Bu tədqiqat, otomatik kemilüminessensiya immunoassay analizatorlarında test istəklərinin yürütülme sırasını ve her isteğin hangi reaktiv zolaqle karşılanacağını birlikte optimallaşdıran, lövhəya duyarlı bir genetik alqoritm hazırlayır. VirClia Lotus 360 için tanımlanan modelde reaktiv zolaqlar soğutulmuş bölümdeki lövhələrda tutulmakta ve tek bir şeride ulaşmak için lövhənın tamamının tədqiqat sahəına çıkarılması gerekmektedir. Önerilen algoritma; lövhə bloklarını koruyan özel bir çarpazlama işlemi, sıra değişimi ve lövhə yeniden atama mutasiyaları ile son istifadə müddətini dikkate sahə yumuşak bir maliyet kullanmaktadır. Bir sentetik ve üç gerçek iş yükünde genetik alqoritm, acgöz metode göre lövhə hərəkətlərini orta %28,5; FIFO’ya göre ise yaklaşık %86,9 azaltmışdır. Ancak nəticələr geliştirilen cihaz üzerinde gerçek zamanlı operasyonla doğrulanmamış, yalnızca mevcut cihaz verileriyle bilgisayar ortamında dəyərlendirilmiş ve algoritmanın qlobal optimuma ulaştığı matematiksel olarak kanıtlanmamıştır.

Çalışma kapsamında 54 istekten oluşan sentetik bir verilənlər dəsti ile gerçek bir laboratoriyaın ardışık üç tədqiqat gününden alınan 194, 265 ve 210 istekli verilənlər dəstləri kullanılmıştır. Seçilen genetik alqoritm ayarlarıyla 50 bağımsız çalıştırma gerçekleştirilmiş; gerçek verilənlər dəstlərinde orta hesaplama müddətleri 16,02, 27,18 ve 18,44 saniye olmuştur. Aynı verilənlər dəstlərinde gereken orta lövhə hərəkəti sayıları genetik alqoritm için sırasıyla 42,00, 56,48 ve 52,16; acgöz metod için 60, 76 ve 78; FIFO için ise 362, 530 ve 414 olarak bildirilmişdir. Bu nəticələr, birkaç on saniyelik cədvəlləşdirmə maliyeti karşılığında robotik lövhə taşıma işlemlerinin önemli ölçüde azaltılabileceğini göstərir.

Türkiyə baxımından qiymətləndirmə: Yaklaşım; Türkiye’de otomatik seroloji, immunoassay, klinik kimya ve moleküler tanı sistemleri geliştiren firmalar ile yüksek nümunə hacmine sahip hasdənə laboratoriyalarında sarf malzemesi erişimini ve robot hərəkətlərini optimize etmeye yönelik metodsel dəyər taşımaktadır. Türkiye’ye uyarlama için kullanılan cihazın gerçek mexaniki mimarisi, test öncelikleri, acil nümunə kuralları, laboratoriya bilgi sistemi bağlantistilik, kalite kontrol işlemleri, kalibrasyon gereksinimleri ve hasta nəticə müddətsi kistiliktları modele eklenmelidir. Algoritma gerçek cihazın dijital ikizinde, donanım döngüde test ortamında ve kontrollü klinik operasyon sırasında karşılaştırılmalıdır. Bu tədqiqatdan algoritmanın Türkiye’deki bütün laboratoriya analizatorlarında aynı oranda kazanç sağlayacağı, tanı müddətsini doğrudan belirli bir yüzde azaltacağı, hasta güvenliğini artırdığı veya klinik tanı doğruluğunu etkilediği sonucu çıkarılamaz.

Tədqiqatın həll etməyə çalışdığı problem nədir?

Otomatik klinik analizatorlerde toplam işlem müddətsi yalnızca kimyasal reaksiyonlardan ve ölçüm aşamalarından oluşmaz. Numunelerin, reaktiflerin, tek kullanımlık şeritlerin ve diğer sarf materiallarinin robotik olarak taşınması da cihaz kapasitesini ve mexaniki ömrünü etkileyebilir.

Çalışmada incelenen mimaride reaktiv zolaqlar, temperatur kararlılığını korumak amacıyla soğutulmuş bir sahəda lövhələr içinde saklanmaktadır. Robot, belirli bir test için gereken tek kullanımlık şeride doğrudan ulaşamamaktadır. Şeridi almak için önce şeridin bulunduğu lövhənın tamamını soğutulmuş sahədan çıkarıp tədqiqat sahəına taşımak zorundadır.

Ardışık iki test aynı lövhədaki şeritlerle gerçekleştirilebiliyorsa lövhə tədqiqat sahəında tutulabilir. Sonraki test farklı bir lövhəyı gerektiriyorsa mevcut lövhə yerine geri konulmalı ve yeni lövhə çıkarılmalıdır. Bu nedenle testlerin geliş sırasına göre yürütülmesi, çok sayıda gereksiz lövhə değişimine yol açabilir.

Araştırmacılar lövhə taşıma işlemlerinin üç temel maliyet oluşturduğunu belirtmektedir:

• Robotik bileşenlerde mexaniki aşınma ve kullanım ömrü kaybı,
• Cihazın toplam işlem kapasitesinde azalma,
• Soğutulmuş bölümün nem ve temperatur değişimlerine daha sık maruz kalması.

Optimizasyon problemi bu nedenle yalnızca hangi testin önce yapılacağını değil, her test için aynı türdeki birden fazla uygun şeritten hangisinin kullanılacağını da belirlemektedir.

VirClia Lotus 360 üçün modelləşdirilən iş axını

Çalışmadaki sistem modeli, en fazla 30 reaktif lövhəsına sahip soğutulmuş bir sahə kullanmaktadır. Her lövhə en fazla 12 şerit taşıyabildiğinden aynı anda en fazla 360 reaktif şeridi depolanabilmektedir. Numune tarafında ise cihazın, her biri 16 nümunə taşıyabilen altı rafı desteklediği belirtilmektedir.

Çizelgeleme açistilikndan iş axınşı dört basamakta sadeleştirilmiştir:

1. Robotik kol gerekli reaktif lövhəsını soğutulmuş sahədan tədqiqat sahəına getirir.
2. Tutucu mekanizma istenen teste karşılık gelen reaktif şeridi lövhədan çıkarır.
3. Numune şeride pipetlenir ve şerit cihazın iç rotoruna yerleştirilir.
4. Sonraki test aynı lövhədaki bir şeritle yapılabiliyorsa lövhə değiştirilmez; aksi durumda lövhə soğutulmuş bölüme geri gönderilir ve başka bir lövhə çıkarılır.

Çalışma, gerçek cihazın bütün analitik ve robotik operasyonlarını modellememektedir. Kalibrasyonlar, kalite kontrolleri, reaksiyon müddətleri, rotor kapasitesi, acil nümunə öncelikleri ve paralel işlem ayrıntıları bu optimizasyon probleminde soyutlanmıştır. Modelin ana odağı lövhə erişimi ve reaktiv zolaq tüketimidir.

Reaktiv zolaqların son istifadə müddəti necə nəzərə alınmışdır?

Her reaktiv zolaq için iki zaman bilgisi tanımlanmıştır:

• Parti son istifadə müddəti: Üretim partisinin belirlediği ve genellikle 18 aya kadar uzanan raf ömrü.
• Cihaz üzerindeki kullanım müddətsi: Şeridin soğutulmuş sahəa yüklenmesinden sonra başlayan 30 günlük müddət.

Süresi dolan şeritlerin cihaz tarafından atıldığı, bu nedenle son kullanma bilgisinin çizelge için katı bir uyğunluq kistiliktı olarak kullanılmadığı belirtilmektedir. Bunun yerine algoritma, daha az ksahə ömre sahip şeritlerin önce tüketilmesini teşvik eden yumuşak bir maliyet eklemektedir.

Bu yaklaşım, lövhə hərəkətini azaltmak ile müddətsi yaklaşan reaktifleri tüketmek arasında bir denge kurmayı amaçlamaktadır. Algoritma yalnızca en az lövhə hərəkətine sahip sırayı seçerse bazı eski şeritler kullanılmadan kalabilir; yalnızca son istifadə müddətini önceler ise aynı test için davamlı farklı lövhələr çıkarılması gerekebilir.

Riyazi optimallaşdırma modeli

Numuneler kümesi \(S\), test türleri kümesi \(T\) ve diagnostik istekler kümesi \(R\subseteq S\times T\) olarak tanımlanmıştır. Her istek, belirli bir nümunə üzerinde belirli bir testin çalıştırılmasını temsil etmektedir.

Plakalar kümesi \(L\), her lövhədaki şerit yuvaları ise \(K=\{1,\ldots,12\}\) olarak verilmiştir. Bir lövhənın belirli yuvasındaki test türü aşağıdaki gösterimle ifade edilmektedir:

\[ \tau(l,k)\in T\cup\{\varnothing\} \]

Burada \(\varnothing\), yuvanın boş olduğunu göstərir. Bir çözüm iki karardan oluşmaktadır:

• \(\pi\): Test isteklerinin yürütülme sırası,
• \(a\): Her isteğin kullanılabilir bir lövhə-şerit çiftine atanması.

Amaç fonksiyonu tədqiqatda şu biçimde verilmiştir:

\[ \min_{\pi,a} F(\pi,a) = \alpha\sum_{i=1}^{n}\mathbb{I}[u_i\neq u_{i-1}] + \beta C_{\mathrm{exp}}(\pi,a) \]

Burada \(u_i\), dizinin \(i\). konumundaki test için kullanılan lövhəyı; \(u_0\), başlangıçta tədqiqat sahəında bulunan lövhəyı; \(\mathbb{I}[\cdot]\), koşul doğru olduğunda 1 dəyərini sahə gösterge fonksiyonunu ifade etmektedir.

Birinci terim ardışık testler arasında lövhə değişimi olup olmadığını saymaktadır. Başlangıçta tədqiqat sahəında lövhə yoksa ilk lövhənın çıkarılması da bir hərəkət olarak hesaba katılmaktadır. İkinci terim ise son kullanma tercihlerinin toplam maliyetidir.

Uyğunluq dəyəri necə hesablanır?

Genetik algoritmada kullanılan somut uyğunluq fonksiyonu şöyledir:

\[ f(x)= \sum_{i=1}^{n}\mathbb{I}[u_i\neq u_{i-1}] + \sum_{i=1}^{n} \left[ \gamma\phi_{\mathrm{lot}}(x_i') + \delta\phi_{\mathrm{on}}(x_i'') \right] \]

\(x_i'\), seçilen şeridin parti son istifadə müddətine ksahə gün sayistiliknı; \(x_i''\), cihaz üzerindeki kullanım müddətsine ksahə gün sayistiliknı göstərir. Normalleştirme fonksiyonları aşağıdaki biçimde tanımlanmıştır:

\[ \phi_{\mathrm{lot}}(x)=\frac{x}{270}-1 \]

\[ \phi_{\mathrm{on}}(x)=\frac{x}{15}-1 \]

Parti ömrü için 0–540 günlük, cihaz üzerindeki müddət için 0–30 günlük aralık varsayıldığında bu dönüşümler yaklaşık −1 ile 1 arasında dəyər üretmektedir. Daha az kullanım müddətsi ksahə şeritler daha düşük maliyetle ilişkilendirilerek önce tüketilmeye yönlendirilmektedir.

Çalışmada \(\gamma\) ve \(\delta\) katsayılarının son kullanma bileşenlerinin önemini denetlediği belirtilmekte; ancak təcrübələrde kullanılan sayısal \(\gamma\) ve \(\delta\) dəyərleri verilmemektedir. Bu eksiklik, bildirilen uyğunluq dəyərlerinin bağımsız olarak yeniden hesaplanmasını ve lövhə hərəkəti ile reaktif israfı arasındaki ağırlığın anlaşılmasını sınırlandırmaktadır.

Bir həll xromosomda necə təmsil edilmişdir?

Her xromosom bütün diagnostik istekleri içeren bir permütasyon vektörüdür:

\[ x=(x_1,x_2,\ldots,x_n) \]

Her gen yalnızca bir test isteğini değil, o isteğin hangi fiziksel reaktiv zolaqle karşılanacağını da kodlamaktadır. Genin dizideki konumu testin yürütülme sırasını; genle ilişkilendirilen şerit konumu ise lövhə ve yuva atamasını belirlemektedir.

Bu gösterim sayesinde genetik alqoritm iki karar düzeyini eş zamanlı olarak değiştirebilmektedir:

• Test isteklerinin sıralaması,
• İsteklerin kullanılabilir reaktiv zolaqlare atanması.

Her diagnostik istek xromosomda tam olarak bir kez bulunmalıdır. Aynı fiziksel şeridin birden fazla isteğe atanması veya test türüyle uyumsuz şerit seçilmesi çözümü geçersiz hâle getirmektedir.

Başlanğıc populyasiya tamamilə təsadüfi yaradılmışdırmı?

Başlangıç populyasiyau tamamen rastgele oluşturulmamıştır. Araştırmacılar, lövhə tekrar kullanımını teşvik ederken çözümler arasında çeşitliliği korumak amacıyla yarı rastgele bir kurucu metod kullanmıştır.

Her adımda bekleyen test türlerinden biri rastgele seçilmekte, bu test türüne ait en fazla 12 istek arka arkaya planlanmaktadır. Ardından bu test için kullanılabilir şerit taşıyan lövhələrdan biri rastgele seçilmektedir. Seçilen lövhəda yeterli sayıda şerit varsa isteklerin tamamı aynı lövhə bloğuna yerleştirilmekte; şerit sayistilik yetersizse mevcut şeritler kullanılıp ksahə talep tekrar bekleyen istekler kümesine gönderilmektedir.

Bu metod, ilk populyasiyada aynı lövhəya ait testlerin bloklar oluşturmasını sağlamaktadır. Aynı zamanda test ve lövhə seçimlerinin rastgele yapılması, bütün bireylerin aynı çizelgeyle başlamasını önlemektedir.

Seçim və çarpazlama necə tətbiq edilmişdir?

Ebeveyn seçimi doğrusal sıralama metodiyle gerçekleştirilmiştir. Popülasyon düşük uyğunluq dəyəri daha iyi olacak biçimde sırsahəmış ve bireyler sıralarına göre eşleştirilmiştir. Bu metod, yalnızca en iyi bireylerin çoğalmasını önleyerek çözüm çeşitliliğini korumayı amaçlamaktadır.

Çaprazlama işlemi klasik bir permütasyon çarpazlamasından farklıdır. Araştırmacılar, aynı lövhəyı kullanan ardışık istek bloklarının parçsahəmasını önleyen lövhəya hizalı bir operatör tasarlamıştır:

1. Birinci ebeveynde iki kesim noktası seçilir.
2. Kesim noktaları, içinde bulundukları aynı lövhə bloklarının başlangıç ve bitiş sınırlarına genişletilir.
3. Bu lövhə tutarlı bölüm yavruya değiştirilmeden aktarılır.
4. Eksik istekler ikinci ebeveyndeki sıraları korunarak boş konumlara yerleştirilir.
5. Sınırda aynı lövhəya ait komşu istekler varsa blok genişletilerek gereksiz yeni lövhə değişimi oluşması önlenir.

İki ebeveynden gelen şerit atamaları aynı fiziksel şeridin birden fazla kez kullanılmasına yol açarsa yavru çözüm atılmaktadır. Bu tercih uygunluğu korusa da çok sayıda geçersiz yavru oluşması durumunda arama verimliliğini azaltabilir. Çalışma, geçersiz yavru nisbətinı raporlamamıştır.

İki mutasiya operatorunun vəzifəsi nədir?

Sıra tabanlı mutasiya, farklı lövhələra ait iki bütün istek bloğunu yer değiştirmektedir. Genlerin içindeki lövhə ve şerit atamaları korunmakta, yalnızca blokların yürütülme sırası değişmektedir. Böylece algoritma aynı mənbə atamalarıyla farklı lövhə geçiş düzenlerini təcrübəebilmektedir.

Plaka yeniden atama mutasiyau, aynı test türüne ve aynı lövhəya ait ardışık bir istek bölümünü seçmekte ve yeterli sayıda kullanılmamış uygun şerit taşıyan başka bir lövhəya taşımaktadır. Bu mutasiya yürütme sırasını korurken mənbə atamasını değiştirmektedir.

Birinci mutasiyaun çözüm kalitesi üzerinde belirgin etkisi olduğu, ikinci mutasiyaun ise incelenen verilənlər dəstlərinde daha sınırlı katkı sağladığı bildirilmişdir. Araştırmacılar bunu lövhə sayistiliknın en fazla 30 olması ve başlangıç populyasiyaunun zaten yeterli atama çeşitliliği içermesiyle açıklamaktadır.

Yeni nəsil necə yaradılmışdır?

Algoritma kuşaksal yenileme kullanmaktadır. Her kuşakta sırsahəan ebeveynlerden yeni bir populyasiya oluşturulmakta, çarpazlama belirlenen olasılıkla uygulanmakta ve ardından iki mutasiya operatörü devreye girmektedir.

Yeni populyasiyada yinelenen xromosomlara izin verilmemektedir. Geçersiz bir yavru, karşılık gelen ebeveynin kopyasıyla değiştirilmektedir. Ayrıca elitist stratejiyle önceki kuşağın en iyi bireyi yeni populyasiyada bulunmuyorsa en kötü bireyin yerine doğrudan eklenmektedir.

Bu elitist yaklaşım nedeniyle en iyi uyğunluq dəyəri kuşaklar ilerledikçe kötüleşmemektedir. Çalışmanın ilk iki sayfasındaki yaxınnsama grafiklerinde kalın orta eğrisinin davamlı azaldığı ve son kuşaklarda yataylaştığı görülmektedir.

Alqoritm nə vaxt dayanır?

İki durdurma ölçütünden biri gerçekleştiğinde arama sona ermektedir:

• Önceden belirlenen en yüksek kuşak sayistilikna ulaşılması,
• En iyi xromosomun 30 ardışık kuşak boyunca değişmemesi.

İkinci ölçüt, belirgin ilerleme kalmadığında gereksiz hesaplamayı önlemektedir. Bununla birlikte bir çözümün 30 kuşak boyunca değişmemesi, çözümün qlobal optimum olduğunu göstermez. Algoritma lokal veya yaxınn-optimum bir bölgede de durabilir.

Hiperparametrlər necə seçilmişdir?

Kuşak sayistilik \(G\), populyasiya büyüklüğü \(N\), çarpazlama olasılığı \(p_c\), sıra mutasiyau olasılığı \(p_{m1}\) ve lövhə yeniden atama olasılığı \(p_{m2}\) için ızgara taraması yapılmıştır.

Kuşak sayistiliknın artırılması orta uyğunluq dəyərini 117,42’den 114,87’ye, orta lövhə hərəkətini 43,45’ten 41,36’ya düşürmüş; hesablama müddətini 9,86 saniyeden 14,65 saniyeye yükseltmiştir. Çaprazlama olasılığının 0,7’den 0,9’a çıkarılması da uyğunluq ve hərəkət sayistiliknda iyileşme sağlamıştır.

Popülasyon büyüklüğünde 100 dəyəri seçilmiş olmasına rağmen Tablo 1’deki toplulaştırılmış nəticələrda 80, 100 ve 120 dəyərleri arasındaki hərəkət farkları çok küçüktür. Yazarlar seçimi cədvəlnun altında görünmeyen ham verilere ve kalite-müddət dengesine dayandırdıklarını belirtmektedir.

Hansı verilənlər dəstləri istifadə edilmişdir?

Gerçek verilənlər dəstlərinin hangi tarihlerde toplandığı, kaç farklı test türü içerdiği, lövhələrın doluluk nisbəti, son istifadə müddəti dağılımı ve gün içindeki istek geliş zamanları verilmemiştir. İstekler tek bir başlangıç iş listesi olarak ele alınmış; gün içinde dinamik olarak gelen yeni testlerin çevrim içi çizelgelenmesi incelenmemiştir.

Sabitlik təcrübəsi nə göstərmişdir?

Seçilen hiperparametrlerle her verilənlər dəstinde 50 bağımsız genetik alqoritm çalıştırması yapılmıştır. Ortalama, standart sapma ve değişim katsayıları aşağıdaki gibidir:

Uygunluk değişim katsayıları gerçek verilənlər dəstlərinde %0,20–0,74, lövhə hərəkəti değişim katsayıları ise %0–2,98 aralığındadır. Bu dəyərler, rastgele başlangıca rağmen algoritmanın benzer nəticələra ulaştığını göstərir.

Bu kararlılık algoritmik çalıştırmalar arasındaki değişkenliği ifade etmektedir. Farklı laboratoriyalar, cihazlar, reaktif yerleşimleri veya tədqiqat günleri arasındaki genellenebilirliği göstermemektedir.

FIFO və acgöz üsullar necə işləyir?

FIFO, test istəklərini sisteme ulaşma sırasını değiştirmeden yürütmektedir. Her istek için gereken test türündeki ilk kullanılabilir şerit seçilmektedir. Bu metod basit, sürətlı ve öngörülebilirdir; ancak ardışık isteklerin farklı lövhələrda olması durumunda çok sayıda lövhə hərəkəti üretmektedir.

Açgözlü lövhə metodi, ksahə talebi en yüksek olan test türünü seçmekte ve bu testten en fazla kullanılabilir şerit taşıyan lövhəyı tercih etmektedir. Seçilen lövhədan mümkün olan en fazla istek arka arkaya yürütülmektedir. Yöntem aynı lövhəya ait bloklar oluşturmasına rağmen yalnızca o andaki lokal talebi dikkate almakta, ilerideki test türleri arasındaki genel etkileşimi dəyərlendirmemektedir.

Her iki metod deterministik olduğundan bir kez çalıştırılmış; genetik alqoritm nəticələrı ise 50 çalıştırmanın ortası olarak verilmiştir.

Üsulların müqayisəli nəticələri

Tablo dəyərlerinden hesaplandığında genetik alqoritmnın FIFO’ya göre lövhə hərəkəti azalması sentetik verilənlər dəstinde yaklaşık %82,4; Gerçek 1’de %88,4; Gerçek 2’de %89,3 ve Gerçek 3’te %87,4’tür.

Açgözlü metode göre azalma oranları ise sırasıyla %25,0, %30,0, %25,7 ve %33,1’dir. Bu dört nisbətin ortası tədqiqatda bildirilen yaklaşık %28,5’lik iyileşmeyle uyğundur.

Genetik algoritmanın uyğunluq dəyərleri de bütün verilənlər dəstlərinde daha düşüktür:

Yazarların toplulaştırılmış hesabına göre genetik alqoritm FIFO’ya kıyasla uyğunluq dəyərini %70,2 ve lövhə hərəkətlərini %86,9 azaltmışdır. Açgözlü metod için aynı oranlar sırasıyla %65,6 ve %81,7’dir. Genetik algoritma acgöz metode göre uyğunluqta %13,6, hərəkət sayistiliknda %28,5 iyileşme sağlamıştır.

Hesablama müddətindəki artım qəbul edilə bilərmi?

FIFO ve acgöz metodlerin hesaplama müddətleri bütün verilənlər dəstlərinde 0,01 saniyenin altındadır. Genetik algoritma ise küçük sentetik örnekte 2,92 saniye, gerçek iş yüklerinde 16,02–27,18 saniye arasında çalışmıştır.

Araştırmacılar, 200’den fazla test isteği içeren iş yüklerinde 20–30 saniyelik müddətnin gerçek laboratoriya operasyonuyla uyğun olduğunu dəyərlendirmektedir. Ancak bu dəyərlendirme gerçek cihazın zamanlama yazılımına entegrasyonla doğrulanmamıştır.

Algoritmanın pratikte kabul edilebilir olup olmadığı; iş listesinin ne kadar sık yeniden hesaplandığına, acil nümunələrin gelişine, cihazın boşta kalma müddətsine ve cədvəlləşdirmənin analiz başlamadan önce mi yoksa çevrim içi mi yapıldığına bağlıdır. Çalışma statik bir cədvəlləşdirmə ufku kullandığı için saniyeler düzeyindeki hesaplama maliyetinin dinamik tədqiqat koşullarına etkisi henüz bilinmemektedir.

Son istifadə üstünlüyü həqiqətən test edilmişdirmi?

Çalışmanın amaç fonksiyonunda parti ve cihaz üzerindeki son kullanma müddətleri bulunmaktadır. Ancak nəticə cədvəllarında kaç şeridin son kullanma nedeniyle kurtarıldığı, orta ksahə ömür, atılan reaktif sayistilik veya parasal israf miktarı raporlanmamıştır.

Bu nedenle tədqiqat, son kullanma duyarlı maliyetin algoritmaya dâhil edildiğini göstermekte; fakat bu bileşenin gerçek reaktif israfını ne ölçüde azalttığını bağımsız bir nəticə değişkeniyle sübut etmir. Uygunluk iyileşmesinin ne kadarının lövhə hərəkətinden, ne kadarının son kullanma tercihinden mənbəlandığı da belirtilmemiştir.

Yaxınlaşma qlobal optimum deməkdirmi?

Grafiklerde en iyi uyğunluq dəyərinin ilk kuşaklarda sürətlı, daha sonra yavaş biçimde düştüğü ve son kuşaklarda yataylaştığı görülmektedir. Gerçek 1 verilənlər dəstinde yaxınnsama daha erken gerçekleşirken daha karmaşık olan diğer verilənlər dəstinde iyileşme daha uzun sürmektedir.

Darsahə standart sapma bandı, farklı rastgele çalıştırmaların benzer çözümlere ulaştığını göstərir. Buna karşılık tədqiqatda:

• Kesin bir karma tamsayılı programlama modeliyle elde edilmiş optimum dəyər,
• Matematiksel alt sınır,
• Optimumluk açığı,
• Küçük örneklerde kesin çözüm karşılaştırması

sunulmamıştır. Bu nedenle nəticələr yüksek kaliteli ve kararlı sezgisel çözümler olarak dəyərlendirilmelidir; “qlobal optimum” veya kesin optimumluk iddiası desteklenmemektedir.

Tədqiqatın dəstəklədiyi əsas nəticələr

• Test sırası ile reaktiv zolaq atamasının birlikte optimize edilmesi, yalnızca geliş sırasını kullanan FIFO’dan çok daha az lövhə hərəkəti üretebilmektedir.
• Plaka tutarlı blokları koruyan problem-özel çarpazlama ve mutasiyalar, basit acgöz lövhə gruplamasından daha iyi nəticə vermiştir.
• Seçilen hiperparametrlerle 50 bağımsız çalıştırmadaki uyğunluq ve hərəkət değişkenliği düşüktür.
• 194–265 istek büyüklüğündeki gerçek iş yüklerinde hesablama müddəti yaklaşık 16–27 saniye arasında kalmıştır.
• Genetik algoritma, incelenen dört verilənlər dəstinin tamamında FIFO ve acgöz metode göre daha düşük hərəkət sayistilik ve uyğunluq dəyəri sağlamıştır.
• Plaka hərəkətlərinin azaltılması, modellenen cihaz mimarisinde daha az robotik taşıma gerektiren bir iş sırası oluşturmuştur.

Tədqiqat nəyi göstərmir?

• Algoritma gerçek cihaz üzerinde çevrim içi veya donanım döngüde çalıştırılmamıştır.
• Plaka hərəkətlərindeki azalmanın gerçek toplam işlem müddətsini, enerji tüketimini veya mexaniki bileşen ömrünü ne kadar değiştirdiği ölçülmemiştir.
• Tanısal doğruluk, duyarlılık, özgüllük, hasta sonucu veya klinik karar kalitesi dəyərlendirilmemiştir.
• Acil nümunələr, zaman pencereleri, öncelik sınıfları, kalite kontrol örnekleri ve kalibrasyonlar modele eklenmemiştir.
• İsteklerin gün içinde dinamik olarak gelmesi ve çizelgenin yeniden optimize edilmesi incelenmemiştir.
• Algoritmanın qlobal optimuma ulaştığı kanıtlanmamıştır.
• Son kullanma duyarlı tercihin gerçek reaktif israfını veya maliyeti ne kadar azalttığı gösterilmemiştir.
• Farklı cihaz markaları, laboratoriyalar veya ülke operasyonları üzerinde dış doğrulama yapılmamıştır.
• Üretim ortamındaki yazılım güvenliği, hata durumları ve düzenleyici doğrulama müddətçleri dəyərlendirilmemiştir.

Mətn daxilində mühüm açıqlıqlar və uyğunsuzluqlar

Tədqiqatın metodu və nəticələri

Problem əhatəsi

Genetik alqoritmin əməliyyat zənciri

Müqayisə üsulları

Tətbiq və avadanlıq mühiti

• Algoritmalar C# programlama diliyle geliştirilmiştir.
• İşletim sistemi Windows 11’dir.
• İşlemci Intel Core i5-10500, 3,10 GHz’dir.
• Bellek kapasitesi 8 GB RAM’dir.
• Bütün metodler aynı problem örnekleri üzerinde çalıştırılmıştır.
• FIFO ve acgöz metod deterministik, genetik alqoritm stokastiktir.
• Genetik algoritma için her verilənlər dəstinde 50 bağımsız çalıştırma yapılmıştır.

Seçilmiş hiperparametrlərin orta təsiri

Ümumi performans xülasəsi

Təkrarlanabilirlik və metodoloji çatışmazlıqlar

Çalışma xromosom kodlaması, çarpazlama, iki mutasiya operatörü, populyasiya yenileme, durdurma ölçütü ve temel hiperparametrleri ayrıntılı biçimde açıklamaktadır. İşlemci, bellek, işletim sistemi ve programlama dili de verilmiştir.

Buna karşılık bağımsız yeniden üretim için gerekli bazı bilgiler eksiktir:

• Son kullanma maliyeti katsayıları \(\gamma\) ve \(\delta\),
• Gerçek verilənlər dəstlərinin lövhə-şerit yerleşimleri,
• Test türlerinin ve talep dağılımlarının ayrıntıları,
• Başlangıç rastgele tohumları,
• Kaynak kodu veya sözde kodun eksiksiz uygulaması,
• Ham nəticə dosyaları ve yaxınnsama verileri,
• Geçersiz yavru ve yinelenen çözüm oranları,
• Çizelgelerin gerçek cihaz müddətsine dönüştürülme hesabı.

Çalışmada ayrı bir veri kullanılabilirliği, etik kurul, hasta verisi anonimleştirme, finansman, çıkar çatışması veya CRediT yazar katkistilik bölümü bulunmamaktadır. Yüklenen sürüm anonim olduğu için bu bilgilerin dəyərlendirme amacıyla gizlenmiş olması mümkündür; ancak mevcut metin üzerinden doğrulanamamaktadır.

Gerçek laboratoriya verileri kullanılmış olsa da analiz edilen çıktı klinik test nəticələrı değil, iş listeleri ile reaktif yerleşimleridir. Bununla birlikte verilənlər dəstlərinin hasta tanımlayıcıları içerip içermediği veya nasıl anonimleştirildiği açıqlanmamışdır.

Mənbə və metod qeydi

Çalışmanın tam özgün adı: Bio-Inspired Scheduling Optimization for Automated Immunoassay Laboratory Analyzers

Yazarlar ve sıraları: Carlos Sánchez, José Rojas. Yüklenen anonim sürümde isimler bulunmamaktadır; bu sıra resmî SSRN kaydından doğrulanmıştır.

Eş katkı veya eş birinci yazarlık: Eş katkı ya da eş birinci yazarlık açıklaması yüklenen tədqiqatda ve erişilebilen SSRN kayıt bilgisinde yer almamaktadır.

Sorumlu veya iletişim yazarı: Yüklenen sürümde “Anonymous authors” ve anonymous@anonymous.com yer tutucusu kullanılmıştır. SSRN kaydı Carlos Sánchez’i iletişim yazarı olarak göstərir. İlgili konferans kaydında da sorumlu yazar Carlos Sánchez’tir.

Kurumlar: SSRN kaydı bu tədqiqat için yazar kurumlarını belirtmemektedir. Yüklenen sürümde kurum “Anonymous institution” olarak gizlenmiştir. Aynı probleme ilişkin ilgili konferans tədqiqatsında Carlos Sánchez ve José Rojas için Vircell S.L.; Carlos Sánchez için ayrıca Universidad Politécnica de Cartagena bağlantistilik verilmiştir. Bu kurum bilgileri mevcut anonim preprintin doğrudan kurum beyanı olarak kabul edilmemelidir.

DOI: 10.2139/ssrn.7197891. Bu DOI, SSRN ön baskı kaydına aittir.

Dergi veya konferans: İncelenen tam başlıklı 21 sayfalık sürüm için doğrulanmış bir dergi veya konferans adı bulunmamaktadır. Çalışma SSRN üzerinde ön baskı olarak sunulmuştur.

İlgili konferans tədqiqatsı: Aynı yazarların “A Genetic Algorithm Framework for Scheduling in Automated Laboratory Analyzers” başlıklı ilgili tədqiqatsı, IWINAC 2026 kapsamında Lecture Notes in Computer Science, cilt 16575, sayfa 278–288’de yayımlanmıştır. DOI: 10.1007/978-3-032-27317-8_27. Bu kayıt, mevcut daha uzun SSRN metniyle aynı bibliyografik eser değildir.

Yayın platformu: SSRN.

Özgün yayınevi: Tam başlıklı ön baskı için doğrulanmış bir dergi yayınevi bulunmamaktadır. İlgili fakat başlığı ve kapsamı farklı konferans tədqiqatsının yayınevi Springer Nature Switzerland AG’dir.

Yayın yılı: 2026.

Kaynak türü: Kombinatoryal optimizasyon, genetik alqoritm ve laboratoriya otomasyonu sahəlarında sayısal ve endüstriyel veri temelli araştırma preprinti.

Hakemlik durumu: İncelenen tədqiqat rəyçi qiymətləndirməsindən keçməmişdir. Her sayfada “This preprint research paper has not been peer reviewed” uyaristilik bulunmaktadır.

Resmî bağlantılar:SSRN resmî kayıt sayfası ve SSRN DOI bağlantistilik.

İlgili konferans kaydı:Springer konferans tədqiqatsı DOI bağlantistilik.

Finansman: İncelenen anonim preprintte finansman bilgisi yer almamaktadır. İlgili konferans kaydı tədqiqatnın Vircell S.L. çerçevesinde yürütüldüğünü ve dış finansman alınmadığını belirtmektedir; bu bilgi mevcut preprintte ayrıca doğrulanmamıştır.

Çıkar çatışması: İncelenen anonim preprintte çıkar çatışması beyanı bulunmamaktadır. İlgili konferans kaydında Carlos Sánchez ve José Rojas’ın Vircell S.L. çalışanları olduğu açıklanmıştır. Algoritmanın aynı şirket tarafından geliştirilen bir cihaz üzerinde dəyərlendirilmesi nedeniyle bu kurumsal bağlantı nəticələrın yorumunda dikkate alınmalıdır.

Veri erişimi: Çalışmada kullanılan sentetik ve gerçek verilənlər dəstləri, mənbə kodu, rastgele tohumlar ve ayrıntılı təcrübə çıktıları için açık bir veri erişimi bağlantistilik verilmemiştir.

Bu Türkçe makale, yüklenen 21 sayfalık tədqiqatnın problem tanımı, cihaz iş axınşı, matematiksel formülleri, genetik alqoritm tasarımı, grafik özeti, yaxınnsama eğrileri, üç nəticə cədvəlsu ve metod karşılaştırmaları esas alınarak hazırlanmıştır. Çalışmada bulunmayan yeni bir təcrübə sonucu veya dış mənbətan bilimsel performans bulgusu eklenmemiştir. Dış doğrulama yalnızca yazarlar, DOI, yayın platformu, iletişim yazarı ve ilgili konferans kaydının bibliyografik kimliğiyle sınırlandırılmıştır.

Çalışmanın başlıca sınırlılıkları; hakem dəyərlendirmesinden geçmemiş olması, algoritmanın gerçek zamanlı cihaz üzerinde doğrulanmaması, yalnızca üç günlük gerçek veri kullanılması, dinamik istek gelişlerinin modellenmemesi, son kullanma ağırlıklarının açıklanmaması, reaktif israfının doğrudan ölçülmemesi, kesin optimum veya alt sınır karşılaştırmasının bulunmaması, mənbə kodu ile verilənlər dəstlərinin paylaşılmaması ve metin içinde standart sapma ile verilənlər dəsti büyüklüğüne ilişkin bazı tutarsızlıklar bulunmasıdır.

Sonuçlar, incelenen statik iş yüklerinde lövhəya duyarlı genetik alqoritmnın FIFO ve acgöz cədvəlləşdirməden daha az lövhə hərəkəti üretebildiğini göstərir. Bulgular tanısal doğruluk, hasta sonucu, bütün laboratoriya cihazlarında genellenebilirlik, gerçek mexaniki ömür artışı veya ticari sistemde doğrulanmış performans kanıtı değildir.