Page 78 - Neşide Dergisi 6.Sayı

DOSYA

me biçimin modellemeye çalışır. Klasik küme 1.2. Yapay Sinir Ağları (Artificial Intelligen-
kavramında bir üye bir kümenin üyesidir veya ce Networks)
üyesi değildir. Bulanık mantık kavramında bir
üyenin bir kümenin üyesi olup olmadığı üyelik Yapay sinir ağları (YSA), insan beyninin nöron-
lardan oluşan yapısını ve öğrenme yöntemle-
fonksiyonları ile belirlenir. Bu kavram ile bu-
uzman bilgisinin kullanılmasıdır. Bu durum uzman bilgisinin tam olarak elde edilemediği
rini inceler. 19.yüzyıldaki psikolog ve nörop-
lanık mantığın kullandığı çıkarım yöntemleri
durumlarda ise büyük bir dezavantaj oluşturur. Sempozyumda sunduğumuz “Boğaz
silogların insan beynini anlamaya çalışmaları
kullanılarak olaylar hakkında yorum yapma-
Köprüsü Yoluna Katılım Noktalarında Trafik Akımlarının Bulanık Mantık Yaklaşımı İle
YSA‘ların temelini oluşturur. Fakat bu konu-
ya çalışılır. Bulanık mantığın en güçlü tarafı
Kontrolü ve Bir Uygulama Örneği” isimli makalemizde bulanık mantık kavramı
lardaki ilk modern çalışmalar McCuloch ve
var olan bir uzman bilgisinin kullanılmasıdır.
açıklandığından ayrıca açıklanmayacaktır. W.Pitts ile başlar.
Bu durum uzman bilgisinin tam olarak elde
1.2. Yapay Sinir Ağları (Artificial Intelligence Networks)
edilemediği durumlarda ise büyük bir deza-
YSA beynin Nöron modelini benzeterek, beynin
Yapay sinir ağları (YSA), insan beyninin nöronlardan oluşan yapısını ve öğrenme
vantaj oluşturur. Sempozyumda sunduğumuz
bazı işlevlerini yerine getirmeye çalışan bir sis-
yöntemlerini inceler. 19.yüzyıldaki psikolog ve nöropsilogların insan beynini anlamaya
“Boğaz Köprüsü Yoluna Katılım Noktalarında
temdir. İnsan beyninde yaklaşık 10 nöron ve
11
çalışmaları YSA‟ların temelini oluşturur. Fakat bu konulardaki ilk modern 4 çalışmalar
Trafik Akımlarının Bulanık Mantık Yaklaşımı İle
her bir nöronda yaklaşık 10 dentdrities vardır.
McCuloch ve W.Pitts ile başlar. Sinir sisteminin en küçük birimi olan nöron‘un
Kontrolü ve Bir Uygulama Örneği” isimli ma-
YSA beynin Nöron modelini benzeterek, biyolojik modeli Şekil.2‘deki gibidir. Bu Nöro-
kalemizde bulanık mantık kavramı açıklandı- beynin bazı işlevlerini yerine getirmeye
11
çalışan bir sistemdir. İnsan beyninde yaklaşık 10 nöron ve her bir nöronda yaklaşık
nun YSA modeli ise Şekil.3‘deki gibi çizilebilir.
ğından ayrıca açıklanmayacaktır.
10 dentdrities vardır. Sinir sisteminin en küçük birimi olan nöron‟ un biyolojik modeli
4
Şekil.2‟deki gibidir. Bu Nöronun YSA modeli ise Şekil.3‟deki gibi çizilebilir.
Şekil 3. Bir Nöronun YSA Modeli.
Şekil 2. Nöron‘un Biyolojik Modeli.

YSA‘lar özellikle öğrenme üzerinde odakla-
Şekil.3 Bir Nöronun YSA Modeli.
Şekil.2 Nöron‟ un Biyolojik Modeli. Üreme, uygunluk (fitness) değerlerine bakıla-
mıştır ve lineer olmayan sistemlerde veya sis- rak stokastik yöntemlerle seçilen bireylerden
teme ait bilginin tam olmadığı, hatalı olduğu
yeni bir popülasyon oluşturma işlemidir. Bu
YSA‟lar özellikle öğrenme üzerinde odaklamıştır ve lineer olmayan sistemlerde veya
sistemlerde çözüme ulaşmak için uygundur.
işlem, ilerleyen generasyonlarda daha yüksek
sisteme ait bilginin tam olmadığı, hatalı olduğu sistemlerde çözüme ulaşmak için
YSA‘ların en önemli dezavantajı ise var olan
uygunluk değerlerine sahip bireylerin oluş-
uygundur. YSA‟ların en önemli dezavantajı ise var olan bir uzman bilgisinin problem
bir uzman bilgisinin problem çözümüne akta-
masına neden olur. Bu nedenle bu işleme en
çözümüne aktarılmasındaki zorluktur. YSA kullanım alanları; kontrol ve sistem
rılmasındaki zorluktur. YSA kullanım alanları;
uygunun hayatta kaldığı test (survival of the
tanımlama, görüntü ve ses tanıma, tahmin ve kestirim, arıza analizi, tıp, haberleşme,
kontrol ve sistem tanımlama, görüntü ve ses
trafik, üretim yönetimi olarak sayılabilir. fittest ) adı verilir.
tanıma, tahmin ve kestirim, arıza analizi, tıp,
haberleşme, trafik, üretim yönetimi olarak sa- Çaprazlama, çoğunlukla rastgele olarak se-
2.3. Genetik Algoritma (Genetic Algorithm) çilen iki bireyin kromozomları çaprazlanarak
yılabilir.
Genetik algoritma (GA) süreci doğal evrime benzetilir. Bu nedenle Üreme (Reproduction),
gerçeklenir. Bu işlemde, bireylerin kromozo-
YAPAY ZEKÂ Çaprazlama değiştirerek yeni döl üretimi sağlanır. Bu döl
munu oluşturan dizilerin değişik kısımlar yer
1.3. Genetik Algoritma (Genetic Algorithm)
Genetik algoritma (GA) süreci doğal evrime
(Crossover), Mutasyon (Mutation) gibi doğal evrimde kullanılan operatörleri içerir.
popülasyonunda daha az uygunluk değerine
benzetilir. Bu nedenle Üreme (Reproduction),
sahip “zayıf” bireylerin yerine konabilir. Çap-
Çaprazlama
Üreme, uygunluk (fitness) değerlerine bakılarak stokastik yöntemlerle seçilen
razlama, genetik algoritmada en önemli ope-
bireylerden yeni bir popülasyon oluşturma işlemidir. Bu işlem, ilerleyen
ratördür ve generasyonda yeni çözümlerinin
(Crossover), Mutasyon (Mutation) gibi doğal
generasyonlarda daha yüksek uygunluk değerlerine sahip bireylerin oluşmasına neden
üretiminden sorumludur.
evrimde kullanılan operatörleri içerir.
olur. Bu nedenle bu işleme en uygunun hayatta kaldığı test (survival of the fittest ) adı
verilir.

Çaprazlama, çoğunlukla rastgele olarak seçilen iki bireyin kromozomları çaprazlanarak
76 gerçeklenir. Bu işlemde, bireylerin kromozomunu oluşturan dizilerin değişik kısımlar
yer değiştirerek yeni döl üretimi sağlanır. Bu döl popülasyonunda daha az uygunluk
değerine sahip “zayıf” bireylerin yerine konabilir. Çaprazlama, genetik algoritmada en
5