Dynamic capacitated Lot sizing problem optimization with reinforcement learning

Name: Dynamic capacitated Lot sizing problem optimization with reinforcement learning
Author: Buldur, Faruk Erdoğan

İsim	Dynamic capacitated Lot sizing problem optimization with reinforcement learning
Yazar	Buldur, Faruk Erdoğan
Basım Tarihi:	2024-08-30T14:55:33Z
Konu	Reinforcement learning, Product management, Data processing, Artifical intelligence, Algorithms, Data science
Tür	Belge
Dil	İngilizce
Dijital	Evet
Yazma	Hayır
Kütüphane:	Özyeğin Üniversitesi
Kayıt Numarası	93a4595e-11ec-4d23-bc8a-127b5bd81829
Lokasyon	Department of Data Science
Tarih	2024-08-30T14:55:33Z
Örnek Metin	In today’s fast-paced manufacturing and supply chain landscapes, efficiently man aging production quantities amidst capacity constraints and demand fluctuations is crucial. This MSc. thesis explores a cutting-edge solution to this challenge by harnessing the power of Reinforcement Learning (RL). Reinventing traditional opti mization approaches, RL offers adaptability and intelligence to address the Dynamic Capacitated Lot Sizing Problem (DCLSP). Through extensive experimentation and comparison with conventional methods, our RL-based framework showcases superior performance, reducing costs and enhancing production efficiency. This research un locks a new era of agile decision-making in complex manufacturing environments and opens doors to further advancements in operations management., G¨un¨um¨uz hızlı tempolu ¨uretim ve tedarik zinciri ortamlarında, kapasite kısıtları ve talep dalgalanmaları arasında ¨uretim miktarlarını verimli bir ¸sekilde y¨onetmek son derece ¨onemlidir. Bu Y¨uksek Lisans tezi, bu zorlu˘gun ¨ustesinden gelmek i¸cin Peki¸stirmeli O˘grenme’nin (RL) g¨uc¨unden faydalanarak, geleneksel optimizasyon ¨ yakla¸sımlarını yeniden tasarlamaktadır. RL, geli¸smi¸s bir esneklik ve zeka sa˘glayarak, Dinamik Kapasiteli Lot Belirleme Problemi’ni (DCLSP) ¸c¨ozmek i¸cin uygulanmak tadır. Kapsamlı deneyler ve geleneksel y¨ontemlerle kar¸sıla¸stırma sonu¸cları, RL ta banlı ¸cer¸cevenin ¨ust¨un performans sergiledi˘gini, maliyetleri azalttı˘gını ve ¨uretim ver imlili˘gini artırdı˘gını g¨ostermektedir. Bu ara¸stırma, karma¸sık ¨uretim ortamlarında es nek karar verme s¨ure¸clerinin yeni bir ¸ca˘gını ba¸slatırken, operasyon y¨onetimi alanında daha ileri ¸calı¸smalara kapı a¸cmaktadır.

Kaynağa git Özyeğin Üniversitesi

Aramaya Dön

Özyeğin Üniversitesi

Kaynağa git

Dynamic capacitated Lot sizing problem optimization with reinforcement learning

Yazar Buldur, Faruk Erdoğan

Basım Tarihi 2024-08-30T14:55:33Z

Konu Reinforcement learning, Product management, Data processing, Artifical intelligence, Algorithms, Data science

Tür Belge

Dil İngilizce

Dijital Evet

Yazma Hayır

Kütüphane Özyeğin Üniversitesi

Kayıt Numarası 93a4595e-11ec-4d23-bc8a-127b5bd81829

Lokasyon Department of Data Science

Tarih 2024-08-30T14:55:33Z

Örnek Metin In today’s fast-paced manufacturing and supply chain landscapes, efficiently man aging production quantities amidst capacity constraints and demand fluctuations is crucial. This MSc. thesis explores a cutting-edge solution to this challenge by harnessing the power of Reinforcement Learning (RL). Reinventing traditional opti mization approaches, RL offers adaptability and intelligence to address the Dynamic Capacitated Lot Sizing Problem (DCLSP). Through extensive experimentation and comparison with conventional methods, our RL-based framework showcases superior performance, reducing costs and enhancing production efficiency. This research un locks a new era of agile decision-making in complex manufacturing environments and opens doors to further advancements in operations management., G¨un¨um¨uz hızlı tempolu ¨uretim ve tedarik zinciri ortamlarında, kapasite kısıtları ve talep dalgalanmaları arasında ¨uretim miktarlarını verimli bir ¸sekilde y¨onetmek son derece ¨onemlidir. Bu Y¨uksek Lisans tezi, bu zorlu˘gun ¨ustesinden gelmek i¸cin Peki¸stirmeli O˘grenme’nin (RL) g¨uc¨unden faydalanarak, geleneksel optimizasyon ¨ yakla¸sımlarını yeniden tasarlamaktadır. RL, geli¸smi¸s bir esneklik ve zeka sa˘glayarak, Dinamik Kapasiteli Lot Belirleme Problemi’ni (DCLSP) ¸c¨ozmek i¸cin uygulanmak tadır. Kapsamlı deneyler ve geleneksel y¨ontemlerle kar¸sıla¸stırma sonu¸cları, RL ta banlı ¸cer¸cevenin ¨ust¨un performans sergiledi˘gini, maliyetleri azalttı˘gını ve ¨uretim ver imlili˘gini artırdı˘gını g¨ostermektedir. Bu ara¸stırma, karma¸sık ¨uretim ortamlarında es nek karar verme s¨ure¸clerinin yeni bir ¸ca˘gını ba¸slatırken, operasyon y¨onetimi alanında daha ileri ¸calı¸smalara kapı a¸cmaktadır.