Gerçel Sayı Kodlamalı Genetik Algoritmaların Optimizasyonda Kullanımı

Abstract

Bu 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.

In 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 minimum