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 sercerol@ktu.edu.tr 2 Doktora Öğrencisi., Karadeniz Teknik Üniversitesi, Fen Bilimleri Enstitüsü,

Elektrik-Elektronik Mühendisliği Bölümü, Trabzon mengudemir@ktu.edu.tr

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.