Balancing of mixed-model two-sided assembly lines using teaching-learning based optimization algorithm

Normal 0 false false false TR X-NONE X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:`Normal Tablo`; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:``; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin-top:0cm; mso-para-margin-right:0cm; mso-para-margin-bottom:10.0pt; mso-para-margin-left:0cm; line-height:115%; mso-pagination:widow-orphan; font-size:11.0pt; font-family:`Calibri`,sans-serif; mso-ascii-font-family:Calibri; mso-ascii-theme-font:minor-latin; mso-hansi-font-family:Calibri; mso-hansi-theme-font:minor-latin; mso-bidi-font-family:`Times New Roman`; mso-bidi-theme-font:minor-bidi; mso-ansi-language:TR;} Öğretme-Öğrenme-Tabanlı Eniyileme insert ignore into journalissuearticles values(ÖÖTE); algoritması, diğer popülasyon-tabanlı algoritmalar kadar etkin olduğu ortaya konmuş, popülasyon-tabanlı bir eniyileme algoritmasıdır. Bu makalenin temel amacı, ÖÖTE algoritmasını kullanarak iki yönlü karışık modelli montaj hattı dengeleme problemini ilk defa çözmektir. Yakın zamanda, stokastik iki yönlü tek modelli montaj hattı dengeleme problemini çözmek için [1]’de melez öğretme-öğrenme-tabanlı eniyileme insert ignore into journalissuearticles values(MÖÖTE); algoritması önerilmiştir. [1]’de MÖÖTE algoritması en iyi bilinen 10 farklı meta-sezgisel algoritma ile karşılaştırılmıştır. Yapılan testler MÖÖTE algoritmasının diğer algoritmalara göre daha üstün bir performans sergilediğini ortaya koymuştur. Bu makalede ayrıca, MÖÖTE algoritması iki yönlü karışık modelli montaj hattı dengeleme problemini çözmek için adapte edilmiş ve algoritmanın performansı test edilmiştir. Bu çalışmanın amacı önceden tanımlanmış çevrim süresinde karşılıklı eşleşen istasyon sayısını ve toplam istasyon sayısını en aza indirmektir. Literatürden alınan test problem grupları üzerinden kapsamlı bir deneysel çalışma gerçekleştirilmiştir ve algoritmaların performansları var olan yaklaşımlarla karşılaştırılmıştır. Deneysel çalışmalar ÖÖTE algoritmasının karşılaştırılan diğer en iyi bilinen sezgisel algoritmalara karşı göze çarpan bir potansiyele sahip olduğunu ve problemin çözümünde MÖÖTE algoritmasının bilinen en iyi sezgisel algoritmalar kadar iyi performans sergilediğini ortaya koymuştur.