Çizelgeleme Problemleri: Türler ve Çözüm Yaklaşımları

Bir okul müdürünün haftalık ders programını çizmesi, bir hastane başhemşiresinin gece nöbet listesini hazırlaması, bir fabrika sorumlusunun günlük üretim sırasını belirlemesi, bir lig federasyonunun fikstür çekilişini düzenlemesi — hepsi aynı disiplinin farklı yüzleridir: çizelgeleme. Yöneylem araştırmasının altı ana problem ailesinden biri olan çizelgeleme, “hangi kaynak ne zaman, ne yapacak?” sorusuna sistematik cevap arar.

Bu rehber, çizelgeleme dünyasının haritasını çıkarır: hangi türler vardır, hangi algoritmalar hangisini çözer, NP-hardness neden bu alanın belasıdır ve gerçek dünyada hangi araçlar kullanılır. Çizelgeleme problemini ilk kez duyuyorsan, bu yazının sonunda kafanda net bir taksonomi olacak.

Çizelgeleme nedir?

En geniş tanımıyla çizelgeleme, sınırlı kaynakların zaman boyunca dağıtılması problemidir. İki bileşeni vardır:

• İşler (jobs/tasks): Yapılması gereken aktiviteler. Süreleri, sırayla bağımlılıkları, kullanacakları kaynaklar bilinir.
• Kaynaklar (resources): İşleri gerçekleştirecek varlıklar. Makineler, insanlar, salonlar, sahalar olabilir.

Çizelge, her işin hangi kaynak tarafından, hangi başlangıç zamanında yapılacağını söyleyen bir plandır. İyi bir çizelge en az birkaç koşulu sağlamalıdır: kaynaklar aynı anda iki işi yapamaz, sıralı işler doğru sırada ilerler, son tarihler geçirilmez.

Bu basit gibi görünen şart listesi, problemin boyutu büyüdüğünde patlayan bir kombinatoryel zorluk üretir. 10 iş, 3 makineye sahip basit bir flow-shop problemi için bile geçerli çizelge sayısı milyonlardadır; hangisinin “en iyi” olduğunu (örneğin tüm işlerin bitiş süresini minimize eden) bulmak yöneylemin altın araştırma alanlarından biri olmuştur.

Klasik çizelgeleme problemleri

Çizelgeleme alanı içindeki birkaç klasik problem türü, hem akademik literatürün hem endüstriyel uygulamaların ana eksenidir.

Round-robin (turnuva çizelgeleme): Bir grup oyuncunun veya takımın birbiriyle eşleştiği sportif organizasyonlar bu kategoriye girer. Lig fikstürü, satranç turnuvası, üniversite spor şenliği örnekleridir. Detaylı bir tanıtımı için Round-Robin Algoritması rehberimize bakabilirsin; bu sitedeki Lig Fikstürü Oluşturucu da round-robin algoritmasının pratik bir uygulamasıdır.

Job-shop scheduling: Birden fazla makinenin, her biri farklı operasyon sıralarına sahip işleri işlediği klasik üretim çizelgeleme problemidir. Örneğin bir araba parçası fabrikasında her parça torna, freze ve delme makinelerinden farklı sıralarla geçer. Optimal çizelgenin bulunması NP-zor olduğundan büyük problemler sezgisel algoritmalarla çözülür.

Flow-shop scheduling: Job-shop’un özel bir varyantı; her iş aynı makine sırasından geçer. Bir bisküvi üretim hattı (hamur → şekil verme → fırın → paketleme), tipik bir flow-shop örneğidir. Daha düzenli yapısı sayesinde daha verimli çözüm yöntemleri vardır.

Open-shop scheduling: İşlerin makine sırasının önemsiz olduğu varyant. Daha az kısıt, ama hâlâ NP-zor. Otomotiv yedek parça onarım atölyeleri gibi alanlarda görülür.

Project scheduling (CPM/PERT): Bağımlı aktivitelerin belirli zaman sürelerinde tamamlanması gereken inşaat, yazılım geliştirme veya ürün lansmanı gibi projeler. Critical Path Method (CPM) ve Program Evaluation and Review Technique (PERT) klasik teknikleridir; günümüzde Microsoft Project ve Primavera gibi yazılımların temelinde bu yöntemler vardır.

Personel vardiya çizelgelemesi: Hastane hemşire programları, çağrı merkezi operatör vardiyaları, polis devriye listeleri bu kategoriye girer. Kısıtlar genelde çok katmanlıdır: yasal çalışma saati limitleri, ardışık gece nöbet sınırlaması, kişisel tercihler, sertifikasyon zorunlulukları. Bu yüzden genelde MILP veya CP teknikleri kullanılır.

Eğitim çizelgelemesi (timetabling): Üniversite ders programı, sınav takvimi, K-12 okul programı bu başlık altındadır. Çakışmasız programlama şarttır: aynı öğrenci grubu aynı saatte iki dersi alamaz, aynı öğretmen aynı saatte iki sınıfta ders veremez, aynı sınıf aynı saatte iki gruba hizmet edemez. NP-zor bir problemdir ve uluslararası araştırma yarışmaları (ITC — International Timetabling Competition) düzenlenir.

Vehicle routing scheduling: Bir filonun günlük dağıtım rotalarının zaman pencerelerine uyarak planlanması. Kargo şirketleri, aile hekimliği ev ziyaretleri, ekipman bakımı planlaması bu kategoriye girer. Vehicle Routing Problem (VRP), aslında çizelgeleme ve rotalama problemlerinin melezidir.

Çözüm yaklaşımları

Çizelgeleme problemlerini çözmek için yöneylem repertuarında birkaç araç vardır; problem yapısına göre seçim yapılır.

Açgözlü (greedy) sezgiseller: En basit yaklaşım. Her adımda lokal olarak en iyi görünen kararı alır. Round-robin için circle method, project scheduling için critical path, çoğu basit problem için “shortest processing time first” gibi kurallar bu kategoriye girer. Hızlı ama optimal değil; ne kadar uzakta olduğu problem yapısına bağlıdır.

Doğrusal/Tamsayı programlama (LP/MILP): Problem matematiksel modele oturtulup ticari veya açık kaynak çözücülere verilir. Küçük ve orta ölçekli problemler için optimal çözüm garantisi sunar; büyük problemlerde hesaplama süresi pratik olamayacak kadar uzar. Üniversite ders programlama, fabrika üretim sıralaması gibi orta ölçekli problemler için yaygın araç.

Kısıt programlama (Constraint Programming, CP): Klasik LP’den farklı bir paradigma; mantıksal kısıtları (eğer X olursa Y olmamalı, A ile B arasında en az 30 dakika boşluk olmalı) doğrudan ifade etmeyi sağlar. Modern CP çözücüleri (Google CP-SAT, IBM CP Optimizer, Choco) çizelgeleme problemlerinde özellikle güçlüdür çünkü problemin doğası mantıksal-kombinatoryel yapıya yakındır.

Metasezgisel algoritmalar: Genetik algoritma, tabu arama, simulated annealing, large neighborhood search gibi yöntemler. Optimal çözüm garanti etmez ama NP-zor problemlerde “yeterince iyi” çözüm üretir. Büyük ölçekli endüstriyel çizelgeleme problemlerinin pratikte çözülme yolu çoğunlukla metasezgiseldir. Türk akademik literatüründe bu alanda yoğun çalışmalar vardır.

Yapay zekâ tabanlı yaklaşımlar: Son yıllarda deep reinforcement learning ile çizelgeleme yapan ajanlar geliştirildi. AlphaScheduler tarzı yaklaşımlar, bir RL ajanının deneme-yanılma ile iyi çizelgeleme politikalarını öğrenmesine dayanır. Henüz endüstri standardı değil; ama hızla olgunlaşıyor ve özellikle dinamik (gerçek zamanlı değişen) çizelgeleme problemlerinde gelecek vaat ediyor.

Hibrit yaklaşımlar: Modern endüstriyel çözümler nadiren tek bir teknik kullanır. Tipik bir hibrit pipeline: bir LP gevşetmesi ile alt sınırı bul, heuristic ile ilk çözüm üret, CP-SAT ile iyileştir, metasezgisel ile ince ayar yap. Bu pipelinler haftalarca süren mühendislik yatırımları sonucu kurulur.

Bir job-shop probleminin matematiksel formülasyonu

Klasik job-shop scheduling problemini matematiksel olarak ifade etmek, çizelgeleme modelinin nasıl yazıldığını somutlaştırmak için faydalı bir egzersizdir.

Diyelim ki $n$ iş ve $m$ makine var. Her $i$ işi sıralı operasyonlara sahip: $O_{i,1}, O_{i,2}, \ldots, O_{i,m_i}$ — bu operasyonlar belirli makinelerde belirli sürelerde işlenmeli. Karar değişkenleri:

• $s_{i,j}$: $i$ işinin $j$-inci operasyonunun başlama zamanı
• $C_{\text{max}}$: tüm işlerin tamamlanma zamanı (makespan)

Amaç fonksiyonu yaygın olarak makespan minimizasyonudur:

$$\text{minimize: } C_{\text{max}}$$

Kısıtlar üç ana grupta toplanır:

Operasyon sırası kısıtları: Aynı iş içindeki ardışık operasyonlar sırayla yapılmalıdır.

$$s_{i,j+1} \ge s_{i,j} + p_{i,j} \quad \forall i, j$$

Burada $p_{i,j}$, $i$ işinin $j$-inci operasyonunun süresidir.

Makine çakışma kısıtları: Aynı makinede iki operasyon aynı anda yapılamaz. Bu, ya disjunctive (mantıksal “ya bu ya o”) kısıtlarla, ya da binary değişkenlerle (eğer $i$ operasyonu $k$ operasyonundan önce ise $y_{ik} = 1$, aksi hâlde 0) modellenir.

Makespan kısıtı: En son tamamlanan operasyon makespan değerini belirler.

$$C_{\text{max}} \ge s_{i,m_i} + p_{i,m_i} \quad \forall i$$

Bu formülasyon, MILP olarak doğrudan ticari çözücülere verilebilir; küçük problemler (10x10 boyutu) saniyeler içinde optimal çözüme kavuşur. Ama 20x20 ve üzeri sorunlar için modeli çözücüye atmak yerine disjunctive graph veya CP formülasyonları daha verimli olur. CP-SAT’ın özel no_overlap interval kısıtı, makine çakışma problemini doğrudan ifade etmeyi sağlar ve MILP’den çok daha hızlı sonuç verir.

Karmaşıklık ve NP-hardness

Çizelgeleme alanının karakteristik bir özelliği var: hemen hemen tüm ilginç problemleri NP-zor sınıfa girer. Bu, problem boyutu büyüdükçe optimal çözüm bulma süresinin üstel artması anlamına gelir.

Job-shop scheduling problemini ele alalım. Belirli bir bitiş zamanını sağlayan bir çizelge var mı? sorusu NP-tam problemdir. Yani polinomyal zamanda çözen bir algoritma bulunamamış (ve büyük olasılıkla bulunamayacak) demektir. Pratikte bu, 20 işli problemler için optimum çözümün bulunmasının saatler veya günler sürebilmesi anlamına gelir; 100 işli problemler için optimumu garanti etmek pratik olarak imkânsızdır.

Bu zorluk karşısında üç stratejik seçenek vardır:

1. Optimaliteden taviz ver: “Yeterince iyi” çözüm yeterse, sezgisel ve metasezgisel yöntemler kullanılır. Çoğu endüstriyel çözüm bu yoldur.
2. Problemi küçült: Sıkı zaman pencereli olanlar gibi alt-problemleri ayrıştırarak sırayla çöz. Bu, decomposition yaklaşımıdır.
3. Özel yapılı varyantları ara: Bazı problem yapıları (single machine, identical parallel machines) polinomyal zamanda çözülebilir. Problemin bu yapıya uyup uymadığını kontrol et.

NP-hardness, çizelgeleme araştırmacıları için çile değil meslek vesilesidir: yeni sezgiseller, daha akıllı modelleme teknikleri, yeni hibrit yaklaşımlar sürekli gelişmektedir.

Endüstriyel uygulamalar ve sektörel örnekler

Türkiye’de çizelgeleme alanında yoğun kurumsal uygulamalar var.

Havacılık: Türk Hava Yolları’nın günlük uçuş ekibi vardiyalama sistemi, binlerce pilot ve kabin görevlisinin yasal dinlenme sürelerine uyarak hangi uçuşlarda görev alacağını planlayan büyük ölçekli MILP modelidir. Pegasus ve Sun Express benzer yapıları kullanır. Uçak rotasyonu (hangi uçak, hangi rotayı, hangi sırayla uçacak) ayrı bir çizelgeleme problemidir.

Otomotiv üretim: Tofaş, Ford Otosan, Toyota Türkiye gibi büyük otomotiv fabrikalarında üretim hattı çizelgelemesi günlük yapılır. Hangi modelin, hangi sırayla, hangi vardiyada üretileceği MILP veya hibrit metasezgiseller ile optimize edilir.

Sağlık: Acıbadem, Memorial gibi büyük özel hastane gruplarında ameliyat odası planlaması için yöneylem yazılımları kullanılır. Devlet hastanelerinde muayene randevu sistemi (MHRS) çizelgeleme algoritmalarıyla doluluk dengesi sağlamaya çalışır.

Perakende: A101, Migros, BİM gibi büyük perakende zincirlerinde mağaza personel vardiyalama merkezi bir yazılımdan yapılır. Talep tahmini (hangi saat ne kadar müşteri bekleniyor) ile vardiya optimizasyonu birleşir.

Bankacılık: Çağrı merkezi operatör vardiya çizelgelemesi her büyük bankada özel bir takım tarafından yönetilir. Erlang C formülü ile talep tahmini, ardından MILP/CP ile vardiya atama yaygın yaklaşımdır.

Eğitim: Türkiye’deki büyük üniversiteler (ODTÜ, İTÜ, Boğaziçi, Bilkent) sömestir başında ders programlama için yöneylem temelli yazılımlar kullanır. Bu, ITC standardı problemler içinde ele alınmıştır.

Spor: Türkiye Süper Lig fikstürü, basketbol ve voleybol liglerinin fikstürleri, üniversite spor şenlikleri çizelgeleme algoritmalarıyla hazırlanır. Bu sitenin Lig Fikstürü Oluşturucu aracı, amatör düzeydeki ihtiyaçlar için bu altyapının erişilebilir bir versiyonudur.

Belirsizlik altında çizelgeleme: robust ve stokastik yaklaşımlar

Klasik çizelgeleme literatürünün büyük kısmı deterministik varsayım yapar: tüm iş süreleri, kapasiteler, talepler kesin bilinir. Pratikte ise gerçek değerler tahminden farklı çıkabilir; bir işin tahmin edilen 4 saatten 6 saate uzaması, çizelgenin tamamını sarsabilir. Modern çizelgeleme araştırması bu belirsizliği nasıl ele alacağına dair iki ana yön geliştirdi.

Robust scheduling, en kötü duruma karşı dayanıklı bir çizelge üretmeyi amaçlar. “Süreler tahminden %20 sapabilir” gibi bir belirsizlik bütçesi verilir; çözücü, bu bütçeye karşı en kötü senaryoda bile makespan’ı belirli bir sınırın altında tutan çizelgeyi üretir. Sonuç tipik olarak biraz “aşırı muhafazakâr” olur — beklenen koşullarda biraz daha kötü, ama beklenmeyen koşullarda çok daha iyi.

Stokastik scheduling, sürelerin olasılık dağılımına sahip olduğunu varsayar ve beklenen makespan’ı minimize eder. Bu, robust yaklaşımdan farklıdır: en kötü durum yerine ortalama davranışı optimize eder. Stokastik modeller genellikle two-stage veya multi-stage programlama çerçevelerinde çözülür ve hesaplama zorluğu deterministik versiyondan çok daha yüksektir.

Reactive scheduling veya dinamik çizelgeleme, başlangıçta üretilen bir çizelgenin gerçek zamanda olaylara (gecikme, arıza, yeni iş gelişi) göre yeniden düzenlenmesidir. Genellikle rolling horizon yaklaşımıyla çalışır: bir kısmi çizelge çözülür, bir miktar zaman geçince güncellenmiş verilerle yeniden çözülür. Modern havayolu operasyon merkezleri bu yaklaşımla saatte bir uçuş çizelgelerini günceller.

Yaygın hatalar ve nasıl önlenir

Çizelgeleme projelerinde sıkça yapılan birkaç tipik hata vardır.

Birinci hata — yeterince ısı vermeden modele girmek. Yöneylem analisti, çizelgeleme problemini doğrudan matematiksel modele geçirmeden önce iş süreçlerini detaylı incelemeli, gerçek kısıtları paydaşlardan dinlemeli, veri tutarlılığını test etmelidir. Atlanan bu adım sonradan modelin “yanlış ama hızlı” cevap üretmesine yol açar.

İkinci hata — gereğinden karmaşık modelleme. Her kuralı modele sokmak cazip gelse de, gerçekten önemli olan kısıtları ayırt etmek gerekir. Bir vardiya çizelgeleme modelinde “personel tercihen çocukların okul saatlerine göre” gibi yumuşak kısıtları zor kısıtlar gibi modellemek, çözücüyü gereksiz yere yavaşlatır. Yumuşak kısıtlar ceza terimleri olarak amaç fonksiyonuna eklenmeli, sert kısıtlardan ayrılmalıdır.

Üçüncü hata — performans testi yapmadan üretime alma. Geliştirme ortamında 50 işli problemleri çözen bir model, üretimdeki 500 işli problemlerde donabilir. Ölçeklenebilirlik testi proje teslim edilmeden önce mutlaka yapılmalıdır.

Dördüncü hata — çıktıya güvenmek. Çizelgeleme çözücüsü tüm kısıtları sağlayan bir çözüm verir, ama bu çözüm pratikte kabul edilemeyebilir (makul olmayan görev atamaları, alışılmadık vardiya sıraları). Çözüm mutlaka deneyimli kullanıcı tarafından gözden geçirilmeli, gerekirse ek “yumuşak kısıtlar” ile yönlendirilmelidir.

Beşinci hata — tek seferlik proje varsayımı. Çizelgeleme sistemleri bir kez kurulup unutulmaz; iş süreçleri değiştikçe, yeni kısıtlar geldikçe sürekli güncellenmelidir. Üretime alınan bir model için bakım planı baştan oluşturulmalıdır.

Yeni başlayan için yol haritası

Çizelgeleme alanında çalışmak isteyen biri için kademeli bir yol önerebilirim.

Birinci basamak — temelleri öğren: Önce yöneylem temellerini ve doğrusal programlamayı kavra. Bu sitedeki Yöneylem Araştırması Nedir? ve Doğrusal Programlama rehberleri başlangıç noktası olabilir. Klasik scheduling ders kitabı olarak Pinedo’nun “Scheduling: Theory, Algorithms, and Systems” temel kaynaktır.

İkinci basamak — basit problemler çöz: Round-robin, single-machine scheduling gibi temiz problemleri elinle modelleyip çöz. Excel Solver veya Python PuLP ile başlayabilirsin. Bu sitenin Lig Fikstürü Oluşturucu aracını kullanarak round-robin’i pratik anlamda hisset.

Üçüncü basamak — gerçek araç öğren: Google OR-Tools’un CP-SAT solver’ı ile başla. Job-shop, ders programı, personel vardiya gibi orta ölçekli problemleri çözmeye çalış. OR-Tools rehberi bu adımda yol gösterici olabilir.

Dördüncü basamak — uzmanlaş: Bir alt domaini seç (havacılık, sağlık, üretim, eğitim). O alandaki büyük problemleri inceleyen akademik makaleleri oku, ticari yazılımları (Aimms, FICO, Solver) tanı. INFORMS ve EURO konferans bildirilerini takip et.

Beşinci basamak — katkıda bulun: Açık kaynak çizelgeleme kütüphanelerine (OR-Tools, OptaPlanner, Choco) katkı yap, akademik makale yaz, kendi sezgiselini geliştir. Türkiye’de YAEM kongresi sunumları için iyi bir aşamasın.

Çizelgeleme öğreniminde altın kural şudur: kâğıt-kalem ile küçük örnekleri elinle çözmek. 5 işli, 3 makineli bir flow-shop probleminin Gantt çizelgesini elinle çizmek, algoritmaların ne yaptığını sezmek için saatlerce ders dinlemekten daha öğreticidir. Modern çözücüleri kullanmadan önce klasik temelleri (örneğin Johnson kuralı 2-makine flow-shop için) elinle uygulamış olmak, ileride karmaşık problemleri parçalara ayırırken kazandığı sezgi paha biçilmezdir.

Akademik literatürde son trendler

Çizelgeleme, yöneylem araştırmasının en aktif araştırma alanlarından biri olmaya devam ediyor. Son beş yılda öne çıkan birkaç ana eğilim var.

Yeşil çizelgeleme (green scheduling) — enerji tüketimi, karbon ayak izi veya su kullanımı gibi çevresel kriterlerin çoklu hedef olarak modele dâhil edilmesi. Bir veri merkezinin sunucu çalıştırma çizelgesini elektrik fiyatlarına ve karbon yoğunluğuna göre optimize etmek bu kategorinin canlı bir örneğidir.

Federe öğrenme tabanlı çizelgeleme — birden fazla bağımsız aktörün (rakip lojistik şirketleri, paylaşılan üretim ağları) tüm verisini paylaşmadan ortak bir çizelgeleme problemini çözmesi. Privacy-preserving optimization adıyla anılan bu alt başlık, blokchain ile birlikte çalışıyor.

Quantum-inspired heuristic’ler — kuantum bilgisayarların henüz pratik olmadığı bugünlerde, kuantum tavlama (quantum annealing) prensiplerini klasik bilgisayarda taklit eden algoritmalar. D-Wave’in açık kaynak sürümleri bu alanda öne çıkıyor.

Bu üç yön de Türk üniversitelerinin endüstri-akademi işbirliklerinde yer almaya başladı; doktora seviyesinde çalışmak isteyen biri için verimli araştırma alanları olabilir.

Sonuç

Çizelgeleme, yöneylem araştırmasının pratikte en çok karşılaşılan ama aynı zamanda en zorlu alt başlıklarından biridir. NP-zor karakteri klasik teorinin sınırlarını dayatır; bu yüzden alanda sürekli yeni teknikler, hibrit yaklaşımlar ve yapay zekâ entegrasyonları gelişmeye devam eder.

Bu rehberde tanıttığımız problemlerden biri sana özellikle ilginç geldiyse, o yöne derinleş. Lig fikstürü için Lig Fikstürü Oluşturucu, ders ve sınav programı için Ders Programı Üretici hazır; iş atölyesi (job-shop) için özelleşmiş bir araç henüz yok ama OR-Tools CP-SAT bu problemler için sektör standardıdır. Çizelgelemenin temel matematik altyapısı için Doğrusal Programlama rehberi, modern çözücü teknolojisi için Google OR-Tools rehberi devam okuma noktan olabilir.

Çizelgeleme yapmak, kâğıt üstünde temiz bir matematiksel optimizasyon problemi gibi görünür; uygulamada ise insanları, kuralları ve kararları düzenleme sanatıdır. Bu sanatın matematiksel kısmını öğrenmek bir başlangıç; geri kalanı, gerçek dünya deneyimi ile geliyor. Her başarılı çizelgeleme projesi, bir teknik takımın değil, bir teknik takım ile alan uzmanlarının birlikte ortaya çıkardığı bir sentezdir; bir vardiya çizelgesinin uzun vadede çalışmasını belirleyen şey, modeldeki kısıt sayısı değil, kullanıcıların sisteme ne kadar güvenip onu nasıl benimsediğidir. Bu yumuşak boyutu hesaba katmadan kurulan en parlak teknik çözüm bile altı ay içinde çöpe atılabilir; işin asıl başarısı bu nüansa hâkim olmaktan geçer. Türkiye’de çizelgeleme alanında yetişen yeni nesil yöneylem analistlerinin önünde geniş bir kariyer yelpazesi bulunduğunu söylemek mübalağa olmaz; alana adım atma zamanı için bugün kötü bir an değil. Sektörel büyüme, dijital dönüşüm projelerinin hızlanması ve yapay zekâ ile klasik çizelgelemenin entegrasyonu, önümüzdeki on yıl boyunca alanı sürekli yenileyecek dinamikler sunuyor. Bu rehber, o yenilenmenin ana çizgilerine bir başlangıç haritası olmayı hedefledi; sonraki adımlar artık bu haritanın hangi köşesini keşfedeceğine bağlı. İyi keşifler dileyelim ve bu siteyi araç-rehber döngüsüyle takip etmeye devam et; yeni içerikler önümüzdeki haftalarda yayında olacak ve her biri çizelgeleme dünyasının başka bir kapısını aralayacak.

Sıkça sorulanlar

Çizelgeleme problemi neden bu kadar zor?

Çoğu çizelgeleme problemi NP-zor sınıfa girer; yani problem boyutu büyüdükçe optimal çözüm bulma süresi katlanarak artar. Örneğin 20 işli, 5 makineli bir job-shop problemi için en kötü durumda 20!⁵ kombinasyon vardır — dünya üzerindeki tüm bilgisayarlar birlikte çalışsa milyonlarca yıl sürebilir. Bu nedenle pratikte 'optimal' yerine 'yeterince iyi' çözüm üreten sezgisel ve metasezgisel algoritmalar tercih edilir.

Çizelgeleme için LP mi, CP mi (constraint programming) daha uygun?

Genelde tercih şudur: kısıtlar 'eşitsizlik + amaç fonksiyonu' biçiminde temiz ifade edilebiliyorsa LP/MILP, kısıtlar 'X şu zamanda olmazsa Y şu zamanda olmaz' gibi mantıksal ilişkilerle iç içeyse CP daha doğal bir araçtır. Modern çizelgeleme yazılımları (Google CP-SAT, IBM CP Optimizer) ikisini birleştirir; hibrit yaklaşımlar saf LP veya CP'den daha hızlı sonuca ulaşır.

Excel ile çizelgeleme yapılabilir mi?

Küçük ölçekli, tek boyutlu çizelgeleme problemleri (10-15 işten az, basit kısıtlarla) Excel Solver'ın MILP yeteneğiyle çözülebilir. Daha karmaşık problemler için (job-shop, ders programı, vardiya) Excel hızla yetersiz kalır; özel çizelgeleme yazılımları, programlama dilleri (Python OR-Tools), hatta el optimize edilmiş sezgisel algoritmalar gerekir. Bu sitedeki Lig Fikstürü Oluşturucu, basit round-robin çizelgelemenin Excel'e bağlı kalmadan tarayıcıda çözülebileceğini gösteriyor.

Çizelgeleme alanında iş bulunur mu, hangi sektörlerde?

Türkiye'de çizelgeleme uzmanlığı için aktif talep var: havacılık (THY uçuş ekibi vardiyalama), otomotiv (üretim hattı sıralama), perakende (mağaza personel vardiyası), bankacılık (çağrı merkezi atama), hastane (ameliyat odası ve acil servis), eğitim (üniversite ders programı), spor (lig fikstürü). Junior pozisyon için endüstri/sistem mühendisliği lisans diploması yeterli; uzmanlaşmak için optimizasyon ve OR-Tools/CPLEX deneyimi avantaj sağlar.

Akademide çizelgeleme alanında trend olan konular nelerdir?

Son yıllarda öne çıkan başlıklar: yeşil çizelgeleme (enerji minimizasyonu), gerçek zamanlı dinamik çizelgeleme (talep değiştikçe yeniden planlama), makine öğrenmesiyle güçlendirilmiş sezgiseller (RL ajanları, learned heuristics), çoklu hedef Pareto-optimal çözümler, robust scheduling (belirsizlik altında dirençli planlar), ve dağıtık çizelgeleme (federe sistemler için). Türk araştırmacıların özellikle havacılık ve sağlık çizelgelemesinde uluslararası dergilerde yayınları artıyor.