GAP IV. Mhendislik Kongresi Bildiriler Kitab, 06-08 Haziran 2002, anlurfa.

Proceedings of the Fourth GAP Engineering Congress, 06-08 June 2002, anlurfa.

GENETK ALGORTMALAR VE ALIMA PRENSPLER Paki TURUT, HR.. naat Mh. Bl., anlurfa, turpak@hotmail.com Mehmet GM, HR.., naat Mh. Bl., anlurfa, mgumuscu@harran.edu.tr Abdussamet ARSLAN, G.. naat Mh. Bl., Ankara, arslan@mmf.gazi.edu.tr zet Genetik Algoritma, bilgisayar zerinde oluan bir evrim eklidir. Genetik Algoritmalar ile oluturulan seleksiyon, doal topluluklara benzer bir ekilde bilgisayar hafzasna depo edilmi kromozomlar zerinde icra edilmektedir. Evrim teorisi, biyolojik sistemleri doal seleksiyon ileminin devaml retimi olarak tanmlamaktadr. Buna benzer olarak, Genetik Algoritmalar el ile yapldnda uzun sren hesaplamalar yerine bilgisayar zerinde oluturulan evrimle mhendislik problemlerinin zmnde etkili olmaktadr. Matematiksel zme dayal metotlar trev bilgisi gerektirmesine ramen, Genetik Algoritmalar yardmyla bir problemi zmede zel bilgi gerekmemektedir. Genellikle, Genetik Algoritmalar deterministik bir alanda random operatrler kullanmaktadr. Bu bildiride, Genetik Algoritmalarn VLSI(Very Large Scale Integration) ok byk lekli tmdevre tasarmndaki yksek performans anlatlmaktadr. Anahtar Kelimeler: Genetik Algoritmalar, gen, kromozom, VLSI, devre, optimizasyon GENETIC ALGORITHMS AND THEIR WORKING PRINCIPLES Abstract Genetic Algorithm is a form of evolution that takes place in a computer. The selection by Genetic Algorithm operates on strings of binary digits stored in the computer's memory in much the same way that natural populations of individuals evolve. The evolution theory describes the biological systems as the continuous process of the natural selections. Similar to that, since computations made by hand are time consuming, Genetic Algorithms are effective for solving engineering problems by forming evaluation in computer. Genetic Algorithms do not require specific knowledge solving a problem although calculus based search algorithms use derivative information. Genetic Algorithms use randomized operators in place of usual deterministic ones. In this paper, it has been explained Genetic Algorithms have high performance in designing of VLSI(Very Large Scale Integration) circuit. Keywords: Genetic Algorithms, gene, chromosome, VLSI, circuit, optimisation 1.Giri Genetik Algoritmalar, insan ve ekosistemlerdeki doal gelime, sosyal sistemlerdeki taklit etme ve psikolojideki sonular deerlendirmeyi iine alan dinamik metotlarn geni bir ekilde modellenmesi ile olumaktadr. Evrim sistemlerinin bilgisayarda modellenmesini yapmak ou konvensiyonel modellemelere kyasla biraz daha zor olmaktadr[1]. Teknolojide ilerlemeler iin, doann sonsuz esin kayna olabileceini bir kez de Michigan niversitesi'nden John Holland'n almalar kantlamtr. Makine renmesi (Machine Learning) konusunda almalar yapan Holland, evrim kuramndan etkilenerek canllarda yaanan genetik sreci bilgisayar ortamnda gerekletirmeyi dnmtr[2]. Genetik Algoritma ilk ismini biyoloji, ikinci ismini ise bilgisayar biliminden almaktadr. Sadece bir tane mekanik yapnn renme yeteneinin gelitirilmesi yerine, byle yaplardan oluan bir topluluun oalma, iftleme, deiim vb.genetik srelerden geirilerek, baarl(renebilen) yeni bireylerin olutuu grlmtr. Holland'n almalarnn sonularn aklad kitabnn 1975'de yaynlanmasndan sonra gelitirdii yntemin ad Genetik Algoritmalar yada ksaca GA olarak yerlemitir. Ancak 1985 ylnda Holland'n rencisi olarak doktorasn veren David E.Goldberg adl inaat mhendisi 1989'da konusunda bir klasik saylan kitabn yaynlayncaya kadar, Genetik Algoritmalar'n pek pratik yarar olmayan aratrma konusu olduu dnlmekteydi. Halbuki Goldberg' in gaz borusu hatlarnn denetimi

1173

zerine yapt alma ona sadece 1985 National Science Fundation Gen Aratrmac dln kazandrmakla kalmayp, Genetik Algoritmalar' n pratik kullanmnn da olabilirliini kantlamtr[3]. 2. Genetik Algoritmalarla lgili Temel Kavramlar Kromozom (Chromosome) bir yada daha fazla genin bir araya gelmesi ile oluan ve problemin zm iin gerekli tm bilgiyi zerinde tayan genetik yapdr. rnein, 100011101 genleri 4, 3, 5 birim uzunluklara sahip olan doru parasna ait uzunluk bilgisinin ikilik dzende kodland bir kromozomu gstermektedir. aprazlama (Crossover) iki kromozomun bir araya gelerek genetik bilgi deiimi yapmasdr. rnein, 100011101 ve 010110001 kromozomlar zerinde 4. genden balayarak tek noktal aprazlama yapldnda, 100110001 ve 010011101 kromozomlar elde edilmektedir. Evrim (Evolution) genetik bilgi tayan bir topluluk zerine genetik ilemlerin uygulanmas srecidir. Gen (Gene) kendi bana anlaml genetik bilgi tayan en kk genetik yapdr. Genetik Programlama (GP, Genetic Programming) genlerinde program paracklarnn kodland kromozomlar zerinde alan bir genetik algoritma yoluyla istenilen ii yapan bir programn gelitirilmesidir. Tersinme (Inversiyon) bir kromozomu ulatran genlerden ardk bir grubun kendi ierisinde birbirleri ile yer deitirerek ters dizilmeleridir. rnein, 011110101 kromozomu 5. ve 8. gen konumlar arasnda tersindiinde ortaya 011101011 kromozomu kmaktadr. Eleme (Mating) iki kromozomun aprazlama amacyla seilmesidir. Deiim (Mutasyon) bir kromozomun tad genetik bilgide bir nedene bal olmakszn rastgele deiim olmasdr. rnein, 100110000 kromozomunun 3. geninde deiim olmas sonucunda, 101110000 kromozomu olumaktadr. oalma, Kopyalama (Reproduction) bir kromozomun kendisi ile ayn genetik bilgiyi tayan bir kopyasnn oluturulmasdr. rnein, 100111011 kromozumu oaltldnda 100111011 ve 100111011 kromozomlar elde edilmektedir. Seme (Selection) bir kromozom havuzundaki kromozomlardan hangilerinin yeni oluturulacak havuza aktarlacann, kromozomlarn baar deerlerini dikkate alarak belirlenmesidir. 3. Genetik Algoritmalarn Genel Yaps nl matematiki J. Hadamard "Gerek matematikte, gerek baka alanlarda bulu ve icatlar farkl alanlardan dncelerin bir araya gelmesiyle gerekleir.demitir[3]. Bu sz Genetik Algoritmalar' n nasl doduunu zetledii gibi temel alma ilkesini de aklamtr. Aada Genetik Algoritma' nn yaps genel hatlar ile verilmektedir. Balang ann belirle. t:0; Toplulukta yer alacak bireyleri olutur. P(t); Bireylerin yaam koullarna uygunluunu deerlendir. Deerlendir P(t); stenilen dzeye ulalana kadar. While not baarl-birey-bulundu do Zaman sayacn artr. t:= t+1; Bir sonraki toplulua dl verecek bireyleri se. P'(t) :=Ebeveynleri se P(t); Seilen bireyleri iftletir. iftletir P(t); Geici toplulukta rasgele deiimler olmasn sala. Deiime urat P(t); Geici topluluun baar durumunu deerlendir. Deerlendir P(t); Bir sonraki topluluu olutur. P(t+1):=P(t); End do :

1174

Buradaki terimlerde topluluk havuz ile, birey kromozom ile, iftleme aprazlama ile, uygunluk fonksiyonu tasarmn kalitesi ile, sosyal baar da tasarmn ekonomiklii ile yer deitirdiinde ortaya Genetik Algoritmalar kmaktadr. Grld gibi balangta topluluu oluturma ilemi yaplmaktadr. Bu admda genellikle uygulanan yntem balang topluluunun rasgele oluturulmas eklindedir. Fakat topluluk oluturulurken bireylerin mmkn olduu kadar biri birine benzememesini salamak toplumsal eitlilik asndan faydal olmaktadr ve dolaysyla zme daha hzl yaklalmaktadr. Topluluklar evrim srecine sokmadan nce yaplmas gereken bir baka ilemde, balang bireylerinin deerlendirilmesidir. Bu aama evrim sreci ierisinde bir sonraki nesle dl verecek olan bireylerin belirlenmesi iin gerekmektedir. Daha sonra istenilen dzeyde baarl birey bulununcaya kadar veya topluluk baarda art salayamaz duruma gelince veya nceden belirlenen evrim says tamamlanncaya kadar srecek olan evrim balayacaktr. Her evrim srecinde tekrar edilecek olan ilemler ise aadaki ekilde sralanacaktr. Bir sonraki nesle dl verecek olan bireyler daha nce hesaplanm olan baar deerlerine bal olarak seilmektedir. Daha sonra, seilen bireyler istenilen bir yntemle iftletirilmektedir. iftletirme sonucu oluturulan bireyler genellikle, % 0.1 olaslkla deiime uratlmaktadr. Son adm olarak ta oluturulan yeni bireylerin baar deeri hesaplanmaktadr[4]. 4. Genetik Algoritmalarn Uygulamalar 1983 ylnda, Goldberg gaz borusu hatlarnn denetiminde ilk defa Genetik Algoritmalar kullanmtr. Goldberg tarafndan yaplan bu alma, Genetik Algoritmalarn ilk pratik uygulamasdr. Goldberg yapm olduu bu almayla Genetik Algoritmalarn pratik kullanmn gstermi ve bu alma sonucunda 1985 National Science Fundation Gen Aratrmac dln kazanmtr[3]. Rajeev ve Krishnamoorty 160 elemanl bir uzay kafes sisteminin optimum tasarmnda Genetik Algoritmalar kullanmtr[5]. Dejong ok parametreli fonksiyonlarn zmn Genetik Algoritmalar kullanarak yapmtr[6]. Jenkins deiik maksimizasyon veya minimizasyon problemlerinin zmnde Genetik Algoritmalar kullanmtr[7]. ok katl yap erevelerinde kesit tesirlerini oluturan hareketli yk kombinezonlarnn bulunmas ilemini Genetik Algoritmalarla Arslan tarafndan yaplmtr. Arslann zm olduu bu problemin zmnde matematiksel modelin kullanlmas mmkn deildi. Genetik Algoritmalar matematiksel modellemesi yaplamayan veya karmak olan problemleri random operatrler kullanarak baarl bir ekilde zmektedir[8]. Arslan, betonarme bir kiriin optimum tasarmnda Genetik Algoritmalar baarl bir ekilde kullanmtr[9]. 5. VLSI(ok Byk lekli Tmdevre) Tasarmnda Genetik Algoritmalar Genetik Algoritmalarn kullanld en nemli alanlardan birisi optimizasyon problemlerinin zmdr. Genetik Algoritmalarn nasl alt anlatlmak istendiinde genellikle verilen rnek f(x)= x2 fonksiyonunun belirli bir aralktaki en byk veya en kk deerinin bulunmasdr. VLSI tasarm bu tip bir fonksiyonun optimizasyonu ilemine benzemektedir[10]. Elektronik bir devrenin transistrler, direnler, salar ve dier elemanlardan meydana geldii bilinmektedir. Bu devre elemanlar eitli maddelerden yapldnda dikdrtgen kutucuklar olumaktadr. VLSI yonga tasarmnda, dikdrtgenler belli ekillerde akarak veya akmayarak, bazende dikdrtgenler arasnda belirli uzunluklar braklarak bu kutucuklar en kk alana yerletirilir. Milyonlarca kutucuun bulunduu bir elektronik devrede klasik bir yntemle bu ilemleri yapmak olduka zordur ve ok uzun zaman almaktadr. Verilen pratik uygulama, belirli bir alanda bulunan dikdrtgen kutularn birbirleriyle akmama problemine dnmektedir[10]. ekil 1 de, dikdrtgen bir devre plakas ve dikdrgen kutucuklardan oluan devre elemanlar gsterilmektedir. Dikdrtgen saylar ve boyutlar balangta verilmektedir. Devre plakasnn boyutlar da verilmektedir. Genetik Algoritmalarla bir problemin zmne balanmadan yaplmas gereken en nemli ilem ama fonksiyonu ve kromozomlarn oluturulmasdr. Balangta, dnlmeden yanl oluturulmu bir ama fonksiyonu ve kromozom ekli sonularn hatal olmasna neden olacaktr. VLSI yonga tasarmnda, ama fonksiyonu kesien dikdrtgen kutularn kesien blgedeki alanlarnn minimizasyonu olmaktadr. Kesien kutularn kesiim blgesindeki alan kldke, kutular birbirinden uzaklamaktadr. Programn alma sresini belirleyen generasyon says, kesimeler ortadan kaldrlncaya kadar devam eden srece bal olmaktadr. Genetik Algoritma kromozomlarn oluturan genler bu uygulamada

1175

koordinat bilgisini tamaktadr. Genlerin oluturduu kromozomlar zerinde dikdrtgen kutularn ke koordinatlar saklanmaktadr. Ayrca, bu kromozomlarn bnyesinde tad ke noktalarn koordinatlarna ait genlere ilave olarak, dikdrtgen kutucuklar dndren genlerde bulunmaktadr. rnein herhangi bir kromozomdaki 1 geni dnmeyi, 0 geni ise dnmemeyi ifade etmektedir. Bu ilemlere ait bilgisayar ak diyagram ekil 1 de gsterilmektedir. ekil 1 de grld gibi, poplasyon says, kromozom uzunluu, dikdrtgen boyutlar, dikdrtgen says ve plaka boyutlar balangta verilmektedir. Balang poplasyonu rasgele oluturulmaktadr. Dikdrtgenlerin kesien alanlar hesaplanmakta ve bu kromozomlar alanlarn deerleri dikkate alnarak bykten ke doru sralanmaktadr. Ama fonksiyonu kesien alanlarn en kkleme ilemi olduundan, kk alanlar veren kromozomlar baarl kabul edilmektedir. Bir sonraki aamada, havuz oluturulmaktadr. Baarl olan bireylerin bir veya birka kopyas yaplrken, baarsz olan bireyler havuzun dna atlp, imha edilmektedir. Bylece, baarl olan bireyler birbirlerine aprazlama vastasyla dl vererek, ok daha baarl bireyleri oluturmaktadr. Btn bu ilemler topluluktaki bireylerin baars birbirlerine yaklancaya kadar devem etmektedir. Generasyon ilemi bittikten sonra, en iyi dzenlemeyi oluturan birey ortaya kmaktadr. ekil 2 de, VLSI yonga tasarmnda deiim sreci gsterilmektedir. Deiik boyuttaki dikdrtgen devrelerin ana plaka zerine birbirleriyle akmayacak ekilde yerletirilmesi gerekmektedir. ekil 2 de gsterilen 1 rakam generasyon saysn gstermektedir. ekil 2 de gsterildii gibi, balangta 15 adet dikdrtgen rasgele ana plaka zerine datlmtr. Devreler rasgele datldndan, dikdrtgen kutular arasnda olduka fazla akma olduu gzlenmektedir. ekil 2 de, gsterilen 10471 rakam kutucuklar arasndaki akmadan dolay oluan alan gstermektedir. akan alanlarn toplam miktar 10471 br2 dir. Genetik Algoritmann amac 10471 br2 lik akan alan sfrlamaktr. akan alanlarn toplam miktar azaldka, kutular birbirinden uzaklaacaktr. Genetik Algoritma 60. evrim srecinde dikdrtgenleri birbirinden ayrm ve 0 akmay elde etmitir. Ancak, evrim sreci tamamlanmamtr. Byle bir durum erken yaklamay nlemek iin gereklidir. Erken yaklamay nlemek iin iki seenek bulunmaktadr. Bunlardan birincisi program birka defa ayn problem iin altrmaktr. kincisi ise, generasyon saysn byk semektir. ekil 2 de gsterilen en son dzenleme yani 84. generasyonda farkl bir dzenleme oluturulmutur. Genetik Algoritma 60. evrim srecinde yakalad 0 akma durumundan deime(mutasyon) operatrnn uygulanmasyla uzaklamtr. Fakat, 84. evrim srecinin sonunda istenilen deere kavuarak zm tamamlamtr. ekil 2 de gsterilen her dzenlemenin birbirinden fakl olduu gzlenmektedir. Bu problemde 15 adet devre yerine ok daha byk sayda ( rnein 10.000.000-100.000.000 adet) devre bulunduu zaman Genetik Algoritmalarn performansnn ne kadar yksek olduu gzlenecektir. Grld gibi, Genetik Algoritmalar zellikle standart boyutlara sahip bir tm plaka zerinden eitli byklkteki geometrik paralarn ekonomik bir ekilde elde edilmesi ileminde olduka faydal olacaktr. 6.Sonu Genetik Algoritmalarn hesaplama hznn konvensiyonel metotlardan daha fazla olduu grlmektedir. Matematiksel bilgiye dayanan problemlerde aratrma uzayn elde etmek iin trev bilgisi kullanlmasna ramen, Genetik Algoritmalar iin trev bilgisi nemsizdir. Genetik Algoritmalar problem zmne noktalar topluluu ile yaklatndan, zmn ok ksa srede bulunmas ihtimali bulunmaktadr. Genetik Algoritmalarn baars aprazlama operatrnn srekli olarak yeni alternatifler retmesinden ileri gelmektedir. Mutasyon operatrnn kullanlmas erken yaklam nleyip, alternatif retimlerin devam etmesini salamaktadr. Genetik Algoritmalar problem zmnde ok alternatiflerin retilmesi istenilen yerlerde baarl olmaktadr. Genetik Algoritmalar zellikle matematiksel olarak modellenemeyen optimizasyon problemlerinin zmnde olduka etkili olmaktadr. Genetik Algoritmalarn baars uygun kromozomlarn seimi ve ama fonksiyonun oluturulmas ilemlerine bamldr. Hatal oluturulmu bir kromozom yaps ve ama fonksiyonu sonularn yanl elde edilmesine ve Genetik Algoritmalarn hibir zaman sonuca ulaamamasna neden olacaktr. Bilgisayarlarn tm bilim dallarna hakim olduu gnmzde, evrimsel modellemelere olan bamllk gittike artmaktadr.

1176

Bala

Poplasyon says, Kromozom uzunluu, Dikdrtgen boyutlar Dikdrtgen says,Plaka boyutlar

Generasyon= 1

Poplasyonun rasgele oluturulmas

Dikgrtgenlerin kesien ksmlarnn alanlarn hesapla

Alanlar ve kromozomlar kkten bye srala

En iyi bireyleri se Generasyon=Generasyon+1 yi bireyleri havuza at ve eletir

aprazlama ve mutasyon operatr kullanarak yeni bireyler olutur

Hayr

Generasyon bittimi?

Evet

En iyi dzenlemeyi iz

ekil 1. VLSI Tasarmnda Genetik Algoritma Ak Diyagram

1177

1 10471

60 0

84 0

ekil 2. VLSI Yonga Tasarmnda Devre zerindeki Evrim Sreci

1178

Kaynaklar [1] LIEPPINS,G.E. and HILLIARD, M.R.,1989. Genetic Algorithms Foundation and Applications ,Annals of Operations Research, V.21, pp:31-58. [2] HOLLAND, J.H.,1975. Adaptation in Natural and Artificial Systems, University of Michigan Press, Ann Arbor [3] GOLDBERG, D. E.,1983. Computer-Aided Gas Pipeline Operation Using Genetic Algorithms and Rule Learning. Ph.D Dissertation University of Michigan, Ann Arbor. [4] ARSLAN, A., TURUT, P.,1996. Yap Mhendisliinde Genetik Algoritmalar ve Uygulama Potansiyeli. naat Mhendisliinde Bilgisayar Kullanm V. Sempozyumu, .T.. naat Fakltesi, stanbul. [5] RAJEEV, S. AND KRISHNAMOORTHY, C. S., 1992. Discrete Optimisation of Structures Using Genetic Algorithms. Journal of Structural Engineering, V.118, No.5, pp: 1233-2408. [6] DEJONG, K.A., 1995. Genetic Algorithms. Thesis, University of Michigan, Ann Arbor. MI. [7] JENICINS, W.M.,1993. Plane Frame Optimum Design Environment Based on Genetic Algorithms. Journal of Structures Engineering, V. 118, No. 11, pp:3103-3112 [8] ARSLAN, A., TURUT, P., CALAYIR, Y,1996. A Genetic Search Based Arrangement of Load Combinations in Structural Frames. CST 96 The Third International Conference on Computational Structures Technology, Budapest, Hungary, Ed. B.H.V. Topping, CIVIL-COMP Press, Edinburgh, Scotland [9] TURUT, P., ARSLAN, A., 1997. Genetik Algoritma ile Betonarme Bir Kiriin Optimum Tasarm. Prof.Dr. Rifat Yarar Sempozyumu, T, naat Fakltesi, Maslak-stanbul. [10] ERGL, A.,1994. PC Gnl, PC Dosyas. ubat 1994.

1179