Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
Genetik algoritmalar, doğada gözlemlenen evrimsel mekanizmalara benzer mekanizmalar kullanarak çalışan eniyileştirme yöntemidir. Çok boyutlu uzayda belirli bir maliyet fonksiyonuna göre en iyileştirme amacıyla iterasyonlar yapan ve her iterasyonda en iyi sonucu üreten kromozomun hayatta kalması prensibine dayanan en iyi çözümü arama yöntemidir.
Genetik algoritmaların temel ilkeleri ilk kez Michigan Üniversitesi'nde John Holland tarafından ortaya atılmıştır. Holland 1975 yılında yaptığı, evrim yasalarını genetik algoritma içinde eniyileştirme problemleri için kullandığı çalışmaları “Adaptation in Natural and Artificial Systems” adlı kitabında bir araya getirmiştir.
Genetik algoritmalar problemlere tek bir çözüm üretmek yerine farklı çözümlerden oluşan bir çözüm kümesi üretir. Böylelikle, arama uzayında aynı anda birçok nokta değerlendirilmekte ve sonuçta global çözüme ulaşma olasılığı yükselmektedir. Çözüm kümesindeki çözümler birbirinden tamamen bağımsızdır. Her biri çok boyutlu uzay üzerinde bir vektördür.
Genetik algoritmalar problemlerin çözümü için evrimsel süreci bilgisayar ortamında taklit ederler. Problem için olası pek çok çözümü temsil eden bir çözüm kümesi genetik algoritma terminolojisinde nüfus veya popülasyon adını alır. Popülasyonlar vektör, kromozom veya birey adı verilen sayı dizilerinden oluşur. Birey içindeki her bir elemana gen adı verilir. Nüfustaki bireyler evrimsel süreç içinde genetik algoritma mekanizmaları tarafından oluşturulurlar.
Problemin bireyler içindeki gösterimi problemden probleme değişiklik gösterir. Genetik algoritmaların problemin çözümündeki başarısına karar vermedeki en önemli faktör, problemin çözümünü temsil eden bireylerin gösterimidir. Nüfus içindeki her bireyin problem için çözüm olup olmayacağına karar veren bir uygunluk fonksiyonu vardır. Uygunluk fonksiyonundan dönen değere göre yüksek değere sahip olan bireylere, nüfustaki diğer bireyler ile çoğalmaları için fırsat verilir. Bu bireyler çaprazlama işlemi sonunda çocuk adı verilen yeni bireyler üretirler. Çocuk kendisini meydana getiren ebeveynlerin (anne, baba) özelliklerini taşır. Yeni bireyler üretilirken düşük uygunluk değerine sahip bireyler daha az seçileceğinden bu bireyler bir süre sonra nüfus dışında bırakılırlar. Yeni nüfus, bir önceki nüfusta yer alan uygunluğu yüksek bireylerin bir araya gelip çoğalmalarıyla oluşur. Aynı zamanda bu nüfus önceki nüfusun uygunluğu yüksek bireylerinin sahip olduğu özelliklerin büyük bir kısmını içerir. Böylelikle, pek çok nesil aracılığıyla iyi özellikler nüfus içerisinde yayılırlar ve genetik işlemler aracılığıyla da diğer iyi özelliklerle birleşirler. Uygunluk değeri yüksek olan ne kadar çok birey bir araya gelip, yeni bireyler oluşturursa arama uzayı içerisinde o kadar iyi bir çalışma alanı elde edilir. Probleme ait en iyi çözümün bulunabilmesi için;
- Bireylerin gösterimi doğru bir şekilde yapılmalı,
- Uygunluk fonksiyonu etkin bir şekilde oluşturulmalı,
- Doğru genetik işlemciler seçilmeli.
Bu durumda çözüm kümesi problem için bir noktada birleşecektir. Genetik algoritmalar, diğer eniyileme yöntemleri kullanılırken büyük zorluklarla karşılaşılan, oldukça büyük arama uzayına sahip problemlerin çözümünde başarı göstermektedir. Bir problemin bütünsel en iyi çözümünü bulmak için garanti vermezler. Ancak problemlere makul bir süre içinde, kabul edilebilir, iyi çözümler bulurlar. Genetik algoritmaların asıl amacı, hiçbir çözüm tekniği bulunmayan problemlere çözüm aramaktır. Kendilerine has çözüm teknikleri olan özel problemlerin çözümü için mutlak sonucun hızı ve kesinliği açısından genetik algoritmalar kullanılmazlar. Genetik algoritmalar ancak;
- Arama uzayının büyük ve karmaşık olduğu,
- Mevcut bilgiyle sınırlı arama uzayında çözümün zor olduğu,
- Problemin belirli bir matematiksel modelle ifade edilemediği,
- Geleneksel eniyileme yöntemlerinden istenen sonucun alınmadığı alanlarda etkili ve kullanışlıdır.
Çalışma prensibi
Genetik algoritmada kullanılan kavramlar, biyolojideki evrim teorisine benzer anlamda kullanılmaktadır. Doğal yaşamda popülasyonlar bireylerin bir arada bulunmasıyla oluşmaktadır. GA algoritması için oluşturulan popülasyon da çok sayıda bireyin bir araya gelmesiyle, başka bir deyişle çok sayıda olası çözüm adaylarının bir araya gelmesiyle oluşmaktadır. Aday çözümler, probleme uygun şekilde kodlanmış diziler halinde tutulurlar. Bu diziyi oluşturan her bir elemana birey denir ve her bir birey arama uzayında belirli bir bölgeyi temsil eder.
Genetik algoritmada ilk başlangıç bireyleri genellikle rastgele olarak üretilirler fakat bu bir zorunluluk değildir. Özellikle çok kısıtlı optimizasyon problemlerinde, başlangıç bireylerini oluşturmak için, tanımlanan kısıtlamaların bir kısmına dikkat edilerek daha iyi adaylar oluşturulabilinir. Bireylerin, uygunluk fonksiyonu işlemine tabi tutulması sonucunda, çözümün optimal çözüme ne kadar yaklaştığını değerlendiren uygunluk değeri belirlenir. Başlangıç popülasyonu oluşturulmuş genetik algoritma üç evrim operatörüyle çalışır. Bunlar; seçim, çaprazlama ve mutasyon operatörleridir. Genel olarak bu operatörlerin her biri, yeni nesilde oluşacak olan popülasyonun her bireyine uygulanır.
Seçim işlemi, popülasyondaki bireyleri uygunluk değerlerine bağlı olarak, yeni bireyleri oluşturmak için, ebeveyn birey seçmesi işlemidir. Çaprazlama operatörü, seçim işleminden sonra uygulanır ve ebeveyn bireylere ait kromozomların belirli kısımlarının karşılıklı yer değiştirmesini ve böylece yeni özellikte bireylerin oluşmasını ifade eder. Mutasyon işlemi ise yeni oluşan bireyin kromozomlarından herhangi birinin içindeki bir geni mutasyon olasılığına bağlı olarak değiştirme işlemidir.
Genetik algoritma işlemini sonlandırmak için çeşitli yöntemler bulunmaktadır. Bu yöntemler; algoritmanın çalışması esnasında istenen çözüm bulunduğunda, GA’nın başlangıcında tanımlanan toplam iterasyon sayısına ulaşıldığında veya uygunluk değeri sürekli olarak sabit kaldığında, bulunan en iyi bireyin temsil ettiği çözüm, problem için bulunmuş en uygun çözüm olarak sunulur.
Temel Kavramlar
Genetik algoritmada; kısıtlara uyum sağlayan çözüme ulaşmak için algoritma yapısının oluşturulması ve parametrelerin belirlenmesi gerekmektedir. Aşağıda bu kavramlara ve algoritma için gerekli olan parametrelere yer verilmiştir.
Gen yapısı ve kodlama
Yapısında probleme ait en küçük bilgiyi taşıyan birime gen denir. GA’nın kullandığı programlama yapısında bu gen yapıları programcının tanımlamasına bağlıdır. Bir genin yapısında sadece ikili tabandaki (binary) sayıları içerebileceği gibi, gray, tam sayı, gerçel sayı veya ağaç biçimini ve farklı sembolik ifadeleri de içerebilir. Kodlama biçimi, GA’nın performansını oldukça önemli oranda etkiler; fakat kodlama biçimi programa bağlı olduğundan bütün problemler için geçerli en uygun kodlama biçimini söylemek imkânsızdır. Michalewicz belli bir problem tipi için yapmış olduğu çalışmada gerçel sayı gösteriminin daha çabuk sonuca ulaştığını göstermiştir.
Kromozom yapısı
Bir veya birden fazla gen yapısının bir araya gelerek problemin çözümüne ait bilgilerin bir kısmını oluşturan dizilere kromozom denir. Kromozom, GA yaklaşımında üzerinde durulan en önemli birim olduğu için bilgisayar ortamında iyi ifade edilmesi gerekir.
Popülasyon
Olası çözüm bilgilerini içeren bireylerin bir araya gelmesiyle oluşan topluluğa popülasyon denir. Popülasyondaki birey sayısı problemin özelliğine göre, genetik algoritmayı tasarlayan tarafından belirlenir. Popülasyon büyüklüğü problemin çözüm süresini etkilemektedir. Popülasyondaki birey sayısının gereğinden fazla olması çözüm süresini uzatırken, birey sayısının az olması popülasyonun istenen çözüm değerine ulaşılamamasına sebep olabilir. Problemin özelliğine göre seçilecek olan popülasyondaki birey sayısı genetik algoritmayı hazırlayan kişi tarafından iyi belirlenmelidir. Grefensette, GA için en uygun popülasyon büyüklüğünün 10 ile 160 birey arasında olmasının uygun olacağını öne sürmüştür.
Genetik operatörler
GA’nın temel yapısını oluşturan ve algoritmanın işleyişi sırasında mevcut popülasyon üzerinde uygulanan işlemlere, genetik operatörler denir. Bu operatörler, seçme (selection) ya da tekrar üreme (reproduction) operatörü, çaprazlama (crossover) operatörü ve mutasyon (mutation) operatörüdür. Bunlara ilaveten kısıtlı eniyileme problemlerinde mutlak suretle kullanılması gereken ve probleme özgü olarak geliştirilen diğer bir operatör de tamir (reparation) operatörüdür. Genetik operatörler, daha iyi özelliklere sahip nesiller üreterek çözüm uzayını genişletir. Kullanılan üç standart operatör vardır:
- Seçim (Selection), var olan bireyi genetik yapısında herhangi bir değişiklik yapmadan yeni nesile kopyalar.
- Çaprazlama (Crossover), iki bireyin yapılarının rastlantısal olarak birleştirilerek yeni bireyler oluşturulmasıdır. İşlem, ikili dizilerin parçalarının değiş tokuşu ile gerçekleştirilir.
- Mutasyon (Mutation), var olan bir bireyin genlerinin bir ya da birkaçının yerlerinin değiştirilmesiyle oluşturulur.
Kullanım alanları
Genetik algoritmalar; Parametre ve sistem tanılama, kontrol sistemleri, robot uygulamaları, görüntü ve ses tanıma, mühendislik tasarımları, planlama, yapay zeka uygulamaları, uzman sistemler, fonksiyon ve kombinasyonel eniyileme problemleri ağ tasarım problemleri, yol bulma problemleri, çizelgeleme problemleri, sosyal ve ekonomik planlama problemleri için diğer eniyileme yöntemlerinin yanında başarılı sonuçlar vermektedir.
Diğer yöntemlerden farkı
- Genetik algoritmalar problemlerin çözümünü parametrelerin değerleriyle değil, kodlarıyla arar. Parametreler kodlanabildiği sürece çözüm üretilebilir. Bu sebeple genetik algoritmalar ne yaptığı konusunda bilgi içermez, nasıl yaptığını bilir.
- Algoritmalar aramaya tek bir noktadan değil, noktalar kümesinden başlar. Bu nedenle çoğunlukla yerel en iyi çözümde sıkışıp kalmazlar. Ancak bazı durumlarda genetik algoritmalar yerel en iyi çözüme, genel en iyi çözümden daha çabuk ulaşırlar ve algoritma bu noktada sonuçlanır. Bu durumla karşılaşıldığında, bu durumu önlemek için (genel en iyi çözüme ulaşabilmek için) ya arama uzayındaki çeşitlilik arttırılır ya da uygunluk fonksiyonu her üreme aşamasında değiştirilir.
- Genetik algoritmalar türev yerine uygunluk fonksiyonunun değerini kullanır. Bu değerin kullanılması ayrıca yardımcı bir bilginin kullanılmasını gerektirmez.
- Genetik algoritmalar gerekirci kuralları değil olasılıksal kuralları kullanır.
Kaynakça
- ^ Aydın, Şamil Emre (2017). Yapay Zekâ Teknolojisi (Yapay Zekâların Dünü Bugünü Yarını). s. 15. 8 Ağustos 2021 tarihinde kaynağından . Erişim tarihi: 11 Ağustos 2021.
- ^ a b Elen, A., "Çizelgeleme probleminin sezgisel optimizasyon yaklaşımıyla çözümü", Yüksek Lisans Tezi, Karabük Üniversitesi Fen Bilimleri Enstitüsü, Karabük (2011).
- BEASLEY, D., BULL, D.R., and MARTIN, R.R., 1993a. An Overview of Genetic Algorithms: Part 1, Fundamentals. University Computing, Vol.15(2), pp. 58–69, UK.
- BEASLEY, D., BULL, D.R., and MARTIN, R.R., 1993b. An Overview of Genetic Algorithms: Part 2, Research Topics .University Computing, Vol. 15(4), pp. 170–181, UK.
- BINGUL, Z., SEKMEN, A.S. and ZEIN, S., 1999. An Application of Multi-Dimensional Optimization Problems Using Genetic Algorithms. Proceedings of the IASTED International Conference Intelligent Systems and Control, Santa Barbara, CA, USA.
- BINGUL, Z., SEKMEN, A.S. and ZEIN, S., 2000. Genetic Algorithms Applied to Real Time Multi-objective Optimization Problems. IEEE SoutheastCon 2000 Conference, Nashville, TN, USA.
- DREZNER, Z. and WESOLOWSKY, G.O., 2003. Network Design: Selection and Design of Links and Facility Location. Transportation Research Part A, Vol. 37, pp 241–256.
- GEN, M., CHENG, R. and OREN, S.S., 2001. Network Design Techniques Using Adapted Genetic Algorithms. Advances in Engineering Software, Vol. 32, pp. 731–744.
- GOLDBERG, D.E., 1989, Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley Publishing Company Inc..
- HOLLAND, J.H., Adaption in Natural and Artificial Systems, University of Michigan Pres, Ann Arbor, MI, 1975.
- MAN, K.F., TANG, K.S. and KWONG, S., 1996. Genetic Algorithms: Concepts and Applications. IEEE Transactions on Industrial Electronics, Vol. 43, No. 5, pp. 519–533.
- POLI, R., LANGDON, W. B., MCPHEE, N. F. (2008), A Field Guide to Genetic Programming8 Ağustos 2015 tarihinde Wayback Machine sitesinde ., freely available via Lulu.com.
Dış bağlantılar
- (İngilizce)
- (Türkçe)
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Genetik algoritmalar dogada gozlemlenen evrimsel mekanizmalara benzer mekanizmalar kullanarak calisan eniyilestirme yontemidir Cok boyutlu uzayda belirli bir maliyet fonksiyonuna gore en iyilestirme amaciyla iterasyonlar yapan ve her iterasyonda en iyi sonucu ureten kromozomun hayatta kalmasi prensibine dayanan en iyi cozumu arama yontemidir Genetik algoritmalarin temel ilkeleri ilk kez Michigan Universitesi nde John Holland tarafindan ortaya atilmistir Holland 1975 yilinda yaptigi evrim yasalarini genetik algoritma icinde eniyilestirme problemleri icin kullandigi calismalari Adaptation in Natural and Artificial Systems adli kitabinda bir araya getirmistir Genetik algoritmalar problemlere tek bir cozum uretmek yerine farkli cozumlerden olusan bir cozum kumesi uretir Boylelikle arama uzayinda ayni anda bircok nokta degerlendirilmekte ve sonucta global cozume ulasma olasiligi yukselmektedir Cozum kumesindeki cozumler birbirinden tamamen bagimsizdir Her biri cok boyutlu uzay uzerinde bir vektordur Genetik algoritmalar problemlerin cozumu icin evrimsel sureci bilgisayar ortaminda taklit ederler Problem icin olasi pek cok cozumu temsil eden bir cozum kumesi genetik algoritma terminolojisinde nufus veya populasyon adini alir Populasyonlar vektor kromozom veya birey adi verilen sayi dizilerinden olusur Birey icindeki her bir elemana gen adi verilir Nufustaki bireyler evrimsel surec icinde genetik algoritma mekanizmalari tarafindan olusturulurlar Genetik Algoritmanin Genel Akis Semasi Problemin bireyler icindeki gosterimi problemden probleme degisiklik gosterir Genetik algoritmalarin problemin cozumundeki basarisina karar vermedeki en onemli faktor problemin cozumunu temsil eden bireylerin gosterimidir Nufus icindeki her bireyin problem icin cozum olup olmayacagina karar veren bir uygunluk fonksiyonu vardir Uygunluk fonksiyonundan donen degere gore yuksek degere sahip olan bireylere nufustaki diger bireyler ile cogalmalari icin firsat verilir Bu bireyler caprazlama islemi sonunda cocuk adi verilen yeni bireyler uretirler Cocuk kendisini meydana getiren ebeveynlerin anne baba ozelliklerini tasir Yeni bireyler uretilirken dusuk uygunluk degerine sahip bireyler daha az secileceginden bu bireyler bir sure sonra nufus disinda birakilirlar Yeni nufus bir onceki nufusta yer alan uygunlugu yuksek bireylerin bir araya gelip cogalmalariyla olusur Ayni zamanda bu nufus onceki nufusun uygunlugu yuksek bireylerinin sahip oldugu ozelliklerin buyuk bir kismini icerir Boylelikle pek cok nesil araciligiyla iyi ozellikler nufus icerisinde yayilirlar ve genetik islemler araciligiyla da diger iyi ozelliklerle birlesirler Uygunluk degeri yuksek olan ne kadar cok birey bir araya gelip yeni bireyler olusturursa arama uzayi icerisinde o kadar iyi bir calisma alani elde edilir Probleme ait en iyi cozumun bulunabilmesi icin Bireylerin gosterimi dogru bir sekilde yapilmali Uygunluk fonksiyonu etkin bir sekilde olusturulmali Dogru genetik islemciler secilmeli Bu durumda cozum kumesi problem icin bir noktada birlesecektir Genetik algoritmalar diger eniyileme yontemleri kullanilirken buyuk zorluklarla karsilasilan oldukca buyuk arama uzayina sahip problemlerin cozumunde basari gostermektedir Bir problemin butunsel en iyi cozumunu bulmak icin garanti vermezler Ancak problemlere makul bir sure icinde kabul edilebilir iyi cozumler bulurlar Genetik algoritmalarin asil amaci hicbir cozum teknigi bulunmayan problemlere cozum aramaktir Kendilerine has cozum teknikleri olan ozel problemlerin cozumu icin mutlak sonucun hizi ve kesinligi acisindan genetik algoritmalar kullanilmazlar Genetik algoritmalar ancak Arama uzayinin buyuk ve karmasik oldugu Mevcut bilgiyle sinirli arama uzayinda cozumun zor oldugu Problemin belirli bir matematiksel modelle ifade edilemedigi Geleneksel eniyileme yontemlerinden istenen sonucun alinmadigi alanlarda etkili ve kullanislidir Calisma prensibiGenetik algoritmada kullanilan kavramlar biyolojideki evrim teorisine benzer anlamda kullanilmaktadir Dogal yasamda populasyonlar bireylerin bir arada bulunmasiyla olusmaktadir GA algoritmasi icin olusturulan populasyon da cok sayida bireyin bir araya gelmesiyle baska bir deyisle cok sayida olasi cozum adaylarinin bir araya gelmesiyle olusmaktadir Aday cozumler probleme uygun sekilde kodlanmis diziler halinde tutulurlar Bu diziyi olusturan her bir elemana birey denir ve her bir birey arama uzayinda belirli bir bolgeyi temsil eder Genetik algoritmada ilk baslangic bireyleri genellikle rastgele olarak uretilirler fakat bu bir zorunluluk degildir Ozellikle cok kisitli optimizasyon problemlerinde baslangic bireylerini olusturmak icin tanimlanan kisitlamalarin bir kismina dikkat edilerek daha iyi adaylar olusturulabilinir Bireylerin uygunluk fonksiyonu islemine tabi tutulmasi sonucunda cozumun optimal cozume ne kadar yaklastigini degerlendiren uygunluk degeri belirlenir Baslangic populasyonu olusturulmus genetik algoritma uc evrim operatoruyle calisir Bunlar secim caprazlama ve mutasyon operatorleridir Genel olarak bu operatorlerin her biri yeni nesilde olusacak olan populasyonun her bireyine uygulanir Secim islemi populasyondaki bireyleri uygunluk degerlerine bagli olarak yeni bireyleri olusturmak icin ebeveyn birey secmesi islemidir Caprazlama operatoru secim isleminden sonra uygulanir ve ebeveyn bireylere ait kromozomlarin belirli kisimlarinin karsilikli yer degistirmesini ve boylece yeni ozellikte bireylerin olusmasini ifade eder Mutasyon islemi ise yeni olusan bireyin kromozomlarindan herhangi birinin icindeki bir geni mutasyon olasiligina bagli olarak degistirme islemidir Genetik algoritma islemini sonlandirmak icin cesitli yontemler bulunmaktadir Bu yontemler algoritmanin calismasi esnasinda istenen cozum bulundugunda GA nin baslangicinda tanimlanan toplam iterasyon sayisina ulasildiginda veya uygunluk degeri surekli olarak sabit kaldiginda bulunan en iyi bireyin temsil ettigi cozum problem icin bulunmus en uygun cozum olarak sunulur Temel KavramlarGenetik algoritmada kisitlara uyum saglayan cozume ulasmak icin algoritma yapisinin olusturulmasi ve parametrelerin belirlenmesi gerekmektedir Asagida bu kavramlara ve algoritma icin gerekli olan parametrelere yer verilmistir Gen yapisi ve kodlama Yapisinda probleme ait en kucuk bilgiyi tasiyan birime gen denir GA nin kullandigi programlama yapisinda bu gen yapilari programcinin tanimlamasina baglidir Bir genin yapisinda sadece ikili tabandaki binary sayilari icerebilecegi gibi gray tam sayi gercel sayi veya agac bicimini ve farkli sembolik ifadeleri de icerebilir Kodlama bicimi GA nin performansini oldukca onemli oranda etkiler fakat kodlama bicimi programa bagli oldugundan butun problemler icin gecerli en uygun kodlama bicimini soylemek imkansizdir Michalewicz belli bir problem tipi icin yapmis oldugu calismada gercel sayi gosteriminin daha cabuk sonuca ulastigini gostermistir Kromozom yapisi Bir veya birden fazla gen yapisinin bir araya gelerek problemin cozumune ait bilgilerin bir kismini olusturan dizilere kromozom denir Kromozom GA yaklasiminda uzerinde durulan en onemli birim oldugu icin bilgisayar ortaminda iyi ifade edilmesi gerekir Populasyon Olasi cozum bilgilerini iceren bireylerin bir araya gelmesiyle olusan topluluga populasyon denir Populasyondaki birey sayisi problemin ozelligine gore genetik algoritmayi tasarlayan tarafindan belirlenir Populasyon buyuklugu problemin cozum suresini etkilemektedir Populasyondaki birey sayisinin gereginden fazla olmasi cozum suresini uzatirken birey sayisinin az olmasi populasyonun istenen cozum degerine ulasilamamasina sebep olabilir Problemin ozelligine gore secilecek olan populasyondaki birey sayisi genetik algoritmayi hazirlayan kisi tarafindan iyi belirlenmelidir Grefensette GA icin en uygun populasyon buyuklugunun 10 ile 160 birey arasinda olmasinin uygun olacagini one surmustur Genetik operatorlerGA nin temel yapisini olusturan ve algoritmanin isleyisi sirasinda mevcut populasyon uzerinde uygulanan islemlere genetik operatorler denir Bu operatorler secme selection ya da tekrar ureme reproduction operatoru caprazlama crossover operatoru ve mutasyon mutation operatorudur Bunlara ilaveten kisitli eniyileme problemlerinde mutlak suretle kullanilmasi gereken ve probleme ozgu olarak gelistirilen diger bir operator de tamir reparation operatorudur Genetik operatorler daha iyi ozelliklere sahip nesiller ureterek cozum uzayini genisletir Kullanilan uc standart operator vardir Secim Selection var olan bireyi genetik yapisinda herhangi bir degisiklik yapmadan yeni nesile kopyalar Caprazlama Crossover iki bireyin yapilarinin rastlantisal olarak birlestirilerek yeni bireyler olusturulmasidir Islem ikili dizilerin parcalarinin degis tokusu ile gerceklestirilir Mutasyon Mutation var olan bir bireyin genlerinin bir ya da birkacinin yerlerinin degistirilmesiyle olusturulur Kullanim alanlariGenetik algoritmalar Parametre ve sistem tanilama kontrol sistemleri robot uygulamalari goruntu ve ses tanima muhendislik tasarimlari planlama yapay zeka uygulamalari uzman sistemler fonksiyon ve kombinasyonel eniyileme problemleri ag tasarim problemleri yol bulma problemleri cizelgeleme problemleri sosyal ve ekonomik planlama problemleri icin diger eniyileme yontemlerinin yaninda basarili sonuclar vermektedir Diger yontemlerden farkiGenetik algoritmalar problemlerin cozumunu parametrelerin degerleriyle degil kodlariyla arar Parametreler kodlanabildigi surece cozum uretilebilir Bu sebeple genetik algoritmalar ne yaptigi konusunda bilgi icermez nasil yaptigini bilir Algoritmalar aramaya tek bir noktadan degil noktalar kumesinden baslar Bu nedenle cogunlukla yerel en iyi cozumde sikisip kalmazlar Ancak bazi durumlarda genetik algoritmalar yerel en iyi cozume genel en iyi cozumden daha cabuk ulasirlar ve algoritma bu noktada sonuclanir Bu durumla karsilasildiginda bu durumu onlemek icin genel en iyi cozume ulasabilmek icin ya arama uzayindaki cesitlilik arttirilir ya da uygunluk fonksiyonu her ureme asamasinda degistirilir Genetik algoritmalar turev yerine uygunluk fonksiyonunun degerini kullanir Bu degerin kullanilmasi ayrica yardimci bir bilginin kullanilmasini gerektirmez Genetik algoritmalar gerekirci kurallari degil olasiliksal kurallari kullanir Kaynakca Aydin Samil Emre 2017 Yapay Zeka Teknolojisi Yapay Zekalarin Dunu Bugunu Yarini s 15 8 Agustos 2021 tarihinde kaynagindan Erisim tarihi 11 Agustos 2021 a b Elen A Cizelgeleme probleminin sezgisel optimizasyon yaklasimiyla cozumu Yuksek Lisans Tezi Karabuk Universitesi Fen Bilimleri Enstitusu Karabuk 2011 BEASLEY D BULL D R and MARTIN R R 1993a An Overview of Genetic Algorithms Part 1 Fundamentals University Computing Vol 15 2 pp 58 69 UK BEASLEY D BULL D R and MARTIN R R 1993b An Overview of Genetic Algorithms Part 2 Research Topics University Computing Vol 15 4 pp 170 181 UK BINGUL Z SEKMEN A S and ZEIN S 1999 An Application of Multi Dimensional Optimization Problems Using Genetic Algorithms Proceedings of the IASTED International Conference Intelligent Systems and Control Santa Barbara CA USA BINGUL Z SEKMEN A S and ZEIN S 2000 Genetic Algorithms Applied to Real Time Multi objective Optimization Problems IEEE SoutheastCon 2000 Conference Nashville TN USA DREZNER Z and WESOLOWSKY G O 2003 Network Design Selection and Design of Links and Facility Location Transportation Research Part A Vol 37 pp 241 256 GEN M CHENG R and OREN S S 2001 Network Design Techniques Using Adapted Genetic Algorithms Advances in Engineering Software Vol 32 pp 731 744 GOLDBERG D E 1989 Genetic Algorithms in Search Optimization and Machine Learning Addison Wesley Publishing Company Inc ISBN 0 201 15767 5 HOLLAND J H Adaption in Natural and Artificial Systems University of Michigan Pres Ann Arbor MI 1975 MAN K F TANG K S and KWONG S 1996 Genetic Algorithms Concepts and Applications IEEE Transactions on Industrial Electronics Vol 43 No 5 pp 519 533 POLI R LANGDON W B MCPHEE N F 2008 A Field Guide to Genetic Programming8 Agustos 2015 tarihinde Wayback Machine sitesinde freely available via Lulu com Dis baglantilar Ingilizce Turkce