Kuyruk Modelleri Simülasyonunun Yönetsel Karar Destek Sistemleri İçin Değerlendirilmesi: İki Aşamalı Üretim Kontrolü Uygulaması

Year 2022, Volume: 4 Issue: 2, 89 - 96, 31.12.2022

Ahmet Kaya

https://doi.org/10.47899/ijss.1193183

Abstract

Karar alma süreçlerinde yöneticiler bilişim sistemlerinden faydalanmaktadırlar. Bir dizi bilişsel araç, karar destek sistemleri içinde yer almaktadır. Bu araçlar incelendiğinde birçoğunun istatistiksel çözümler ürettiği görülmektedir. Buna rağmen bazı durumlarda istatistiksel çözüm yaklaşımları sonuç üretememektedir. Tam bu noktada simülasyon yöntemlerini kullanmak yönetsel kararların alınmasında etkili sonuçlar verebilmektedir. Simülasyon yöntemlerinden karar destek sistemlerinde etkin şekilde faydalanmak ve kararlara destek olabilecek nitelikte sonuçlar elde edebilmek için, sistemin bütün boyutları ve özellikleri ile tanımlanmasına gereksinim vardır. Bu çalışmada, bilişim araçlarından kuyruk modelleri simülasyonu, yönetim kararlarını güçlendirirken, bir fabrika ortamında yapılması muhtemel iki aşamalı üretim kontrolü uygulaması GPSS makroları kullanılarak uygulama ortamı olarak seçilmektedir. Ayrıca, simülasyonu kullanan bir sistem paketi olan GPSS makrolarının kullanımı ile bir fabrika ortamında gerçekleştirilebilecek iki aşamalı üretim kontrol uygulaması tanıtılmaktadır.

Keywords

Karar Destek Sistemi (KDS), Yönetsel karar verme, Sistem simülasyonu, Simülasyon ve modelleme, Üretim kontrolü

Queue models Evaluation of Simulation for Managerial Decision Support Systems: Application of Two-Stage Production Control

Abstract

Managers benefit from information systems in decision-making processes. A number of cognitive tools are included in decision support systems. When these tools are examined, it is seen that most of them produce statistical solutions. However, in some cases, statistical solution approaches cannot produce exact results. At this point, using simulation methods can give effective results in making managerial decisions. In order to benefit effectively from simulation methods in decision support systems and to obtain results that can support decisions, it is necessary to define the system with all its dimensions and features. In this study, queuing models simulation, which is one of the information tools that strengthen management decisions, is introduced and a two-stage production control application, which is possible to be made in a factory environment selected as the application environment, is introduced by using GPSS macros, which is a system simulation package.

Keywords

Decision Support System (DDS), Managerial decision making, System simulation, Simulation and modelling, Production control, Karar Destek Sistemi (KDS), Yönetsel karar verme, Sistem simülasyonu, Simülasyon ve modelleme, Üretim kontrolü

References

• Atıl H. (1980), Şans Sayıları Türetme Yöntemleri, Yüksek Lisans Tezi, Ege Üniversitesi Elektronik ve Hesap Bilimleri Enstitüsü, Bornova-İzmir.
• Aydın, Ö., & Dalkılıç, G. (2018, July). A hybrid random number generator for lightweight cryptosystems: xorshiftLplus. The 3rd International Conference on Engineering Technology and Applied Sciences (ICETAS).
• Cabuk, U. C., Aydin, Ö., & Dalkiliç, G. (2017). A random number generator for lightweight authentication protocols: xorshiftR+. Turkish Journal of Electrical Engineering and Computer Sciences, 25(6), 4818-4828.
• Cohen, S. S (1985), Operational Research. Edward Arnold, London.
• Gates, B. (1999), Düşünce Hızında Çalışmak, (Çeviren, Ali Cevat Akkoyunlu), Doğan Kitap, İstanbul.
• Hillier F.S ve Lieberman, G. J (1990), Introduction to Operations Research Mc Graw Hill Inc. 5. Ed. NewYork.
• Kaya, A. (2000), Bir Üretim Sürecinin Simülasyon Yaklaşımı ile Çözümü Üzerine Bir Araştırma, D.E.Ü İİBF Dergisi, Cilt: 15, Sayı:1 Yıl:2000, 115-123.
• Kaya, A. (2015), “Bilişim Eğitiminde Değişim Yönetimi”, International Conference on Research in Education and Science (ICRES), April 23-25, 2015, Antalya, Turkey.
• Korukoğlu, S. (1995), Simülasyon ve Modelleme Ders Notları, Ege Üniversitesi Bilgisayar Mühendisliği Bölümü, Bornova- İzmir.
• Kösemen, C., Aydın, Ö., & Dalkılıç, G. (2018a, September). The Pseudorandom Number Generator Generation Method with Genetic Programming for Lightweight Devices. In 2018 3rd International Conference on Computer Science and Engineering (UBMK) (pp. 17-21). IEEE.
• Kösemen, C., Dalkiliç, G., & Aydin, Ö. (2018b). Genetic programming-based pseudorandom number generator for wireless identification and sensing platform. Turkish Journal of Electrical Engineering and Computer Sciences, 26(5), 2500-2511.
• Law, A.M ve Kelton, W.D. (1991), Simulation, Modelling and Analysis, Mc Graw-Hill. Inc N.Y.
• Law, A.M ve Haider, S. W (1989), Selecting Simulation Software for Manufacturing Applications. Ind. Eng., 31. 33-46 Peppard, J. (1993), IT strategy for Business, Pitman Publishing, New York.
• Rossetti, M. D. 2008. “JSL: An Open-Source Object-Oriented Framework for Discrete-Event Simulation in Java.” International Journal of Simulation and Process Modeling 4 (1): 69–87.