T.C.

MARMARA NVERSTES FEN BLMLER ENSTTS

GNCEL YAPAY ZEKA TEKNKLERNN NCELENMES VE EKSKLKLERNN GDERLMES N HYBRD ALGORTMA TASARIMI

Yunus PAACI

YKSEK LSANS TEZ

ELEKTRONK BLGSAYAR ETM ANABLM DALI BLGSAYAR KONTROL ETM PROGRAMI

DANIMAN Do. Dr. Hasan ERDAL

STANBUL 2011

T.C. MARMARA NVERSTES FEN BLMLER ENSTTS

GNCEL YAPAY ZEKA TEKNKLERNN NCELENMES VE EKSKLKLERNN GDERLMES N HYBRD ALGORTMA TASARIMI

Yunus PAACI 522108009

YKSEK LSANS TEZ

ELEKTRONK BLGSAYAR ETM ANABLM DALI BLGSAYAR KONTROL ETM PROGRAMI

DANIMAN Do. Dr. Hasan ERDAL

STANBUL 2011

TEEKKR

almalarmn ve eitimimin her safhasnda bana yol gsteren, tez danmanm sayn Do. Dr. Hasan ERDALa, tecrbelerini ve manevi desteklerini esirgemeyen sayn Do. Dr. Mustafa ONATa, ve insan st bir sabr ile bana katlanan aileme teekkrlerimi sunarm.

III

NDEKLER

SAYFA TEEKKR........................................................................................ III NDEKLER ...................................................................................IV ZET ......................................................................................... VII

ABSTRACT ..................................................................................... VIII SEMBOLLER .....................................................................................IX KISALTMALAR ................................................................................. X EKLLER ..........................................................................................XI TABLOLAR ...................................................................................... XII BLM I GR VE AMA ............................................................. 1
I.1 GR ............................................................................................................ 1 I.2 GENETK ALGORTMA UYGULAMALARI ....................................... 2 I.3 KARINCA KOLONS OPTMZASYONU UYGULAMALARI ........ 3 I.4 GENETK ALGORTMALAR LE EN KISA YOL BULMAYA YNELK GEM ALIMALAR ..................................................... 3 I.5 KARINCA KOLONS OPTMZASYONU LE EN KISA YOL BULMAYA YNELK GEM ALIMALAR ............................... 6

BLM II EN KISA YOLU BULMA PROBLEM....................... 10

II.1 GR......................................................................................................... 10 II.2 EN KISA YOLU BULMA PROBLEMNN GENEL TANIMI .......... 10 II.2.1 Mevcut En Ksa Yol Probleminin Yaps ............................................ 11 II.2.2 Mevcut Problem in Grnt leme le Ortam Oluturulmas ......... 12 II.2.3 zm Uzaynn Noktalara ndirgenmesi ........................................... 15 IV

BLM III GENETK ALGORTMALAR VE KARINCA KOLONS ALGORTMASI ........................................ 20

III.1 GR ....................................................................................................... 20 III.2 GENETK ALGORTMALAR ............................................................. 20 III.2.1 Giri ve Tanm .................................................................................. 20 III.2.2 Tarihesi ............................................................................................ 22 III.2.3 Temel Bileenleri ve Yaps............................................................... 22 III.2.3.1 zmlerin Kodlanmas ........................................................ 23 III.2.3.2 lk Poplasyonun Oluturulmas ............................................ 23 III.2.3.3 Uygunluk Deerinin Hesaplanmas ....................................... 23 III.2.3.4 oalma leminin Uygulanmas ........................................... 24 III.2.3.5 aprazlama leminin Uygulanmas ...................................... 25 III.2.3.6 Mutasyon leminin Uygulanmas ......................................... 25 III.2.3.7 Yeni Kuan Olumas ve Dngnn Durdurulmas............ 26 III.2.3.8 lgili Parametre Seimleri ...................................................... 27 III.2.4 Avantajlar ......................................................................................... 28 III.2.5 Dezavantaj ve Kstllklar ................................................................ 30 III.2.6 Tartma ............................................................................................. 31 III.3 KARINCA KOLONS ALGORTMASI ............................................ 34 III.3.1 Giri ve Tanm .................................................................................. 34 III.3.2 Tarihesi ............................................................................................ 34 III.3.3 Temel Bileenleri ve Yaps ............................................................... 35 III.3.3.1 lk Deerlerin Oluturulmas ................................................. 36 III.3.3.2 Balang Durumlarnn Belirlenmesi .................................... 36 III.3.3.3 Karnca Turlarnn Gerekletirilmesi ................................... 37 III.3.3.4 Feromon Dzeylerinin Gncellenmesi .................................. 38 III.3.4 Avantajlar ......................................................................................... 38 V

III.3.5 Dezavantajlar ve Kstllklar ........................................................... 40 III.3.6 Tartma ............................................................................................. 40

BLM IV HYBRD ALGORTMA VE UYGULAMA ............... 42

IV.1 GR ....................................................................................................... 42 IV.2 GENETK ALGORTMALARIN HYBRD ALGORTMADAK ETKS...................................................................................................... 42 IV.3 KARINCA KOLONS ALGORTMASININ HYBRD ALGORTMADAK ETKS ................................................................ 45 IV.4 OLUTURULAN HYBRD ALGORTMA ........................................ 47 IV.5 ALGORTMANIN PROBLEME UYGULANMASI .......................... 49 IV.5.1 Hybrid Algoritmann KKAdan Alnan lemlerinin Gerekletirilmesi ............................................................................... 50 IV.5.2 Yol yiletirme lemi ........................................................................ 51 IV.5.3 Yeni Nesil Yollar le nceki Nesillerin Ayn Havuzda Tutulmas ... 52 IV.5.4 Hybrid Algoritmann GAdan Alnan lemlerinin Gerekletirilmesi ............................................................................................................ 52 IV.6 UYGULANAN ALGORTMANIN RNEK SONULARI .............. 55 IV.7 ALGORTMA PERFORMANSINA YNELK DEERLENDRMELER ....................................................................... 58 IV.7.1 Grnt Boyutu ................................................................................. 58 IV.7.2 Engel eitlilii ................................................................................. 59 IV.7.3 Dm Says ..................................................................................... 59 IV.7.4 Genetik lemler Sonras Dm Saylar ......................................... 60 IV.7.5 lem Zaman ..................................................................................... 61 IV.7.6 Sonu Kalitesi .................................................................................... 61

BLM V SONU VE NERLER ............................................... 62 KAYNAKLAR..................................................................................... 65 ZGEM ......................................................................................... 71

VI

ZET
GNCEL YAPAY ZEKA TEKNKLERNN NCELENMES VE EKSKLKLERNN GDERLMES N HYBRD ALGORTMA TASARIMI

Bu almada, engellerin bulunduu ortamda en ksa yol bulma probleminin zmne ynelik kullanlan gncel yapay zeka tekniklerinin incelenmesi ve probleme ynelik yeni yapay zeka algoritmalarnn gelitirilmesi amalanmtr. Bu amala, ilgili problem zerinde kullanm poplerlii yksek olan, genetik algoritmalar (GA) ve karnca kolonisi algoritmas (KKA) incelenmitir. Ad geen algoritmalarn avantaj ve dezavantajlar aratrlp tespit edilerek, algoritmalarn performanslarna ynelik tartmalar gerekletirilmitir. almann ilk basamaklarnda problemin tespiti ve uygulama ncesi hazrl gerekletirilmitir. Problemin grselleri olarak kabul edilen, engellerin bulunduu ortam grntleri, problemin matematiksel denklem ve algoritmalara uygulanabilmesi iin ilenmekte ve saysal verilere dntrlmektedir. Grnt ileme ilemleri srasnda kullanlan denklem ve yntemlerin ou, istenilen amaca en iyi ekilde ulaabilmek iin, bu alma srasnda retilmi denklem ve yntemlerdir. lerleyen aamalarda GA ve KKAnn irdelenmesi gerekletirilmektedir. GA ve KKAnn irdelenmesi sonucu tespit edilen avantajlar gelitirilen hybrid algoritmaya aktarlmaya allm, dezavantaj ve kstllklar ise mmkn olduunca etkisiz klnmaya allmtr. Oluturulan hybrid algoritma performans deerlendirmesi iin eitli problem tipleri zerinde denenmi ve rnek zmler oluturulmutur. rnek zmlerin deerlendirilmesi sonucunda, oluturulan hybrid algoritmann benzer ii yapan algoritma tiplerine oranla daha iyi sonular rettii gzlemlenmitir.

Eyll 2011

Yunus PAACI

VII

ABSTRACT
INVESTIGATION OF CURRENT ARTIFICIAL INTELLIGENCE TECHNIQUES AND DESIGNING OF A HYBRID ALGORTHM TO ELIMINATE THE SHORTCOMINGS OF THESE

TECHNIQUES
In this study, the research of current artificial intelligence techniques is used for in the presence of barriers to finding the shortest path problems, and to develop new problem-oriented artificial intelligence algorithms are aimed. For this purpose, Genetic Algorithm (GA) and Ant Colony Optimization Algorithm (ACO) were investigated which are the high popularity of the use on the related problem. Advantages and disadvantages of the mentioned algorithms will be identified and explored, and the discussions performed for the performance of the algorithms. In the first stages of the study, the identification of the problem and preparation of the pre-application is performed. Including barriers media images which are the considered for the images of the problem are processed and converted into digital data in order to apply the problem to the algorithms and math equations. Most of the used equations and methods, during image processing processes, are equations and methods which are generated to achieve the desired purpose by the best way during this study. In the following stages, the investigations of GA and ACO are performed. Determinated advantages of GA and ACOs investigation result is tried to transfer to developed hybrid algorithm, as well as disadvantages and limitations of these algorithms are tried to be ineffective as much as possible. The developed hybrid algorithm is tried on the various problem types for performance evaluation and created exemplary solutions. As a result of evaluation of exemplary solutions, developed hybrid algorithm is produced better results than other similar algorithm types are observed.

September 2011 VIII

Yunus PAACI

SEMBOLLER

X Y m n YD

: Bitmap Grntsnn Piksel Baznda Genilik Deeri : Bitmap Grntsnn Piksel Baznda Ykseklik Deeri : Grntden Elde Edilen Balang Dm Says : Genetik lemler Sonras Kalan Dm Says : Bulunan En Ksa Yolun Dm Says

IX

KISALTMALAR

YZ GA SP ACO AS TSP KKO KKA

: Yapay Zeka : Genetik Algoritma : Shortest Path Problem (En Ksa Yol Bulma Problemi) : Ant Colony Optimization (Karnca Kolonisi Optimizasyonu) : Ant System (Karnca Sistemi) : Travelling Salesman Problem (Gezgin Satc Problemi) : Karnca Kolonisi Optimizasyonu : Karnca Kolonisi Algoritmas

EKLLER

ekil II.1 Graph yaps ..................................................................................... 11 ekil II.2 Piksel yaps ve piksel koordinatlar ................................................ 11 ekil II.3 Orijinal grnt ................................................................................ 13 ekil II.4 Siyah beyaz grnt ......................................................................... 13 ekil II.5 Diyagonal engel tanmlama.............................................................. 13 ekil II.6 Siyah beyaz grnt ......................................................................... 15 ekil II.7 zm uzay grnts ................................................................... 15 ekil II.8 zm uzay .................................................................................... 16 ekil II.9 Teet noktalar ................................................................................. 16 ekil II.10 izgilerdeki dm saysnn azaltlmas ...................................... 17 ekil II.11Teet kaplamalar ............................................................................. 18 ekil II.12 ndirgenmi dmler .................................................................... 18 ekil II.13 Genel kapsaml grnt ................................................................. 19 ekil IV.1 GA ak diyagram .......................................................................... 43 ekil IV.2 KKA ak diyagram ....................................................................... 45 ekil IV.3 Hybrid algoritma ak diyagram .................................................... 49 ekil IV.4 Yol kayt listesi ve rnek yollar ...................................................... 51 ekil IV.5 Tm olas zm dmleri ........................................................... 54 ekil IV.6 lk yollarn kulland dmler ..................................................... 54 ekil IV.7 Birinci genetik seim sonras kullanlan dmler......................... 54 ekil IV.8 kinci genetik seim sonras kullanlan dmler .......................... 54 ekil IV.9 nc genetik seim sonras kullanlan dmler ....................... 54

XI

TABLOLAR

Tablo I.1 GA ile en ksa yol bulmaya ynelik almalar ................................. 4 Tablo I.2 KKA ile en ksa yol bulmaya ynelik almalar............................... 6 Tablo IV.1 Yol iyiletirme rnei ................................................................... 52 Tablo IV.2 rnek zm grntleri .............................................................. 55

XII

BLM I

GR VE AMA

I.1 GR Gnmzde teknolojinin her geen gn biraz daha gelimesi ile bilgisayar ve bilgisayar sistemleri hayatmzn nemli bir paras haline gelmitir. Gnlk hayatta kullandmz birok elektronik alet bilgisayar tabanl bir sistem ile almaktadr. Peki, bu bilgisayar ihtiyac ve kullanm nereden domutur? Bilgisayarlar ilk olarak insan beyninin bir taklidi olarak ortaya atlmaya alan hesap makinelerinin gelimi ekilleridir. Gn getike bu teknolojinin gelitirilmesi ile hem yksek hzl ilem yapmas amalanan bilgisayarlar gelimi hem de bu bilgisayarlar hayatmzn yksek hzda devam etmesini salayarak birbiri ile i ie gemi bir ihtiya dngs oluturmutur. Teknolojiyi gelitirme abalar bilgisayar ile alakal disiplinleri ileriki aamalarda blerek farkl dallara ayrmtr. Kimi aratrmaclar bu teknolojinin daha elverili hale getirilmesi ile uraarak bilgisayarlar hzl ve kk boyutlarda retmeye alrken, kimi aratrmaclar bu teknolojinin dou amacna uygun olarak insan davranlarnn modellenmesi amacna hizmet etmi ve Yapay Zeka (YZ) ad verilen bilimi srdrmlerdir. Genel olarak 1950li yllarda balayan yapay zeka akm youn ilgi grerek gnmze kadarki zaman diliminde yksek teknolojik gelimelerin olumasnda nemli rol oynamtr. Yapay zeka, kabaca; bir bilgisayarn ya da bilgisayar denetimli bir makinenin, genellikle insana zg nitelikler olduu varsaylan akl yrtme, anlam kartma, genelleme ve gemi deneyimlerden renme gibi yksek zihinsel srelere ilikin grevleri yerine getirme yetenei olarak tanmlanmaktadr. [1] zellikle son yllarda gelitirilen yapay zeka algoritmalar disiplinin kendisinden ok problemlerin zmnde etkili olmak amacyla geliti rilmektedir. Gerekletirilen almalar gnmzde yksek ilerleme kat etmi olsa da problemlerin zmne ynelik olarak hala kstllklar ve eksiklikler mevcuttur. Bu kstllk ve eksikliklerin giderilmesine ynelik gelitirilen hybrid (melez) algoritma ad verilen birleik yapay zeka algoritmalar ksmen faydal olmaktadr.[2]

En ksa yol bulma problemi (shortest path problem) gncel yapay zeka uygulamalarnn son yllarda popler olarak ilgilendii bir problemdir. Bu konuda genetik algoritmalar (genetic algorithm - GA) ve karnca kolonisi optimizasyonu (ant colony optimization - ACO) ile almalar gerekletirilmi ve geerli sonular elde edilmitir. Elbette bu algoritmalar sadece bu probleme uygulanabilirlikleri ile deil benzer optimizasyon problemleri iin uygulanabilirlikleri ile de deerlendirilmekte ve kullanlmaktadr. Bu amala bu algoritmalarn performansnn arttrlmasna ynelik almalar hala devam etmektedir.[3,4] I.2 GENETK ALGORTMA UYGULAMALARI GA, rastlantsal arama teknikleri kullanarak zm bulmaya alan, parametre kodlama esasna dayanan sezgisel bir arama tekniidir[5]. GA, canllarn en iyi olan yaar prensibini rnek almaktadr ve iyi bireylerin kendi yaamlarn muhafaza edip kt bireylerin yok olmas prensibine dayanmaktadr. GA, ebeveyn bireylerden oluan yeni bireylerin artlara uyum salayp yaamlarn devam ettirmesi prensibine sahiptir. Oluan yeni bireylerin ebeveynlerinden iyi zellikli genleri alabilecekleri gibi kt zellikteki genleri de alabilmeleri mmkndr. Bu durum sz konusu olunca kt zellikteki genlere sahip bireyler yaamlarn devam ettiremeyeceklerdir[6]. Michigan niversitesinde psikoloji ve bilgisayar bilimi uzman olan John Holland bu konuda ilk almalar yapan kiidir. Mekanik renme ( machine learning ) konusunda alan Holland, Darwinin evrim kuramnda etkilenerek canllarda yaanan genetik sreci bilgisayar ortamnda gerekletirmeyi dnmtr. Tek bir mekanik yapnn renme yeteneini gelitirmek yerine byle yaplarda oluan bir topluluun oalma, iftleme, mutasyon, vb. genetik srelerden geerek baarl (renebilen) yeni bireyler oluturabildiini grmtr. almalarnn sonucunu akladn kitabnn 1975te yaynlanmasndan sonra gelitirdii yntemin ad Genetik Algoritmalar olarak yerlemitir. Ayrca kitabnda GAlara dayal tam 83 uygulamaya yer vererek GAnn dnyann her yerinde eitli konularda kullanlmakta olduunu gstermitir[7]. GAlarn uygulama alanlarna ve eitli problem tipleri zerindeki rneklerine ait geni kapsaml bir alma 1989 2 ylnda Goldberg tarafndan

gerekletirilmitir[8]. GAnn en ksa yol bulma problemlerine uygulanmasna rnek olarak Braunun yapt alma verilebilir[9]. Benzer ekilde Freisleben ve Merzin almasnda da GA ile gezgin satc probleminin zmne dair alma gerekletirilmitir[10-12]. I.3 KARINCA KOLONS OPTMZASYONU UYGULAMALARI Karnca Kolonisi Optimizasyonu (KKO) bir ok kombinasyonel optimizasyon problemlerinde iyi sonular veren bir meta-heuristic tekniktir. Bu tekniin gelitirilmesinde faydalanlmtr. Birok karnca kolonisinde karncalar yiyeceklerini ararken, ncelikle yuvalarnn etrafnda rastgele dolaarak kefe balarlar. Yiyecek kaynaklarn bulduklarnda, yiyecein kalitesini ve miktarn deerlendirdikten sonra bir ksmn yuvaya tarlar. Bu dn srasnda dier karncalarn da ayn kayna bulabilmeleri iin yiyecein kalitesine ve miktarna bal olarak kimyasal feromon (pheromone) maddesini getikleri yolun zerine brakrlar. Braklan bu izler dier karncalara rehberlik ederek belli olaslkla o yolu takip etmelerini ve kayna bulmalarna yardm eder. Bu ekilde feromon vastasyla yaplan dolayl iletiim karncalarn gda ile yuva arasnda en ksa yolu bulmalarna olanak tanr. te karncalarn bu davranlar KKO algoritmalarnn gelitirilmesinde ilham kayna olmutur.[13] KKO algoritmas 1991 ylnda Marco Dorigo tarafndan doktora tezi olarak gelitirilmi ve yaynlanmtr. Ant System (AS) ad verdii bu algoritmay daha sonra Dorigo eitli ekillerde kullanm ve gelitirmitir [4,14-17]. zellikle gezgin satc problemi (travelling salesman problem - TSP) zerinde kullanlan algoritma ksa zamanda adndan sz ettirmi ve birok farkl uygulama ile karmza kmtr. I.4 GENETK ALGORTMALAR LE EN KISA YOL BULMAYA YNELK GEM ALIMALAR Genetik algoritmalar kullanlarak gerekletirilen en ksa yol bulmaya ynelik almalar Tablo I.1 deki gibi zetlenebilmektedir: gerek karnca kolonilerinin gda arama tekniklerinden

Tablo I.1 GA ile en ksa yol bulmaya ynelik almalar

Yazar Gen, Chang ve Wang[18] Yl Balk Genetic Algorithms For 1997 Solving Shortest Path Problems Development Of GeneticTaxonomy Evaluator For Soehodho[19] 1997 Finding Shortest Path n Transportation Planning Systems A Genetic Algorithm For Ahn ve Ramakrishna[3] 2002 Shortest Path Routing Problem And The Sizing Of Populations Loads Combination Method Based Core Yu ve Wu[20] 2002 Schema Genetic ShortestPath Algorithm For Distribution Network Reconfiguration Alardaki OSPF (Open A Genetic Algorithm Selvanathan ve Tee[21] 2003 Solution To Solve The Shortest Path Problem n Ospf And Mpls Shortest Path First) ve MPLS (Multi Protocol Label Switching) ynlendirme protokollerinin yerine GA kullanm Abeysundara, Giritharan ve Kodithuwakku[22] 2005 A Genetic Algorithm Approach to Solve the Shortest Path Problem for Road Maps Yol haritalar zerinde SP problemine GA ile zm retilmesi SP algoritmalar ve Shortest Path Analysis Kan[23] 2007 Based On Genetic Algorithm MATLAB zerindeki GA algoritmasnn karlatrlmas ve performans deerlendirmesi A dizayn iin SP algoritmalarnn kullanm sonras GA ile optimum zmn bulunmas Aklama SP problemleri zerine GA uygulanmas Nakliye planlamada SP bulunmas iin GA kullanm ve ikinci bir kriter olarak arlkl genetik ilem yaplmas SP zm iin GA kullanm ve kullanm iin gerekli genetik poplasyon bykl zerine deerlendirme

SP probleminin zmne A Two-Stage Genetic Lin, Lee ve Fuh[24] 2007 Algorithm for Solving Shortest Path Problem with Fuzzy Arc Lengths ynelik olarak ilk aamada Fuzzy Algoritmas kullanan ve ikinci aamada ise GA kullanarak zm reten bir alma gerekletirilmesi Alardaki iletiim iin A Bicriteria Shortest Path Routing Problems By Lin ve Gen[25] 2007 Hybrid Genetic Algorithm n Communication Networks maliyet ve minimum gecikme kriterlerini gz nne alan ve parametrelerini otomatik olarak kendisi belirleyen GA tasarm ve uygulamas SP problemine nc bir A Genetic Algorithm for Pennisi, Pappalardo, Motta ve Cincotti[26] 2007 Shortest Path Motion Problem in Three Dimensions boyut olan ykseklik etkeninin de eklenmesi ve GA ile probleme zm bulunmas

Developing A Genetic Behzadi, Alesheikh ve Poorazizi[27] Algorithm To Solve 2008 Shortest Path Problem On A Raster Data Model Krokiler zerinde GA ile en ksa yolun bulunmas

Solving Shortest Path Pires, da Silva ve Bertoni[28] 2008 Problem Using Hopfield Networks And Genetic Algorithms

GA ile modifiye edilmi bir Hopfield ayla SP problemlerine zm retilmesi Alardaki paket iletiiminde gerek zamanl GA kullanlabilmesi amacyla gelitirilmi, paralel ilem ile zaman kazanc salayan GA tasarm

Yussof, Razali ve See[29]

A Parallel Genetic 2009 Algorithm for Shortest Path Routing Problem

Nallusamy, Duraiswamy, Muthukumar ve Sathiyakumar[30] 2010

Energy Efficient Dynamic Shortest Path Routing n Wireless Ad Hoc Sensor Networks Using Genetic Algorithm

Dinamik wireless paket tamasnda sensrlerin enerji seviyesini de gz nne alan GA optimizasyonu uygulamas

I.5 KARINCA KOLONS OPTMZASYONU LE EN KISA YOL BULMAYA YNELK GEM ALIMALAR Karnca kolonisi optimizasyonu kullanlarak gerekletirilen en ksa yol bulmaya ynelik almalar Tablo I.2 deki gibi zetlenebilmektedir: Tablo I.2 KKA ile en ksa yol bulmaya ynelik almalar
Yazar Yl Balk An Improved Ant Colony Yuhe,[31] 2003 Algorithm for the Shortest Path Problem SP problemleri zerine KKO uygulanmas Aklama

Solving a Shortest Path Jinjiang ve Da[32] 2004 Problem by Ant-algorithm

Matematik modeli bilinen bir SP problemi zerinde KKO algoritmas uygulanmas ve sonularn deerlendirilmesi

Ant System To Find The Khan[33] 2004 Shortest Path

SP problemleri zerine Dorigonun ilk gelitirdii Ant System algoritmasnn uygulanmas ve eletirilmesi Multi-Thread teknolojisi yardm ile her bir karncann bir thread olarak belirlenmesi ve algoritmann bu ekilde SP uygulamalarnda kullanlmas zerine bir alma

Multi-Thread Ant Colony Algorithm And ts Li ve Jin-song[34] 2005 Application n The Shortest Path

Alardaki SP problemi zerine KKO algoritmasnn A Shortest-Path Network Problem Using An Liu, Lin ve Lin[35] 2005 Annealed Ant System Algorithm uygulanmas ve yn seim ileminde kullanlan iki farkl yntemin (karncalarn merkezi dalm veya balangta dalm) karlatrlmas A zerindeki paket ynlendirmesi iin bir SP A Shortest-Path Routing Min ve Yang[36] 2005 Based On Ant Algorithm problemi ve KKO algoritmas ile matematik model performanslarnn karlatrlmas Gerek bir karnca kolonisi ile KKO algoritmasnn sonularnn yaknlnn tartlmas zerine bir alma KKO algoritmalarndaki A Probabilistic Movement Chibaya ve Bangay[38] Model For Shortest Path 2007 Formation n Virtual AntLike Agents feromon salgsna ilikin kaynaktan hedefe, hedeften kaynaa ve sonu arlna gre olmak zere farkl yntem ne sren ve bunlar deerlendiren bir alma Ara rotalama problemi Solving The Shortest Path Jiang, Wang ve Zhao[39] Problem n Vehicle 2007 Navigation System By Ant Colony Algorithm zerinde feromon gncelleme algoritmas deitirilmi bir KKO algoritmas uygulanmas ve sonularn Dijkstra algoritmas ile karlatrlmas

Convergence Analysis of Ant Colony Algorithm for Shang ve Jingyu[37] 2006 Solving Shortest Path Problem

KKO algoritmas zerinde, yerel optimum noktalarndan Study on Shortest Path Shuang-hua, Yang ve Liang[40] Search Method Based on 2007 Chaos Ant Colony Optimization kurtulmak amacyla gelitirilmi ve Chaos Ant Colony Optimization ad verilen bir algoritmann trafikteki SP problemi zerine uygulanmas ve deerlendirilmesi Study On Advanced Ant Colony Algorithm Wen-qun[41] 2008 Searching Shortest Path n Logistics Network Of Distribution Lojistik datm alarnda KKO algoritmas kullanm ve sonu iyiletirme iin zm alannn kaynaktan hedefe doru giderek daraltlmasn ieren bir uygulama An Improved Ant Colony Gao, Liu, Chang ve Xiong[42] Algorithm for the Shortest 2009 Path Problem in TimeDependent Networks Zamana bal alarda SP problemine gelitirilmi feromon gncelleme yntemli bir KKO algoritmas uygulamas ve sonularn deerlendirilmesi. ki kriterli bir SP problemi iin KKO algoritmas kullanlmas ve sonularn deerlendirilmesi Noktalar aras balant zelliklerinin de gz nnde An Ant Colony Ok, Seo, Ahn, Kang ve Moon[44] Optimization Approach 2009 For The Preference-Based Shortest Path Search tutularak ( younluk vb.) sadece en ksa yolun deil yolun uygunluu gibi zelliklerinde deerlendirildii bir KKO algoritmasnn SP problemlerinde uygulanmas

Ghoseiri ve Nadjari[43]

An Ant Colony 2009 Optimization Algorithm For The Bi-Objective Shortest Path Problem

Analysis and Simulation Zhong-qiu, Zhang ve Zheng[45] of Shortest Path Problem 2009 Based on Modified Ant Colony Algorithm

Lokal minimum noktasna taklma orann azaltmay amalayarak gelitirilmi bir KKO algoritmasnn uygulamas ve analizini ieren bir alma

A Temporal Ant Colony Optimization Approach Yu, Li ve Wu[46] 2010 To The Shortest Path Problem n Dynamic Scale-Free Networks

Boyutu dinamik olarak deien alar zerinde deitirilmi bir KKO algoritmasnn uygulanmas ve analizi Yol deerlerini ve uzaklklarn arlk olarak belirleyen ve olaslksal ilemler yapan gelitirilmi bir KKO algoritmas ve uygulamas

An Ant Colony Optimization Approach Zakzouk, Zaher ve ElDeen[47] 2010 For Solving Shortest Path Problem With Fuzzy Constraints

Bu almada engellerin bulunduu bir ortamdaki en ksa yol bulma almalarna ynelik gncel yapay zeka algoritmalar deerlendirilerek, hybrid algoritma tasarm salanacaktr. Blm IIde problemin tanmlanmas ve en ksa yolun tespiti ilemi ncesi n hazrlklar anlatlmtr. Blm IIIde problemin zmne ynelik kullanlan GA ve KKA algoritmalarnn irdelenmesinin yan sra avantaj ve dezavantajlar aktarlmtr. Blm IVde oluturulan hybrid algoritma ve probleme uygulanmasnn yan sra, hybrid algoritmann performans deerlendirmeleri aktarlmtr. Blm Vde elde edilen sonular irdelenmi ve neriler sunulmutur.

BLM II

EN KISA YOLU BULMA PROBLEM

II.1 GR Bu blmde, en ksa yol bulma probleminin oluturulduu ortamn yan sra hybrid algoritma kullanm ncesi yaplan ilemler ksaca aklanarak olas problem tipleri rneklenecektir. II.2 EN KISA YOLU BULMA PROBLEMNN GENEL TANIMI En ksa yol bulma problemleri genel olarak verilen iki nokta veya dm aras mmkn olan yollarn en ksa olann bulmay amalayan problem tipleridir. Sz geen balang ve biti noktalar en ksa yolun bulunmasna ynelik veri tipi zaman yol uzunluu veya dmler aras arlklar olabilmektedir[48]. En ksa yol bulma problemlerinde matematiksel zmler graphlar yardm ile yaplmaktadr. lgili problem graph ad verilen matematiksel arlklarn bulunduu veri aalarna aktarldktan veya bu ekilde akla kavuturulduktan sonra en ok kullanlan Dijkstra, Bellman-Ford ve Floyd algoritmalar ile zlmektedir. Ancak bu zm yntemleri dm saysnn yksek olduu durumlarda istenilen zm sunsa dahi optimum zm sresinden uzaklamaktadr. Genetik algoritmalar ve karnca kolonisi algoritmas gibi sezgisel algoritmalar kullanlarak zme daha ksa srede ulalmaya allmaktadr[49]. En ksa yol bulma problemlerinin bir trevi olan engellerin bulunduu bir ortamda en ksa yol bulma problemi ise gnmz aratrma ve uygulamalarnda ska rastlanan ve zmlenmeye allan bir problem tipidir. Gerek robotlarda gerekse ara izelgeleme problemlerinde karmza kan engellerin bulunduu bir ortamda en ksa yol bulma problemi, olas tm dmler aras balantlarn mmkn olmad, baz dmler aras balantlarn engeller tarafndan geersiz klnd problem tipidir. Bu problem tipinde en ksa yol, engellerinde etkisi hesaplanarak bulunmakta ve yine engellere ramen mmkn olan en ksa yol minimum zamanda ortaya koyulmaya allmaktadr[50].

10

II.2.1 Mevcut En Ksa Yol Probleminin Yaps Mevcut en ksa yol bulma probleminde graph yaps yerine dijital bir resimdeki pikseller dmler olarak kabul edilmektedir. Genel graph yaplarndaki dmler aras arlklar yerine pikseller aras uzaklklar ele alnarak ilem gerekletirilmektedir. Problemdeki engeller de yine pikseller olarak ele alnmtr. Genel en ksa yol bulma problemlerine ait graph yaps ve ilgili probleme ait piksellerin dmler kabul edildii yaplar ekil II.1 ve ekil II.2 de gsterilmektedir.

ekil II.1 Graph yaps

ekil II.2 Piksel yaps ve piksel koordinatlar

11

II.2.2 Mevcut Problem in Grnt leme le Ortam Oluturulmas Problemin oluturulmas iin, genel tabir ile grnt ileme olarak adlandrlan ve kullancdan alnan grntlerin (problemin getii ortam resimlerinin bitmap formatndaki hali) matematiksel fonksiyonlar tarafndan kullanlabilir hale getirildii bir dizi ilem gerekletirilmektedir. Grnt ileme ilemi iin MATLAB 7.4.0 ortam kullanlmaktadr. Problemin engellerin bulunduu bir ortamda gereklemesinden dolay ilk olarak engellerin ele alnan grnt zerinde belirlenmesi gerekmektedir. Bu ilem iin daha ncede sz edildii gibi piksellerden oluan bir ortamda yine pikseller zerinden engelleri tanmlama durumu sz konusudur. Kullancdan alnan grntlerdeki engel tanmlama ilemi iin piksellere ait belli bir eik deerinin stndeki renk deerlerinin (renk skalasnda genel resim renk ortalamasnda siyaha daha yakn renkler) engel olarak tanmlanmas ilemi gerekletirilmektedir. Renk deerlerine gre engel tanmlama ilemi iin MATLAB 7.4.0 programnn hazr fonksiyonlar kullanlmtr. Grnt ilemenin ilk basamanda kullancdan alnan renkli grntnn, oluturulan grnt ileme formllerinde kullanlabilir hale getirilmesi amac ile siyah-beyaz grntye dnm bulunmaktadr. ekil II.3de rnei grlen kullancdan alnan grntnn ekil II.4de grlen siyah-beyaz grntye dntrlmesinin ardndan istenilen boyutta bir ara iin siyah-beyaz grnt zerinde zm uzay oluturma yani hareket edilebilir blgelerin belirlenmesi ilemine geilmektedir.

12

ekil II.3 Orijinal grnt

ekil II.4 Siyah beyaz grnt

Engel tanmlamada (zm uzay oluturma) gerekletirilen ilemlerde fonksiyonel olarak bir engelin ne gibi bir ara iin engel olduunun belirlenmesi gerekmektedir. Bu durum gncel problemler zerinden rnek verilecek olunursa bir robotun geebilecei yol ile bir ar vastann geebilecei yol genilikleri farkl olduundan gz nne alnmtr. zm uzay oluturulmas ileminde siyah-beyaz grnt zerinde ap verilen aracn merkezinin bulunabilecei pikseller tespit edilmeye allmaktadr. Bu ilem iin kullanlan yntem ekil II.5de ki diyagonal alan mant kullanlarak gerekletirilmektedir. ekil II.5 de grlen diyagonal alann merkezindeki pikselin aracn merkezi olarak kabul edilmesinin ardndan merkez pikselin etrafndaki diyagonal alan zerindeki piksellerin engellere ait olup olmad tespit edilmektedir. Kullanlan yntemin sonucu olarak hesaplama yaplan (merkezde bulunan) bir piksel sonuca gre zm uzayna dhil edilmekte veya engel olarak tanmlanmaktadr.

ekil II.5 Diyagonal engel tanmlama

13

Burada kontrol edilen piksel ekil II.5 de grlen ortadaki piksel ise bu pikselin ekilde grlen uzaklktaki piksellerin tamamnn kontrol ile engel olup olmad tanmlanmaktadr. Kullanlan uzaklklar Denklem II.1 deki gibidir; (II.1) Bu mantkla gerekletirilen zm uzay oluturma ileminin formlasyonu Denklem II.2 de gsterilmektedir;

(II.2) Buradaki deikenler;

yani im= grnt deikeni x= satir indeksi y=stn indeksi

nin guantalanm deeri

im(x,y)= grnt deikenindeki pikselin deeridir. Sonu olarak siyah-beyaz grntden elde edilen zm uzay grnts (satr x stun) boyutunda bir matris oluturmaktadr. Yukardaki denklemler kullanlarak yaplan kontroller sonucu her bir piksel iin kullanlabilir olma durumuna gre 0 (kullanlamaz) veya 1 (kullanlabilir, aracn merkezi bu noktada olabilir) deerleri zm uzay grntsnn matrisinde piksel deerleri olarak atanmaktadr. Oluturulan siyah-beyaz grnt ve zm uzay grnts ekil II.6 ve ekil II.7 de gsterildii gibidir.

14

ekil II.6 Siyah beyaz grnt

ekil II.7 zm uzay grnts

II.2.3 zm Uzaynn Noktalara ndirgenmesi Bilindii zere iki nokta arasndaki en ksa yol bu iki noktann birbirlerine dik olan dorudur. ki nokta arasnda bir engel olmas durumunda ise bu yol engele teet geen bir yol eklini alacaktr. Bu durum sz konusu engel bir daire olduunda belirli bir yzeyine teet geerken farkl ekiller iin tek bir teet noktas olabilmektedir. Bu mantkla yola klarak oluturulan zm uzaynn indirgenmesi ve yol iin kullanlacak dm noktalarnn elde edilmesi aadaki gibi yaplmaktadr. Teet noktalar oluturmak amac ile zm uzayndaki cisimlerin etrafna bir piksel geniliinde kaplama hatlar oluturulmaktadr. Hatlar oluturulurken zm uzay zerindeki her bir beyaz nokta iin Denklem II.3 deki formlasyon uygulanmaktadr. Herhangi bir beyaz piksel iin uygulanan fonksiyonun sonucunun maksimum yani 9 kmamas (etrafndaki tm piksellerin engelsiz tanmlanmamas) durumunda kontrol edilen pikselin bir engele komu olduu belirlenmektedir. Komuluk ilikisi belirlenen pikseller iin siyah (0) deeri geriye kalan engel nitelikli ve engellerle komuluk ilikisi bulunmayan cisimler iin ise beyaz (1) deeri hat deikeni ve grntsnde kullanlmaktadr. (II.3) imc= zm grnts deikeni x= satir indeksi y=stn indeksi 15

imc(x,y)= zm grnts deikenindeki pikselin deeridir. Yukarda anlatlan mantkla oluturulan zm uzay ve bu zm uzayna ait teet grntleri ekil II.8 ve II.9 da gsterildii gibidir.

ekil II.8 zm uzay

ekil II.9 Teet noktalar

ki nokta arasndaki en ksa yol, bu iki noktay birletiren doru parasdr. Bu mantkla dnldnde balang ve biti dmleri belli olan bir dorunun zerinde bulunan herhangi bir dm en ksa yolun oluturulmasnda etken deildir. Doru zerindeki dm olmadan da balang ve biti dmlerinin sayesinde doru izilebilecei iin aradaki dm etkisiz eleman olarak grlebilir. Oluturulan hatlarn piksellerden oluan dorular gibi davrandklar blgeler iin bu etkisiz dmleri bulmak ve hatlardan karmak zere ilem gerekletirilmitir. MATLAB programnn yapsndan dolay, 45 derece ve katlarndaki eimlere sahip dorular zerinde gerekletirilebilen dm eleme ilemi ile zm uzay zerinde kullanlmas muhtemel dmler belirlenmitir. Hatlarn dorusal paralar zerinde gerekletirilen dm indirgeme mant ekil II.10 da ki gibidir.

16

ekil II.10 izgilerdeki dm saysnn azaltlmas Dm elemesi iin kullanlan formlasyonlar Denklem II.4 deki gibidir. Denklem kaplama grntsnn tersi zerinde kullanlmak zere tasarlanmtr. Kontrol edilen pikselin beyaz (1) olmas kayd ile forml sonucunun 3 kmas durumunda kontrol edilen piksel siyah (0) deerlikli bir piksel haline getirilir ve sonu olarak elde edilen grntnn tekrar tersi alnarak nokta grnts elde edilir. , sol alttan sa ste apraz bir izgi, , soldan saa yatay bir izgi, , yukardan aaya dikey bir izgi , sol stten sa alta apraz bir izgi iin. imn= kaplama grnts deikeni 17 (II.4)

x= satir indeksi y=stn indeksi imn(x,y)= kaplama grnts deikenindeki pikselin deeridir. Gerekletirilen kaplamalar zerindeki dm indirgemesi sonras ve ncesi elde edilen sonular ekil II.11 ve ekil II.12 de gsterildii gibidir.

ekil II.11Teet kaplamalar

ekil II.12 ndirgenmi dmler

Yukarda gsterilen ilemlerden sonra elde edilen dmler kmesine balang ve biti dmlerinin de eklenmesi ile en ksa yol bulma problemine ait dmlerin zm kmesi elde edilmi bulunmaktadr. lemler sonras oluturulan engeller, indirgenmi zm dmleri, balang dm ve biti dmn barndran grnt ekil II.13 de gsterildii gibidir.

18

Balang Dm

Biti Dm ekil II.13 Genel kapsaml grnt Daha sonra gerekletirilecek yol bulma ilemleri ncesi, dm zm kmesi zerindeki dmler aras gr olanann hesaplanmas gerekmektedir. Buradaki ama dmler aras hareket olanann hesaplanmasdr. Dmler aras gr olana, dm zm kmesi zerindeki her ikili dm kombinasyonlar aras oluturulan sanal dorularn bir engelle kesiip kesimedii tespit edilerek hesaplanmaktadr. ki dm arasndaki doru zerinde bir engel yoksa bu iki dm arasnda dorusal hareket gerekletirilebilir demektir ve bir sonraki aamada dorusal hareket gerekletirilebilen ikili dm kombinasyonlar aras dik uzaklklar Pisagor denklemi ile bulunmaktadr. Dmlerin birbirlerini gr olanaklar ve dmler aras dik uzaklklar gerekli deikenlerde tutularak yol bulma ileminde kullanlmak zere saklanmaktadr.

19

BLM III

GENETK ALGORTMALAR VE KARINCA

KOLONS ALGORTMASI

III.1 GR Bu blmde hybrid algoritma oluturmada kullanlan yapay zeka

algoritmalarndan Genetik Algoritmalar (GA) ve Karnca Kolonisi Algoritmas (KKA) incelenecek, avantaj ve dezavantajlar belirlenerek genel yaplar hakknda tartma gerekletirilecektir. III.2 GENETK ALGORTMALAR III.2.1 Giri ve Tanm Optimizasyon bir eyin daha iyisini gerekletirme srecidir. Bir mhendis veya bilim adam yeni bir fikir ortaya koyar. Optimizasyon bu fikrin gelitirilmesine yardmc olur. Optimizasyon; fikirleri ilerletmek iin ortaya atlan bilgileri kullanarak, balang kavramlarn (parametrelerini) deitirmektir. Eer fikri etkileyen parametreler elektronik formata dntrlrse bilgisayar mkemmel bir optimizasyon arac olur. Bir takm bilgiler bilgisayara girilir ve bir zm elde edilir. Elde edilen bu zmn deerlendirilmesi optimizasyon araclyla gerekletirilir. Bir problemin birden fazla zm varsa, en iyi zm bulmak gerekir. Aslnda en iyi tanmlamas izafi kavramdr. Optimal zm, problemi formlize eden kiiye baldr. Eitim, fikirler, ideolojiler ve sosyal durumlar en iyi tanmlamasnda etkili olan faktrlerdir. Baz problemlerin tam cevab bulunurken, bazlar optimal noktalar olarak bilinen, deiik minimum ve maksimum noktalarna sahiptir. te burada en iyi izafi olabilir. Yer krede yaayan insanolunun hayat, optimizasyon problemleri ve zmleri ile doludur. Bununla ilgili birka rnek verilebilir. Hem ie zamannda gitmek, hem de uyku miktarn artrmak iin ne zaman kalklmaldr? e giderken en iyi yol neresidir? Bir projeyi yrtrken ilk olarak nereden balanmaldr? Bir eyin uzunluunu ksaltmak, arln azaltmak bir rnn cazibesini artrmak ve maliyetini drmek optimizasyon tekniinin ilgi alan ierisindedir[51].

20

Son yllarda optimizasyonun nemi, bir ok byk lekli kombinetarol optimizasyon (combinatorial optimization) problemlerinin ve yksek kstl mhendislik problemlerinin gnmz bilgisayarlar ile yaklak olarak zlebilmesinden dolay daha da artmtr. GAnn amac byle kompleks problemlerdir. Bu problemler, olaslkl algoritmalar snfna ait olmakla birlikte rastgele algoritmalardan ok farkldr[52]. GA, rastlantsal arama teknikleri kullanarak zm bulmaya alan, parametre kodlama esasna dayanan sezgisel bir arama tekniidir[5]. GA, canllarn en iyi olan yaar prensibini rnek alr ve iyi bireylerin kendi yaamlarn muhafaza edip kt bireylerin yok olmasna dayanr. GA, ebeveyn bireylerden oluan yeni bireylerin artlara uyum salayp yaamlarn devam ettirmesi prensibine sahiptir. Oluan yeni bireylerin ebeveynlerinden iyi zellikli genleri alabilecekleri gibi kt zellikteki genleri de alabilmeleri mmkndr. Bu durum sz konusu olunca kt zellikteki genlere sahip bireyler yaamlarn devam ettiremeyeceklerdir[6]. GA nn bu zellii probleme yeni zmler retmek iin kopyalama, aprazlama ve mutasyon gibi operatrlerle gerekletirilir. GA nn nemli zelliklerinden birisi de bir grup zerinde zm aramas ve bu sayede ok sayda zmn iinden en iyi olan semesidir [53]. GA, olasla dayal zmler sunar ve bir problemin en iyi zmn bulmak iin garanti vermez. Ancak problemlere ksa sre iinde kabul edilebilir zmler retir. GA lar problem hakknda bilgi olmadan da kullanlabildii iin tercih edilmektedir. zellikle matematiksel bir denklemin kurulamad problemlerde kabul edilebilir olumlu sonular vermektedir. Bu durum karmak problemlerde zamandan ve maliyetten nemli miktarda kazan salamaktadr. GAnn zelliklerinden birisi de bir grup zerinde zm aramas ve bu sayede ok sayda zmn iinden en iyi olan semesidir[54].

21

III.2.2 Tarihesi Michigan niversitesinde psikoloji ve bilgisayar bilimi uzman olan John Holland bu konuda ilk almalar yapan kiidir. Mekanik renme ( machine learning ) konusunda alan Holland, Darwinin evrim kuramnda etkilenerek canllarda yaanan genetik sreci bilgisayar ortamnda gerekletirmeyi dnmtr. Tek bir mekanik yapnn renme yeteneini gelitirmek yerine byle yaplarda oluan bir topluluun oalma, iftleme, mutasyon, vb. genetik srelerden geerek baarl (renebilen) yeni bireyler oluturabildiini grmtr. almalarnn sonucunu akladn kitabnn 1975te yaynlanmasndan sonra gelitirdii yntemin ad Genetik Algoritmalar (ya da ksaca GA) olarak yerlemitir. Ne var ki 1985 ylnda Hollandn rencisi olarak doktorasn veren David E. Goldberg adl inaat mhendisi, 1989 da, konusunda bir klasik saylan kitabn yaynlayana dek genetik algoritmalarn pek pratik yarar olmayan bir aratrma konusu olduu dnlmtr. Kitabnda genetik algoritmalara dayal tam 83 uygulamaya yer vererek GAnin dnyann her yerinde eitli konularda kullanlmakta olduunu savunmutur[7]. III.2.3 Temel Bileenleri ve Yaps Birok alanda uygulama imkn ve uygulamalar olan genetik algoritmalarn ilem admlar yle aklanabilir[5]: - Arama uzayndaki tm mmkn zmler dizi olarak kodlanr. - Genellikle rastsal bir zm kmesi seilir ve balang poplasyonu olarak kabul edilir. - Her bir dizi iin bir uygunluk deeri hesaplanr, bulunan uygunluk deerleri dizilerin zm kalitesini gsterir. - Bir grup dizi belirli bir olaslk deerine gre rastsal olarak seilip oalma ilemi gerekletirilir. - Yeni bireylerin uygunluk deerleri hesaplanarak, aprazlama ve mutasyon ilemlerine tabi tutulur. - nceden belirlenen kuak says boyunca yukardaki ilemler devam ettirilir. 22

- terasyon, belirlenen kuak saysna ulanca ya da nceden belirlenen bir baka sonlandrma kriteri salannca ilem sona erdirilir. Ama fonksiyonuna gre en uygun olan dizi seilir. Genetik algoritmalar bir zm uzayndaki her noktay, kromozom ad verilen ikili bit dizisi ile kodlar. Her noktann bir uygunluk deeri vardr. Tek bir nokta yerine, genetik algoritmalar bir populasyon olarak noktalar kmesini muhafaza eder. Her kuakta, genetik algoritma, aprazlama ve mutasyon gibi genetik operatrleri kullanarak yeni bir populasyon oluturur. Birka kuak sonunda, populasyon daha iyi uygunluk deerine sahip yeleri ierir. Bu, Darwinin rastsal mutasyona ve doal seime dayanan evrim modellerine benzemektedir. Genetik algoritmalar, zmlerin kodlanmasn, uygunluklarn hesaplanmasn, oalma, aprazlama ve mutasyon operatrlerinin uygulanmasn ierir[55]. III.2.3.1 zmlerin Kodlanmas Bir problemin zm iin genetik algoritma gelitirmenin ilk adm, tm zmlerin ayn boyutlara sahip bitler dizisi biiminde gsterilmesidir. Dizilerden her biri, problemin olas zmler uzayndaki rastsal bir noktay simgeler Parametrelerin kodlanmas, probleme zg bilgilerin genetik algoritmann kullanaca ekle evrilmesine olanak tanr[55]. III.2.3.2 lk Poplasyonun Oluturulmas Olas zmlerin kodland bir zm grubu oluturulur. zm grubu poplasyon, zmlerin kodlar da kromozom olarak adlandrlr. kili alfabenin kullanld kromozomlarn gsteriminde, ilk poplasyonun oluturulmas iin rastsal say reticileri kullanlabilir. Rastsal say reticisi arlr ve deer 0,5den kkse konum 0a deilse 1 deerine ayarlanr. Birey saysnn ve kromozom uzunluunun az olduu problemlerde yaz-tura ile de konum deerleri belirlenebilmektedir. Genetik algoritmalarda ikili kodlama yntemi dnda, zm aranan probleme bal olarak farkl kodlama yntemleri de kullanlmaktadr [55]. III.2.3.3 Uygunluk Deerinin Hesaplanmas Bir kuak oluturulduktan sonraki ilk adm, poplasyondaki her yenin uygunluk deerini hesaplama admdr. rnein, bir maksimizasyon problemi iin i. 23

yenin uygunluk deeri f(i), genellikle o noktadaki ama fonksiyonunun deeridir. zm aranan her problem iin bir uygunluk fonksiyonu mevcuttur. Verilen belirli bir kromozom iin uygunluk fonksiyonu, o kromozomun temsil ettii zmn kullanmyla veya yeteneiyle orantl olan saysal bir uygunluk deeri verir. Bu bilgi, her kuakta daha uygun zmlerin seiminde yol gstermektedir. Bir zmn uygunluk deeri ne kadar yksekse, yaama ve oalma ans o kadar fazladr ve bir sonraki kuakta temsil edilme oran da o kadar yksektir[55]. III.2.3.4 oalma leminin Uygulanmas oalma operatrnde diziler, ama fonksiyonuna gre kopyalanr ve iyi kaltsal zellikleri gelecek kuaa daha iyi aktaracak bireyler seilir. reme operatr yapay bir seimdir. Dizileri uygunluk deerlerine gre kopyalama, daha yksek uygunluk deerine sahip dizilerin, bir sonraki kuaktaki bir veya daha fazla yavruya daha yksek bir olaslkla katkda bulunmas anlamna gelmektedir. oalma, bireyleri seme ileminden seilmi bireyleri bir eleme havuzuna kopyalama ileminden ve havuzda bireyleri iftler halinde gruplara ayrma ileminden oluur. Uygunluk deerinin hesaplanmas admndan sonra mevcut kuaktan yeni bir populasyon yaratlmaldr. Seim ilemi, bir sonraki kuak iin yavru retmek amacyla hangi ailelerin yer almas gerektiine karar vermektedir. Bu doal seimdeki en uygunun yaamas durumuna benzerdir. Bu yntemin amac, ortalama uygunluun zerindeki deerlere oalma frsat tanmaktr. Bir dizinin kopyalanma ans, uygunluk fonksiyonuyla hesaplanan dizinin uygunluk deerine baldr. Seim yntemlerine rulet tekerlei seimi, turnuva seimi ve sralama seimi gibi seim yntemleri rnek verilebilir[55]. lgili seim ilemine ait benzetim ekil III-1 deki gibidir[56]:

ekil III-1 Seim lemi 24

III.2.3.5 aprazlama leminin Uygulanmas Mevcut gen havuzunun potansiyelini aratrmak zere, bir nceki kuaktan daha iyi nitelikler ieren yeni kromozomlar yaratmak amacyla aprazlama operatr kullanlmaktadr. aprazlama genellikle, verilen bir aprazlama oranna eit bir olaslkla seilen aile eitlerine uygulanmaktadr. Genetik algoritmann performansn etkileyen nemli parametrelerden biri olan aprazlama operatr doal populasyonlardaki aprazlamaya karlk gelmektedir. oalma ilemi sonucunda elde edilen yeni populasyondan rastsal olarak iki kromozom seilmekte ve karlkl aprazlama ilemine tabi tutulmaktadr. En basit aprazlama yntemi tek noktal aprazlama yntemidir. Tek noktal aprazlama yaplabilmesi iin her iki kromozomun da ayn gen uzunluunda olmas gerekir. ki noktal aprazlamada ise kromozom iki noktadan kesilir ve karlkl olarak pozisyonlar yer deitirilir[55]. lgili aprazlama ilemine ait benzetim ekil III-2 deki gibidir[57]:

ekil III-2 a-) Tek Noktadan aprazlama b-) ok noktadan aprazlama

III.2.3.6 Mutasyon leminin Uygulanmas aprazlama mevcut gen potansiyellerini aratrmak zere kullanlr. Fakat poplasyon gerekli tm kodlanm bilgiyi iermez ise, aprazlama tatmin edici bir zm retemez. Bundan dolay, mevcut kromozomlardan yeni kromozomlar retme yeteneine sahip bir operatr gerekmektedir. Bu grevi mutasyon gerekletirir. 25

Yapay genetik sistemlerde mutasyon operatr, bir daha elde edilemeyebilir iyi bir zmn kaybna kar koruma salamaktadr. kili kodlama sisteminin kullanld problemlerde mutasyon, dk bir olaslk deeri altnda bir bit deerini (0 veya 1 olabilir) dier bit deerine dntrr. kili kodlama sisteminin kullanlmad problemlerde ise daha farkl mutasyon yntemleri kullanlmaktadr. Hangi yntem kullanlrsa kullanlsn, mutasyonun genel amac, genetik eitlilii salamak veya korumaktr[55]. lgili mutasyon ilemine ait benzetim ekil III-3 deki gibidir[57]:

ekil III-3 Mutasyon lemi

III.2.3.7 Yeni Kuan Olumas ve Dngnn Durdurulmas Yeni kuak oalma, aprazlama ve mutasyon ilemlerinden sonra

tanmlanmakta ve bir sonraki kuan ebeveynleri olmaktadrlar. Sre yeni kuakla oalma iin belirlenen uygunluk ile devam eder. Bu sre, nceden belirlenen kuak says kadar veya bir hedefe ulalncaya kadar ya da baka bir durdurma kriteri salanana kadar devam eder. stenen hassasiyet derecesine gre de maksimum iterasyon says belirlenebilmekte ve iterasyon bu sayya ulatnda dng durdurulabilmektedir. Durdurma kriteri iterasyon says olabilecei gibi hedeflenen uygunluk deeri de olabilmektedir [55].

26

III.2.3.8 lgili Parametre Seimleri Parametreler, genetik algoritma performans zerinde nemli etkiye sahiptir. Optimal kontrol parametreleri bulmak iin bir ok alma yaplmtr fakat tm problemler iin genel olarak kullanlabilecek parametreler bulunamamtr. Bu parametreler, kontrol parametreleri olarak adlandrlmaktadr. Kontrol parametreleri populasyon bykl, aprazlama olasl, mutasyon olasl, kuak aral, seim stratejisi ve fonksiyon leklemesi olarak saylabilir. Bu parametreler aada aklanmtr [55]: Poplsyon Bykl: Genetik algoritma kullancs tarafndan verilen en nemli kararlardan birisidir. Bu deer ok kk olduunda, genetik algoritma yerel bir optimuma taklabilmektedir. Poplsyonun ok byk olmas ise zme ulama zamann arttrmaktadr. Bu konuda Goldberg 1985de, yalnzca kromozom uzunluuna bal bir poplasyon bykl hesaplama yntemi nermitir. Ayrca Schaffer ve arkadalar 1989da ok sayda test fonksiyonlar zerinde yaptklar aratrmalar sonucunda, 20-30 aras bir populasyon byklnn iyi sonular verdiini belirtmilerdir. aprazlama Olasl: aprazlamann amac, mevcut iyi kromozomlarn zelliklerini birletirerek daha uygun kromozomlar yaratmaktr. Kromozom iftleri belli bir olaslk ile aprazlamaya uramak zere seilirler. aprazlamann artmas, yap bloklarnn artmasna neden olmakta fakat ayn zamanda baz iyi kromozomlarn da bozulma olasln arttrmaktadr. Mutasyon Olasl: Mutasyonun amac populasyondaki genetik eitlilii korumaktr. Mutasyon bir kromozomdaki her bitte meydana gelebilir. Eer mutasyon olasl artarsa, genetik arama rastsal bir aramaya dnr. Fakat bu ayn zamanda kayp genetik malzemeyi tekrar bulmada yardmc olmaktadr. Kuak Aral: Her kuaktaki yeni kromozom oranna kuak aral denmektedir. Genetik operatrler iin ka tane kromozomun seildiini gsterir. Yksek bir deer bir ok kromozomun yer deitirdii anlamna gelmektedir. Seim Stratejisi: Eski kua yenilemenin eitli yntemleri mevcuttur. Kuaksal stratejide, mevcut populasyondaki kromozomlar tamamen yavrular ile yer deitirir. Populasyonun en iyi kromozomu da yenilendiinden dolay bir sonraki 27

kuaa aktarlamaz ve bu yzden bu strateji en uygun (elitist) stratejisiyle beraber kullanlmaktadr. En uygun stratejisinde, populasyondaki en iyi kromozomlar hibir zaman yenilenmemektedir bundan dolay oalma iin en iyi zm her zaman elverilidir. Denge durumu stratejisinde ise, her kuakta yalnzca birka kromozom yenilenmektedir. Genellikle, yeni kromozomlar populasyona katldnda en kt kromozomlar yenilenir. Fonksiyon leklemesi: Dorusal lekleme, stsel lekleme gibi yntemler mevcuttur. Probleme gre en uygun lekleme ynteminin seilmesi genetik algoritmann etkin ilemesi asndan nem tamaktadr. III.2.4 Avantajlar GAlarn avantajlar aadaki gibi derlenmitir[55,58-69]: GAlarn en byk avantajlarndan biri paralel almasdr. Bu paralellik zme ulamak iin birden ok bireyin farkl blgelerden almasndan kaynaklanmaktadr. Paralelliin sonucu olarak ise GA lar zme daha hzl srede ulamakta ve bu durum kullanc iin byk avantaj tekil etmektedir. GAlar geni bir problem uzayna hitap etmektedir. Optimizasyon uygulanmas gereken hemen hemen her problem iin kullanlabilir olmas GAy tercih edilen bir yapay zeka algoritmas konumuna sokmutur. Birok algoritma belirli kstaslarla belli problem uzayna hitap ederken GAlar bu kstaslar, problem tipinin kullanc dizayn ile belirlenmesinden dolay minimuma indirgemitir. GAlar trev kullanmayan yapdaki algoritmalardandr. Bunun anlam GAlar uygunluk deeri hesaplamada kullandklar fitness fonksiyonu sayesinde baka bir bilgiye ihtiya duymadan, yani trev kullanan algoritmalarda olduu gibi matematiksel olarak problem yapsna ve ileyiine ihtiya duymadan zm retebilmektedir. GAlar tasarmcsnn inisiyatifinde dizayn edilen ve zm reten

algoritmalardr. Genel ilem mantna sadk kalan tasarmc GAlar kullanrken bir ok ynden deiiklik yapma ve problemin zmnde yapsal deiiklikler yapma iini ok basit bir ekilde gerekletirebilir.

28

GAlar birok yerel optimum noktas olan problemlerde de yksek performans sergileyebilmektedir. Bunun nedeni GAnn mutasyon ve aprazlama operatrlerinin zmn yerel optimum noktasndan kurtarlmasnda etkili olmasdr. Bireyin ilgili yerel optimum noktaya taklmas durumunda eer hata tolerans istenilen bant aralnda deilse bir sonraki nesilde GA nn operatrleri bireyi yerel optimum noktasndan kurtarabilmektedir. GAnn bir dier avantaj ise problem yaps ve nedenlerinden bamsz olmasdr. Bir problemin yaps ve kayna GAy ilgilendiren bir durum deildir. GA tasarmcnn verdii fitness fonksiyonu ve gen yaps ile optimum zm bulmaktan baka bir ilem yapmaz. GAlar en karmak problemlerde dahi yksek performans

sergileyebilmektedir. Problemin grlt oran, problemin dorusal olup olmamas veya zm uzaynn bykl GA ile ilem yaplrken dier algoritmalara oranla avantajl bir ortam salar. ou algoritma geni zm uzaynda arama yaparken uzun zaman harcar ve kimi zaman cevapsz kalr. Ancak GA iin zm uzaynn bykl bir kstas olsa bile ilem yapsndan dolay tm uzaya eik uzaklkta ilem yapar tabiri kullanlabilir. Bunun salanmas iin gerekletirilen mutasyon aprazlama gibi ilemler GAnn zm uzaynn her blgesini kullanmasn salamaktadr. Bir problemin farkl bileenlerinin olmas ve her bir bileeninin ayr bir optimum nokta iin deerlendirilmesi GAnn bir dier avantajdr. Bir sistemin paralanmas gerektii dnldnde buna uygun fitness fonksiyonu ve poplasyon kodlamasnn salanmas durumunda GA problemin her bir paras iin ayn anda ayrk ilem yapacak ve sonucu btne gre deerlendirebilecektir. Bu durum GAnn kompleks ve ok etkenli problemler iinde baarsn aklayan bir durumdur. Bir problemin giri deerlerinin eksik veya bozuk olmas durumunda dahi GAlar istenilen hata toleransnda doru sonu retebilmektedir. Bunun nedeni girdi deerlerinin GA iin zme ulamadaki ihtimaller havuzu olmas ve dier yapay zeka algoritmalarnn kimisinde olduu gibi kt deerine direkt olarak etki etmemesidir. Hatal bir girdi olmas durumunda GA sonuca o birey iin

29

ulamayacaktr ancak birey okluu ve gelecek nesillerdeki deer farkllklar GAnn sonuca ulamasn salayacaktr. GA bir problemin zm iin gereken ok sayda deikeni kullanabilme zelliine sahiptir. Bir problemin zm iin yz farkl deikenin hesaba katlmas gerekse bile GA doru sonucu retebilmekte ve dier algoritmalar ile arasnda bu noktada byk bir farkllk domaktadr. Tm probleme ait deikenler bir bireyde toplanabilmekte ve bu bireyin uzunluu kullanc ile bilgisayar kapasitesinin kstlar ile belirlenmektedir. III.2.5 Dezavantaj ve Kstllklar GAlarn dezavantaj ve kstllklar aadaki gibi derlenmitir[55,58-69]: GAlarn rettii sonu her ne kadar istenilen hata tolerans band ierisinde olsa da istenilen deerden daha iyi bir zm olup olmad ancak kendi sonular ile karlatrlnca veya dier optimizasyon teknikleri ile karlatrlnca bulunabilir. GAlarn zm iin verdii herhangi bir garanti sz konusu olmad gibi bu algoritmalarn verdii sonularn gvenilirlii ve yeterlilii her zaman tartmaya ak bir konudur. GAlar kimi zaman yerel optimum noktalarna taklp kalabilirler. Bu durum GAlarn yapsndan dolay ok rastlanan bir durum olmamasna ramen yinede gz ard edilmemesi gereken bir hata olasldr. lemin bir yerel optimum noktasnda taklp kalmas belki istenilen hata tolerans bandnda sonu retmesine engel olmayabilir fakat bu durum nihayetinde daha iyi bir sonucunda retilmesine engel tekil etmektedir. Bu durum ilk balarda yerel bir optimum noktaya taklan bireylerin zamanla seim ynteminin de iyi belirlenmemesi etkeniyle gen havuzunu doldurmas ve yeni nesillerin bu yerel optimum noktasna bal bireylerin etkisiyle bu durumdan kurtulamamas ile gerekleir. GAlarn en can alc hatalar, mutasyon, aprazlama ve poplasyon bykl gibi parametrelere dayal hatalardr. Bu parametrelerin iyi belirlenmesi belli kstaslara bal olmamakla beraber tamamen hazrlanan fitness fonksiyonunun yaps ile belirlenen ve kullancya dayal bir yapdadr. Bu parametrelerin belirli aralklar iinde tutulmas hem performans zaman dengesini salamak iin hem de GAlarn gerekten istenilen ilemi gerekletirmesi iin ok nemlidir. 30

Poplasyon

saysnn

doru

belirlenmemesi

GAnn

yerel

optimuma

taklmasn veya ilem zamannda ar arta neden olunmasn salayabilir. Poplasyon saysnn az seilmesi yerel optimumlara taklma olasln arttrrken, ok byk seilmesi ilem zamannda gereksiz bir arta neden olmaktadr. GAlarn poplasyon saysna ynelik bir belirleme u ana kadar belirlenmemi olduu gibi tamamen kullancnn gzlem ve inisiyatifine kalm bir deerdir. Mutasyon orannn doru belirlenmemesi GAlarn yerel optimum noktalara taklmasna neden olabilecei gibi ilem zamannda arta da neden olabilmektedir. lgili orann kk tutulmas gelecek nesillerdeki bireylerin deiim orann azaltaca iin yerel optimum noktalarda taknlmasna neden olabilmektedir. Tam tersine ilgili deerin byk tutulmas ise algoritma mantna aykr ekilde eski nesillerdeki bireyler ile yeni nesil bireylerin genetik kodlamasnn farkllamasnda arta ve bu nedenle de iyi sonularn farkllatrlarak zm sresinin uzamasna neden olabilmektedir. Benzer ekilde aprazlama ileminin gerekletirilme oran da ayn sonulara neden olacaktr. Karmak bir problem iin fitness fonksiyonu oluturmak pahal ve zor olabilmektedir. Bu gibi durumlarda baka optimizasyon tekniklerinin kullanlmas gerekebilir. Oluturulacak fitness fonksiyonunun belki de hibir zaman yeterli olmayaca durumlarda bile sonu nceden kestirilemeyecei iin boa emek harcanm olabilir. III.2.6 Tartma GAlar kimi kullanclar tarafndan her derde deva olarak tasvir edilse ve kullanlsa da aslnda baz aratrmaclara gre bu yanl bir yaklamdr. GAlarn da tm dier mevcut algoritmalar gibi kullanlmas uygun olmayan alanlar ve zel problemler sz konusudur. Baz durumlar ve problemlerde GAlar kullanlabilir olmasna ramen, probleme ait kullanlabilir dier optimizasyon algoritma ve yntemleri GAlara gre daha iyi sonular ayn zaman kstaslarnda verebilir. Hangi optimizasyon problemi iin hangi algoritmann kullanlaca ise aratrlp bulunmal ve mmkn olduu kadar dorusal ve matematie dayal bir optimizasyon seenei mevcut ise o kullanlmaldr.

31

GAlarn zellikle doru yanl tipi problemlerde kullanm tavsiye edilmemektedir. Bu gibi problemlerde rastgele arama algoritmalar gibi algoritmalarn kullanlmas GAlara oranla daha hzl yant verebilir. Benzer ekilde sonucun basit bir denklemde yerine koyularak bulunabilecei problemler GAlar iin basit kalabilmekte ve daha uygun yntemler daha ksa srede ve urata istenilen sonucu retebilmektedir. GAlarn asl hedef problem kitlesinin hibir zm teknii (matematiksel teknik veya hata tolerans olmayan teknikler) olmayan problemler olduu unutulmamaldr. Bu tekniklerle zm sz konusu olabilecek iken GAlarn kullanlmas kimi zaman avantaj salayacak olsa bile gvenilirlik ve salamlk ynnden her zaman GAlar ikinci seenek olarak dnlmelidir. GAlarn kullanlmas gereken problem tiplerinin genel zellikleri aadaki gibi zetlenebilir: Probleme ait matematiksel bir modelin oluturulamad problemler, Geleneksel optimizasyon algoritmalarnn kullanlamad veya istenilen sonucu retemedii problemler, Arama uzaynn ok byk olduu problemler, Mevcut bilgiye dayal arama uzaynda zm iin yeterli matematiksel alt yapnn salanamad problemler, Gerek zamanl olmayan veya zme ait yolun ve verilerin dinamik olarak deimedii problemler. GAlarn uygulanacak probleme gre fitness fonksiyonunun zor oluturulur durumda olmas, oluturulamyor olmas veya oluturulan fitness fonksiyonunun istenilen ilemi gerekletiremeyecek kadar grlt ieriyor olmas gibi durumlar sz konusudur. Bu gibi durumlarda fitness fonksiyonunu paralar halinde oluturmak kullanc iin kolaylk salayaca gibi ilemin sonucunda da belirli bir iyiletirme gerekletirecektir. Oluturulacak paral fitness fonksiyonunun her biri iin ayr deerlendirme ve hata tolerans oluturulmas problemin zm iin esneklik ve baar salayacaktr. Bu gibi benzer bir durum iin fitness fonksiyonunun yerine aday yani benzer bir fitness fonksiyonu atanmas da sz konusu olabilir. Byle bir durumda baar durumu tartlabilir olaca gibi kullanc asndan ayn sonucun retilebilmesi durumunda zaman ve maliyetten kazan salanacaktr.

32

GAlarn kanlan bir durumu olan yerel optimum noktalara taklmas ihtimali birka farkl yntem ile dzeltilebilmektedir. Bu yntemlerin iinde daha ncede bahsedilen mutasyon, aprazlama gibi operatrlerin iyi belirlenmesinin yan sra fitness fonksiyonunun deitirilmesi ve seim ileminde penalt durumunun kullanlmas gibi seenekleri de barndrmaktadr. Seim ileminde penalt durumunun uygulanmas yle zetlenebilir: GAilem basamanda eski bireylerden yeni bireylerin oluturulmasndan sonra, eski bireylerin tamamen gen havuzundan kartlmasnn yan sra baskn olan bir gen varsa bu genin basknlnn azaltlmasdr. Bu sayede gen havuzunun yerel optimum noktalarda taklp kalmas yeni bireylerin ounluunun salanmas yolu ile salanmaktadr. GAlarn kullanlmasnn uygun grlmedii bir alan olan dinamik problemlerde, GAlarn baarl olabilmesi amac ile yntemler gelitirilmitir. Bu yntemler yerel optimum noktaya taklmay nleyici nlemlerde olduu gibi mutasyon orannn arttrlmas ve eski bireylerin havuzdan tamamen karlmasn iermektedir. Mutasyon orannn arttrlmas zm kalitesini drtme ihtimali olan bir etken olmakla birlikte istenilen eksiklii gidermekte etkili olarak grlmektedir. Ad geen bir dier yntem olan eski bireylerin gen havuzundan tamamen karlmas ise GAlarn mantk yapsna ayr dmekle birlikte iyi olan yaar prensibine aykr olarak gerekletirilmektedir. Ne var ki bu ileminde istenilen sonu iin gerekli olduu varsaylmaktadr. u ana kadarki bilgiler ve tartma ile bir deerlendirme yapldnda GAlarn aslnda tm optimizasyon problemlerinde kullanlabilir olduu ancak kullanmnn ne kadar yararl ve karl olduu tartlabilir bir durum olarak dikkat ekmektedir. Bu algoritmann gncel hayatta yksek kullanmna neden olan en nemli etken karmak ve zor problemlerde kullanc tarafndan dier optimizasyon yntemlerine oranla daha basit ve az ilemle istenileni elde edebilmesidir. Ancak unutulmamaldr ki GAlarn verdii sonucun netlii ve doruluu tartlabilir deerlerdedir ve bu durum klasik optimizasyon yntemlerinin yannda hite yadrganmayacak bir eksiklik olarak deerlendirilmektedir. Yaygn olan bir gr ve deerlendirmeye gre bir sistemin veya problemin matematik modeli oluturulabiliyorsa zm iin ilk yntem klasik optimizasyon teknikleri olmaldr.

33

III.3 KARINCA KOLONS ALGORTMASI III.3.1 Giri ve Tanm Gnmzde gerek robotlar iin olsun gerekse nakliye ve tasarruf gibi maliyet zerine ihtiyalardan dolay olsun minimum yol bulma algoritmalar nem kazanmtr. Bu algoritmalar oluturulurken kimi zaman matematiksel denklemler zerinden yola klmakta kimi zaman ise doal olaylardan esinlenerek yeni yntemler ortaya atlmaktadr. Son yllarda ok revata olan ve zerine birok uygulama yaplarak gelitirilen Karnca Kolonisi Algoritmas (KKA) ve trevleri de bunlardandr. KKA algoritmalar tamamen gerek karncalarn yiyecek bulma

yntemlerinden esinlenerek gelitirilmi bir yapya sahiptir. Bu yapya gre gerek karncalarn yiyecek ararken ve bulduktan sonra yuvalar ile yiyecek arasndaki yola braktklar feromon ad verilen kimyasal madde dier karncalar tarafndan da takip edilebilmektedir. Feromon ad verilen bu maddenin uucu bir madde olmas ve yoldaki miktarnn zaman ile uuculuundan dolay azald dnldnde karncalarn en ksa yoldan yuvalarna yiyecek gtrme mant kopyalanabilir olmutur. III.3.2 Tarihesi Gerek karncalar ile ilgili ilk deneyler 1989 ylnda Goss ve arkadalar tarafndan laboratuar ortamnda gerekletirilmitir[70]. Doal hayattaki karncalarn davranlarnn ve yiyecek bulma yntemlerinin, bata en ksa yol bulma problemleri olmak zere, birok problem zerine uygulanabilecei Dorigo ve arkadalar tarafndan 1991 ylnda ortaya atlmtr[14]. Dorigo tarafndan gelitirilen bu algoritma Ant System adn almtr ve kk lekli (75 ehirden az) gezgin satc problemleri (TSP) zerinde uygulanarak baarl sonular elde etmitir[7]. Algoritmann geliim aamalarnda yine Dorigo ve arkadalarnn etkisi vardr. 1995,1996 ve 1997 yllarnda Dorigo ve arkadalar gelitirdikler algoritma ile daha iyi performans eldesi salamlardr[15-17,71]. 34

III.3.3 Temel Bileenleri ve Yaps Gerek karncalar yuvalar ile besin kayna arasnda gerekletirdikleri yiyecek tama ilemi srasnda bilinsiz olarak en ksa yolu oluturma ve kullanma durumundadrlar. Bu durum daha ncede bahsedildii gibi karncalarn salglad ve izini takip ettii feromon adl maddeden kaynaklanmaktadr Karncalar dier sr bireylerinin takip ederken ncelikle feromon oran yksek olan yollar tercih etmektedirler. Feromon gibi uucu bir maddenin takip edilmesi srasnda, bir yolun dierlerine gre ksa olmas o yoldaki feromon miktarn etkilemektedir. Bunun balca nedenlerinden biri yolun uzunluu ile birim zamanda o yolu takip eden karnca saysnn ters orantl olmas ve bundan dolay da o yol zerinde tekrar salglanan feromon miktarnn yksek olmasdr. Yani bir yol ne kadar ksa ise o yola braklan feromon miktar o kadar fazla olacaktr. Dier bir neden ise yine yol uzunluu ile balantl olarak birim zamanda buharlaan feromon miktardr. Bir yolun kullanm yol uzunluu ile ters orantl olduuna gre yoldaki tazelenen feromon miktar da yol uzunluu ters orantl olacaktr ve karncalar yksek younluklu feromon miktarn takip edecektir. Karncalarn sr zekas ad verilen etkileimleri ile gerekletirdikleri bu ilem yola bir engel eklenmesi durumunda da geerli olmakta ve karncalar ilk bata en ksa yolu tercih etmese dahi daha sonra en ksa yola adapte olmaktadrlar. Gerek karncalarn zellikleri u ekilde zetlenebilmektedir: Karncalar arasnda feromon aracl ile kurulan iletiim, Feromon miktarnn fazla olduu yollarn ncelikle tercih edilmesi, Ksa yollar zerinde feromon miktarnn daha hzl artmas.

Gerek karncalardan alnan bu zelliklerin yan sra yapay karncalara eklenen zellikler de aadaki gibi zetlenebilir: Yapay karncalar zamann ayrk olarak hesapland bir ortamda yaarlar, Yapay karncalar tamamen kr olmayp, problem ile ilgili detaylara eriebilirler,

35

Yapay karncalar belli bir miktar hafza ile problemin zm iin oluturduklar bilgileri tutabilirler.

III.3.3.1 lk Deerlerin Oluturulmas KKAda ilemlerin gerekletirilmesi iin iki temel yapnn nceden oluturulmas gerekmektedir. Bunlar feromon matrisi ve sezgisel matris ad verilen, yollarn feromon izlerinden bamsz olarak sadece uzunluklar ile ters orantl olan arlk deerlerinin tutulduu matrislerdir. Feromon matrisi karncalarn her tur sonunda gerekletirdikleri ilemler sonucu feromon gncellemelerinin sonularn tutulduu yani yollarda kalan feromon miktarlarnn tutulduu matrisdir. Bu matris karncalarn yol kullanmlar, feromon buharlama ilemi ve baz algoritmalarda ise global feromon gncellemesinden sonra gncellenen feromon miktarlarnn sakland yerdir. Sezgisel matrisin deeri ilemler boyunca hi deimemektedir. Yollara ait uzunluklarn ters orantl deerlerini barndran bu matris, karncalarn feromon izinden bamsz olarak yol seme ilemi iin veya hem feromon izine hem de uzunluklara bal olarak gerekletirilecek yol seme ilemi iin kullanlr. Sezgisel matrisin kullanmndaki temel ama karncalarn en iyi yolu bulurken tamamen feromon deerlerine bal kalmamalar ve olas yerel minimum zmden uzaklamalarn salamaktr. Bir dmden bir dier dme geecek karncann yol seimindeki olaslk bu matrislerin bir veya ikisinin kullanm ile belirlenmektedir. III.3.3.2 Balang Durumlarnn Belirlenmesi Algoritmada ilk olarak sistemde ka adet karncann olacann belirlenmesi gerekmektedir. Bu deer iin kesin bir kstas olmasa da Dorigo ve arkadalar karnca saysnn belirlenmesinde kullanlacak dm saysna eit sayda karnca kullanlmasnn algoritmann performans iin iyi olacan bildirmilerdir[72]. Algoritmada ikinci olarak feromon matrisinin balang deerlerinin atanmas gerekmektedir. Bu deer iin Dorigo ve arkadalar tm dmler aras deerler iin ayn deeri nermilerdir. Bu deer sfrdan farkl bir deer olmak koulu ile nerilen

36

deer karnca saysnn en yakn komuluk deerlerinin hesaplanmasyla oluturulan tur deerine blm ile bulunabilir[72]. Bir dier belirlenmesi gereken parametre ise buharlama katsaysdr. Bu deer ok sayda karncann tercih ettii herhangi bir yoldaki feromon miktarnn dominant bir deere gelerek yerel zmlere taknlmasn engellemek amac ile kullanlmaktadr. Buharlama katsays Dorigo ve arkadalar tarafndan 0.5 olarak tavsiye edilmitir[72]. Belirlenmesi gereken dier iki nemli parametre ise alfa () ve beta () deerleridir. Bu deerlerden alfa deeri feromon matrisinin olaslk karar denklemindeki deerini belirlemektedir. Bu deerin yksek veya dk olmas yollarn feromon miktarna gre seilme ihtimalinin yksek veya dk olmasn belirlemektedir. Dier deer olan beta deeri ise sezgisel matrisin yani yol uzunluklarnn olaslk denklemindeki deerini belirlemektedir. Ayn ekilde bu deerinde yksek veya dk olmas yol seim ileminde yol uzunluklarnn etkisinin yksek veya dk olmasnn belirlenmesini etkilemektedir. Bu deerler iin genel olan kan alfa deeri iin bir deerinin, beta deeri iin ise iki ila be aras bir deerin kullanmnn gerektiidir[73]. lk deerlerin atamasnn gerekletirilmesinden sonra sanal karncalarn hangi ehirlerden yola kacann belirlenmesi gerekmektedir. Karncalarn balang ehirleri yani dmleri iin Dorigo ve arkadalar rastgele dmleri nermektedir[72]. III.3.3.3 Karnca Turlarnn Gerekletirilmesi Karncalarn ehirlere yerletirilmesinin ardndan karncalarn turlarna balamas aamasna geilir. Bu aamada karncalarn bulunduklar ehirlerden sonraki seecekleri ehir olaslk karar denklemi ve Rulet emberi ad verilen bir seim yntemi vastas ile belirlenmektedir. Seim ilemi tm karncalar iin ayn anda gerekletirilir ve tm karncalar ayn anda hareket eder. Gidecekleri ehri seen karncalar ayn anda hareket ederek turlarn da ayn anda tamamlam olurlar[73].

37

III.3.3.4 Feromon Dzeylerinin Gncellenmesi Feromon miktarlarnn gncellenmesi ilemi birok farkl algoritma yapsnda farkl kullanlmaktadr. Bu ilemin ana hedefinin ve yapsnn tm algoritmalarda ortak olduu dnldnde ilem iki temel aamada zetlenebilir; feromon eklenmesi ve buharlatrlmas. Buharlama: Buharlama ilemi, bir sabiti bulunan ve bu sabit orannda tur sonlarnda yollardaki feromon miktarlarnn azaltlmasn salayan bir ilemdir. Tm karnca tabanl algoritma yaplarnda gerekletirilen bu ilem yerel optimum zmlerden kanmak iin kullanlmaktadr. Ekleme: Buharlama ilemi sonras karncalarn yeni turlara balamasndan nce feromon ekleme ilemi gerekletirilir. Bu ilemde kimi algoritmalarda yerel ve global olmak zere iki farkl feromon gncellemesi gerekletirilirken kimi algoritmalarda ise karncalarn tur uzunluklarna bal olarak tek bir gncelleme gerekletirilir[74]. Feromon gncellemesi ileminde birok algoritmada birok farkl yap gze arpmaktadr. Bunlar bir nceki algoritmann eksikliklerini gidermeye veya performansn arttrmaya ynelik ufak farkllklar iermektedir. Genel yapya bakldnda feromon buharlama ve eklenme yntemleri farkllk gsterse de temel ama ayndr. Bu ama karncalarn yol seim ileminde tercih edecekleri bir sonraki dm iin feromon miktarnn etkisinin daha etkin ve doru klnmasdr. III.3.4 Avantajlar KKAnn avantajlar aadaki gibi derlenmitir[75-79]: KKAnn en nemli avantajlarndan biri paralel almasdr. Bu paralellik GAlar da olduu gibi fonksiyonel bir paralellik deil tamamen yapsndan kaynaklanan bir paralelliktir. Paralelliin nedeni olarak ise birden ok karncann ayn anda almas, ayn anda karnca says kadar tur gerekletirilmesi dnlebilir.

38

Feromon sayesinde gerekleen pozitif geri beslemenin ilem zaman ve sonu kalitesi zerinde performans art salamas yine nemli avantajlardandr. Genel optimizasyon problemlerinden de bilindii gibi pozitif geri besleme zm kalitesi zerinde olduka yararl gsterilen ve kullanlan bir yntemdir. Karncalarn yola braktklar feromon maddesinin dier turlarda pozitif geri besleme olarak deerlendirilmesi bu etkiyi KKA algoritmalarnda salamaktadr. KKA gezgin satc problemi ve trevlerinde olduu gibi bizim rneimizin bir trevi olan ara rotalama problemlerinde de olduka yksek performans gstermektedir. Algoritmann kefi zerine dnldnde de zaten karncalarn bu ii mkemmel yapt ve bu ilemin bilgisayara aktarlmasnn benzer problemler zerinde de gzel sonular vermesi yadrganmamaktadr. KKA dinamik problemler zerinde de kullanlabilir bir yapya sahiptir. Karncalar yollarnn nne bir engel konulduunda, yollarn ksa sreliine daha uzun bir yola evirmelerine ramen, bir sre sonra tekrar en ksa yola adapte olmaktadrlar. Bu durum algoritmadaki feromon gncellemesinin etkisinden dolay sanal karncalar iinde gerekletirilebilir durumdadr. Algoritmann en gze batan ve takdir gren taraflarndan birisi de sr mantn etkin bir ekilde kullanabilmesidir. Bu mantk sayesinde, sr iinde oluabilecek bireysel hatalar, srnn dier bireyleri tarafndan giderilebilmektedir. Bir karncann uzun bir yol semesi, genel zm kalitesi zerinde, dier karncalarn iyi turlarndan dolay daha az yanlsamaya yol aacaktr. Geni bir poplasyona sahip srler iinde hatalarn giderilmesi veya etkisinin azalmas dk poplasyonlu sr ve gruplara gre daha olasdr. KKA kaynan ve hedefin belirli olduu ve nceden tanmland problem tipleri zerinde daha baarldr. Tm olaslklarn hesaplanmasa da ortada olduu (TSP problemlerindeki ehirler gibi) ve amacn belli olduu (TSP problemlerindeki en ksa tur istemi gibi) problemler kaynan ve hedefin belli olduu problemler olduu iin KKA yksek performans sergileyebilmektedir.

39

III.3.5 Dezavantajlar ve Kstllklar KKAnn dezavantaj ve kstllklar aadaki gibi derlenmitir[75-79]: Teorik analizin zorluu KKAnn dezavantajlarndan biridir. Bir problem iin teorik olarak altyapy oluturmak, gerekli parametre ve deerleri atamak problemin boyutu bydke zorlamaktadr. Sezgisel matrisin deerlerinin atanmas, karnca says, olaslk katsaylar gibi belirlenmesi gereken deerler teorik olarak belirlenmesi zorluk karan deikenlerdir. Oluturulan yollarn, dmler aras komuluklarn rastgele dizilerinden olumas ve bu dizilerin belli bir yaknlklarnn olmamas, algoritmann dezavantajlarndan birisidir. GAlar da ki gibi dizinin belli bir blm belli bir dm veya zm elemann temsil etmemektedir. Oluturulan diziler her bir karnca iin farkl ve rastlantsal bir dmn seimine ait bilgi iermektedir. terasyon says olaslk dalmnn zerinde yksek etkiye sahiptir. Yksek iterasyon saylar bir yandan yollardaki feromon miktarlar zerinde daha kalc etkiler braklmasna yol aarak olumlu bir etki gsterebilecekken dier yandan da hem zaman hem de hatal yol seimi durumunda zm kalitesi zerinde olumsuz etki salayabilir. KKAda aratrmalar teorik den ok deneysel olmak zorundadr. Katsaylar, karnca saylar ve ilk matris deikenlerinin belirlenmesinde belli bir matematiksel denklem olmamasndan dolay teorik hazrlktan ok deneysel hazrlk yaplmaktadr. Algoritmann performans deneye yanla arttrlabilecek bir yapdadr denilmesi daha uygun olur. Bir dier dezavantaj ise zm iin gemesi gereken zamann ya da iterasyon saysnn belirsiz olmasdr. III.3.6 Tartma KKA da tm dier sezgisel algoritmalarda olduu gibi ncelikle sonucun kesin olmad ve belli bir yaknlk ile doruluun kabul edildii algoritmalardandr. Algoritma matematiksel denklemlerin yksek zm sresi sunduu veya zm sunamad problemler iin baarl denebilecek zmler sunmaktadr.

40

KKAya ait parametrelerin hibir belirliliinin olmamas tamamen Dorigo ve baz aratrmaclarn deneyerek bulduu ve problem yapsna gre deiebilecek durumda olmas algoritmann performans asndan bir eksi olarak grlebilir. Tpk GAda olduu gibi KKAda da parametrelerin yanl ya da problemin zmne uygun deerlerden uzak seilmesi durumunda algoritmann ilevsellii decektir. Algoritma feromon zerine kurulu gibi grlse de aslnda tavsiye edilen katsaylarla kullanlmas durumunda bunun tam tersi bir durum sz konusudur. Yol seme olaslk denkleminde feromon katsaysnn 1 ve olasla bal yani en yakn dm seimine bal katsaynn deerinin ise 2 ila 5 arasnda seilmesi durumunda algoritma feromon ve karnca davranlarndan ok en yakn kenar ilikisi ile alyor olacaktr. Bu durum, Dorigo ve arkadalarnn daha sonraki karnca algoritmalarnda tamamen feromon miktarna ynelik bir seimin salanmas ile ortadan kaldrlmtr[79]. Benzer ekilde algoritmada tavsiye edilen buharlama katsays 0.5 ve tm yollar iin eittir. Burada gerekletirilen ilemin tm yollar iin ayrcalksz olmas ve her tur sonunda gereklemesi bu ilemin gereksiz bir ilem olduuna dair izlenimler uyandrabilir. KKAnn birok trevi aratrmaclar tarafndan oluturulmu ve kullanlmtr. Gelitirilen bu algoritmalarda sz konusu kstllklar giderilmeye allm ve ou zamanda baarl olmutur. Ancak algoritmann temel parametrelerine ait deerler hala deneysel olarak bulunmakta ve bu tm problem tipleri ve boyutlar iin deiiklik gstermektedir. Bu durum sezgisel algoritmalarn ileyiinin rastgele zmler zerinden hareket etmesi ve rastgele zmlerin herhangi bir matematiksel denklemle bantsnn kurulamamasndan kaynaklanmaktadr. lk bulunan algoritmann (Ant system) 75 ve st dm saysnda baarsz sonular verdii belirtilmitir. Daha sonra gelitirilen yaplar bu sayy biraz daha yukarlara tasa da KKA algoritmalar hala yksek lekli problemler iin yeterli durumda deildir.

41

BLM IV

HYBRD ALGORTMA VE UYGULAMA

IV.1 GR Engellerin bulunduu ortamda en ksa yol bulma problemine ynelik gerekletirilen hybrid algoritma, genetik algoritmalarn ve karnca kolonisi algoritmasnn belli bal baz prensiplerini alarak gelitirilmi bir algoritmadr. Bundan dolaydr ki bu blmde algoritmann tantm ve ileyii anlatlrken, sz geen algoritmalarn hangi paralarnn kullanld ve nedenler irdelenecektir. Hybrid algoritma oluturulurken kullanlan algoritma ksmlarnn

irdelenmesinden sonra algoritmann ak emas ile gsterimi yaplarak problem zerindeki uygulamasnn aktarm salanacaktr. IV.2 GENETK ALGORTMALARIN HYBRD ALGORTMADAK ETKS GA teorik olarak ele alndnda, iyi olan yaar mant, mutasyon ile eitlilik salanmas ve aprazlama ile iyiden iyi birey retimi gibi temel hususlar gze arpmaktadr. Hybrid algoritma tasarlanrken bu algoritma aamalarnn her birinin elimizdeki problem tipi iin uygunluu belirlenerek ve uygun ise algoritmaya salayaca katk belirlenerek ilem yaplmtr. GAlara ait ak diyagram kaba hatlar ile ekil IV.1 de grlmektedir.

42

Bala

lk Poplasyon Oluturulmas ve Uygunluk Deerlerinin Hesaplanmas

Durdurma Kriteri Salanyor mu? yi Olan Evet Dur aprazlama lemi Bireylerin Seimi Hayr

Mutasyon lemi

Uygunluk Deerlerinin Hesaplanmas ekil IV.1 GA ak diyagram Yukardaki diyagramdan da grlebilecei gibi GAlarn temel mant ilem zerinde gelimektedir. Bu ilemlerin engellerin bulunduu bir ortamdaki en ksa yol problemi zerinde ki uygulanabilirlii deerlendirilmitir. Deerlendirmenin sonunda hybrid algoritma iinde GAnn hangi ksmlarnn olaca belirlenmitir. Deerlendirme yaplrken her bir blme ait gz nnde tutulan kstllk ve avantajlar yledir:

43

yi olan bireylerin seimi: GAlardaki iyi olan bireylerin gelecek nesillere aktarlmas ilemi mevcut problem zerinde de gerekletirilebilir bulunmutur. Bunun nedeni bu ilemin ayn GAlarda olduu gibi hybrid algoritma zerinde de kuaktan kuaa daha iyi bireylerin yetimesini salyor olmasdr. Oluturulan yollarn iyilerinin seilmesi ve bu yollarn gelecek nesillere aktarlarak bir nevi rnek tekil etmesi hybrid algoritmann performansnda olumlu etki yaratmaktadr. aprazlama ilemi: aprazlama ilemi GAlarda iyi olan bireylerin genlerinden yeni nesillerin retimi iin kullanlsa da oluturulan hybrid algoritmada kullanlmamaktadr. Bunun nedeni ilemin problem tipine uygun olmamasdr. Ele alnan problemin engellerin bulunduu bir ortamn zerinde ileniyor olmas olas tm gei noktalarnn (dmlerin) kullanlabilirliini kstlamaktadr. Bundan dolaydr ki tm dmlerin kullanlmad bir ortamda yol uzunluu iin kullanlan dm says yoldan yola deiiklik gstermektedir. Dm says farkl olan yollar GA yaps zerinde dnldnde aprazlama yaplarak oaltlamayaca iin bu ilem hybrid algoritmada kullanlmamaktadr. Ancak bu ilemin z olan iyi olan bireylerin genlerinden yeni bireyler retilmesi mant hybrid algoritma zerinde farkl bir yntem ile aktarlmtr. Yollarn bireyler, kullanlan dmlerin ise genler olduu dnlecek olur ise; iyi olan yollarn seim ileminden sonra bu yollara ait dmlerden yeni yollar retimi salanarak aprazlama benzeri bir mantk hybrid algoritmaya aktarlmtr. Mutasyon ilemi: Mutasyon ilemi GAlarda eitlilik yaratmak amac ile kullanlmaktadr. Yukarda da bahsedildii gibi problem tipinde tm dmlerin kullanlmyor olmas herhangi bir dm zerinde deiiklik yapma olasln ortadan kaldrmaktadr. Ayrca yine bireylerin yollar olduunu dnrsek ve bu yollarn herhangi bir dmnde tek dmlk bir deiiklik yaptmz dnrsek yolda kopukluklar ve bozukluklar oluacaktr. Bu nedenle bu ilemin hybrid algoritma zerinde kullanm olanakszdr.

44

IV.3 KARINCA

KOLONS

ALGORTMASININ

HYBRD

ALGORTMADAK ETKS KKAnn teorik yapsnda gze batan noktalar sanal karncalarn feromon izini takip etmesi ve sr mantnn aktif ekilde kullanlmas olarak gsterilebilir. GAnn ksmlarnn deerlendirilerek ileme alnmas gibi KKAnn da ksmlar deerlendirilmi ve uygun grlen ksmlar hybrid algoritma yapsna dahil edilmitir. KKAnn ana hatlar ile ak diyagram ekil IV.2 de gsterildii gibidir. Bala Karncalar Dmlere Yerletir Olaslk Denklemini Kullanarak Karncalar Turlarn Tamamlayncaya Kadar Dmlerde lerlet Tur Uzunluklarn Hesapla, En Ksa Turu Bul Feromon Gncellemelerini Yap

Maksimum terasyon Says Tamamland m?

Hayr

Evet Dur ekil IV.2 KKA ak diyagram

45

Yukardaki ak diyagramndaki ilem basamaklar deerlendirilerek hybrid algoritma iinde kullanlacak ksmlar belirlenmitir. KKAlarn temel ilem basamaklarndan hangilerinin ilgili problemde uygulanabilir olduu ve nedenleri u ekildedir: Karncalarn dmlere yerletirilmesi: KKAda karncalar tm dmlere yerletirilerek her birinin kendi turlarn yapmas salanmaktadr. Bu ilemin engellerin bulunduu bir ortamda gerekletirilmesi gereksizdir nk balang ve biti dmlerinin belli iki dm olduu bir ortamda daha ncede sz edildii gibi tm dmler kullanlmamaktadr. Tm dmlerin kullanlmad bir ortamda kullanlmama ihtimali olan dmlere karnca yerletirilmesi ilem performansn olumsuz ynde etkileyecektir. Bundan dolaydr ki hybrid algoritmada karncalar tm dmlere yerletirilmek yerine sadece balang dmne yerletirilmi ve bu dmden yola karak yollar oluturmalar salanmtr. Olaslk denklemi ile dm seimi: Karncalar dmler zerinde ilerlerken dm seimi olaslk denklemi ile gerekletirilmektedir. Bu denklem daha ncede sz edildii gibi dmler aras feromon miktarn ve dmler aras uzaklklar kullanarak dm seimini gerekletirmektedir. lk turlar oluturulurken yollardaki feromon miktarlarnn ayrt edici bir zellik tamad dnldnde ise yol seim ilemi sadece sezgisel matris kullanlarak yani en yakn komuluun kullanmnn arlkl olduu bir seim ile gerekletirilmektedir. Bu durum ramen karncalarn dm seiminde kulland denklem en yakn komuyu seecek diye bir zorunluluk iermemektedir ve kimi zaman rastgelelik ar basarak karnca tamamen herhangi kabul edilebilecek bir dm semektedir. Bu durumlar gz nne alndnda hybrid algoritma iinde dm seim ilemi karncalardakine benzer ekilde rastgele gerekletirilmektedir denilebilir. Karncalar turlarn tamamlayncaya kadar bir dmden gr olan (dmler aras engel olmayan) bir dier dme ilerleyerek yollarn tamamlamaktadr. Tur uzunluklarnn hesaplanarak en ksa turlarn bulunmas: Bu ilem tpk KKAda olduu gibi hybrid algoritmalarda da gerekletirilmektedir. Karncalar turlarn tamamladktan sonra tur uzunluklar hesaplanarak en ksa turlar bulunmakta ve kayt altna alnmaktadr.

46

Feromon gncelletirmelerinin yaplmas: Feromon gncellemeleri daha ncede bahsedildii gibi iki aamadan olumaktadr. Bunlar feromon buharlamas ve eklenmesidir. Yine hatrlanaca gibi feromon eklenmesi ilemi farkl karnca algoritmalarnda farkllk gsterebilmektedir. Kimi algoritmalarda feromon gncelleme ilemi tamamlanm turlardaki tm dmler iin eit olarak gerekletirilirken kimi algoritmalar ise en iyi turlarn dmleri iin ekstra bir gncelleme gerekletirmektedir. Feromon eklenmesi ilemi hybrid algoritma iinde turlarn tamamlayan tm karncalarn yollar iin gerekletirilmektedir. Bunun nedeni hybrid algoritmada daha sonra kullanlacak GAlardaki iyi olanlarn seimi ileminin feromon gncelleme ileminin etkisini arttracak olmasdr. Feromon buharlatrma ilemi hybrid algoritmada kullanlmamaktadr. Kiisel bir gr olarak feromon maddesinin tm yollarda deerinin eit oranda azaltlmas oransal olarak bir deiiklik salamayaca iin bu ilem kullanlmamaktadr. IV.4 OLUTURULAN HYBRD ALGORTMA Yukardaki blmlerde hybrid algoritmann ilem paralarnn GA ve KKAnn hangi ilem basamaklarndan geldii anlatlmtr. Bu blmde bahsi geen ilem basamaklarnn hybrid algoritma zerinde bir btn halinde sunumu yaplmaktadr. ekil IV.3 de grlen ak diyagramnda ki gri blgeler genetik veya karnca algoritmalarnn mantna ait olmayp performans art iin eklenmitir.

47

Bala

Karncalar Balang Dmne Yerletir Dm Mevcut Karncann Yol Dizisine Kaydet

Biti Dmne Git

Dm Mevcut Karncann Yol Dizisine Kaydet Bulunulan Dmden Biti Dmne Gei Var m? Hayr stenilen terasyon Says Evet Dm Balant Listesinden Yeni Dm Se Evet Yol yiletirmeleri Setiin Dme Git Yol Uzunluk Hesaplamalar Tamamland m? Hayr

48

stenilen Genetik Nesil Says Tamamland m?

Hayr

Evet En Ksa Yolun Seilmesi

Bir nceki Nesil ve imdiki Yollarn Birletirilmesi

H Sonucun Aktarm

Tolerans Oranndaki En Ksa Yollarn Seilmesi

Dur Seilen Yollarn Analizi le Dmlerin ndirgenmesi

1 ekil IV.3 Hybrid algoritma ak diyagram IV.5 ALGORTMANIN PROBLEME UYGULANMASI Algoritmann ilgili problemde kullanm ncesi yaplan ilemler (grnt ileme ve dm tespiti ilemleri) ikinci blmde anlatlmtr. Bu blmde gerekletirilen ilemler ile problemin teoriklikten daha uzak bir hal almas salanm ve resimler zerinde kullanm salanmtr. Gerekletirilen ilemler sonras probleme kullanlmak zere resim zerindeki dmler, dmler aras balantlar ve balantlara ait uzunluklar oluturulmutur. Aadaki blmlerde, sz geen deikenlerinde kullanld, algoritmann eklenen ekstra performans arttrc ilemler ile uygulan aktarlmaktadr.

49

IV.5.1 Hybrid Algoritmann KKAdan Alnan lemlerinin Gerekletirilmesi Algoritmann ilk aamasnda her bir yol bulma ilemi iin karncalar kullancdan alnan balang dmne yerletirilir. Karncalarn oluturacaklar yollar dm dizileri halinde kayt altnda tutulmaktadr. Bundan dolay karncann oluturaca yolun ilk dm olan balang dm ilgili yolun ilk dm olarak kaydedilir. Konumu balang dm olan karnca hareket edebilecei (bulunduu dm ile arasnda engel bulunmayan) dmler arasnda biti dm olup olmadn kontrol eder. Karnca dmler aras harekette kontrol ilemini gerekletirmek iin nceden oluturulmu dmler aras balant matrisini kullanr. Biti dmne hareket olana bulunan karnca biti dmne giderek yolunu tamamlar. Biti dm ile balant olana olmayan karnca ise balant olana olan dmlerin arasndan olaslksal bir dm seerek setii dme hareket eder. Bu ilem karncann bulunduu dmden biti dmne hareket olana bulmas ve biti dmne hareket etmesine kadar gerekletirilir. Yol bulma ilemini tamamlayan karncalarn oluturduklar yollar daha ncede bahsedildii gibi ardk dm listeleri eklinde kaydedilir. Her bir karncaya ait yolun bir satrda ve her bir yola ait dmlerin ilgili satrn hcrelerinde tutulduu matrise ait rnek yollar ekil IV.4 de gsterildii gibidir.

50

Balang dm Yol numaralar

Biti Dm

ekil IV.4 Yol kayt listesi ve rnek yollar Yol bulma ilemi ile tm karncalarn yollarn tamamlamasnn ardndan kayt altnda tutulan yollarn iyiletirme ilemi gerekletirilmektedir. IV.5.2 Yol yiletirme lemi Yol iyiletirme ilemi, karncalarn oluturduklar yollarn kimilerinde daireler barndryor olmasndan dolay gerekletirilmektedir. Bir karnca dmler aras ilerlerken daha nce urad bir dme yeniden urarsa bu durum karncann daire izdiini gstermektedir. Karncann oluturduu yol daireler barndran haliyle kt bir zm olarak grlrken yoldan dairelerin karlmasyla iyi bir yola dntrlebilir. Bu nedenle karncalarn oluturduu yollarda iyiletirme ilemi yani yollardan dairelerin karlmas ilemi gerekletirilmitir. Daire barndran bir yol ve bu yolun iyiletirilmesine ynelik rnek Tablo IV.1 de gsterilmektedir. 51

Tablo IV.1 Yol iyiletirme rnei

yiletirilmemi Yol yiletirilmi Yol 1 2 25 9 13 1 4 16

16

yiletirme ilemi gerekletirilen yollarn uzunluklar hesaplanarak kayt altnda tutulmaktadr. Yol uzunluklarnn hesaplanmasnn ardndan algoritmann GAlardan alnan ilemlerinin uygulanmasna geilmektedir. IV.5.3 Yeni Nesil Yollar le nceki Nesillerin Ayn Havuzda Tutulmas Turlarn tamamlanmas ve yol uzunluklarnn hesaplanmas ileminin ardndan algoritma genetik ilemlerin gerekletirildii ilem basamana gemektedir. Ancak bu basamaa gemeden nce tm nesillere ait yolarn bir araya getirilmesi ilemi gerekletirilmektedir. Bu ilem retilen yollarn ilk nesil yollar olmamas durumunda retilen yollar ile bir nceki nesil yollarn ayn havuzda toplanmas ile gerekletirilmektedir. Bu ilem algoritmann genetik ilemlerde gerekletirecei seim ileminin gelmi gemi tm nesiller iinden gerekletirilmesi amacn tamaktadr. Bu sayede iyi bireylerin seiminin yan sra bir sonraki nesle bozulmadan aktarlmas salanmaktadr. Bu sayede olas iyi zmler hibir zaman unutulmayacak ve daha iyisi retilmemesi durumunda her zaman en tepede kalacaktr. IV.5.4 Hybrid Algoritmann GAdan Alnan lemlerinin Gerekletirilmesi GAlardaki en iyi olan yaar mantnn hybrid algoritmada kullanldn daha nce belirtilmitir. Bu mantk erevesinde yol havuzunda tutulan bireylerin, belirlenen yzde diliminde iyi olanlarnn seimi gerekletirilmektedir. Seim ilemi sonunda, GAlarda olduu gibi iyi bireylerden yeni bireyler retilmesi algoritmaya zel farkllklar ile salanmaktadr. Daha ncede bahsedildii gibi GAlar iyi olan bireylerin genlerini aprazlayarak daha iyi bireyler retmeyi amalamaktadr. Ancak tm dmlerin 52

kullanlmad problem yapsndan dolay gerekletirilemeyen bu durum, iyi olan bireylerin genlerinin tek tek alnarak yeni bireyler retilmesi ile salanmaktadr. Yollara ait dmlerin genler kabul edildii bu ilemde, iyi olan bireylerin genlerinin zm uzay zerinde iaretlenerek hayatta kalmalar salanmtr. GAlarda olduu gibi iyi bireylerin yaamas kt bireylerin lmesi salanmasa da, iyi olan bireylerin genlerinin yaamas ve kt olan bireylerin genlerinin zaman ile unutulmas salanarak hybrid algoritma performansnda art salanmtr. rnek bir uygulama problemine ait ekiller ile ifade edilecek olursa: ekil VI.5 de yollar retilmeden nceki tm olas zm dmleri, ekil VI.6 de ilk retilen yollarn en ksalarnn kulland zm dmleri gsterilmektedir. ekil VI.7 de birinci genetik ilemler sonucu kullanlan, ekil VI.8 de ikinci genetik ilemler sonucu kullanlan, ekil VI.9 de nc genetik ilemler sonucu kullanlan zm dmleri gsterilmektedir.

53

ekil IV.5 Tm olas zm dmleri

ekil IV.6 lk yollarn kulland dmler

ekil IV.7 Birinci genetik seim sonras kullanlan dmler

ekil IV.8 kinci genetik seim sonras kullanlan dmler

ekil IV.9 nc genetik seim sonras kullanlan dmler

54

IV.6 UYGULANAN ALGORTMANIN RNEK SONULARI Engellerin bulunduu ortamda en ksa yol bulma ilemi, genellikle aralar iin rota izme ve robotlar iin engellerden saknma gibi problemlerin zme kavuturulmas ileminde ska kullanlmaktadr. Bu problemlerin zmlerine ynelik simlasyonlar gerekletirilirken ise genellikle labirent, kroki ve grid benzeri ortamlar engellerin bulunduu ortamlar iin rnek tekil etmektedir. Gelitirilen hybrid algoritmann performansnn deerlendirilebilmesi amac ile rneklerde ortam grntlerine ait znitelikler, balang dm miktarlar ve genetik ilemler sonras son kalan dm miktarlar deerlendirilmeye sunulmutur. ekillerle birlikte verilen parametreler u ekildedir: X= Bitmap grntsnn piksel baznda genilik deeri, Y= Bitmap grntsnn piksel baznda ykseklik deeri, m= Grntden elde edilen balang dm says, n= Genetik ilemler sonras kalan dm says, YD= Bulunan en ksa yolun dm says. Tablo IV.2 de rnek zm grntleri ve performans kriterlerine ynelik deikenler gsterilmektedir. Tablo IV.2 rnek zm grntleri
zm Grnts lgili Deerler X = 360 piksel Y = 286 piksel m = 839 dm n = 421 dm YD = 15 dm

55

X = 360 piksel Y = 288 piksel m = 1641 dm n = 151 dm YD = 9 dm

X = 96 piksel Y = 96 piksel m = 170 dm n = 54 dm YD = 36 dm

X = 183 piksel Y = 183 piksel m = 151 dm n = 36 dm YD = 29 dm

56

X = 294 piksel Y = 218 piksel m = 61 dm n = 50 dm YD = 11 dm

X = 294 piksel Y = 218 piksel m = 86 dm n = 15 dm YD = 5 dm

X = 100 piksel Y = 100 piksel m = 155 dm n = 120 dm YD = 8 dm

57

IV.7 ALGORTMA DEERLENDRMELER

PERFORMANSINA

YNELK

Gelitirilen hybrid algoritmann performansna ynelik deerlendirmeler gerekletirilirken grnt boyutu, dm says ve genetik ilemler sonras kalan dm saylar gz nnde tutulmutur. Bu kriterlerin neye gre gz nnde tutulduu ve algoritmann geri kalan nitelik deerlendirmeleri aadaki gibidir. IV.7.1 Grnt Boyutu Grnt boyutu yada dier bir ifade ile simlasyon ortamnn boyutu, problemin bykl hakknda direk fikir sahibi olmaya yarayan birinci dereceden bir etmendir. u ana kadar yaplan aratrmalarda, engelsiz geni alanlar iin herhangi bir indirgeme yaplmad ya da bu alanlar iin referans dmler atanmakta olduuna dair izlenimler edinilmitir. Bu durum byk grntler iin referans dmler atanmas, kk boyutlu rnek tekil edecek grntler iin ise alan indirgemeden kullanlmas olarak aklanabilir. Gerekletirilen grnt ileme ilemleri ile ortam hazrlanmas direk olarak hybrid algoritmann bir paras olmasa da, algoritma performansn arttrmaya ynelik bir n adm olarak dnlecek olursa grevini yerine getirmektedir denilebilir. Klasik yntemlerde byk lekli grntler iin (rnein 800x600 boyutlarnda) referans dmler belirlenirken bu referanslarn ne kadar mkemmel olduu ve hangi kriterlere gre belirlendii bilinmemektedir. Kullanlan grnt ileme ynteminde ise dmler dorusal bir mantk ile oluturulmakta ve olas tm zmlerin dmlerini kapsamaktadr. Bu ilemin klasik yntemlere gre performans art salad sylenebilmesine ramen mkemmel olduu sylenememektedir. Daha ncede sz edildii gibi MATLAB ortamnn kstllklarndan kaynaklanan nedenlerden dolay, dm indirgeme ilemleri 45 derece ve katlarndaki eimlere sahip dorular zerinde gerekletirilebilmitir. Reel hayat ve ilemler dnldnde bu derece kstllnn ortadan kalkmas sonucu, dm indirgeme ilemi ok daha baarl bir ekilde gerekletirilebilecek ve hybrid algoritma kullanm iin ok daha elverili bir ortam salanabilecektir. kinci 58

blmde anlatlan grnt ileme ilemlerinin farkl ortamlarda gerekletirilmesi performans da art salayabilecektir. Tm bu anlatlan durumlara ramen, algoritma benzer kriterleri kullanm grntler zerinde deerlendirildiinde ok daha byk grnt boyutlarnda ilem yapabilmektedir. u ana kadar yaplm gzlemlerde, engellerin bulunduu ortamlara ynelik referans dmler verilmeden gerekletirilen aratrmalarda, grnt boyutlarnn genellikle 5x5 veya 10x10, maksimum ise 20x20 veya 30x30 boyutlarnda kullanld gzlemlenmitir[80-83]. Benzer ekilde grnt boyutunun dm boyutu ile ayn olduu (10x10 boyutlarndaki bir grnt 100 dm barndryor demektir) almalar ile karlatrlacak olursa uygulanan yntem ve algoritma ok yksek performans veriyor denilebilir. Sonu olarak deerlendirmek gerekirse, algoritmann yksek znrlkteki grntler zerindeki performans gemi rneklerine gre yksektir denilebilir. IV.7.2 Engel eitlilii Daha nceden gsterilen rnek grntler ile de hatrlanabilecei gibi, grnt ileme ve hybrid algoritmann birlikteki performans herhangi bir engel tipi ile snrlandrlmamtr. Gemi almalara gz atldnda engellerin bulunduu ortamlara ynelik engel tespiti belirli ekiller ile kstlandrlmaktadr. Bu ekiller kimi almalarda daireler iken kimi almalarda dzgn ekiller olarak tabir edilebilecek keli cisimlerdir[84-86]. Bunun nedeni bu gibi engel tiplerinde belli bal formlasyonlara sadk kalnarak engellerin etrafndan dolalmasnn salanabilmesidir. Gerekletirilen yntemler ve algoritma ile engel tipi kstll tamamen ortadan kaldrlm ve birok alanda uygulanabilirlii kantlanmtr. IV.7.3 Dm Says Algoritmann performans dm says zerinden deerlendirilecek olursa yine benzer rneklere gre daha yksek performans salamaktadr denilebilir.

59

Hatrlanacak olursa ilk ortaya atlan karnca algoritmalar 75 ve st dm saysnda baarsz sonular retmitir. Ancak daha sonra gelitirilen KKA ve benzeri algoritmalar dm says konusunda tay biraz daha yksee ekebilmitir. Kesin bir limit olmamakla birlikte, genel de grlen en yksek rnekler 100 ila 200 dm aras problem byklne sahip rneklerdir denilebilir. Bunun yan sra yksek kapasiteli bilgisayarlar ve yksek iterasyon saylar ile gerekletirilen ilemler ile bu saynn biraz daha yksek deerlere ulaabilecei tahmin edilebilmektedir. Gerekletirilen hybrid algoritma ile verilen rneklerde de grlebilecei gibi dm saysna bal performans ltnden algoritma baar ile gemi denilebilir. rneklerdeki dm says deerlerine dikkat edilecek olursa zerlikle krokiler zerinde ok yksek dm saylar ile ilem yaplmaktadr. Ancak kroki gibi yksek dm says barndran rneklerde iterasyon says arttrlarak zmlerin iyiletirildii belirtilmelidir. Dier rnek eitlerindekine oranla 4 -5 kat daha fazla iterasyon says ile gerekletirilen yol bulma ilemi sonucunda gz ard edilebilecek bir zaman kayb olusa da yol bulmada istenilen yaknlk salanmtr. IV.7.4 Genetik lemler Sonras Dm Saylar Bu kriter gerekletirilen ancak ilemlerin performans kriteri etkisi gz olarak ard

deerlendirilmeyebilir tekrarlar sonras

ilemlerin saylar

performansndaki

edilmemelidir. Problemin balangcndaki dm saylar ile genetik ilemlerin belli kalan dm deerlendirildiinde, problemlerin leklerinin bir nevi kltld dnlebilir. lk yola kan karncalarn zm iin elinde bulunan dm says ile bu dmlerin zamanla indirgenmesi sonucu, son yollar oluturan karncalarn zm iin elinde bulunan dm says farkllk gstermektedir. Bu farklln bir sonucu olarak ise en iyi yolun oluturulma ihtimali arttrlmakta, karncalar iin daha az seenek sunularak ayn zamanda ilem zamanndan da kazan salanmaktadr. Bu durum, kroki gibi yksek dm sayl rneklerde, ilerleyen safhalardaki yol bulma ileminin daha kaliteli ve ksa srede olmasna neden olmaktadr. Daha ncede bahsedildii gibi GAlardan alnan bu mantk ile iyi olan dmlerin etkin, kt olan dmlerin etkisiz kalmas salanmaktadr.

60

IV.7.5 lem Zaman Algoritmann ilem zamanna ynelik gereki bir deerlendirme

yaplamamaktadr. Bunun balca nedenleri problem boyutuna gre iterasyon says gereksiniminin deiimi ve karlatrma yaplacak rneklerin azldr. Daha nce yaplan engellerin bulunduu ortamlara ynelik almalar daha ok sonu kalitesi zerine younlamakta ve ele aldklar problem boyutlar ise bizim kullandmz problem boyutuna gre kk kalmaktadr. Ancak btn bunlara ramen zm sresinin gemi aratrmalarda yaplan kk boyutlu rneklere oranla daha baarl olduu sylenebilir. IV.7.6 Sonu Kalitesi Sonu kalitesi deerlendirilecek olursa, tm dier sezgisel algoritmalarda olduu gibi, sonu en ksa yoldur diye kesin bir tabir kullanlamamaktadr. Buna ramen ele alnan rnekler incelendiinde ve sezgisel algoritmalardaki sonularn belli bir yaknsal deer elde edilmesi durumunda baarl kabul edildii gz nne alndnda algoritma baarldr denilebilir. rneklerin incelenmesi ile kiisel gr olarak bulunan tm sonular en ksa yola en yakn sonulardr denilebilir. Ancak en ksa yolun bulunmasnn iterasyon says ve genetik ilem says ile balantl olduu belirtilmelidir.

61

BLM V SONU VE NERLER

Bu blmde bu alma ile elde edilen sonulara ve gelecek almalar iin nerilere yer verilmektedir. Sonu: almada en ksa yol bulmaya ynelik yapay zeka algoritmalar incelenmitir. nceleme ilemi gerekletirilirken algoritmalarn alma mant aktarlmaya allm ve bunun ardndan deerlendirilmeler yaplmtr. Deerlendirmeler yaplrken yaplan aratrmalar sonucu algoritmalara ait avantajlarn yan sra kstllklar derlenmitir. Bu kstllklar ve avantajlar zerine, kiisel yorumlarnda etkin olduu tartmalar sonucu hybrid algoritma gereksiniminin nereden geldii aktarlmaya allmtr. Yaplan alma sonucunda grlmtr ki, matematiksel denklemlere bal olmayan optimizasyon teknikleri kullanm olarak pratik olsa da sonu olarak kesin ve iyidir denilememektedir. zellikle sezgisel algoritmalarn performanslar deerlendirildiinde, sonularn tamamen dizayn yapn kiinin performans ile alakal olduu gzlemlenmitir. Algoritmalara ait parametrelerin yanl, eksik veya yetersiz girilmesi durumunda kaliteli zmler olumayaca kesindir. Ancak bu durum tm matematiksel denklemler iin de geerlidir. Herhangi bir denklemdeki deerin yanl verilmesi durumunda denklem doru sonu retmemektedir. Ne var ki bu durum sezgisel algoritmalarn performans deerlendirmesindeki rol tamamen kullancnn zerine aktarmaya yetmemektedir. Bunun yegane nedeni ise herhangi bir matematiksel denklemde deikenlerin hangi aralklarda ve neye bal olduu net olarak belirlenirken sezgisel algoritmalarn parametrelerinde bu salanamamaktadr. Algoritmalar bulan kiilerin dahi deneme yanlma yntemleri ile elde ettikleri parametre deerleri problemden probleme farkllk gstermektedir. Tamamen tavsiyelere bal olarak belirlenen parametre deerleri yanl belirlenmi ise, bu yanll dzeltmenin tek yolu deneyerek daha iyisini bulmaktr.

62

Sonu olarak denilebilir ki, sezgisel algoritmalarn iyi sonu retme ihtimall eri yksektir. Ancak bu algoritmalar ne doru almay nede iyi sonu retmeyi garanti etmektedir. Oluturulan hybrid algoritmada netice de sezgisel algoritmalarn mantn kullanan bir yapdadr. Algoritma GA ve KKAdan farkl olarak daha az parametre kullanan bir yapda dizayn edilmeye allmtr. Bu nedenle kullancya den risk ve sorumluluk azaltlmtr denilebilir. Algoritmann iki parametresi kullancdan istenmektedir. Bu parametreler iterasyon says (karnca yol bulma says) ve yol bulma ilemleri ardndan gerekletirilecek genetik ilem (dm indirgemesi ile yeni nesle hazrlk ilemi) says parametreleridir. Bu parametrelerin kullancya braklmasnn nedeni, kk lekli problemler iin gereksiz zaman kaybn nlemek ve byk lekli problemler iin yetersiz iterasyon says gibi durumlar ortadan kaldrma ihtimalini olanakl klmaktr. Oluturulan hybrid algoritma ile alakal olarak iyi performans sergiliyor denilebilir Ancak ne olursa olsun algoritma sezgisel algoritmalarn karakteristik yapsndadr ve sonucun en iyi olmasn garantilemez. Sonucun kalitesi hala iterasyon oran ve genetik ilem saysna bal kalmaktadr. neriler: Bundan sonra bu konu ile ilgili yaplacak almalarda simlasyon gerekletirmek iin kullanlan programn daha esnek yapda olmas tavsiye edilebilir. Daha ncede sz edildii gibi dm elemsi gibi ilemlerde MATLAB programnn kstllklar ile karlalmtr. Bu kstllklar baka programlar ile ortadan kaldrlrsa performans art salanacana inanlmaktadr. Oluturulan algoritma ne kadar ilevsel olursa olsun, kullanm ne kadar pratik olursa olsun hibir zaman matematiksel yntemler ile bulunan en ksa yolun yerini tutamaz. Bu btn optimizasyon teknikleri iin geerlidir. Sezgisel optimizasyon tekniklerinin ilem zaman, maliyeti ve pratiklii asndan avantajlar olduu gz ard edilemez ancak btn bu avantajlar doruluk kstas ile karlatrldnda okta nemli saylmamaldr.

63

Bir problemin zm iin binlerce yol olabilir, binlerce farkl zm de olabilir ama optimum zm yolu bir tanedir ve en byk kriteri her zaman zmn doruluudur.

64

KAYNAKLAR

[1] [2]

Nabiyev, V. V.: Yapay Zeka: Problemler-Yntemler-Algoritma.(2005) Antsaklis, P.; Stiver, J. ; Lemmon, M.: Hybrid system modeling and autonomous control systems. Vol. 736 Springer Berlin / Heidelberg,(1993) Ahn, C. ; Ramakrishna, R.: "A Genetic Algorithm For Shortest Path Routing Problem And The Sizing Of Populations". IEEE Transactions on Evolutionary Computation 6, (2002). Colorni, A.; Dorigo, M. ; Maniezzo, V.: "Distributed Optimization By Ant Colonies". European Conference On Artificial Life, (1992), 134-142. Engin, O.: "Ak Tipi izelgeleme Problemlerinin Genetik Algoritma ile zm Performansnn Arttrlmasnda Parametre Optimizasyonu", T Fen Bilimleri Enstits, Yaynlanmam Doktora Tezi, stanbul, (2001). Paac, Y. ; Pekdoan, E.: "ki Nokta Arasndaki En Ksa Yolun Grnt leme Yntemi ve Yapay Zeka Algoritmalar Kullanlarak Bulunmas", Marmara niversitesi Teknik Eitim Fakltesi, stanbul, (2008). Kayc, S.: "Yapay Zeka Ders Notlarnn Hazrlanmas" Lisans thesis, Marmara niversitesi Teknik Eitim Fakltesi, stanbul, (2007). Goldberg, D.: Genetic Algorithms n Search, Optimization, And Machine Learning. Addison-Wesley Reading Menlo Park,(1989) Braun, H.: "On Solving Travelling Salesman Problems By Genetic Algorithms". Parallel Problem Solving from Nature, (1991), 129-133. Merz, P. ; Freisleben, B.: "GeneticLocal Search For The TSP: New Results". (1997), 159-164. Freisleben, B. ; Merz, P.: "A Genetic Local Search Algorithm For Solving Symmetric And Asymmetric Traveling Salesman Problems ". (1996), 616621. Freisleben, B. ; Merz, P.: "New Genetic Local Search Operators For The Traveling Salesman Problem". Parallel Problem Solving from Nature-PPSN IV, (1996), 890-899. Uur, A. ; Aydn, D.: "Ant System Algoritmasnn Java le Grselletirilmesi". (2006). 65

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

Dorigo, M.; Maniezzo, V. ; Colorni, A.: "The Ant System: An Autocatalytic Optimizing Process". TR91-016, Politecnico di Milano, (1991). Gambardella, L. ; Dorigo, M.: "Ant-Q: A Reinforcement Learning Approach To The Traveling Salesman Problem". (1995), 252-260. Dorigo, M.; Maniezzo, V. ; Colorni, A.: "The Ant System: Optimizasyon By A Colony Of Cooperating Agents". IEEE Transaction On Systems Vol.26, (1996), 12. Dorigo, M. ; Gambardella, L.: "Ant Colonies For The Travelling Salesman Problem". BioSystems 43, (1997), 73-82. Gen, M.; Cheng, R. ; Wang, D.: "Genetic Algorithms For Solving Shortest Path Problems". (1997), 401-406. Soehodho, S.: "Development Of Genetic-Taxonomy Evaluator For Finding Shortest Path n Transportation Planning Systems". Urban Transport And The Environment For The 21st Century III, (1997), 177. Yu, Y. ; Wu, J.: "Loads Combination Method Based Core Schema Genetic Shortest-Path Algorithm For Distribution Network Reconfiguration". 3, (2002). Selvanathan, N. ; Tee, W.: "A Genetic Algorithm Solution To Solve The Shortest Path Problem n Ospf And Mpls". Malaysian Journal of Computer Science 16, (2003), 58-67. Abeysundara, S.; Giritharan, B. ; Kodithuwakku, S.: "A Genetic Algorithm Approach to Solve the Shortest Path Problem for Road Maps". (2005), 272275. Kan, Z.: "Shortest Path Analysis Based On Genetic Algorithm". Journal of Shangqiu Teachers College, (2007). Lin, F.; Lee, M. ; Fuh, C.: "A Two-Stage Genetic Algorithm for Solving Shortest Path Problem with Fuzzy Arc Lengths". (2007), 249-249. Lin, L. ; Gen, M.: "A Bicriteria Shortest Path Routing Problems By Hybrid Genetic Algorithm n Communication Networks". (2007), 4577-4582. Pennisi, M.; Pappalardo, F.; Motta, A. ; Cincotti, A.: "A Genetic Algorithm for Shortest Path Motion Problem in Three Dimensions". Advanced Intelligent Computing Theories and Applications. With Aspects of Artificial Intelligence, (2007), 534-542.

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

66

[27]

Behzadi, S.; Alesheikh, A. ; Poorazizi, E.: "Developing A Genetic Algorithm To Solve Shortest Path Problem On A Raster Data Model". Proc. of Journal on Applied Sciences 8, (2008), 3289-3293. Pires, M.; da Silva, I. ; Bertoni, F.: "Solving Shortest Path Problem Using Hopfield Networks And Genetic Algorithms". (2008), 643-648. Yussof, S.; Razali, R. ; See, O.: "A Parallel Genetic Algorithm for Shortest Path Routing Problem". (2009), 268-273. Nallusamy, R.; Duraiswamy, K.; Muthukumar, D. ; Sathiyakumar, C.: "Energy Efficient Dynamic Shortest Path Routing n Wireless Ad Hoc Sensor Networks Using Genetic Algorithm". (2010), 1-5. Yuhe, B.: "An Improved Ant Colony Algorithm for the Shortest Path Problem". Computer Engineering and Applications 3, (2003). Jinjiang, F. ; Da, Y.: "Solving a Shortest Path Problem by Ant-algorithm". Computer Engineering and Applications 33, (2004). Khan, M.: "Ant System To Fnd The Shortest Path". (2004). Li, Y. ; Jin-song, H.: "Multi-Thread Ant Colony Algorithm And ts Application n The Shortest Path". Logistics Technology 2, (2005). Liu, S.; Lin, J. ; Lin, Z.: "A Shortest-Path Network Problem Using An Annealed Ant System Algorithm". (2005). Min, L. ; Yang, J.: "A Shortest-Path Routing Based On Ant Algorithm". 2, (2005), 67-69. Shang, G. ; Jingyu, Y.: "Convergence Analysis of Ant Colony Algorithm for Solving Shortest Path Problem". (2006). Chibaya, C. ; Bangay, S.: "A Probabilistic Movement Model For Shortest Path Formation n Virtual Ant-Like Agents". (2007), 18. Jiang, Y.; Wang, W. ; Zhao, Y.: "Solving The Shortest Path Problem n Vehicle Navigation System By Ant Colony Algorithm". (2007), 188-192. Shuang-hua, W.; Yang, F. ; Liang, G.: "Study on Shortest Path Search Method Based on Chaos Ant Colony Optimization". Journal of Chongqing Jiaotong University (Natural Science), (2007). Wen-qun, B.: "Study On Advanced Ant Colony Algorithm Searching Shortest Path n Logistics Network Of Distribution". Computer Engineering and Design 19, (2008).

[28]

[29]

[30]

[31]

[32]

[33] [34]

[35]

[36]

[37]

[38]

[39]

[40]

[41]

67

[42]

Gao, H.; Liu, Y.; Chang, Q. ; Xiong, H.: "An Improved Ant Colony Algorithm for the Shortest Path Problem in Time-Dependent Networks". (2009). Ghoseiri, K. ; Nadjari, B.: "An Ant Colony Optimization Algorithm For The Bi-Objective Shortest Path Problem". Applied Soft Computing, (2009). Ok, S.; Seo, W.; Ahn, J.; Kang, S. ; Moon, B.: "An Ant Colony Optimization Approach For The Preference-Based Shortest Path Search". Communication and Networking, (2009), 539-546. Zhong-qiu, Y.; Zhang, Y. ; Zheng, Z.: "Analysis and Simulation of Shortest Path Problem Based on Modified Ant Colony Algorithm". Journal of Shenyang University of Chemical Technology 2, (2009). Yu, F.; Li, Y. ; Wu, T.: "A Temporal Ant Colony Optimization Approach To The Shortest Path Problem n Dynamic Scale-Free Networks". Physica A: Statistical Mechanics and its Applications 389, (2010), 629-636. Zakzouk, A.; Zaher, H. ; El-Deen, R.: "An Ant Colony Optimization Approach For Solving Shortest Path Problem With Fuzzy Constraints". (2010), 1-8. "Shortest path problem", <http://en.wikipedia.org/wiki/Shortest_path_problem> (12.04.2011). Nilsson, N. J.: Principles Of Artificial Intelligence. Springer Verlag,(1982) De Rezende, P. J.; Lee, D. T. ; Wu, Y.: "Rectilinear Shortest Paths With Rectangular Barriers". (1985), 204-213. unka, M.: "Genetik Algoritmalar ve Uygulamalar - Ders Notlar". Seluk niversitesi, (2006). i, . ; Korukolu, S.: "Genetik Algoritma Yaklam ve Yneylem Aratrmasnda Bir Uygulama". Ynetim ve Ekonomi 10, (2003). Herrero, J.; Blasco, X.; Martinez, M. ; Salcedo, J.: "Optimal PID Tuning with Genetic Algorithms for Non-Linear Process Models". (2002). nal, M.: "PID Kontrolrn Karnca Kolonisi / Genetik Algoritma Tabanl Optimizasyonu Ve Gunt Rt 532 Basn Prosesinin Kontrol", Marmara niversitesi Fen Bilimleri Enstits, stanbul, (2008). Emel, G. ; Takn, .: "Genetik Algoritmalar Ve Uygulama Alanlar". ktisadi ve dari Bilimler Fakltesi Dergisi 21, Uluda niversitesi, Bursa, (2002).

[43]

[44]

[45]

[46]

[47]

[48]

[49] [50]

[51]

[52]

[53]

[54]

[55]

68

[56]

Bourg, D. ; Seeman, G.: AI for Game Developers O'Reilly Media Inc, USA,(2004) Jones, T.: Al Application Programming. Vol. 2 Charles River Media,(2003) Ursem, R.: "Models For Evolutionary Algorithms And Their Applications n System dentification And Control Optimization". (2003). Thenorio, W. A.: "Genetic Algorithms", <http://www.cs.chalmers.se/Cs/Grundutb/Kurser/algsem/Projects2007/Geneti cAlgorithms.pdf> (12.05.2010). Russel, J. S. ; Norvig, P.: Artificial Intelligence. A Modern Approach. Printice Hall,NJ,(1995) Marczyk, A.: "Genetic Algorithms and Evolutionary Computation", <http://www.talkorigins.org/faqs/genalg/genalg.html#limitations> (18.05.2010). Koza, J.: Genetic Programming: On The Programming Of Computers By Means Of Natural Selection., The MIT press, London, England,(1992) Busetti, F.: "Genetic Algorithms Overview". (2010). "Genetic Algorithms", <http://www.tjhsst.edu/~ai/AI2001/GA.HTM> (16.05.2010). "Genetik Algoritmalar", <http://tr.wikipedia.org/wiki/Genetik_algoritma> (15.05.2010). "Genetic Algorithm", <http://en.wikipedia.org/wiki/Genetic_algorithm> (10.05.2010). Weise, T.: Global Optimization Algorithms-Theory and Application.(2009) Davarynejad, M.: "Fuzzy Fitness Granulation in Evolutionary Algorithms for complex optimization" M.Sc. thesis, Ferdowsi University of Mashhad Departmend of Electrical Engineering, Mashhad, ran, (2007). "Genetic Programming Notebook", <http://www.geneticprogramming.com/> (16.05.2010). Beckers, R.; Goss, S.; Deneubourg, J. L. ; Pasteels, J.: "Colony size, communication, and ant foraging strategy". Psyche 96, (1989), 239-256. Dorigo, M. ; Gambardella, L.: "Ant Colony System: A Cooperative Learning Approach To The Traveling Salesman Problem". IEEE Transactions on Evolutionary Computation 1, (1997), 53.

[57] [58]

[59]

[60]

[61]

[62]

[63] [64]

[65]

[66]

[67] [68]

[69]

[70]

[71]

69

[72]

Dorigo, M.; Birattari, M. ; Stutzle, T.: "Ant Colony Optimization". IEEE Computational Intelligence Magazine 1, (2006), 28-39. zdemir, Y. S.: "Karnca Kolonisi Algoritmas le Bilgisayar Alarnn Topolojik En yilenmesi", Bakent niversitesi Fen Bilimleri Enstts, Ankara, (2008). Timur Keskinturk ; Syler, H.: "Global Karnca Kolonisi Optimizasyonu". Gazi niversitesi Mhendislik Ve Mimarlk Fakltesi Dergisi 21, (2005). Selvi, V. ; Umarani, R.: "Comparative Analysis of Ant Colony and Particle Swarm Optimization Techniques". International Journal of Computer Applications IJCA 5, (2010), 1-6. Rook, C.: "Investigation Into The Use Of Ant Algorithms For The Travelling Salesman Problem And Game Playing". MSc Computing 1999/2000, (2000). Blum, C.: "Ant Colony Optimization: Introduction And Recent Trends". Physics of Life Reviews 2, (2005), 353-373. Anirudh, S.; Poddar, P. ; Boswal, D.: "Ant Colony Optimization Algorithms: Introduction and Beyond". Artificial Intelligence Seminar, (2009). Dorigo, M. ; Sttzle, T.: Ant colony optimization. the MIT Press,(2004) Sanem Sarel ; Akn, L.: "zerk Robotlar in Bir Geni Alan Taramas Planlama Yntemi ". Havaclkta leri Teknolojiler ve Uygulamalar Sempozyumu, (2004). Gksu, S.: "Kendi Kendine Yol Bulan Ara". TMMOB Elektrik Mhendisleri Odas Proje Yarmas, (2006). Goforth, M. D.: Informed Searching Lecture Notes. Laurentian niversitesi, Sudbury Canada,(2003) Ruhrup, S. ; Schindelhauer, C.: "Competitive Time And Traffic Analysis Of Position-Based Routing Using A Cell Structure". (2005). Peer, S.; Sharma, D. K. ; Sharma, R. K.: "Finding Shortest Path In The Presence Of Barriers: An Alternate Approach". Applied mathematics and computation 185, (2007), 333-345. Rezende, P. J.; Lee, D. ; Wu, Y.: "Rectilinear shortest paths in the presence of rectangular barriers". Discrete and Computational Geometry 4, (1989), 4153. Atallah, M. ; Chen, D.: 270-279 (ACM).

[73]

[74]

[75]

[76]

[77]

[78]

[79] [80]

[81]

[82]

[83]

[84]

[85]

[86]

70

ZGEM

1984 ylnda Malatyann Yeilyurt ilesinde dodu. lkokulu zmirde Mustafa Urcan lkretim Okulunda, ortaokulu Vali Kutlu Akta lkretim Okulunda okudu. Lise renimine Malatya Akada Anadolu retmen Lisesinde balayp hazrlk ve lise birinci snf burada okuduktan sonra, zmir Konak nn Lisesine gei yapt. 2004 ylnda Marmara niversitesi Teknik Eitim Fakltesi Bilgisayar ve Kontrol retmenlii blmne baladktan sonra 2008 ylnda bu blmden mezun olarak ayn yl Marmara niversitesi Fen bilimleri Enstits Bilgisayar-Kontrol Eitimi blmnde yksek lisans eitimine balad ve hala devam etmektedir.

71