Upload
others
View
8
Download
0
Embed Size (px)
Citation preview
IV. ULUSAL LİMAN KONGRESİ
“KÜRESEL EĞİLİMLER-YEREL STRATEJİLER”
7-8 Kasım 2019 – İZMİR
doi: 10.18872/0.2019.22
LİMAN ELLEÇLEME HIZININ ARTIRILMASI
İÇİN GENETİK ALGORİTMA TABANLI YENİ
BİR YAKLAŞIM
Sercan EROL1 ve Mengü DEMİR2
ÖZET
Teknolojik gelişmeler ışığında toplumların istek ve ihtiyaçlarındaki
değişimler, küresel düzeyde üretilen ürün miktarlarının ve çeşitliliğinin
artmasına ve ticari veri odaklı büyük bilgi yığınlarının oluşmasına sebep
olmaktadır. Söz konusu bu bilgi yığınlarının işlenerek anlamlı verilere
dönüştürülmesi küresel ticaretin sürekliliği ve etkinliği açısından önem arz
etmektedir. Günümüzde bilgi yığınlarının işlenerek anlamlı verilere
dönüştürülmesinde yapay zekaya dayalı süreç optimizasyon teknikleri
yoğunlukla kullanılmaktadır. Dijital dönüşüm olarak da adlandırılan bu
durum, dünya ticaretinin ana yüklenicisi konumunda olan denizcilik
sektöründe süreçlerinin hızlı ve efektif bir şekilde yapılabilmesi için de
kullanılmaktadır. Bu çalışmada ise karalar ile denizlerin bağlantı noktası
olan limanlarda elleçleme hızını ve verimini artırmak, depolama
alanlarının daha etkin ve verimli kullanımını sağlamak amacıyla genetik
algoritmaya dayalı bir optimizasyon tekniği geliştirilmiştir. Geliştirilen
algoritmayı test etmek ve veri girişini sağlamak için web tabanlı yük
bildirim arayüzü oluşturulmuştur. Sonuç olarak elleçleme süresinin diğer
yaklaşımlara göre kısaldığı, elleçleme hızının ise 8.19 kat arttığı tespit
edilmiştir.
Anahtar Sözcükler: Elleçleme, Genetik Algoritma, Yapay Zekâ, Dijital
Dönüşüm.
1Doç. Dr., Karadeniz Teknik Üniversitesi, Sürmene Deniz Bilimleri Fakültesi,
Trabzon [email protected] 2 Doktora Öğrencisi., Karadeniz Teknik Üniversitesi, Fen Bilimleri Enstitüsü,
Elektrik-Elektronik Mühendisliği Bölümü, Trabzon [email protected]
1. GİRİŞ
Teknolojik gelişmeler paralelinde değişen ihtiyaç ve tüketim
alışkanlıkları, üretim yöntemi ve tekniklerinde yapay zekanın üretim
süreçlerine dahil olması ile günümüzde karşılanmaya çalışılmaktadır. 4.
Sanayi devrimi olarak da adlandırılan üretimdeki güncel durum, Endüstri
4.0 olarak ifade edilmektedir (Barreto ve Diğ., 2017). Diğer bir deyişle,
sanayi devrimlerinin günümüzdeki son aşaması olan Endüstri 4.0 akıllı
fabrikalar ve siber-fiziksel imalat sistemlerinin küresel anlamda birbiriyle
esnek işbirliğini mümkün kılan bir üretim sistemi olarak kabul
edilmektedir (Witkowski, 2017; Esmer ve Alan, 2019).
Yukarıda yapılan tanımlamalar ışığında Endüstri 4.0’ın odak
noktasını üretim ve fabrikalar oluşturduğu söylenebilir. Buna karşılık
Endüstri 4.0’ın fabrika dışındaki boyutu olarak karşımıza çıkan dijital
dönüşüm ise daha çok yönetim, pazarlama, ticaret, insan kaynakları,
büyük veri analizleri ve eğitim gibi alanlarda kullanılabilmektedir
(Gümüşoğlu, 2017; Miçooğulları, 2018; Arslan ve Karkacier, 2019; Vial,
2019).
Öteyandan, dünya nüfus artışı ve buna bağlı olarak oluşan talebi
karşılamak için gerçekleştirilen üretim, denizyolu taşımacılığında
faaliyetleri artırmaktadır. Denizyolunda artan faaliyetler, denizler ile
karaların bağlantısı olan limanlarda zaman zaman kapasiteleri zorlamakta
ve hatta limanlarda tıkanıklıklara sebebiyet vermektedir. Dolayısıyla
birçok alanda olduğu gibi dijital dönüşüm, tedarik zincirinin ana
yüklenicisi konumunda olan denizcilik sektöründe de etkisini göstermiştir.
Yapay zeka tabanlı yazılımlar ile otonom gemiler, elleçleme sistemleri,
liman yönetimleri, rota optimizasyonu ve belge yönetimi gibi konularda iş
yükünü optimum çözümlemelerde azaltıp maliyet ve zaman tasarrufu
sağlanmaya çalışılmaktadır (Lambrou ve diğ., 2008). Özellikle, yüklerin
zamanında ve başarılı şekilde elleçlenmesi limancılık sektöründeki en
önemli faaliyetlerden biridir. Şöyle ki, küresel ticarette yüklerin tür ve
özelliklerine göre farklı tipte gemiler tarafından farklı iklim koşullarında
taşınması, yüklerin değişik hassasiyete sahip olması, aynı anda değişik
türde yüklerin birlikte elleçlenmesi gibi pek çok farklı durum, elleçleme
faaliyetlerini etkileyebilmektedir (Stopford, 2009: Meng ve Wang, 2012).
Aksi halde, denizleri karalar ile bağlayan limanlarda yaşanabilecek bir
tıkanıklık küresel ticarette mal akışını doğrudan etkileyebilecek, yüklerin
ve gemilerin belli noktalarda birikmesine sebebiyet verebilecektir. Hal
böyle olunca liman odaklı büyük veri setlerinin (Big data) en uygun şekilde
analiz edilmesi ve uygun çözüm önerilerin ortaya koyulması
gerekmektedir.
Literatürde elleçleme optimizayonu için pek çok değişik yaklaşım
mevcuttur. Bu yaklaşımlar arasında kural tabanlı optimizasyon (Pratap ve
diğ., 2018) ve meta sezgisel tekniklere bağlı optimizasyon [Liang ve diğ.,
2011) ve matematiksel yaklaşımlar (Ünsal, 2019) başı çekmektedir. Bu
çalışmada ise depo türü, yük türü, gemi türü ve iklim değişkenlerine bağlı
olarak elleçleme süreci optimizasyonu yapan farklı bir genetik algoritma
tabanlı yöntem önerilmiştir.
2. GENETİK ALGORİTMA KAVRAMI
Genetik algoritma Holland, (1975) tarafından geliştirilen bir zeki
optimizasyon tekniğidir. Bu tekniğin esası “uygun olan hayatta kalır ve
soyunu devam ettirir” şeklinde ifade edilebilecek doğal seçilim ilkesine
dayanır. Genetik algoritmalar diğer pek çok sezgisel algoritmaya örnek
olmuş güçlü algoritmalardır. Genetik algoritmalar seçme, çaprazlama ve
mutasyon olarak adlandırılan üç temel işlevin çevrimli olarak icra edilerek
daha iyi çözümlerin üretilmesini hedefler (Sivanandam ve Deepa, 2008).
Darwin’in Evrim Kuramı’ndan hareketle ortaya atılmış bu tekniğe
göre problemin çözümü için başlangıçta rasgele olarak çok sayıda aday
çözüm üretilir. Bu aday çözümlere birey ya da kromozom adı verilir.
Kromozomlar gen adı verilen çoğu zaman ikili olarak kodlanmış
birimlerden oluşur. Aday çözümlerin kümesine kuşak adı verilir. (Sadeghi
ve diğ., 2014)
Başlangıç kuşağı üretildikten sonra bu aday çözümlerin problem
uygunluk değeri ölçülür. Bir birey çözüme ne kadar layık olduğunu
belirleyen bu fonksiyona uygunluk fonksiyonu adı verilir. Uygunluk
fonksiyonu algoritmanın başarımını belirleyen çok önemli bir ölçüttür.
(Deb ve Agrawal, 1999)
Başlangıç kuşağı üretildikten ve bireylerin uygunluk değerleri
belirlendikten sonra çevrim adımlarına geçilir. İterasyonda kaliteli
adayların daha fazla şansının olduğu ancak rastgeleliğe dayalı yöntemlerle
soyunu devam ettirecek adaylar seçilir. Bu aşama seçme olarak
adlandırılan çok önemli bir adımdır. Seçilen adaylar içerisinden rasgele
seçilenler birbirleriyle eşleştirilecek gen alışverişine tabi tutulur
(çaprazlama - crossover). Çaprazlama işlemine iki ata kromozom girer
ve sonuçta bu iki bireye de benzeyen fakat aynı olmayan iki yavru birey
ortaya çıkar. Çaprazlama işlemi aday çözümlerden daha iyi aday
çözümler elde etmek için başvurulan bir yöntemdir dolayısıyla her bir
çevrim adımında uygulanması gerekir. Bununla birlikte bazı durumlarda
problemin genel çözümünü teşkil eden kromozom önceki adımlarda
oluşturulmuş olabilir. Elde edilen kazanımın bozulmaması için
çaprazlama işleminin bazen yapılmaması tavsiye edilir. Bu amaçla
çaprazlama oranı adı verilen [0-1] aralığında değer alan bir sabit kullanılır.
İki kromozom çaprazlanmadan önce [0-1] aralığında rasgele bir sayı
üretilir eğer bu üretilen sayı çaprazlama oranından yüksekse çaprazlama
işleminden vazgeçilir. Yeni yavruların üretilmesi istenen bir işlem olduğu
için çaprazlama oranı yüksek değerler arasından seçilir. (Lin ve diğ., 2003)
Çaprazlamadan sonraki adım mutasyon olarak adlandırılan birey
yapılandırma işlemidir. Kuşaktaki aday çözümler yerel minimum ya da
maksimum noktalarında kümelenmiş olabilirler. Uygunluk değerleri
yüksek çıksa da bu durum daha uygun çözümlerin tespitini olanaksız hale
getirebilir. Bu olumsuzluğun önüne geçmek için mutasyon işlemi ortaya
atılmıştır. Mutasyon işlemi seçilen kromozomun genlerin bazırlarının
rasgele olarak değiştirilmesidir. Aynı çaprazlamada olduğu gibi bu işlem
için de mutasyon oranı olarak adlandırılan [0-1] aralığında değer taşıyan
bir sabit belirlenir. Mutasyon işlemi sırasında rasgele bir değer üretilir.
Üretilen değer mutasyon oranından yüksek ise mutasyon işlemi icra
edilmez. Bu işlem en iyi bireyin de yapısını bozabileceğinden sık
kullanılmaz. Dolayısıyla mutasyon oranı küçük değerler arasından seçilir.
Algoritma son kuşaktaki kromozomlardan herhangi biri istenen
koşulu sağlayana kadar ya da belirlenen iterasyon sayısına ulaşıncaya
kadar icra edilir.
3.GELİŞTİRİLEN ALGORİTMA İÇİN OLUŞTURULAN ARAYÜZ
Çalışma kapsamında geliştirilen algoritmayı test etmek ve veri
girişini sağlamak için web tabanlı yük bildirim portalı oluşturulmuştur. 20
farklı kişiye firma yetkilisi sıfatıyla portala giriş şifresi verilerek deney
grubu oluşturulmuştur. Deney grubundaki kişiler birbirlerinden habersiz
olarak kendilerinin rasgele olarak belirledikleri tarih ve saatler için yine
rasgele belirledikleri tür ve miktarda yükü portala girmişlerdir. Girilen
veriler ilk önce bütün kombinasyonların denendiği ızgara tabanlı yöntem
ile ölçülmüş ve kesin doğru sonuç tespit edilmiştir. Daha sonra önerilen
yöntemle 100 farklı deney ile optimum elleçleme süreci üretilmiştir.
Deneylerin sonunda kesin sonuçtan ortalama %3.54 hata payıyla optimum
sonucun elde edildiği görülmüştür. Bunun yanı sıra önerilen yöntemin
ızgara tabanlı yaklaşıma kıyasla 8.19 kat hızlı çalıştığı tespit edilmiştir.
Sistemin düzgün ve efektif çalışabilmesi için limanda elleçlenecek
olan yüklerin en az bir gün önceden bildirilmesi şarttır. Bu sebeple web
tabanlı bir arayüz geliştirilmiştir. Bu arayüz ile elleçleme süreçlerindeki
ilgililerin kendilerinin belirlediği kullanıcı adı ve şifre ile sisteme girerek
yükler hakkında ayrıntılı bilgiyi üç aşamada girmektedirler. Şekil 1’de
kullanıcıların yük bildiriminde bulunmak için kullandığı ilk sayfa
görülmektedir.
Şekil 1. Kullanıcılar İçin Yük Bildirimi Ekranı
Sonraki sayfalar ilk sayfada girilen bilgilere göre yönlendirilen
sayfalardır. Eğer kullanıcı yükünün bozulma tehlikesi olduğunu belirtirse
yük ömrü ile ilgili sayfaya yönlendirmektedir. Kullanıcı son olarak yük
cinsinin ve gemi içi konumunun ayrıntılı bir şekilde girileceği sayfaya
yönlendirilmektedir. Bu sayfada kullanıcı yükün gemi içinde hangi
ambarlarda bulunduğunu, türünü, hacmini, varsa taşıma tercihini ayrıntılı
bir şekilde girmektedir. Böylelikle geminin limanda kaplayacağı alan,
seferber edilebilecek personel sayısı gibi pek çok parametreyi
ayarlayabilmek için pek çok ön bilgi elde edilmektedir.
3. GENETİK ALĞORİTMA TABANLI YÜK ELLEÇLEME
OPTİMİZASYONU
Bu çalışmada önerilen yöntem genetik algoritmaya dayalı yük
elleçleme optimizasyonudur. Limanlarda yük elleçleme faaliyetlerinin en
verimli şekilde yapılabilmesi için yükün geliş zamanı, bozulma ve
kırılmaya karşı dayanıklılığı, gemi içindeki konumu, miktarı, geminin
iskelede kaplayacağı alan, seferber edilmesi gereken personel sayısı,
yükün başka yüklerle etkileşimi (bir arada bulunma engeli) ve yükün
boşaltma limiti dikkate alınmaktadır.
Genetik algoritmanın başarıyla çalışabilmesi için birey yapısının
düzgün oluşturulması ve uygunluk fonksiyonun özenli seçilmesi
zorunludur (Şen, 2004: 113–125). Bu sebeple birey yapısı oluştururken
ikili (binary) kodlama yapısı seçilmiştir. Birey içerisinde yukarıda sayılı
bütün parametreler ikili sayı sistemine çevrilerek kodlanmıştır. Ayrıca
örnek liman için depo alanları ve konumları yine ikili sayı sistemine
çevrilerek birey yapısı içine dahil edilmiştir. Parametre sayısı durumdan
duruma değişebildiği için net bir kromozom uzunluğu bulunmamaktadır.
Uygunluk fonksiyonu da hem elleçleme zamanını hem de
mekanını doluluk oranını optimize edecek şekilde belirlenmiştir. Genetik
algoritmayla çok amaçlı optimizasyon gerçekleştirilemediği için saat
cinsinden süre ve metre kare cinsinden alan parametrelerinin ortalaması
alınarak uygunluk fonksiyonu yapılandırılmıştır. Algoritma icra ederken
her bir çevrimde uygunluk değeri belirlenen sınırların üstünde olan bireyler
kuşaklardan atılmıştır.
Önerilen yöntemde uygunluk fonksiyonu süre ve yükün kapladığı
alan değerlerinin ortalaması olduğu için problem bir azlama
(minimizasyon) problemidir. Seçme algoritması olarak turnuva seçimi
kullanılmış, çaprazlama oranı olarak 0.75, mutasyon oranı olarak 0.23
değeri belirlenmiştir. Mutasyon algoritması olarak rasgele tek noktalı
mutasyon algoritması tercih edilmiştir. Algoritma her bir kuşakta 20 birey
olacak şekilde düzenlenmiş ve 150 çevrime tabi tutulmuştur. Şekil 2’de
örnek bir uygulama için her adımdaki en iyi bireyin uygunluk değeri
görülmektedir.
Şekil 2. Örnek deney için 150 çevrimde en iyi bireyin uygunluk değeri.
Grafikte bir azlama (minimizasyon) uygulamasından beklendiği
üzere en iyi bireyin uygunluk değerinde hızlı bir düşüş gözlenmektedir.
Şekil 3’te bahsi geçen örnek deney için liman depolama sahalarında yük
cins ve doluluk oranları görülmektedir.
Şekil 3. Örnek deney için depo doluluk oranları
Şekil 3’te her bir kutucuk bir liman deposunu temsil etmektedir.
Gri alanlar boş kısımları kırmızı alanlar dolu kısımları göstermektedir. Her
bir kutucuğun içerisinde içindeki yük cinsi ve doluluk oranı yazmaktadır.
Kroki incelendiğinde yük türlerinin birbirine karşışmadan ayrı depolarda
tutulduğu görülmektedir. Ayrıca tehlikeli madde ile dolu olan deponunu
sağındaki deponunu boş tutulduğu görülmektedir. Eğer limanı %100
oranında dolduracak miktarda yük yok ise tehlikeli madde barındıran
deponunun etrafının olabildiğince boş bırakılması istenen bir özelliktir.
5. SONUÇ
Teknolojik gelişmeler ve buna bağlı olarak artan dünya ticaret
hacminde düğüm noktalarından biri olan limanlarda yük elleçleme ile ilgili
oluşan karmaşık ve çok katmanlı büyük hacimli verilerin analizi tedarik
zincirinin verimliği açısından önem arz etmektedir. Bu çalışmada yük
elleçleme ile ilgili bilgi yığınlarını işleyerek anlamlı verilere dönüştürmek
genetik algoritma tabanlı yük elleçleme optimizasyon modeli
geliştirilmiştir. Geliştirilen model ile ızgara tabanlı yaklaşıma kıyasla 8.19
kat hızlı çalıştığı tespit edilmiştir. Bu da genetik algoritmaların yük
elleçleme problemlerinde verimli bir şekilde çalışabileceğini
göstermektedir. Yük bildiriminin web üzerindeki bir portaldan yapılması
bildirimin standartlaşması için önemli bir adımdır. Bu sayede insandan
kaynaklı hatalar (dikkatsizlik, yanlış anlama, telaffuz vb…) en aza inebilir.
Yükün yerleşim planlaması sadece uzmanların faal olduğu saatlerde değil
bildirildiği an yapılabilir.
KAYNAKÇA
Arslan, M.C. ve Karkacier A. (2019). “Dijital Dönüşüm Sürecinde
Yönetim Muhasebesinin Geleceğini Etkileyen Faktörlere
Kavramsal Bir Bakış”. Avrasya Sosyal ve Ekonomi Araştırmaları
Dergisi, 6 (6): 430-442.
Barretoa, L., Amarala, A. ve Pereira, T. (2017). “Industry 4.0 implication
in logistics: An overview”. Procedia Manufacturing 13: 1245–
1252
Deb, K. ve Agrawal, S. (1999). “Understanding interactions among
genetic algorithm parameters”. Foundations of Genetic
Algorithms V, San Mateo, CA: Morgan Kauffman, pp. 265–286.
Esmer, Y. ve Alan, M., A. (2019). “Endüstri 4.0 Perspektifinde
İnovasyon”. AVRASYA Uluslararası Araştırmalar Dergisi, Cilt 7
(18): 465 – 478.
Gümüşoğlu, E. K. (2017). “Yükseköğretimde Dijital Dönüşüm”.
Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 3 (4): 30‐42.
Holland J.H. (1975). Adaptation in Natural and Artificial Systems,
University of Michigan Press, Ann Arbor, re-issued by MIT Press
(1992), Michigan.
Lambrou, M. A., Fjørtoft, K. E., Sykas E. D. ve Nikitakos, N. (2008).
“Ambient intelligence technologies in supportof shipping markets’
operations”. Telematics and Informatics 25: 72–83.
Liang, C., Guo, J., ve Yang, Y. (2011). “Multi-Objective Hybrid Genetic
Algorithm For Quay Crane Dynamic Assignment In Berth
Allocation Planning”. Journal of Intelligent Manufacturing, 22:
471–479.
Lin, W.Y., Lee, W.Y. ve Hong, T.P. (2003). “Adapting Crossover and
Mutation Rates in Genetic Algorithms”. Journal of Informatıon
Science And Engineering 19: 1-16.
Miçooğulları, S. Ü. (2018). “Yeni Ekonomide Dijital Emek”. International
Journal of Labour Life and Social Policy, 1 (1): 5-17.
Pratap, S., Daultani, Y., Tiwari M. K. ve Mahanty B. (2018). “Rule Based
Optimization for a Bulk Handling Port Operations”. Journal of
Intelligent Manufacturing, 29 (2): 287-311.
Sadeghi, J., Sadeghi, S., Niaki, S. ve Taghi A. (2014). "Optimizing a
Hybrid Vendor-Managed Inventory And Transportation Problem
With Fuzzy Demand: An Improved Particle Swarm Optimization
Algorithm". Information Sciences, 272: 126–144.
Şen, Z. (2004). Genetik Algoritmalar ve En İyileme Yöntemleri. Su Vakfı
Yayınları, İstanbul.
Sivanandam S., Deepa S. (2008) Genetic Algorithms. In: Introduction
to Genetic Algorithms. Springer, Berlin, Heidelberg.
Stopford, M. (2009). Maritime Economics. Routledge, London and New
York.
Ünsal, C. Ö. (2019). Mathematical Models for Maritime Terminal
Operations, Graduate School of Sciences & Engineering.
Industrial Engineering, Publishing of Koç Universty, İstanbul.
Vial, G. (2019). “Understanding Digital Transformation: A Review and a
Researchagenda”. Journal of Strategic Information Systems, 28:
118-144.
Wang, S. ve Meng, Q. (2012). “Sailing Speed Optimization for Container
Ships in a Liner Shipping Network”. Transportation Research, Part
E, 48, 701-714.
Witkowski, K. (2017). “Internet of Things, Big Data, Industry 4.0 -
Innovative Solutions in Logistics and Supply Chains
Management”. Procedia Engineering 182: 763 – 769.