İlişkisiz paralel makine çizelgeleme, hem sanayide hem de literatürde sıklıkla yer alan bir problemdir. Bu problemi ele alan çalışmalarda yaygın olarak kullanılan amaç fonksiyonlarından birisi toplam gecikmenin enküçüklenmesidir. İşlerin gecikmesinin önlenmesi, müşterilere ödenmesi gereken cezalar ve prestij kaybı gibi olumsuzlukların önlenmesi anlamına geldiğinden oldukça önemlidir. Teslim zamanları, gecikme sürelerini belirleyen parametredir. Müşterilerin üretim planlarının değişimine bağlı olarak siparişlerin teslim zamanlarının değişebilmesi, özellikle yan sanayi konumundaki firmaların karşılaşabildiği bir durum olduğundan, daha gerçekçi çizelgeler oluşturulması için teslim zamanlarının stokastik ele alınması gerekmektedir. Bu çalışmada ele alınan ilişkisiz paralel makine çizelgeleme probleminde (UPM) teslim zamanları stokastiktir. Bu çalışma kapsamında, iki aşamalı stokastik programlama modeli ve bir genetik algoritma (GA) geliştirilmiştir. Rassal türetilen test problemleri kullanılarak yapılan testler sonucunda geliştirilen GA ile önerilen modellerden daha başarılı çözümlere daha kısa sürede ulaşıldığı görülmüştür. Elde edilen sonuçlar, özellikle değişkenliği ve boyutu büyük olan problemleri stokastik ele almanın gerekliliğini ortaya koymuştur.
Unrelated parallel machine scheduling is a problem that is frequently confronted in both industry and literature. One of the objective functions commonly used in studies addressing this problem is the minimization of total tardiness. Preventing tardiness is very important as it means avoiding negative effects such as penalties from being paid to customers and loss of prestige. Due dates are the parameters that determine tardiness. Since the sub-industry companies can encounter a situation where customers can change their due dates depending on the change in their production plans, it is necessary to handle the due dates as stochastic in order to obtain more realistic schedules. In this study, due dates in unrelated parallel machine scheduling problem (UPM) are handled as stochastic. Within the scope of this study, a two-stage stochastic programming model and a genetic algorithm (GA) have been proposed. As a result of the tests using randomly generated test problems, it has been seen that more successful solutions are reached in a shorter time than the proposed models with the developed GA. The obtained results revealed the necessity of dealing with stochastic problems, especially with large variability and problem size.
