Ders Öğretim Planı

İLERİ SİMÜLASYON TEKNİKLERİ

1	Dersin Adı:	İLERİ SİMÜLASYON TEKNİKLERİ
2	Dersin Kodu:	END 6112
3	Dersin Türü:	Zorunlu
4	Dersin Seviyesi:	Doktora
5	Dersin Verildiği Yıl:	2
6	Dersin Verildiği Yarıyıl:	4
7	Dersin AKTS Kredisi:	7,5
8	Teorik Ders Saati (saat/hafta):	3
9	Uygulama Ders Saati (saat/hafta):	0
10	Laboratuar Ders Saati (saat/hafta):	0
11	Dersin Önkoşulu	END5115 SİMULASYON ANALİZİ veya benzeri ders
12	Ders İçin Önerilen Diğer Hususlar	Yok
13	Dersin Dili:	Türkçe
14	Dersin Veriliş Şekli	Yüz yüze
15	Dersin Koordinatörü:	Prof. Dr. ERDAL EMEL
16	Dersi Veren Diğer Öğretim Elemanları:
17	Ders Koordinatörünün İletişim Bilgileri:	erdal@uludag.edu.tr Tel: 0224 294 2080 Endüstri Mühendisliği Bölümü, Mühendislik Fakültesi Bursa Uludağ Üniversitesi, Görükle, Bursa
18	Dersin Web Adresi:	http://endustri.uludag.edu.tr
19	Dersin Amacı	Stokastik üretim ve hizmet sistemlerinin statik ve dinamik en uygun işletim koşullarının belirlenmesi için parametrik ve kontrol simülasyon modellerinin kurulması ve çözümlenmesi
20	Dersin Mesleki Gelişime Katkısı:	Bakım planlama, havayolu bilet fiyatlama, stokastik talep altında stok yönetimi gibi problemlerin optimal çözümü için sinir ağları kullanan pekiştirmeli öğrenme yönteminin kullanma becerisi kazandırır.

Ders Öğrenme Kazanımları

1	Simülasyon modellerini oluşturmak ve doğrulamak için gerekli yeteneği kazanmak;
2	Simülasyon sistemi uygulamaya ilişkin esasları anlama konusunda bilgi sahibi olma ve gelişmiş simülasyon yöntemleri konusunda uygulama yapabilme;
3	Yeni simülasyon yöntemleri geliştirmek ve bilinen yöntemleri uygulamak için bilgi sahip olmak;
4	Simülasyon analizlerini kavramak ve bir simülasyon modeli çıktılarını yorumlama yeteneği kazanmak;
5	Bilgisayar ortamında karmaşık bir modeli simule edebilme yetisini kazanmak ve güncel simülasyon yazılımları hakkında bilgi sahip olmak;

22	Dersin İçeriği

Hafta	Teori	Uygulama
1	Simülasyon optimizasyonu: bir bakış Stokastik parametrik optimizasyon Stokastik kontrol optimizasyonu
2	Parametrik optimizasyon: Tepki yüzeyleri ve sinir ağları RSM: bir bakış RSM: Ayrıntılar Nöro-cevap yüzeyi yöntemleri
3	Parametrik optimizasyon Sürekli optimizasyon Kesikli optimizasyon (Sıralama ve Seçim, Meta-Sezgisel: Tavlama Benzetimi, Genetik Algoritma)
4	Parametrik optimizasyon : Kesikli optimizasyon (Meta-Sezgisel: Tabu Arama, Otomata Öğrenme, vs) Hybrid çözüm uzayları
5	Kontrol optimizasyonu: Dinamik programlama Stokastik Markov süreçleri Markov zincirleri ve yarı-Markov süreçleri Markov karar problemlerinin nasıl ortalama ödül için kullanıldığı Dinamik programlama kullanarak bir MDP çözmek Dinamik programlama ve indirimli ödül
6	Kontrol optimizasyonu: Bellman denklemi: sezgisel bir perspektif Yarı-Markov karar problemleri Değiştirilmiş politika yineleme MDPS ve SMDPs ilgili çeşitli konular
7	Kontrol optimizasyonu: Destekli öğrenme yoluyla TPM oluşturma Destekli öğrenme ihtiyacı: temelleri İndirimli ödül destekli öğrenme Ortalama ödül destekli öğrenme
8	Kontrol optimizasyonu: Yarı-Markov karar problemleri ve RL, RL algoritmaları ve DP karşılıkları Oyuncu-eleştirmen algoritmaları Model-kurma algoritmaları Sonlu problemler Fonksiyon yaklaşımı
9	Kontrol optimizasyonu: Reinforcement learning: Model-building algorithms
10	Kontrol optimizasyonu: Reinforcement learning, Finite Horizon Problems, Function Approximation
11	Kontrol optimizasyonu: Stochastic Search: MCAT Framework, Actor Critics
12	Örnekler: Havayolu Taşımacılığı Gelir Yönetimi. Önleyici Bakım. Production line buffer optimization
13	RL Applications in MATLAB
14	RL Applications in PYTHON

23	Ders Kitabı, Referanslar ve/veya Diğer Kaynaklar:	Simulation-Based Optimization, Abhijit Gosavi, Springer, 2015. Discrete Event System Simulation, 4th ed., J.Banks, J.S. Carson, B.L. Nelson, D.M. Nicol, Prentice Hall, 2005. Simulation Modeling and Analysis, 4th ed., Averill M. Law, McGraw-Hill, Inc., 2007. Simulation Using Promodel with CD-Rom, Charles R. Harrell, Biman K. Ghosh, Royce O. Bowden, McGraw-Hill, 2003. Approximate Dynamic Programming: Solving the Curses of Dimensionality, Warren B. Powell, Wiley-Interscience; 1st edition, 2007 Markov Decision Processes: Discrete Stochastic Dynamic Programming, Martin L. Puterman, Wiley-Interscience; 1st edition, 2005
24	Değerlendirme

YARIYIL İÇİ ÇALIŞMALARI	SAYISI	KATKI YÜZDESİ
Ara Sınav	1	20
Kısa Sınav	0	0
Ödev	4	50
Yıl sonu Sınavı	1	30
Toplam	6	100
Yıl içi çalışmalarının Başarıya Oranı		70
Finalin BAşarıya Oranı		30
Toplam		100
Derste Kullanılan Ölçme ve Değerlendirme Yaklaşımları	Ölçme ve değerlendirme, Bursa Uludağ Üniversitesi Önlisans ve Lisans Eğitim Öğretim Yönetmeliği ilkelerine göre yapılmaktadır.
Açıklama

AKTS / İŞ YÜKÜ TABLOSU

Etkinlik	SAYISI	Süresi [Saat]	Toplam İş Yükü [Saat]
Teorik Dersler	14	3	42
Uygulamalı Dersler	0	0	0
Sınıf Dışı Ders Çalışma Süresi (Ön çalışma, pekiştirme)	13	8	104
Ödevler	4	18	54
Projeler	1	24	24
Arazi Çalışmaları	0	0	0
Arasınavlar	1	2	2
Diğer	0	0	0
Yarıyıl Sonu Sınavları	1	2	2
Toplam İş Yükü			228
Toplam İş Yükü / 30 saat			7,6
Dersin AKTS Kredisi			7,5

PROGRAM YETERLİLİKLERİ İLE DERS ÖĞRENİN KAZANIMLARI İLİŞKİSİ TABLOSU

	PY3	PY6	PY7	PY8	PY9	PY10	PY12
OK1	3	5	0	0	0	0	0
OK2	0	0	5	3	4	0	0
OK3	0	0	0	5	4	0	0
OK4	0	0	0	0	5	0	4
OK5	0	0	0	3	3	5	0

ÖK: Öğrenme Kazanımları

PY: Program yeterlilikleri

Katkı Düzeyi:

1 Çok Düşük

2 Düşük

3 Orta

4 Yüksek

5 Çok Yüksek