Efficient scheduling of work orders in weaving looms is crucial for improving production efficiency and meeting tight delivery deadlines in the textile industry. This study proposes a genetic algorithm (GA)-based model to optimize work order assignments, minimize type changeover durations, and balance machine workloads. The model uses real-world ERP data, supports job splitting for parallel production, and dynamically classifies type changes into variant, linked warp, and full setup changes. Experimental results show significant improvements in planning time, changeover reduction, and delivery performance. The proposed GA approach offers a scalable and intelligent solution that can be readily adopted for modern textile manufacturing challenges.

Bu çalışmada, sezgisel ve sayısal yöntemlerin yapısında var olan eksiklikleri gidermek amacıyla melez bir optimizasyon yönteminin geliştirilmesi üzerinde durulmuştur. Sezgisel yöntemler kesin çözümü garanti edemezler. Ancak, sayısal yöntemlerden göreceli olarak daha hızlı çalıştırılabilirler. Öte yandan, sayısal yöntemler ise güçlü matematiksel çözümler içerdikleri için kesin çözüme ulaşabilmektedirler. Uygulamalarımızda, sezgisel optimizasyon yöntemlerinden Parçacık Sürü Optimizasyonu (PSO) yöntemi ile sayısal optimizasyon yöntemlerinden Broydon-Fletcher-Goldfarb-Shanno (BFGS) yöntemi birleştirilerek optimum çözüme daha kesin ve daha hızlı bir şekilde ulaşılması amaçlanmıştır. Geliştirilen optimizasyon yönteminin algoritmasında, çözüm öncelikle BFGS ile aranmaktadır. Böylece, amaç fonksiyonu için en küçük veya en büyük noktalar belirlenmektedir. Daha sonra, PSO ile bu noktalar arasında eleme işlemi gerçekleştirilmektedir. Nihai sonuca ulaşılana kadar, ara çözüm noktaları BFGS ile PSO arasında sürekli aktarılmaktadır. Özgün BFGS ve özgün PSO kullanılarak, önerilen önce BFGS sonra PSO melez yöntemi ve tersi melez yöntem (önce PSO sonra BFGS) olmak üzere iki farklı yöntem; araştırmacılar arasında sıklıkla kullanılan test fonksiyonları üzerinde çalıştırılarak uygulanmıştır.

The problem of unmanned aerial vehicles (UAVs) scanning designated areas with minimum energy and time costs, without revisiting the same point, constitutes an important optimization problem. This problem is examined within the framework of discrete mathematics and pathfinding algorithms. This study addresses the use of UAVs, particularly in fields such as disaster management and forest fire prevention, and discusses the optimization approaches employed in autonomous mission planning within this context. As an alternative to methods commonly used in the literature, such as Particle Swarm Optimization (PSO) and Ant Colony Optimization (ACO), this study demonstrates the applicability of brute force algorithms. Basically, two types of brute force methods are considered. These are the brute force algorithm implemented using the iterative method and the Depth-First Search (DFS) method. This study compares these methods with each other according to a defined problem. Furthermore, it is observed that the iterative method provides the advantage of exact solutions for low-complexity problems, while the DFS-based method offers shorter execution times. Graphs and code outputs are evaluated using tables. Both methods are tested separately under different route scenarios. The results indicate that the applicability and advantages of the two methods vary depending on the route type and problem complexity. Additionally, it is shown that brute force algorithms can be used as a reference system; however, scalability issues arise in large-scale problems.