Page 79 - Neşide Dergisi 6.Sayı

DOSYA

Mutasyon, bireyin kromozomunu oluşturan di- çözümlerini temsil eden uzayı oluşturur.
zideki tek bir elemanın değerinin rastgele ola- Başlangıç popülasyonu genellikle rast-
rak değişmesidir. Mutasyon, çözümün alt opti- gele üretilen bireyleri içerir.
mal noktalara takılmasını önleyen ve çok düşük
iii-) GA, problemin çözümünü belirlenen çö-
olasılık değeri ile uygulanan operatördür.
züm uzayında aramak için bir uygunluk
Genel olarak genetik algoritma, çözüm bilgi- fonksiyonu (fitness function) kullanır. Bu
sinin hiç olmadığı veya çok az olduğu bir du- uygunluk fonksiyonu klasik optimizasyon
rumla aramaya başlar. Çözüm çevreden gelen tekniklerinde kullanılan amaç fonksiyo-
etkileşime ve genetik operatörlere bağlıdır. nuna benzetilebilir.
GA, aramaya paralel bir şekilde, birbirinden
iv-) GA, sonuca ulaşmak için stokastik yön-
bağımsız noktalardan başlar, bu nedenle alt
temler kullanır.
optimal çözümlere takılma olasılığı azdır. Bu
nedenle GA, karmaşık arama problemleri Genetik algoritmaları cazip kılan özellikleri-
“birden çok alt çözüm kümesi olan” için en nin bazıları şunlardır:
iyi optimizasyon tekniği olarak bilinir. GA „yı
diğer Evrim Algoritması (EA) türlerinden farklı Öğrenme: Genetik algoritma global arama
kılan özellikleri; tekniklerinde yaygınca kullanılır ve en iyisi
olarak bilinir. Mevcut performans ölçütlerini
• Eşeyli üreme yöntemini, kullanarak verilen bir arama uzayında arama
• Mutasyon ve çaprazlama operatörlerini, uzayını genişletme ve en iyiyi arama özellik-
lerini kullanma yeteneğine sahiptir. Bu özel-
• Stokastik veya determistik seçim yöntem-
liklerini çaprazlama, mutasyon ve üretim gibi
lerini,
genetik operatörlerle kullanarak öğrenme ye-
• Problemin çözümü için problemin prob-
teneğine sahiptir.
lemin kendisi yerine kodlanmış bir dizisini
kullanması olarak gösterilebilinir. Genetik kod yapısı: Genetik algoritma doğ-
rudan parametrelerle değil, kodlanmış para-
Bu şekilde GA diğer EA türlerinden daha es-
metre dizisiyle çalışır. Bu, kullanıcıya problem-
nek bir yapı sağlar. Bir evrim işlemi, potansi-
leri bir değişken optimizasyon problemi gibi
yel çözüm uzayında, popülasyonu oluşturan
çözmesine imkan verir.
kromozomlar içinde en uygun kromozomu
arama işlemidir. Böyle bir arama iki zıt amacı Çözümlerin optimalliği: Pekçok gerçek ha-
dengelemeyi gerektirir. Bu amaçlar; en iyi çö- yat problemlerinin Çok Modellilik (Multimo-
zümlerin aranması (Exploit) ve arama uzayının dal) ve doğrusal olmama gibi özellikleri var-
genişletilmesidir (Explore) Genetik algoritma dır. Geleneksel arama teknikleri böyle arama
ile geleneksel optimizasyon teknikleri (özel- uzaylarında yetersiz kalır. Genetik algoritma
likle nümerik metotlar) arasındada çok önem- ise böyle karmaşık arama uzaylarında optima-
li farklılık vardır. Bu farklılıklar aşağıdaki gibi le yakın çözümler bulma yeteneğine sahiptir.
özetlenebilir: Genetik algoritma, mühendislik, bilim, eko-
nomi çok değişik alanlardaki problemler için
i-) GA optimize edilecek olan parametre- gürbüz (Robust) bir optimizasyon aracı olarak
lerin kendileri ile değil kodlamış dizileri son yıllarda büyük bir önem kazanmıştır.
üzerinde çalışır. Pekçok durumda ikili
(binary) kodlama kullanılır. Fakat genetik Genetik algoritmanın uygulama alanlarından
algoritmalar için bu bir gereklilik değil- bazıları; haberleşme şebekleri tasarımı, elekt-
dir. Gerçel sayı kodlama, ağaç yapılı kod- ronik devre dizaynı, gaz boruları şebekeleri
lama (tree coding) gibi farklı kodlama optimizasyonu, görüntü ve ses tanıma, veri YAPAY ZEKÂ
sistemleri de kullanılabilir. tabanı sorgulama optimizasyonu, uçak tasarı-
mı, fiziksel sistemlerin kontrolü, gezgin satıcı
ii-) GA, bir popülasyon içinde arama yapar. problemlerinin çözümü, ulaşım problemleri,
Bu popülasyon, problemin bütün olası optimal kontrol problemleridir.

77