an integrated multi-echelon agile
supply chain network: a hybrid taguchi-particle swarm optimization approach, Intell Manuf acturing, Vol.
19, pp. 747–761.
Ballou R. H., 2004. Business Logistics/Supply Chain Management. Pearson/Prentice Hall, New Jersey,
USA.
Cohen M. A., Lee, H. L., 1989. Resource deployment analysis of global manufacturing and distribution
networks, Journal of Manufacturing and Operations Management, Vol. 2, pp 81-104.
Der V., Vural R. A. , Yldrm T., 2008. “Parçack Sürü Optimizasyonu Tabanl Evirici Tasarm”,
Eleco'2008 Elektrik - Elektronik - Bilgisayar Mühendisli i Sempozyumu Ve Fuar Bildirileri
Jayaraman V., Ross A. 2003. A simulated annealing methodology to distribution network design and
management. European Journal of Operational Research, Vol. 144, pp. 629–645.
Kuo, R. J., Han, Y. S., 2011. A hybrid of genetic algorithm and particle swarm optimization for solving
bi-level linear programming problem – A case study on supply chain model, Applied Mathematical
Modelling, Vol. 35, pp. 3905-3917.
Levi S., and Kaminsky P., 2003. Designing and Managing the Supply Chain: Concept, Strategies and
Case Study, McGraw-Hill. New York, USA.
Lin, L., 2007, A Hybrid Genetic Algorithm for Logistics Network Design with Flexible Multistage
Model , International Journal of Information Systems for Logistics and Management, Vol 3, pp. 1-12.
Nozick, L. K., ve Turnquist, M. A., 2001. Inventory, transportation, service quality and the location of
distribution centers. European Journal of Operational Research, 129, 362-371.
Tamer S., Karakuzu C., 2006. “Parçack Sürüsü Optimizasyon Algoritmas ve Benzetim Örnekleri”,
Eleco'2006 Elektrik - Elektronik - Bilgisayar Mühendisli i Sempozyumu Ve Fuar Bildirileri
Ylmaz, P., 2004. “Strategic level three-stage production distribution planning with
capacity expansion”, Yüksek Lisans Tezi, Sabanc University Graduate School of
Engineering and Natural Sciences, stanbul, 1-20.
Waters D., 2003. Logistics An Introduction to Supply Chain Management. Palgrave Macmillan, New
York, USA.
525