Shereen Ali Abd Al Fattah Al Fayoumi,  <br/><br/>
Leveraging machine learning and genetic  algorithms in optimizing mass customization products / 
 الاستفادة من التعلم الألي و الخوارزمية الجينية في تحسين الانتاج الضخم المخصص 
by Shereen Ali Abd Al Fattah Al Fayoumi ; SupervisionProf. Neamat Eltazi, Prof. Amal Elgammal.  
 - 100 pages :   illustrations ;   30 cm. +   CD. 
<br/><br/>Thesis (Ph.D)-Cairo University, 2025. 
<br/><br/>Bibliography: pages 95-100. 
<br/><br/> Planning in mass-customization supply and manufacturing processes is a complex task that requires <br/>ongoing optimization to minimize time and cost across many options in large production volumes. Various <br/>artificial intelligence (AI) techniques are now used to find planning solutions for supply chains, which <br/>include suppliers, manufacturers, wholesalers, and customers. Continual optimization of these chains is <br/>vital to improve their overall performance. However, the manufacturing sector remains a crucial stage <br/>within the supply chain, needing continuous refinement. Mass Customization Manufacturing, a production <br/>method that involves high-volume manufacturing with a wide variety of materials, presents unique <br/>challenges because it must balance high volume with high variability. Despite its importance, research in <br/>this area remains limited. <br/>To our knowledge, genetic algorithms have not been applied to minimize both time and cost in <br/>mass customization manufacturing simultaneously. Additionally, machine learning techniques present a <br/>promising opportunity to optimize supply and manufacturing planning as practical solutions for industrial <br/>optimization problems. <br/>In this study, we propose an artificial intelligence-based solution that utilizes genetic algorithms to <br/>develop a model designed to minimize the time and cost associated with mass-customized orders. <br/>Furthermore, we examine supervised machine learning and deep learning techniques for planning <br/>manufacturing time and cost across various scenarios in a large-scale real-life pilot study within the bicycle <br/>manufacturing domain. <br/>Our proposed optimization model employs two approaches to solve the problem. The first uses a <br/>genetic algorithm with a single-objective function to optimize either time or cost, and it also uses the multi-<br/>objective NSGA-II algorithm to optimize both at the same time. The second approach tests multiple <br/>machine learning models, including K-Nearest Neighbors (K-NN) with regression, Random Forest, and <br/>Decision Tree from traditional methods, along with Neural Networks and Ensembles as deep learning <br/>options. Additionally, Reinforcement Learning was used in cases where real-world data or historical <br/>experiences were not available. <br/>The pilot study's training performance was evaluated using cross-validation, supported by statistical <br/>analysis methods, including the t-test and the Wilcoxon test. The effectiveness of the proposed models was <br/>tested through a real-world case study, showing that genetic algorithms for mass customization optimization <br/>outperformed expert estimations in finding efficient solutions. Additionally, the results showed that <br/>machine learning techniques outperformed genetics, deep learning, and reinforcement learning approaches, <br/>with K-NN combined with regression producing the best outcomes.  يعدّ التخطيط في عمليات التصنيع والتوريد ضمن نظام التصنيع حسب الطلب الجماعي مهمة معقدة تتطلب تحسينًا مستمرًا لتقليل الوقت والتكلفة عبر مجموعة واسعة من الخيارات في الإنتاج واسع النطاق. تُستخدم تقنيات الذكاء الاصطناعي على نطاق واسع لتحسين أداء سلسلة التوريد، ولكن تظل مرحلة التصنيع، وخاصة في التصنيع حسب الطلب الجماعي، تمثل تحديات فريدة نظرًا للحاجة إلى تحقيق توازن بين الحجم الكبير والتنوع العالي. وعلى الرغم من أهمية هذا المجال، إلا أن الأبحاث فيه لا تزال محدودة. تقدم هذه الدراسة حلاً يعتمد على الذكاء الاصطناعي باستخدام الخوارزميات الجينية لتقليل الوقت والتكلفة في أوامر التصنيع حسب الطلب. كما تستكشف تقنيات التعلم الآلي والتعلم العميق لتخطيط الوقت والتكلفة في سيناريوهات واقعية، وخصوصًا في صناعة الدراجات الهوائية. يتبع النموذج المقترح استراتيجيتين: الأولى تعتمد على الخوارزميات الجينية، بما في ذلك خوارزمية NSGA-II، لتحسين هدف واحد أو عدة أهداف؛ أما الثانية فتستخدم عدة طرق من التعلم الآلي مثل الجار الأقرب (K-NN)، الغابات العشوائية، والشبكات العصبية. وقد أظهرت النتائج أن طريقة الجار الأقرب مع الانحدار كانت الأكثر فعالية، كما تم استخدام التعلم التعزيزي في الحالات التي تفتقر إلى البيانات التاريخية أو الخبرات الواقعية. 
<br/><br/>
<br/><br/><br/>Text in English and abstract in Arabic & English. 
<br/><br/><label>Subjects--Topical Terms: </label><br/>Information Systems<br/>نظم المعلومات
<br/><br/><label>Subjects--Index Terms: </label>Supply Chain  Mass Customization Manufacturing  Optimization   Genetic Algorithm  Machine Learning  Deep Learning  Reinforcement Learning  سلاسل الإمداد  تصنيع الانتاج الضخم 
<br/><br/><label>Dewey Class. No.: </label>005.12