Simulation, being capable of representing a system’s behavior in an effective way, when combined with the neural networks, can provide an efficient decision making structure. In this paper, a system is developed in order to determine the machine, the material handling system and the priority rule that will be used in the system by using Simulation and neural network techniques in Job-Shop scheduling design. The
backpropagation algorithm is chosen for the neural network model. In this paper, first, a neural network that is capable of providing realistic results is obtained. Simulation
technique is used in order to obtain the samples to train the neural network in computer environment. The next step includes the decision-making, determination of the ranges where the selected decision remains valid and the related comments. Trained neural networks are used in order to determine the hardware configuration and the scheduling strategy that are capable of providing a determined set of performance criteria. After the simulation of the result(s) that is (are) proposed by the neural network, the deviations of the performance criteria from their corresponding expected values are calculated and proposed in a tabular format. The criteria
used in the performance measurement are the average flow time, average tardiness, maximum completion time and machine center usage ratios.

Bir sistemin davranışlarını iyi bir şekilde temsil kabiliyetine sahip bir modelleme tekniği olan benzetim, yapay zeka teknikleriyle beraber ele alındığında etkili bir karar verme yapısı oluşturmaktadır. Bu çalışmada, Atölye çizelgeleme tasarımında benzetim ve yapay sinir ağı kullanılarak, tezgah seçimi, malzeme taşıma sistemi seçimi ve sistemde kullanılacak öncelik kuralı seçimi için bir sistem geliştirilmiştir. Yapay sinir ağı modeli olarak geriye yayma algoritması (GYA - backpropagation) kullanılmıştır. Bu çalışmadaki yaklaşıma
“Öncelik Kuralına Dayalı Yaklaşım” adı verilmiştir. Çalışmada, öncelikle gerçeğe uygun sonuçlar üretebilen, eğitilmiş yapay sinir ağıları elde edilmiştir. Öncelik kuralı temel alınarak oluşturulan bu yaklaşımda, örnek setinde sadece seçilen bir öncelik kuralı ve Otomatik Güdümlü Araç (OGA) sayısı konfigürasyonu ile elde edilen değerlerin bulunduğu, öncelik kuralı-OGA sayısı kombinasyonuna göre yapay sinir ağı topolojisi oluşturulmuştur. Ağı eğitmek ve gerekli olan örneklerin elde edilmesi için bilgisayar ortamında benzetim tekniğinden faydalanılmıştır. Performans kriterlerinin belirli bir değerler kümesini sağlayabilecek olan, donanım
konfigürasyonu ve çizelgeleme stratejisini belirleyebilmek için, eğitilmiş yapay sinir ağlarından yararlanılmıştır.
Yapay sinir ağı tarafından teklif edilen sonuç ya da sonuçların benzetimi sonunda, performans kriterlerinin beklenen değerlerinden sapma miktarları hesaplanmış ve karar verme işlemi çizelgeler halinde sunulmuştur. Performans ölçümünde kullanılan kriterler; ortalama akış zamanı, ortalama gecikme, maksimum tamamlanma zamanı ve tezgah merkezleri kullanım oranlarıdır.