Özlem Tülek

Mrs. Özlem Tülek

orcid

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
26 December 2025 in Applied Sciences
Verified
Journal Article
Open access
PDF file
Özlem TülekÖzlem Tülek
Özlem Tülek
İSİhsan Hakan Selvi
İhsan Hakan Selvi
Population initialization significantly influences metaheuristic algorithm performance, yet random initialization dominates despite problem-specific needs. This study investigates initialization strategies for the Job Shop Scheduling Problem (JSSP), an NP-hard combinatorial optimization challenge in manufacturing systems, addressing the gap in understanding how different initialization approaches affect solution quality and reliability in constrained discrete problems. The research employs a two-phase experimental design using Particle Swarm Optimization (PSO) on Taillard benchmark instances. Phase 1 evaluates seventeen initialization methods across four categories: random-based, problem-specific heuristics, hybrid methods, and adaptive strategies. Each method is tested through 30 independent runs on six problem instances. Phase 2 develops machine learning-enhanced initialization using variational autoencoders (VAEs) trained on high-quality solutions from successful traditional methods, comparing three VAE variants against conventional approaches. Results show all random-based methods failed completely, while only First-In-First-Out and Most Work Remaining heuristics succeeded consistently among traditional approaches. VAE-based methods achieved 100% solution validity (540/540) versus 97% for traditional methods (349/360), with statistical significance (χ2 = 14.27, p < 0.001). The Friedman test confirmed performance differences (χ2 = 19.87, p < 0.001, Kendall’s W = 0.828), with VAE methods achieving lower mean ranks and makespan reductions. Despite starting with lower initial diversity, VAE methods exhibited larger diversity increases during optimization, suggesting structured initialization enables more effective exploration than random dispersion.

26 August 2023 in Fırat Üniversitesi Mühendislik Bilimleri Dergisi
Verified
Journal Article
Open access
PDF file
Özlem TülekÖzlem Tülek
Özlem Tülek
İSİhsan Hakan Selvi
İhsan Hakan Selvi
Günümüzde, yapay zekâ ve makine öğrenmesi teknolojilerindeki hızlı gelişmeler, optimizasyon problemlerinin çözümüne farklı ve yenilikçi yaklaşımlar getirmiştir. Bu yöntemler, problem çözümünde klasik optimizasyon tekniklerine alternatif yaklaşımlar sunmaktadırlar. Optimizasyon problemlerinin çözümünde sıklıkla kullanılan metasezgisel algoritmaları makine öğrenmesi teknikleriyle birlikte kullanmak güçlü bir potansiyel sunmaktadır. Bu çalışmada doğa esinli bir metasezgisel algoritma olan parçacık sürü optimizasyonu ile bir makine öğrenmesi yöntemi olan pekiştirmeli öğrenmeyi birlikte kullanan bir model önerilmiştir. Önerilen model 9 tane kıyaslama problemi kullanılarak 50 ve 100 boyut için test edilmiştir. Elde edilen sonuçlar pekiştirmeli öğrenmenin PSO’nun yakınsama ve küresel keşif yeteneklerini geliştirmek için büyük bir potansiyel sunduğunu göstermektedir.