Please use this identifier to cite or link to this item: http://hdl.handle.net/11527/4937
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorTolun, Süleymantr_TR
dc.contributor.authorÖztürk, Ahmettr_TR
dc.date2002tr_TR
dc.date.accessioned2015-06-12T09:00:23Z-
dc.date.available2015-06-12T09:00:23Z-
dc.identifier.urihttp://hdl.handle.net/11527/4937-
dc.descriptionTez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2002tr_TR
dc.descriptionThesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2002en_US
dc.description.abstractBu çalışmada optimizasyona yeni bir yaklaşım getirmiş olan Genetik Algoritmalar(GA) konu edilmiştir. Genetik Algoritmalar, esas itibarıyla evrim sürecinden esinlenerek önerilmiş arama yöntemleridir. Parametrelerin kendisi yerine parametrelerin oluşturduğu dizilişler üzerinden işlem yapar ve bu işlem çözüm adayı olarak kodlanmış birden fazla bireyle yürütülür. İki-tabanlı gösterimle, gerçel sayılarla veya sembolik olabilen kodlamada tercih gerçel sayılardan yana kullanılmıştır. Geleneksel arama yöntemlerinden farklı olarak yalnızca uygunluk(hedef) fonksiyon değerlendirmesi yapan GA, türev veya benzeri yardımcı bilgilere ihtiyaç duymaz. Geleneksel GA uygulamalarının çoğunluğu, fonksiyonların sayısal optimizasyonunda yoğunlaşmıştır. Süreksizlik içeren, çok-tepeli, gürültülü verilerin ve fonksiyonların optimizasyonunda diğer yöntemlerden daha başarılı olduğu gösterilmiş olan GA, rasgele verilerin modellenmesi için çok uygundur. Bu amaçla genetik operatörler geliştirilmiştir. Genetik Algoritmalar’ın öğrenme yeteneğine sahip sistemlere ve bu sistemlerin yoğun kullanıma sahip olan temsilcisi Yapay Sinir Ağları’na yönelik, Evrimci Yapay Sinir Ağları(EYSA) adıyla anılan uygulamaları da mevcuttur. Ayrı ayrı çeşitli amaçlarla kullanılan bu yaklaşımların etkileşimli kullanımı konu olduğunda bahsedilebilecek uygulamalar hakkında da bilgi ve örnek uygulama sağlanmıştır. Sonrası için temel teşkil edecek nitelikte olan uygulamada yerel minimum problemi yaşamaksızın Yapay Sinir Ağı’nın bağlantı ağırlıklarının optimizasyonu gerçekleştirilmiştir.tr_TR
dc.description.abstractIn this study, Genetic Algorithms that has introduced a new approach to the optimization is coped with. Essentially Genetic Algorithms are search methods that are inspired of natural evolution. It processes through the strings of parameters instead of the parameters themselves. Real valued representation is preferred to the other alternatives, namely, binary and symbolic representation. Differing from the traditional methods by its search method that requires just a functional evaluation, GA does not make use of derivatives or such auxiliary knowledge. Traditional GA applications intensively deal with numerical optimization of functions. With its approved success relative to the other methods in optimisation of multimodal, noisy and discontinuous functions, GA is an appropriate approach in modelling the random data. GA has applications concerned with the systems that have capability of learning and their well-known representative, namely, the Artificial Neural Networks under the topic of Evolutionary Neural Networks. Information and an example application about the hybrid usage of these distinct approaches is provided. With its property to constitute a foundation for further studies, optimal values of the connection weights are computed avoiding the local minimumen_US
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.publisherInstitute of Science and Technologyen_US
dc.rightsİTÜ tezleri telif hakkı ile korunmaktadır. Bunlar, bu kaynak üzerinden herhangi bir amaçla görüntülenebilir, ancak yazılı izin alınmadan herhangi bir biçimde yeniden oluşturulması veya dağıtılması yasaklanmıştır.tr_TR
dc.rightsİTÜ theses are protected by copyright. They may be viewed from this source for any purpose, but reproduction or distribution in any format is prohibited without written permission.en_US
dc.subjectOptimizasyontr_TR
dc.subjectGenetik Algoritmalartr_TR
dc.subjectYapay Sinir Ağlarıtr_TR
dc.subjectOptimizationen_US
dc.subjectGenetic Algorithmsen_US
dc.subjectArtificial Neural Networksen_US
dc.titleGerçel Sayı Kodlamalı Genetik Algoritmaların Optimizasyonda Kullanımıtr_TR
dc.title.alternativeReal Coded Genetic Algorithms In Optimizationen_US
dc.typeThesisen_US
dc.typeTeztr_TR
dc.contributor.departmentUzay Mühendisliği ve Teknolojisitr_TR
dc.contributor.departmentSpace Sciences and Technologyen_US
dc.description.degreeYüksek Lisansen_US
dc.description.degreeM.Sc.tr_TR
Appears in Collections:Uçak ve Uzay Mühendisliği Lisansüstü Programı - Yüksek Lisans

Files in This Item:
File Description SizeFormat 
1623.pdf649.92 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.