Kümeleme

KARINCA KOLONS OPTMZASYONU LE ARA ROTALAMA
PROBLEMNN MALYETLERNN KMELEME TEKN LE

YLETRLMES
KAML ALIKAN
YKSEK LSANS TEZ

BLGSAYAR MHENDSL
TOBB EKONOM VE TEKNOLOJ NVERSTES

FEN BLMLER ENSTTS
EYLL 2011
ANKARA
Fen Bilimleri Enstit onay

_______________________________
Prof. Dr. nver KAYNAK
Mdr
Bu tezin Yksek Lisans derecesinin tm gereksinimlerini saladn onaylarm.
_______________________________
Do. Dr. Erdoan DODU
Anabilim Dal Bakan
ii
Kamil ALIKAN tarafndan hazrlanan KARINCA KOLONS

OPTMZASYONU LE ARA ROTALAMA PROBLEMNN
MALYETLERNN KMELEME TEKN LE YLETRLMES adl bu tezin
Yksek Lisans tezi olarak uygun olduunu onaylarm.
_______________________________
Yrd. Do. Dr. Tansel ZYER
Tez Danman
Tez Jri yeleri
Bakan :Yrd. Do. Dr. Mehmet TAN
_________________________
ye : Yrd. Do. Dr. Tansel ZYER
__________________________
ye : Do. Dr. Blent TAVLI
__________________________
iii
TEZ BLDRM
Tez iindeki btn bilgilerin etik davran ve akademik kurallar erevesinde elde
edilerek sunulduunu, ayrca tez yazm kurallarna uygun olarak hazrlanan bu
almada orijinal olmayan her trl kaynaa eksiksiz atf yapldn bildiririm.
KAML ALIKAN
iv
niversitesi
: TOBB Ekonomi ve Teknoloji niversitesi
Enstits
: Fen Bilimleri
Anabilim Dal
: Bilgisayar Mhendislii
Tez Danman
: Yrd. Do. Dr. Tansel ZYER
Tez Tr ve Tarihi : Yksek Lisans Eyll 2011
Kamil ALIKAN
KARINCA KOLONS OPTMZASYONU LE ARA ROTALAMA
PROBLEMNN MALYETLERNN KMELEME TEKN LE
YLETRLMES
ZET
ok depolu ara rotalama problemlerinde mteri taleplerinin en ksa srede, en ksa
yoldan karlanmas ve taleplerin karlanmas iin kullanlacak olan ara saysnn
en uygun sayda seilmesi olduka nemlidir.
NP zor bir problem olan ara rotalama probleminin zm iin pratik yaklamlar
ve birok algoritmalar oluturulmutur, Bu algoritmalar kesin ve yaklamsal olmak
zere genel olarak iki gruba ayrlabilirler. Kesin algoritmalarn kt taraf dk
performans gstermesidir fakat birok yaklamsal algoritma kombinasyonel
problemlerde kesin algoritmalarn aksine ksa zaman dilimlerinde yksek kalitede
zmler ortaya koyarlar. Bilinen bu tekniklerden biriside karnca kolonisi
optimizasyonudur. Bu tez almasnda ara rotalama problemine karnca kolonisi
optimizasyonu k ortalama kmeleme teknii ile birlikte uygulanarak taleplerin
toplam gerekleme sresi, toplam mesafe ve kullanlan toplam ara saysnn
deiimleri izlenmitir.
Anahtar Kelimeler: Sr Zeks, Karnca Kolonisi Optimizasyonu, K Ortalama

Kmeleme, Ara Rotalama
University
: TOBB University of Economics and Technology
Institute
: Institute of Natural and Applied Sciences
Science Programme
: Computer Engineering
Supervisor
: Assistant Professor Tansel ZYER
Degree Awarded and Date : M.Sc. September 2011
Kamil ALIKAN
IMPROVING THE COST OF VEHICLE ROUTING PROBLEM BY USING
ANT COLONY OPTIMIZATION WITH CLUSTERING TECHNIQUES
ABSTRACT
In multi-depot vehicle routing problems meeting the customer demand in the shortest
time with the shortest path and appropriate number of vehicles is the major point for
the solution of these problems. Many practical approaches and algorithms have been
established for the solution of a kind of hard NP vehicle routing problems. These
algorithms can be divided into two groups in general, to be precise and approximate.
The bad side of the exact algorithms is that they show poor performance. But unlike
the exact algorithms, many approximate algorithms reveal high-quality solutions in
short time periods for combinational problems. One of these high-quality solution
techniques is known as ant colony optimization. In this thesis ant colony
optimization with k-means clustering technique is applied for the vehicle routing
problem. The changes in the total realization of demands in time, total distance and
total number of vehicles are observed for the applications.
Keywords: Swarm intelligence, Ant colony optimization, K-means clustering,

Vehicle routing
vi
TEEKKR
almalarm boyunca yardm ve katklaryla beni ynlendiren deerli hocam Yrd.

Do. Dr. Tansel ZYERe ve yine kymetli tecrbelerinden faydalandm TOBB
Ekonomi ve Teknoloji niversitesi Bilgisayar Mhendislii retim yelerine,
Her zaman arkamda olan, beni srekli destekleyen ve bugnlere gelmemde en byk
emee sahip olan deerli aileme teekkrlerimi sunarm.
vii
NDEKLER
ZET
ABSTRACT
vi
TEEKKR
vii
NDEKLER
viii
1. GR
1.1. Ara Rotalama Problemi
1.2. Ara Rotalama Problemi Temel Bileenleri
1.3. Ara Rotalama Problemi Genel Matematiksel Modeli
1.4. Rotalama Trleri
1.4.1. Rota Sresi Snrsz Rotalama Problemleri
1.4.2. Rota Sresi Snrl Rotalama Problemleri
1.4.3. Zaman Pencereli Rotalama Problemleri
1.4.4. Ezamanl Rotalama ve izelgeleme Problemleri
1.4.5. Kapasiteli Ara Rotalama
1.5. Ara Rotalama Yntemleri
1.5.1. En Ksa Yol Yntemi
1.5.2. Sprme (Sweep) Yntemi
10
1.5.3. Gezgin Satc Problemleri
11
1.5.4. Tasarruf Algoritmas
13
1.5.5. Dorusal Programlama Yardmyla Ara Rotalama
15
2. KARINCA KOLONS OPTMZASYONU
18
2.1. Giri
18
2.2. Sr Zekas
19
2.3. Karncalarn Yiyecek Arama Mekanizmas
20
2.4. Yapay Karncalarn zellikleri
21
2.5. Normal Karncalar ve Yapay Karncalarn Karlatrlmas
22
2.6. Orginal Karnca Sistemi
23
2.7. Karnca Algoritmalar ve Hesaplamal Optimizasyon Teknikleri
24
2.7.1. Karnca Kolonisi Optimizasyonu Sezgiseli

viii
25
2.7.2. Max-Min Ant System
26
2.7.3. Karnca Kolonisi Sistemi
26
2.7.4. Sra Tabanl Karnca Sistemi
27
2.8. Karnca Algoritmalar Karlatrmas
28
2.9. Karnca Algoritmalarnn Gemiteki ve Gnmzdeki Uygulamalar
29
2.10. Gelimi Karnca Algoritmalar
30
3. KMELEME ANALZ
32
3.1. Giri
32
3.2. Kmeleme Analizi
32
3.3. Kmeleme Analizinin Kullanm Alanlar
34
3.4. Kmeleme Analizi ile Veriler zerinde Yaplan lemler
35
3.5. Kmeleme Trleri
37
3.5.1. Hiyerarik( ie) Kmeleme ve ie olmayan Kmeleme
37
3.5.2. Sekin, rten ve Bulank Kmeleme
38
3.5.3. Tam Kmeleme ve Ksmi Kmeleme
38
3.6. Kme Trleri
38
3.6.1. yi Ayrlm Kmeler
39
3.6.2. rnek Tabanl Kmeler
39
3.6.3. izge Tabanl Kmeler
39
3.6.4. Younluk Tabanl Kmeler
40
3.6.5. Paylalan Nitelik ve Kavramsal Kmeler
40
3.7. Kmeleme Teknikleri
42
3.7.1. K-Ortalama Kmeleme
42
3.7.2. K-Ortalama lem Basamaklar
43
3.7.3. Noktalarn En Yakn Merkeze Atanmas
44
3.8. K-Ortalama Kmelemesi zellikleri, Avantaj ve Dezavantajlar
45
3.9. K-Ortalama Kmelemesi Uygulama Alanlar
46
4. YAPILAN LEMLER
47
4.1. Giri
47
4.2. lem Basamaklar
47
4.3. Uygulama Ekran Grntleri
53
5. UYGULAMA IKTILARI
57
ix
5.1. Depo ve Mteri Says Sabitken terasyon Saysnn Arttrlmas
57
5.2. Depo ve terasyon Says Sabitken Mteri Saysnn Arttrlmas
63
5.3. Mteri ve terasyon Says Sabitken Depo Saysnn Arttrlmas
69
6. SONU
75
6.1. Yorumlar
75
6.2. Gelecek almalar
77
KAYNAKLAR
79
ZGEM
84
ZELGELERN LSTES
izelge
Sayfa
izelge 2.1. Karnca Algoritmalar Karlatrlmas
xi
27
EKLLERN LSTES
ekil
Sayfa
ekil 1.1.Tasarruf Yntemindeki Mteri Birletirilmesi

14
ekil 2.1. Karncalarn yol bulma ileminin ematik gsterimi (ekil [27] den
alnmtr.)
20
ekil 3.1 Ayn Veri Seti zerindeki Farkl Kme Saylar (ekiller [42] den
alnmtr)
36
ekil 3.2 yi ayrlm ve Merkez Tabanl Kmeler (ekiller [42] den alnmtr)
41
ekil 3.3. Komuluk Tabanl ve Younluk Tabanl Kmeler (ekiller [42] den
alnmtr)
41
ekil 3.4. Kavramsal Kmeler (ekiller [42] den alnmtr)
42
ekil 3.5. K Ortalama ilem basamaklar
43
ekil 3.6. rnek bir veride k-ortalama algoritmas ile kmelerin bulunmas (ekiller
[42] den alnmtr)
45
ekil 4.1. Uygulama ekrannn genel grnts
48
ekil 4.2. Algoritma ilem basamaklar
49
ekil 4.3. Alt Kmelerin ve alt kme merkezlerinin dalm
50
ekil 4.4. Alt kmelerin alt kme merkezleri etrafnda birletirilmesi
51
ekil 4.5. Rotalama ileminin ekran grnts
51
ekil 4.6. Kmelerin alt kmelere ayrlmas
53
ekil 4.7. Alt kme merkezleri arasndaki en ksa mesafelerin hesaplanmas
54
ekil 4.8. Alt kmelerin merkez noktalar etrafnda birletirilmesi
55
ekil 4.9. Bulunan en ksa yollar zerinden ara rotalama ileminin
gerekletirilmesi
56
xii
KISALTMALAR
Ksaltma
Aklama
VRP
Vehicle Routing Problem Ara Rotalama Problemi
CVRP
Capacitated Vehicle Routing Problem-Kapasiteli Ara Rotalama

Problemi
TSP
Travelling Salesman Problem Gezgin Satc Problemi
GSP
Gezgin Satc Problemi
ARP
Ara Rotalama Problemi
CO
Combinational Optimisation-Kombinasyonel Optimizasyon
AS
Ant System Karnca Sistemi
MMAS
Max-Min Ant System Max-Min Karnca Sistemi
QAP
Quadratic Assignment Problem
xiii
BLM 1
1. GR
Datm sistemleri, mterilerin srekli artan beklentileri ve srekli deien rn
nitelikleri ile son derece karmak bir hale gelmitir. Bu da bu alanda hizmet veren
irketlerin daha etkili datm planlar yapmasn gerektirmektedir. Datm a
ierisinde bulunan mterilerin taleplerinin en az maliyet ile karlanmas bu datm
planlarnn merkezinde yer almaktadr.
Ara rotalama problemi de datm sistemi ierisindeki problemlerin bir rneidir.
Gnlk hayatta rn datm, banka para transfer aralar, renci servisleri, yakt
datm ve daha birok datm ilemi ara rotalama probleminin rnekleri olarak
gsterilebilir.
Bu tarz karmak problemlerin zmnde genel olarak kesin ve yaklamsal olmak
zere iki tarz zm gelitirilmitir. Kesin algoritmalar en iyi zm bulmak ve
bunun en iyi zm olduunu ispatlamak zerine konumlandrlmtr ancak bu
algoritmalar
kombinasyonel
problemlerde
dk
performans
gstermitir.
Yaklamsal algoritmalar ise kesin algoritmalarn aksine ksa zaman dilimlerinde

yksek kalitede zmler ortaya koymutur. Bu algoritmalardan biriside karnca
kolonisi optimizasyonu algoritmasdr ve ara rotalama, gezgin satc problemi gibi
birok kombinasyonel problemin zmnde baarl sonular ortaya koymutur. Bu
tez
almasnda
kapasiteli
ara
rotalama
probleminin
karnca
kolonisi
optimizasyonu ile zmnde kmeleme teknii de zme dahil edilerek, ara

rotalama probleminin kstlarnn (toplam yol, toplam mesafe ve toplam ara says)
deiimi incelenmitir.
Kmeleme ilemi teorik ve pratik birok alanda yaygn olarak kullanlmaktadr.
Kmeleme ile veriler anlaml nesne gruplar haline dntrlmektedirler. Verileri
anlamlandrma ve ok byk verilerden bilgi karsama noktasnda kmeler snflar
gsterir ve kmeleme analizi de olas bu snflarn otomatik olarak bulunmasna
ynelik tekniklerin btnn ierir.
1
Tezin ilk blmnde ara rotalama problemi aklanm, ara rotalama probleminin
temel bileenleri, matematiksel modeli, rotalama trleri ve ara rotalama yntemleri
anlatlmtr. kinci blmde karnca kolonisi optimizasyonu, normal ve yapay
karncalar, sr zekas, karnca kolonisi algoritmalar, karnca algoritmalarnn
gemite ve gnmzdeki uygulamalar anlatlmtr. nc blmde kmeleme
analizi, kullanm alanlar, kme ve kmeleme trleri, kmeleme teknikleri, k
ortalama kmelemenin avantaj ve dezavantajlar anlatlmtr. Drdnc blmde
yaplan ilemler, uygulama ilem basamaklar anlatlmtr. Beinci blmde
uygulama ktlar ve grafiklere yer verilmitir. Altnc blmde ise elde edilen
ktlar yorumlanm ve gelecek almalar anlatlmtr.
1.1. Ara Rotalama Problemi
Ara Rotalama Problemi, corafi olarak dank mterilere bir veya birden fazla
depodan hizmet iin grevlendirilen aralarn en ideal ekilde datm ve toplama
rotalarnn tasarlanmas problemine denir. [1] ARP ilk olarak 1959 ylnda Dantzig
ve Ramser tarafndan bulunan ve zerinde en fazla optimizasyon gelitirilen
yntemdir.[6]
Standart bir ara rotalama probleminde depolardan aralar ile farkl noktalardaki
mterilerin talepleri karlanmaya allmaktadr. Bu ilemi gerekletirirken ama
verimli bir ekilde mteri ihtiyalarn mmkn olan en ksa zamanda, en ksa
yoldan ve en az maliyetle karlayan rotay belirlemektir. Ara rotalama yaplrken
aadaki unsurlara dikkat edilmelidir:
-
ebeke iersinde bulunan mterilerin talepleri tamamyla karlanmaldr.
ebekede bulunan her var noktas tek bir ara tarafndan sadece bir kez
ziyaret edilmelidir.
Rota depodan balamal ve tekrar depoda sonlanmaldr.
Rota zerinde bulunan mterilerin toplam talep miktar aracn toplam

kapasitesinden fazla olmamaldr.
Her bir ara sadece bir rota zerinde faaliyet gstermelidir.
Ara rotalamann temel amac aralarn kat edecekleri toplam mesafenin

minimize edilmesi olmaldr.[5]
1.2. Ara Rotalama Problemi Temel Bileenleri

Ara rotalama problemlerinin temel bileenlerini; talep yaps, tanacak malzemenin
tipi, datm/ toplama noktalar ve ara filosu oluturur.
1-Talep Yaps: Ara rotalama problemlerinde talep statik veya dinamik olabilir.
Statik talep durumunda talep nceden bilinir. Dinamik durumda ise baz
dmlerdeki talep bilinmekte bazlar ise ara rotasnda devam ederken belirli
olmaktadr. Bu almada statik talep yaps kullanlmtr.
2-Malzeme Tipi: Aralarla ok eitli malzemeler tanr. Tehlikeli maddeler, gda
maddeleri, gazete datm, p toplama btn bunlar basit paketler olarak
adlandrlr ve problem ilave bir karmaklk getirmezler. Dier taraftan renci
servisleri; gvenlik, etkinlik, eitlik gibi ilave baz amalardan tr daha karmak
bir yapya sahiptir. Tehlikeli maddeleri tayan aralarn rotalarnn belirlenmesinde
ise corafi zellikler byk nem kazanr.[7]
3-Datm/Toplama noktalar: Birok ara rotalama probleminde, datm noktalar
mterilerin bulunduu yer, toplama noktalan ise depodur. Tketim mallarnn
fabrikalardan toptanclara datm buna iyi bir rnektir.
Depo genellikle aracn rotasna balad ve geri dnd noktadr. Depo saysna
gre problem, tek depolu ve ok depolu diye adlandrlabilir. ok depolu
problemlerde, depolarn her biri kendi aralaryla ilerini yrtebilir, bu durumda
problem birka bamsz tek depolu ara rotalama problemine dnr. Ara bir
depodan kp, baka bir depoda ykleme/boaltma yapabilir. Bu durumda problem
bir btn olarak ele alnmaldr.
Datm noktalan sabit ve nceden biliniyorsa hangi noktalara, hangi aralarn
hizmet verecei belirlenmelidir. Dier durumda datm noktalar potansiyel yerler
arasndan seilecei iin ilave bir yerletirme karar gerekir.
Baz ara rotalama problemlerinde datm ve toplama noktalar ayndr. rnein

renci servislerinde okul, gidite datm noktas, duraklar toplama noktas;
renciler evlerine dnerken ise okul depo, duraklar ise datm noktalardr. [7]
4- Ara Filosu: Btn ara rotalama problemlerinde aralarn kapasitesinin bilindii
ve ounlukla aralarn homojen (ayn kapasitede) olduu varsaylr. Filo heterojen
ise filodaki aralarn tama kapasiteleri farkldr. Bu durum hangi ara tipinin, hangi
rotaya hizmet vereceinin belirlenmesini, yani ilave bir karar gerektirir. Aralarn
dier zellikleri arasnda hz, yakt tketimi, tanacak malzemeye uygunluu
sayabiliriz. Bu zelliklerin rotalama kararlarna dorudan etkisi yoktur.
1.3. Ara Rotalama Problemi Genel Matematiksel Modeli
Standard Ara Rotalama Probleminin formlasyonu u ekilde belirtilir. [3]
Parametreler:
: ara kapasitesi,
N: mteri veya durak says,
: i (i > 0)mterisinin talebi,
: i ve j mterileri arasndaki uzaklk,
Deikenler:
, i j : ara i den j ye gidiyorsa 1, yoksa 0 olmak zere,
( i, j { 0,..., n } ve 0 balang deposu iken)
Ama Fonksiyonu:
(1.1)
=0 =0,
Kstlar:
= 1
, 1, ,
= 1
, 1, ,
(1.2)
=1
1.3
=1
(1.4)
(1.5)
=0 =0

=0 =0

Burada (1.2) ve (1.3) kstlar ziyaret edilen mteriden ayrlma kstlardr. (1.4)
kst depodan balamayan ve depoda bitmeyen turlar elemekte kullanlr.
Son olarak, (1.5) ksd aralardaki yk durumunu kontrol etmektedir. Bu kst, depo
dahil olmak zere her T mteri kmesine eklenir. Bu kmelerin her biri,
<
artn salamaktadr.
Ayrca n ise ar yklemeyi engellemek iin T kmesinden karlmas gereken
minimum sayda mteri saysdr [3].
1.4. Rotalama Trleri
1.4.1. Rota Sresi Snrsz Rotalama Problemleri
Rota sresi, depodan ayrlan bir aracn depoya dnmesi iin gereken sre olarak
tanmlanabilir. Rota sresi snrsz rotalama problemlerinin belki de en iyi rnei, tek
aral gezgin satc problemleridir. Bu problem, tek bir ara ile bir "Hamiltonion tur"
oluturulmas esnasna dayanmaktadr. Bir Hamiltonion tur, bir G= [F, A] anda,
her bir dmden kesinlikle bir kez geen turu gstermektedir. Bu ada, (F),
dmler kmesidir; (A) kollar (adresleri birbirine balayan yollar) kmesini
gstermektedir. Problemin amac, toplam tur uzunluunu ya da maliyetini en aza
indirgemektir. Bu problemde, adreslere uranlacak zamanlar ve rota sresi ile ilgili
girdiler ve kstlar yoktur. [8]
1.4.2. Rota Sresi Snrl Rotalama Problemleri
Bu problem trnde, aralarn kat ettikleri toplam uzunluk en aza indirgenmektedir.
Depodan ayrlan aralar belirli adreslere (dmlere) uradktan sonra ayn depoya
dnmek zorundadrlar. Bir aracn depodan depoya olan rota sresi, en byk rota
sresini amamaldr. Bu kst,adresler kmesine hizmet verecek olan ara saysnn
belirlenmesinde nemli bir rol oynar.
Rota sresi ile birlikte ara saysnn da snrl olduu bir problemin zmnde,
baz adreslere uranlamamas durumu ile karlalabilir. Eer btn adreslere
mutlaka uranlmas gerekiyorsa ve ara saysn arttrmak olanakszsa, en byk
rota sresi almak zorunda kalnabilir. Bu durumda alan her birim sre iin bir
ceza maliyeti verilerek, toplam ceza maliyeti en aza indirgenebilir. Byle bir
yaklam ara saysnn snrl olmasn bir "kat kst", rota sresinin snrl olmasn
bir "gevek kst" yapar. Bir "kat kst" kesinlikle uyulmas gereken, bir "gevek
kst" ise uyulmas istenilen kstlardr. Grld zere problemin yaps, rota
sresinin snrlandrlmasndan nemli lde etkilenmektedir.[8]
1.4.3. Zaman Pencereli Rotalama Problemleri

Zaman pencereli ara rotalama problemleri, en kk maliyetli rota kmelerinin
tasarm, merkez bir depo yaratmay ve bilinen belirli bir talebe bal filo rotalamay
kapsamaktadr. lk etapta, yolcular, kapasiteler gz nnde bulundurulmadan
aralara grevlendirilmektedir.
Zaman penceresi, sert veya yumuak olabilmektedir. Sert bazl vakalarda, eer bir
ara mteriye erken bir zamanda ularsa, ara mteri gelinceye kadar
beklemelidir. Ancak, aracn bir dme, hizmete balamas iin gereken en ge
zamandan (latest time) sonra varlmasna izin verilmez. Tersine, yumuak vaka bazl
almalarda, zaman bazlar bir maliyetle bozulabilmektedir.[9]
Zaman baz, genellikle doal olarak esnek zaman izelgeleriyle alan
organizasyonlarda karlalan bir durumdur. Sert zaman bazl spesifik rnekler;
banka sevkiyatlar, posta iletileri, okul servisleri rotalama ve izelgeleme
eklindedir.[9]
Zaman pencereleri iki snfta incelenebilir:
ift snrl zaman pencereleri,
Tek snrl zaman pencereleri
ift snrl bir zaman penceresinde, adrese uranabilecek en erken zaman ve en ge
zaman belirlidir. Bir ara bir adrese zaman snrlar iinde uramaldr.Zamanndan
nce adrese erien bir aracn, bu zamana kadar bekleyecei kabul edilir. Aracn,
snrndan sonra adrese uramasna izin verilmez. Tek snrl zaman pencereleri,
uranlabilecek "ilk zaman belirli olanlar" ve "son zaman belirli olanlar" eklinde
iki trde ifade edilmektedir.[8]
1.4.4. Ezamanl Rotalama ve izelgeleme Problemleri

Bir toplu tama seferi balang zaman /yeri ve biti zaman/yeri ile tanmlanabilir.
Her bir seferin, filodaki hangi ara ile yaplacann belirlenmesi ilemine,
"ezamanl rotalama ve izelgeleme" ad verilmektedir. Ezamanl ara rotalama ve
izelgeleme, her bir aracn gerekletirecei grevlerin sralamasn veren bir
optimizasyon problemi olarak ele alnmaktadr. [8]
Bir ezamanl rotalama ve izelgeleme probleminde, en yaygn olarak dikkate alman
kstlar unlardr:
Her bir grev, belirli bir zaman periyodunda tek bir ara ile ve sadece bir kez
gerekletirilmelidir.
Bir depodan ayrlan her bir ara, grevlerini gerekletirdikten sonra ait olduu
depoya geri dnmelidir.
Depodaki veya depolardaki aralar ile grevlerin tm yerine getirilmelidir.
Grevlere, kendileriyle zelletirilen ara tipleri ile hizmet verilmelidir.
Her bir ara, belirli bir sre sonunda depoya dnmelidir.
Problemler, burada verilen kstlarn tmn ya da bazlarn ierebilir. Ayrca,
problemin yaps deiik kstlarn dikkate alnmasn gerektirebilir.Bu kstlarn
bazlar kat, bazlar ise gevek kstlar olabilir.[8]
1.4.5. Kapasiteli Ara Rotalama
ARPnin en genel versiyonu ( Kapasiteli Ara Rotalama Problemi (KARP) ) olan bu
problem; merkezi bir depoda teslimat iini gerekletiren k tane K kapasiteli V hzna
sahip aralarn o corafi alanda dzgn bir ekilde farkl noktalara dalm n tane
mterinin taleplerini en az M maliyetle karlamas iin kullanmas gereken en
uygun R rotalarnn bulunmas olarak tanmlanr. Mteriler arasndaki mesafeler
karlkl gidi-geli eklinde simetrik olarak varsaylmaktadr. Tm aralarn
talepleri karlamak iin kullanlmas durumunda k tane rota bulunur. Yollarn ak
ya da kapal olmas durumu gz nnde bulundurulmak istenirse kapal olan yollar

ifade eden kenarlar pasif duruma getirilerek o anki duruma gre rotalar belirlenebilir.
Ayrca yollar her ne kadar ift ynl olduu kabul edilse de tek ynl olarak da
ayarlanabilir.[10]
1.5. Ara Rotalama Yntemleri
Ara rotalama problemlerinin zm deien evre faktrleri, artan rekabet
koullar ile birlikte gelen kstlarla giderek zorlamaktadr. Zaman aralklar, farkl
kapasitelere sahip ok sayda ara, rota zerinde msaade edilen seyahat zaman,
ara srclerinin dinlenme zamanlar ara rotalama problemlerinde karmza kan
kstlar iinde yer almaktadr. [8]
Bir ebeke iin ara rotalama problemi o probleme zel tasarlanan bir yntem ile
zlebilir.En sk kullanlan zm yntemlerinden birisi de en ksa yol yntemidir.
Ayrca ska kullanlan dier yntemler sprge metodu, gezgin satc yntemi ve
tasarruf
metodudur. Bu yntemlerin her biri kendine zg amalar ve kstlar
tamaktadr. Ayrca karmak yapl, oklu orijin ve var noktalarna sahip ara
rotalama problemleri dorusal programlama metodu ile zlmektedir.
1.5.1. En Ksa Yol Yntemi
En ksa yol ynteminin temel amac mteri noktalar arasndaki yaknlk ve uzaklk
durumu ve ara ykleme kapasitelerine gre aralara mteri atanmasdr. En ksa
yol yntemi sre aamalar aadaki gibidir (Breedam, 2002):
1.
Merkezi birimden rotalamaya balanr. lk araca merkezi noktaya en yakn
mteri atanr.
2.
Rotaya atanan mteriye en yakn, daha nce rotaya eklenmemi noktalar
incelenir. Eer mteriye en yakn iki nokta varsa her biri iin sre oluturularak
ayr zm dallar yaratlr.
3. Eer mteri direkt olarak merkezi birim ile balantl deilse (Oluturulan rotada
mteri merkezi birimden sonra gelmiyorsa) ve mteriye en yakn baka mteri ile
merkezi birim ayn mesafede ise sre yine ikiye ayrlarak yeni zmler oluturulur.
Rotalamada ilk nce mteri baka mteriye ara kapasite kst salyorsa balanr.
Ardndan zm aacnda yeni bir dal oluturularak mteri direkt olarak merkezi
birime balanr.
4. zmler ayr ayr hesaplanarak en uygun zm seilir.
Ancak bir orijin noktasndan ok sayda var noktasna ya da ok sayda orijin
noktasndan ok sayda var noktasna en ksa mesafenin bulunmas durumu sz
konusu olduu zaman yaplan ilemler daha da karmak hale gelmektedir. Bu gibi
durumlarda dorusal programlama yardmyla zm yolu bulunmaktadr.[11]
1.5.2. Sprme (Sweep) Yntemi
Gilbert ve Miller tarafndan 1974 ylnda gelitirilen Sprme algoritmasnda
rotalarda yer alacak mteriler, depo merkezli bir dorunun dndrlmesi ile elde
edilirler. Dndrme esnasnda dorunun zerinden getii mteriler bir gruba ayrlr
ve kapasite veya mesafe kst aldnda grup kapatlarak yeni bir grup ile devam
edilir. Oluturulan nokta gruplarna merkez depo da eklenerek, genel olarak GSP
gibi zlerek rotalar belirlenir.[12]
Sprme Ynteminde mterilerin koordinatlar klidyen forma (x, y) yerine, a
ve doru uzunluu olmak zere polar formatta (i, i) tutulur. Bylece talep
noktalar asna gre kkten bye sralanarak, kapasite ve mesafe kstlar
dikkate alnarak gruplanr. Genel olarak Sprme Algoritmasnn zm admlar
aadaki belirtilmektedir.[13]
1- Bir harita zerinde depo ve mteri noktalarnn yeri tespit edilir ve koordinatlar
polar formata (i, i) evrilir. Rotaya atanmam herhangi bir ara belirlenir.
2- Depodan yatayla 0 a ile balanarak saat ynnn tersine doru taranmaya
balanr. Eer bir mteri ile karlalrsa ve eer mterinin talep miktar aracn
10
kapasitesini gemiyorsa mteri araca atanr. Aksi durumda saat ynnn tersi ynde
hareket edilir. Eer araca her iki ynde de mteri atanamyorsa, dier araca geilir.
3- Eski aracn kald yerden taramaya devam edilir. Eer daha nce rotalanmayan
mteri ile karlalrsa ve mterinin araca atanmas kapasite kstnn almasna
sebep olmuyorsa, mteri araca atanr. Bu sre akta bir talep noktas
kalmayncaya kadar (tm noktalar rotalanncaya kadar) srer.
4- Tm noktalar aralara atandktan sonra gruplar uygun bir ekilde optimize
edilerek rotalar belirlenir.
Sprme yntemi Tasarruf algoritmasna nazaran uygulanmas daha basit olmasna
ramen,ou ARP iin kesinlik ve hz bakmndan Tasarruf metodundan geridedir.
Bunun sebebi gruplama yaplrken noktalar arasndaki uzaklklarn dikkate
alnmamas ve rotalarn belirli bir alandan balayarak oluturulmasdr. Ayrca bu
tekniin yeni kstlarla entegre olmas zor olmakla birlikte sadece iki boyutlu
klidyen sistemde zmler retmesi uygulanabilirliini kstlamaktadr.[12]
1.5.3. Gezgin Satc Problemleri
Bir satcnn n adet ehri en ksa zamanda dolanmn salayacak ekilde ehirleri
ziyaret etme srasn bulma problemine gezgin satc problemi denir. Gezgin satc
probleminde her bir ehir yalnz bir defa en ksa yol takip edilerek ziyaret edilir ve
tekrar balang noktasna geri dnlr.
Gezgin satc problemi yneylem aratrmalarnda ve teorik bilgisayar bilimlerinde
allmtr, kombinasyonel optimizasyon bir NP-Zor bir problemdir. ehirler ve
ikili mesafelerin bir listesi verildiinde, grev tam olarak bir kere her ehirde ziyaret
eden en ksa turu bulmaktr.
Sorun ilk olarak 1930 ylnda bir matematik problemi olarak formle edilmi ve
optimizasyon konusunda en ok allan problemlerden biri olmutur. Problem
hesaplama olarak zor olsa da birok sezgisel ya da kesin algoritma ile probleme
zmler retilmitir.
11
Hesaplama karmakl ise Gezgin satc problemi ve Ara Rotalama probleminde

ehir says arttka problemin zorluu sratle artar. n ehirli bir problemde olurlu
turlarn says (n-1)!dir. lk ehir iin (n-1) tane, ikinci ehir iin (n-2) tane seenek
vardr.
ou GSP sezgisellerinden ARP iin gelitirilen sezgiseller oluturulmutur. Gezgin
satc sezgiselleri; tur kurucu algoritmalar, tur gelitirici algoritmalar ve kark
algoritmalar olmak zere tipte belirtilir. Tur kurucu algoritmalar, mesafe
matrisinden optimale yakn turlar olutururlar. Tur gelitirici algoritmalar mevcut bir
mmkn zm gelitirirler. Kark algoritmalar ise tur kurucu algoritmalardan biri
ile bir balang zm bulup, tur gelitirici algoritmalarn bir veya birka ile
mevcut zm gelitirirler.[7]
GSPnin matematiksel ifadeleri aadaki gibidir.
(1.6)
=1 =1
= 1
= 1, ,
(1.7 )
= 1
= 1, ,
(1.8)
=1
=1
= 0 1
1.9
= 1, , = 1, ,
12
(1.10)
:
: ,
:
:
1, ,
0

Eer yalnz ilk iki kme kst hesaba katlrsa problem bilinen atama problemine
dnmektedir. Esas zorluk oluturan kst nc ksttr. Bu kst, atama kstlarn
yeterli klan zmlerini engellemek iin kullanlan alt tur eliminasyon kstndan
meydana gelmektedir.
= :
1.11
Alt tur eliminasyon kstlarnn ilk seti, dmlerin her bir uygun alt kmesinin, ayn
alt kmenin tamamlaycs ile ilikili olduunu garanti etmektedir. Bu da, sistemin
dier dmleri ie ilikili olmayan herhangi bir uygun alt kmenin, dier
dmlerden bamsz olarak bir alt tur oluturmasn engeller.[14]
1.5.4. Tasarruf Algoritmas
ARP problemlerini zmek iin gelitirilen yntemlerden birisi, Clarke ve Wright
tarafndan 1964 ylnda gelitirilen ve belki de bilinen en iyi tur oluturma sezgiseli
olan Tasarruf yntemidir. Bu yntem, her bir mteri ikilisi arasndaki maliyet
tasarrufunu hesaplayarak balar. Maliyet tasarruflar hesaplanarak iki mteri arasna
13
bir mteri eklenir. ekil 1.1de grld gibi i ve j. mteri ayr turlardadr, i.
mteriden sonra j. mteri eklenerek turlar birletirilir.
ekil 1.1.Tasarruf Yntemindeki Mteri Birletirilmesi
= 0 + 0 + 0 + 0 0 + + 0
= 0 + 0
1.12
(1.13)
Denklem (1.13)deki tasarruf miktar ( ) mteri ve j. mterinin ayr turlarda deil

ayn turda hizmet almasndan kaynaklanan bir maliyet tasarrufudur. Bu maliyet
tasarrufu iki bamsz turun birletirilmesi ile ortaya kmaktadr. Her zaman tasarruf
ynteminde, en byk tasarrufu salayan (i,j) ikilisi, mteri talebi ve ara kapasitesi
kstlar dikkate alnarak seilir. Btn mterilerin aralara atanmasna kadar bu
ilem tekrarlanr.[15]
Clarke-Wrightn tasarruf yntemi, kolay anlalabilmesi ve dier ARP yntemlerine
gre esnek olmas sayesinde geni bir kullanm alanna sahiptir. Bu yntem Gaskell
(1967) ve Yellow (1970) gibi pek ok aratrmac tarafndan gnmze kadar uzanan
zaman diliminde gelitirilmitir.[16]
14
1.5.5. Dorusal Programlama Yardmyla Ara Rotalama

Kark yapl ebekelerde ara rotalama ilemi iin yukarda belirtilen rotalama
yntemleri yetersiz kalmaktadr. Bu nedenle de ara rotalamann temel prensibi olan
toplam seyahat mesafesinin minimize edilmesi mmkn olmamakta ve dolaysyla
yksek seviyede maliyetler olumakta, servis seviyesi dmektedir. Bu gibi
durumlarda ara rotalamada optimal bir sonuca ulamak iin dorusal programlama
kullanlmaktadr.
Dorusal programlama yardmyla ara rotalamada kstlar mterilerden, aralardan,

depodan ve mteriler ile depo arasndaki ebeke balantlarndan oluur. N+l adet
mteri noktas ve K adet ara bulunmaktadr. Depo 0. mteri olarak ifade edilir.
Aralar rotaya depodan balar, mteri noktalarn ziyaret eder ve tekrar depoya geri
dnerler. ebeke iersindeki rotalarn says kullanlan aralarn saysna eittir. Bir
ara sadece bir rota zerinde faaliyet gsterebilir. Rotalama yaparken ebeke
iersindeki her bir mteri aralardan sadece biri tarafndan ziyaret edilebilir. Tm
aralar ayn kapasiteye sahiptir ve mteri talepleri deiebilmektedir. Aracn
kapasitesi rota zerinde bulunan tm mterilerin taleplerinin toplamndan kk ya
da eit olmaldr. Bunun anlam aralarn kapasitelerinin zerinde yklenememesidir.
Dorusal programlama yardmyla bir ara rotalama problemi u ekilde formle
edilebilir:
Parametreler:
K: Toplam ara says
N: Toplam mteri says
: i noktasndan j noktasna tama maliyeti
: i mteri noktasndaki talep
: k aracnn kapasitesi
15
Deikenler:
: eer k arac i noktasndan j noktasna giderse 1, aksi halde 0
N
min
Cij xijk
1.14
i=0 j=0,ji k=1
xijk K
i = 0 iin
(1.15)
i = 0 ve k 1, K
(1.16)
k=1 j=1
xijk =
xijk 1
j=1
j=1
xijk = 1
i 1, N
(1.17)
xijk = 1
j 1, N
(1.18)
k 1, , K
(1.19)
k=1 j=0,ji
k=1 i=0,ji
Mi
i=1
xijk qk
j=0,ji
xijk 0,1
(1.20 )
16
Yukardaki dorusal programlama modelinde (1.8) modelin amacn yani toplam

seyahat mesafesinin ve toplam rotalama maliyetinin minimize edilmesini ifade
etmektedir. (1.9) oluabilecek maksimum K rota saysn ifade etmektedir. (1.10) her
bir rotann depodan balayp yine depoda bittiini gstermektedir. (1.11) mteri
noktalarnn her birinin sadece bir ara tarafndan yalnzca bir defa ziyaret edildiini
gstermektedir. (1.14) zerinde bulunan mterilerin toplam talep miktarnn rotaya
kacak olan aracn toplam kapasitesinden fazla olmayacan ifade etmektedir.
(1.15) Xijk deikeninin 0 ya da 1 deerini alabileceini gstermektedir.[17]
Datm sistemlerinde karlalan en nemli problemlerden biri datm faaliyeti iin
belli sayda noktaya uramas gereken aralarn etkin ve verimli bir ekilde
kullanlmasdr. Ara rotalama olarak bilinen bu tr problemlerde ara kapasitesi
kst altnda toplam seyahat mesafesini ve dolaysyla da toplam maliyeti minimize
edecek uygun rotay belirlemek gerekmektedir. Ara rotalama problemi uzun yllar
boyunca hem aratrmaclarn hem de uygulamaclarn ilgisini ekmitir. Bunun
nedeni problemin zor ve ayn zamanda uygulama alannn geni olmasdr.[5]
17
BLM 2
2. KARINCA KOLONS OPTMZASYONU

2.1. Giri
Karnca kolonisi optimizasyonu doadaki gerek karnca kolonilerinden etkilenilerek
ortaya karlm meta sezgisel bir metottur. Karmak kombinasyonel problemlerin
zmnde kullanlr. Karmak kombinasyonel problemlere gnlk hayatta birok
alanda karlalabilir. Ekonomi, ticaret, endstri, mhendislik kimya bu alanlardan
bazlar olarak saylabilir. Fakat bu problemlerin uygulamalardaki zm ok
zordur. Bu tr problemler biliim alannda NP Zor problemler olarak bilinirler yani
bu tr problemleri polinomsal zamanda zebilen bir algoritmann olmadn
gsterir.
Bu tarz problemlerin zmnde birok pratik yaklamlar ve birok algoritmalar
oluturulmutur, Bu algoritmalar kesin ve yaklamsal olmak zere genel olarak iki
gruba ayrlabilirler. Kesin algoritmalar problemin en iyi zmn bulmak ve bunun
en iyi zm olduunu ispatlamak zerine konumlandrlmtr. Bu algoritmalar
backtracking, branch and bound, dynamic programming gibi rneklendirilebilir. Bu
kesin algoritmalarn kt taraf kullanlan tekniklerden de anlalaca gibi birok
problemde dk performans gstermesidir.
Fakat
birok
yaklamsal
algoritma
kombinasyonel
problemlerde
kesin
algoritmalarn aksine ksa zaman dilimlerinde yksek kalitede zmler ortaya

koyarlar. Optimizasyon problemleri ile bilim alannda olduu gibi sanayinin birok
alannda da karlalabilir. rnek olarak lojistik trafik ynlendirme rnek olarak
verilebilir; burada ama verimlilii arttrmak, ara kmelerinin mterilerin
taleplerini optimum dzeyde karlamalarn salamaktr. Biyoloji alannda kendi
dngsnde oluan proteinlerin yapsnn belirlenmesi de nemli bir problemdir.
Buna benzer problemler farkl alanlarda oaltlabilir. te optimizasyon bu tarz
problemlerin zmnde geni kapsaml aratrmalar ve zm algoritmalarn
ierir.
18
Kombinasyonel Optimizasyon(CO) Problemleri[18] optimizasyon problemlerinin

zel bir alt kmesidir. Bu problemde problemdeki nesnelere bir maliyet deeri atanr
ama fonksiyonu ise arama alannda en az maliyetle nesnelere ulamaktr.
Kombinasyonel Optimizasyon problemlerinde optimum zm garanti eden
algoritmalar mevcuttur fakat bu algoritmalar genellikle ok byk hesaplama
maliyetlerine sahiptir. zellikle NP-Zor Optimizasyon problemlerinde optimum
zm bulmak iin geen sre olduka fazladr. Bu yzden bu tarz problemlerin
zmnde yaklamsal algoritmalar kullanlr. Bu algoritmalar nemli lde daha
ksa srede doru sonular sunar.
Karnca algoritmalar optimizasyon alanndaki son gelimeleri yanstr. Bu
algoritmalar doadaki vahi karncalardan ilham alr.[23] Bu algoritma Koloni
iindeki karncalar arasnda feromon salglanmas ile dolayl iletiimin salanmas
ilemidir.
2.2. Sr Zekas
Karnca algoritmalar yapay zek sistemi ierisinde sr zeks ierisinde yer alr.
[20] Sr zekas zerk yapdaki basit bireyler grubunun kolektif bir zek
gelitirmesidir. Bu ise stigmergcy [21] (dolayl iletiim olarak ta bilinir) yani
ortamdaki etmenlerin ortama mdahale ederek iletiim kurmalar ve birbirlerinin
hareketlerini dzenlemeleri ve Self-Organization(kendinden organizasyon) denen
iki mekanizma zerine kuruludur. Stigmercy vastasyla iletiim, bireyler yaptklar
ilerle ortamda deiiklie sebep olarak salanrken kendinden organizasyon
yardmyla nceden yaplm herhangi bir plan olmadan sonu retebilmelerini,
esnek ve salam merkezi bir birim olmadan yaplanmalarn salar.
Bu gerek yaamdaki ortak zeka zerine kurulu bir ok algoritma bulunmaktadr,
rnek olarak bcek ve arlarn toplu olarak gelitirdikleri zmler verilebilir.
Orijinal karnca kolonisi algoritmalarnn baars ilk olarak Dorigo ve arkadalar
tarafndan nerilmitir(1996).Bu baarnn ardndan bilinen ilk genel amal
optimizasyon teknii Karnca kolonisi optimizasyonudur. Daha sonradan algoritma
19
eitli sezgisel yaklamlarla gelitirilmitir. [22] Bu sezgisel yaklamlara benzetimli

tavlama(simulated annealing) [24],tabu arama [25] ve yerel arama[26] da dahil
edilmitir.
2.3. Karncalarn Yiyecek Arama Mekanizmas
Birok karnca tr yiyecek yuva ve dier karncalar arasndaki en ksa mesafeyi
bulmada olduka yeteneklidir. Birok karnca tr krdr. Yuva ile yiyecek kayna
arasnda ilerlerken yola feromen ad verilen kimyasal bir sv srerler. Eer yolda hi
feromen kimyasal yok ise karncalar rastsal olarak ilerlerler. Ama koku aldklarnda
da bu kokuyu takip etme eilimi gsterirler. Biyologlarn yaptklar aratrmalarda
karncalarn ilerledikleri yol zerindeki feromen miktarnn ok fazla olduu tespit
edilmitir ve karncalar yollarn bu feromen kokusuna gre tayin etmektedirler
feromen miktar ne kadar fazla ise yolun cazibesi o kadar art gstermektedir. Bu
davran karncann yuva ile yiyecek kayna arasndaki en ksa yolu tanmlamasna
olanak salar. Peki, bu mekanizma karncalarn en ksa yolu bulmasna nasl izin
verir.
ekil 2.1. Karncalarn yol bulma ileminin ematik gsterimi (ekil [27] den
alnmtr.)
20
ekil 2.1 deki diyagramda yuva ile besin kayna arasnda iki yol gzkmektedir.
stteki yol daha ksa alttaki yol daha ona gre daha uzun bir yoldur. Yaplan
deneyde karncalar yiyecek aramalar iin brakldnda karncalarn yars stteki
ksa yolu dier yars da alttaki uzun yolu tercih etmilerdir.( ekil 2.1 a)
stteki yolun daha ksa olmas nedeniyle karncalar yiyecee daha ksa srede
ulamaktadr.( ekil 2.1 b)
Karncalar besin kaynana ulatktan sonra bu yola feromen srerek yuvaya tekrar
geri dnerler ve bu feromen izlerini takip ederek yiyecee ularlar.(ekil 2.1 c)
Bu ekilde st yolda biriken feromen miktar daha fazla olacaktr. Bu yzden
karncalarn stteki yolu takip etme olaslklar daha fazla olacaktr. Bu ilem
sonunda en ksa yol iin st ksmda bulunan yola bir yaknsama elde edilir.
Algoritma ilk olarak Travelling Salesman Problem (TSP) Gezgin Satc Problemine
uygulanm ve iyi sonular elde edilmitir.
2.4. Yapay Karncalarn zellikleri
Yapay karncalarla ilgili temel zellikler u ekilde sralanabilir. [28]
-
Verilen problemin olas zmlerinde maliyeti en dk olan zm

aratrr.
Her yapay karnca getii yollar tutan dahili bir hafzaya sahiptir.
Balang durumundan itibaren verilen problem iin her karnca uygun

sonular retmeye alr. Arama uzay zerinde yinelemeli olarak sonular
retirler.
Bir karncann Si durumundan Sj durumuna hareketi srasnda bir gei kural

rehberlik etmektedir. Bu kural probleme zg olarak bir takm kstlar
ierebilir.
Her karncann sahip olduu feromen miktar probleme zg feromen

gncelleme kuralna gre yaplr.
Karncalarn depolayacaklar feromen miktar durum ve durum geileri ile

ilgilidir.
21
Feromen
depolanmas
zm
oluturulurken
her
durum
geiinde
gerekletirilir. Buna adm adm feromen izi gncellemesi denilir.

-
Algoritma hedeflenen duruma ulalnca sonlandrlr.
Bu zelliklere ek olarak yapay karncalarn performanslarn arttrmak doal

karncalarda olmayan ek zelliklere sahip olabilirler. rnek olarak Yerel Arama[26]
ve Aday Listesi [22] rnek olarak verilebilir.
Problem zmnde Daemon (Arka Planda alan) Uygulamalar algoritmalara
eklenmitir. Bu uygulamalar karncalara algoritmalarn alma zamannda
ynlendirme etkisi yapar ve algoritmay hzlandrr. Bu uygulamalara rnek olarak
her iterasyonun sonunda en iyi sonuca feromen eklenmesi verilebilir.
2.5. Normal Karncalar ve Yapay Karncalarn Karlatrlmas
-
Koloni elemanlar verilmi olan grevi birbirleri ile etkileimli olarak ibirlii
yaparak zme ulatrr.
Hem yapay hem de doal karncalar feromen kokusuna bal olan iletiim ile
evrelerini deiiklie uratrlar.
Hem doal hem de yapay karncalar yuvaya ulama, yiyecee ulama gibi
ortak bir grevi paylarlar.
Hem doal hem de yapay karncalar zme tekrarl yerel aramalarla

ulamaya alr.
Yapay karncalarda feromen bilgisi dnda ek problem parametreleri de

algoritmann ierisine dahil edilir.
Yapay karncalar doal karncalardan farkl olarak izledikleri yolu tutan bir
hafzaya sahiptir.
Yapay karncalarda braklan feromen miktar sabit kabul edilirken bu deer

doal karncalarda farkl olabilir.
Feromen buharlamas doada yapay karncalardan farkl olarak gerekleir.
22
2.6. Orginal Karnca Sistemi

1996 ylnda Dorigo tarafndan gelitirilmitir. TSP Gezgin satc problemi zerinde
iyi sonular retmitir. Gezgin satc problemi M adet ehir iin tm ehirleri sadece
bir kez gezerek en ksa mesafeyi bulma problemidir. klit teoremi Gezgin Satc
Probleminde i ve j ehirleri arasndaki mesafeyi bulmak iin kullanlr.
=
(2.1)
Sistemde bulunan her karnca u zelliklere sahiptir.

Karncann bulunduu ehirden hangi ehre gidecei bir gei kural ile belirlenir. Bu
kural mevcut ehirle bal ehirlerarasndaki uzaklk ve mevcut ehirle bal
ehirlerarasndaki feromen miktarnn bir fonksiyonudur.
Geilerin yapld ehirler tabu listesinde tutulur. Bu ekilde bu ehirlerin tekrar
ziyaret edilmesi nlenir.
Bir tur tamamlandnda karnca feromen izini ziyaret ettii her yola srer.
Karncalar kesikli srelerde hareket ederler.(t,t+1) Aralnda tm N karnca bir
ehirden dier bir ehre hareket ederler. Karncalar n iterasyonun ardndan feromen
gncellemesi gerekletirirler. Bu gncelleme u ekilde ifade edilebilir.
+ = 1 +
=1
(2.2)
(0,1] deer alr ve buharlama miktarn gsterir. k. Karncann t ve t+n
zamanda (i,j) yoluna srd feromen miktardr.
, ,
0

23
(2.3)
Q:sabit bir deer

: k. Karncann bulduu tur uzunluu
: Sezgisel bilgi grnrlk olarak bilinir 1 feromen izinden farkl olarak bu
deer algoritma boyunca deiiklie uratlmaz.

() :Tabu listesi nceki ve u andaki ziyaret edilen ehirlerin listesini tutar.
k. karncann i ehrinden j ehrine hareketini belirleyen olaslk younluk
fonksiyonu u ekildedir,
(2.4)
{M- } Tabu listesinde gidilmeyen ehirlerin listesini ifade eder. ve

ayar parametreleridir.
2.7. Karnca Algoritmalar ve Hesaplamal Optimizasyon Teknikleri
Gezgin Satc Probleminde baarl sonular reten AS algoritmas ACO Karnca
kolonisi Optimizasyonu sezgisellerinin gelimesinde katkda bulunmutur. [22]
Karnca
Kolonisi
Optimizasyonu
sezgiseli
Kombinasyonel
Optimizasyon
Problemlerinin zmnde genel yntemler ortaya koymutur. Bu sebeple Karnca

Kolonisi Optimizasyonu sezgiselinin tm zel uygulamalar karnca algoritmalar
olarak
adlandrlmasna
ramen
karnca
optimizasyonunu tam olarak karlamaz.
24
algoritmalar
karnca
kolonisi
2.7.1. Karnca Kolonisi Optimizasyonu Sezgiseli

Karnca Kolonisi Optimizasyonu ana fonksiyon zerine kurulmutur(Algoritma
1).
KarincaCozumuOlustur(), karncalar problemdeki komu dmlere belirlenen gei
kuralna gre sral bir biimde sonu retirler.
FeromonGuncelle(), feromen izi ya her iterasyonda ya da zm oluturulduktan
sonra gncellenir. Feromen izi gncellemesinin yan sra Karnca kolonisi
optimizasyonu feromen izi buharlamas da gerekletirmektedir. Bu ilemle bulunan
kt sonularn olas zmlerden karlmas salanmtr. Buharlama ileminden
kast, her iterasyon ilemi sonras yollar zerindeki feromen miktarnn belli bir
oranda azaltlmas kastedilmektedir.
ArkaPlanEylemleri(), kresel bir bak asyla ek gncelletirmeleri ierir. stee
bal bir admdr. Bu ileme retilen en iyi yol zmne ek feromen ekleme ilemi
verilebilir. Bu ileme evrim d feromen gncelleme denilir.
Algoritma 1
ParametreleriBelirle
While sonuc durumuna ulasana kadar
Zamanlama Etkinlikleri
KarincaCozumuOlustur()
FeromonGuncelle()
ArkaPlanEylemleri()
Bitir Zamanlama Etkinlikleri
Bitir While
Gelimi ACO Algoritmalar

Karnca
Sistemi
algoritmasnn
ardndan
Karnca
Kolonisi
Optimizasyonu
algoritmasna birok gelitirmeler eklenmitir. Bunlar u ekilde sralanabilir.
25
2.7.2. Max-Min Ant System

Max-Min Karnca Sistemi (MMAS) [30] , karnca sistemi algoritmasndan iki
ynyle ayrlr.
-Sadece en iyi yolu bulan karnca feromen izini gnceller ve feromen gncelleme
fonksiyonu u ekilde deitirilmitir.

+ =
1 +
=1
(2.5)
, ,
0
,
(2.6)
, alt ve st feromen snrlarn gsterir.

Gncelleme fonksiyonu x olmak zere bu fonksiyonun alt ve st limitleri u ekilde
belirlenir.
> ,
= < ,

(2.7)
:Karncann bulduu en iyi tur uzakldr.

2.7.3. Karnca Kolonisi Sistemi
Karnca kolonisi sisteminde [29] algoritma dier algoritmalardan feromen
gncelleme fonksiyonuyla farkllk gsterir. Doal karncalarn davranndan farkl
olarak yerel feromen gncelleme ilemi uygulanr. Yerel feromen gncellemesi u
ekildedir.
26
= 1 + 0 ,
(2.8)
(0,1] bir deer almaktadr.( pheromone decay coefficient)

0 : Feromen balang deeridir.
Max-Min Karnca Sisteminde olduu gibi bu algoritmada da gizli feromen
gncellemesi grlr. Bu gncelleme en iyi yolu bulan karncann bulduu yola
feromen eklenmesi ile gerekletirilir. Bu feromen gncellemesi fonksiyonu u
ekilde ifade edilir,
=
1 + ,
0
,
(2.9)
=1
ve : En iyi yol uzunluu
Karnca kolonisi sistemi farkl bir gei fonksiyonu olan rastgele orant kuraln
kullanr.
k karncas i durumunda ve 0 [0,1] arasnda deer alan bir parametre, q [0,1]
arasnda deer alan rastgele deer olmak zere sonraki durum olan j durumuna gei
iin u olaslk kural uygulanr,
If q 0 :
1 = ()
=
0

(2.10)
else > 0 2.4

2.7.4. Sra Tabanl Karnca Sistemi
Sra tabanl karnca sistemi ( ) [32] feromen gncelleme ilemi zerinde bir
sralama ilemi gerekletirir. N adet karnca bulduklar zmlerin kalitesine gre
sralanr. rnek olarak (1 2 ).Feromen izi evrimd olarak arka
planda 1 en iyi karnca yolu zerinde alan eylemler tarafndan gerekletirilir.
27
Depolanan feromen miktar direk olarak ilgili karncann srasna() ve bulduu

zmn kalitesine baldr. Ayrca global en iyi sonucu reten karncann bulduu
yola ( ) bu yolun kalitesi miktarnca feromen eklenir.
Feromen gncelleme fonksiyonu u ekildedir,
= + + ,
1
=1
(2.11)
(2.12)
, ,
,
,
=
0
.
(2.13)
2.8. Karnca Algoritmalar Karlatrmas

Tablo 1 de gsterilen sonular [30] drt karnca algoritmasnn performanslarnn
karlatrmasn gstermektedir. Bu performanslar her bir algoritmann farkl
boyuttaki gezgin satc problemi zerindeki sonular zerinden hazrlanmtr. Bu
karlatrmadan da grld gibi MMAS algoritmas en iyi sonucu retmektedir.
Bu algoritmay Karnca kolonisi sistemi(ACS), nc srada yer alrken
karnca sistemi (AS) algoritmas bu algoritmalar ierisinde en kt sonucu retir.
izelge 2.1. Karnca Algoritmalar Karlatrlmas
rnek
En yi
MMAS
ACS
eil51
426
427.6
428.1
434.5
437.3
kroA100
21282
21320.3
21420.0
21746.0
22471.4
d198
15780
15972.5
16054.0
16199.1
16702.1
28
AS
2.9. Karnca Algoritmalarnn Gemiteki ve Gnmzdeki Uygulamalar

Karnca
Algoritmalar farkl alanlardaki birok farkl probleme
baaryla
uygulanmtr. Endstri alannda da giderek yaygnlaan bu zm yntemleri gerek

dnyada karlalan problemlerde de baarl sonular retmitir.
Daha ncede belirtildii gibi karnca algoritmalar NP-Zor kombinasyonel
optimizasyon problemleri iin olduka uygundur. lk uygulamas Karnca Sistemi
algoritmas olup yine bir NP-Zor problem olan Gezgin Satc Problemi zerinde
uygulanmtr. Gezgin satc probleminin kst en ksa yol problemidir.
Gezgin Satc Probleminin ardndan algoritma farkl problem trlerine de
uygulanmtr. Bu problemler NP-Zor problemlerden olan ikinci dereceden atama
problemleri (Quadratic Assignment Problem (QAP)) [23] ve planlama
problemlerine (Job-Shop Scheduling Problem) [19] uygulanmtr.
Karnca Algoritmalarnn zmnde kullanld bir dier problem veri paketlerinin
a zerinde ynlendirme problemidir. Bu problem sistemin zellikleri zaman
ierisinde deiebilen en ksa yol problemidir. [33]
Karnca algoritmalarnn zmnde kullanld balca uygulamalar Ara Rotalama
Problemi [34],izge Renklendirme [35],Kme Kaplama [36] problemleridir.
zellikle ara rotalama problemi ile sanayi arasnda gl bir iliki vardr. irketler
gerek dnyadaki eitli ara rotalama senaryolarnn zm iin karnca
algoritmalar zerine dayandrdklar aralar gelitirmilerdir. Bunlara iki zel
uygulama olan DyvOil ve AntRoute rnek olarak verilebilir.[37]
DyvOil akaryakt sat ve datm planlama sreci destekleyen bir uygulamadr.
DyvOil evrim d bir modl karnca algoritmalarn kullanarak statik ara
rotalama problemlerinin zmnde kullanlr. Bir sonraki gnn ara turlarn
planlamak iin her akam uygulama altrlr. Bu uygulama svire deki akaryakt
datm irketi olan Pina Petroli test edilmitir. Bu teknikle insan gc kullanlarak
yaplan planlara gre %30 lara varan ara rotalama performans elde edilmitir. [37]
29
Bu verimlilik karnca kolonisi sistemi kullanlarak dinamik ara rotalama

problemlerinde de gzlenmitir.
AntRoute svire merkezli spermarket olan Migrosta tedarik zincirinde kullanlmak
zere tasarlanm olan benzer bir uygulamadr. MACS-VRPTW [38] dayanan bir
algoritmadr. svire genelinde spermarketler ara datm turlarn hesaplamak iin
bu uygulamay kullanrlar. Bu uygulama da insanlarn yapt planlama ilemlerine
gre daha iyi sonular retmitir. Gnmzde karnca algoritmalarn kullanld
uygulamalarn kapsam arttka yeni uygulamalar ile karnca algoritmalarnn da
nemi nemli lde artmtr.
Bunun yannda son zamanlarda gncel birok problem uygulamasnda karnca
algoritmalar kullanlmaktadr. Bu uygulamalara srekli optimizasyon problemleri
[39],paralel ileme uygulamalar [40] rnek olarak verilebilir.
Srekli optimizasyon problemleri karnca algoritmalar iin farkl yapdaki
problemlerdir
nk
karnca
algoritmalar
genellikle
kesikli
optimizasyon
problemleri iin gelitirilmitir.[22] Bu tarz problemler iin karnca kolonisi

optimizasyonu sezgiselleri gelitirilmitir.
2.10. Gelimi Karnca Algoritmalar

Yakn zamanlarda karnca algoritmalarn ieren aratrma ve gelitirmelerin artmas
geni kapsaml daha zel karnca algoritmalarnn oluturulmasna zemin
hazrlamtr. Bu algoritmalar grnt ileme, hesaplamal biyoloji, veri madencilii
gibi birok alanda kullanlmtr.
Dijital grnt ileme ile ilgili bilimsel alanda birok yntem mevcuttur. Buna
ramen makine renmesi ve yapay zek teknikleri grnt ileme yntemleri
ierisinde kullanlmaktadr. Karnca algoritmalarnn grnt ileme teknikleri
ierisinde kullanlmas yeni bir yntemdir. Karnca algoritmalar temel dk
seviyeli resim blmleme ve snr alglama yntemlerinde kullanlmtr. Bu ilem
30
iin eitli sezgisel ilemler gelitirilmitir. Karncalarn bir sonraki piksel

seimlerinde olaslksal bir younluk arlk fonksiyonundan faydalanlr. Buradaki
ama fonksiyonu pikseller arasndaki en byk deiimin olduu pikselleri
bulmaktr.
Ek olarak kendi dorusal dizgisinde proteinin yapsnn belirlenmesi hesaplamal
biyolojide NP-Zor bir problemdir ve ok fazla hesaplama maliyetine sahiptir. Bu
hesaplama maliyeti sebebiyle arama alann basitletirmek iin eitli modeller
gelitirilmitir.
Bu
modeller
ierisinde
de
Karnca
algoritmalarndan
faydalanlmaktadr.
Veri Madenciliinde genel ama bilgi karsamadr. ok byk veri kmelerinden
veriler arasndaki ilikilerin bulunmas ve eitli tasarm rntlerinin karlmasn
salamaktadr. Veri madencilii algoritmalar snflandrma, kmeleme, tahmin etme
gibi ilemleri ierir. Karnca algoritmalar da bu ilemlerden snflandrma ilemleri
ierisinde kullanlmaktadr.
Karnca Algoritmalar bilim ve sanayi gibi farkl alanlarda birok teorik ve pratik
problem zerinde uygulanmaktadr.
31
BLM 3
3. KMELEME ANALZ
3.1.
Giri
Kmeleme ilemi verinin anlaml ve faydal gruplara ayrlmas ilemidir. Byk

boyutlardaki verilerin zetlenmesinde sklkla kullanlr. Kmeleme ilemi teorik ve
pratik birok alanda yaygn olarak kullanlmaktadr. Biyoloji, rnt tanma,
istatistik, bilgi karsama, veri madencilii ve makine renmesi gibi pozitif bilimler
de kullanld gibi psikoloji gibi sosyal bilimlerde de kmeleme ileminden
faydalanlmaktadr. Kmeleme analizinin birok problem zerinde uygulamalarna
rastlanmaktadr.
Kmeleme ile veriler anlaml nesne gruplar haline dntrlmektedirler. Bu ilem
insanlarn doay anlamalarnda nemli katklar salamtr. Bu ekilde doadaki
canllar ortak zelliklerine gre kmeleme yoluna gidilerek snflarn aratrlmas
ilemi gerekletirilmitir. nsan nesneleri eitli gruplara ayrma da ve benzer
nesneleri bu gruplara atamada doal bir yetenee sahiptir. Bu ileme rnek olarak
kk bir ocuun grd resimdeki nesneleri insanlar, hayvanlar bitkiler gibi
etiketlendirmesi verilebilir.
3.2.
Kmeleme Analizi
Kmeleme analizi,1955 ylnda nesnelerin sahip olduklar karakteristik zelliklerini

temel alarak gruplamak amacyla ortaya km yntemler topluluudur. Kmeleme
analizinde ama fonksiyonu ayn grup ierisindeki verilerin birbirleri ile ilikili
olmas ve farkl gruplar altnda tanmlanan verilerin birbirinden farkl olmasn
salamaktr. Bu ilem verileri tanmlayan ve birbirleri ile olan ilikilerini ortaya
koyan parametreler nda gerekletirilir.
Eer ama anlaml gruplar ise, bu durumda kmeler verinin doal yapsn
yakalamaldr. Bu sebeple kmeleme analizinin uygulama admlar yle olmaldr;
32
1) Deikenlerin doal gruplamalar hakknda kesin bilgilerin bulunmad veri

setlerinden alnan n sayda birimin p sayda deikenine ilikin gzlemlerin
elde edilmesi, yani veri matrislerinin belirlenmesi,
2) Deikenlerin birbirleri ile olan benzerliklerini ya da farkllklarn gsteren
uygun bir benzerlik ls ile deikenlerin birbirlerine uzaklklarnn
hesaplanmas yani benzerlik ve farkllk matrislerinin belirlenmesi,
3) Uygun kme yntemi yardm ile benzerlik/farkllk matrisine deikenlerin
uygun sayda kmelere ayrlmas,
4) Elde edilen kmelerin yorumlanmas ve bu kmeleme yapsnn dorulanmas
iin gerekli analitik yntemlerin uygulanmas.
Bu admlamalardan da anlalaca gibi kmeleme analizi ile ok sayda deiik ilev

yerine getiren farkl yntemler kullanlabilir. Ayrca deikenlerin l birimlerinin
ve lmleme tekniklerinin farkl olmasndan dolay birimlerinin benzerliklerinin
ortaya konmasnda da deiik ller kullanlr.
Kmeleme analizi, drt ana amaca ynelik ilemler gerekletirmektedir.

1) n sayda nesnenin, p deikene gre saptanan zellikleriyle, kendi ierisinde
trde ve yine kendi aralarnda farkl alt gruplara ayrmak,
2) p sayda deikeni, n sayda birimde saptanan deerlere gre ortak zellikleri
aklad varsaylan alt kmelere ayrmak ve ortak faktr yaplar ortaya
koymak,
3) Hem birimleri hem de deikenleri birlikte ele alarak ortak n birimi p
deikene gre ortak zellikli alt kmelere ayrmak,
4) Birimleri, p deikene gre saptanan deerlere gre, izledikleri biyolojik ve
tipolojik snflamay ortaya koymak.
33
3.3. Kmeleme Analizinin Kullanm Alanlar

Verileri anlamlandrma ve ok byk verilerden bilgi karsama noktasnda kmeler
snflar gsterir ve kmeleme analizi de olas bu snflarn otomatik olarak
bulunmasna ynelik tekniklerin btnn ierir. Kmeleme analizinin Biyoloji,
iklim etkileri, psikoloji, tp, ticaret ve milyarlarca veri ieren internet gibi youn
yaplardan bilgi karsamasnda kullanlmaktadr.
zellikle internet zerinde bulunan milyarlarca web sayfas zerinde arama
motorlarnn daha hzl ve doru veriler dndrebilmesi iin kmeleme analizinden
faydalanlmaktadr. Kmeleme bu verilerin gruplara ayrlmasnda kullanlr ve her
grupta kendi ierisinde alt gruplara ayrlarak benzer verilerin bir arada bulunmas
salanm olur. rnein son kullancnn arama motoru zerinde yapt bir film
sorgusu iin bu film ynetmenleri, oyuncular, film zetleri gibi kme gruplar
ierisinde son kullancya daha hzl ve doru bilgi sunulmu olacaktr.
Yine biyologlar yllardr hiyerarik snflandrmalarla uramlardr. Snf, aile, cins,
tr gibi gruplar zerinden canllar snflandrma yoluna gitmitir. Son zamanlarda
kmeleme analizi biyologlar tarafndan byk boyuttaki gen bilgileri zerinde
uygulanmakta ve ayn zellie sahip genlerin bulunmasnda kullanlmaktadr.
klimlerin ve hava durumu tespitinde atmosferdeki ve yeryzndeki hareketlerden
baz rntlerin karlmas gerekmektedir. Yaplan kmeleme analizleri ile kutupsal
blgelerdeki atmosferik basnlara ilikin rntlerin ve kara iklimine nemli etkisi
bulunan okyanus alanlarnn tespit edilmesinde kullanlmtr.
Tp ve Psikoloji alannda da kmeleme analizi ska kullanlmaktadr. Bir hastala
ait eitliliklerin ortaya karlmasnda kullanlmtr. Bu ekilde depresyonun birok
tr yaplan almalarda ortaya karlmtr. Hastalklarn zaman veya belirli bir
alan iindeki dalmlarna gre eitli rntlerin ortaya karlmasnda da
kullanlmaktadr.
Kmeleme ayn zamanda potansiyel mterilere ait byk miktardaki verilerin kk
alt gruplara ayrlarak bilgiler zerinde analiz ve pazarlama ilemleri yrtlmesine
olanak salamaktadr.
34
3.4. Kmeleme Analizi ile Veriler zerinde Yaplan lemler

Kmeleme Analizi ile zetleme, Veriyi sktrma, Komuluklarn verimli bir ekilde
bulunmas, Veriden faydalanma gibi ilemler yaplabilir.
Veri analizi yaparken birok teknik kullanlmaktadr. Bunlar Regresyon, PCA gibi
daha da oaltlabilecek yntemlerdir. Ancak var olan bu yntemler ile ok byk
veri tabanlar zerinde yaplacak ilemler yksek karmakla sahiptirler. Bu
algoritmalarn kullandklar bellekte fazla olmaktadr. O( m2 )
(m veri saysn
gstermektedir)
Bu yzden bu yntemler byk miktardaki veri setleri iin uygulanabilir deildirler.
Bu nedenle algoritmay tm veri seti yerine uygulamak yerine veri setini temsil eden
bir alt grubuna uygulamak hem daha hzl hem de daha etkili sonular retecektir.
Elde edilecek analiz sonular algoritmann uyguland alt grubun kmeyi temsil
etme oranna, yaplan analizin trne, veri setinden alnan ve bu veri setini temsil
eden rnek saysna gre deiiklik gsterir. Bu kstlar ne kadar iyi seilirse alt
gruba uygulanacak olan analizin sonucu gerek veriye uygulanan analizin sonucuna
o kadar yakn olur.
Kmeleme analizi veri seti zerinde soyutlama yapmamza da imkn salar. Bu
ekilde bir kmeyi temsil eden rneklerin karlmasn salar. Bu ekilde daha rahat
analiz ve veri ileme tekniklerinin uygulanabilmesi salanr. Bu nedenle kmeleme
analizini veri setini en iyi temsil eden rneklerin bulunmasnda yaygn olarak
kullanlr.
Kmeleme analizi ile yine karmak bir problem olan en akn komuluun bulunmas
ilemi daha verimli hale getirilmitir. En yakn komuluk karlkl olarak tm
noktalarn arasndaki mesafelerinin bulunmasn gerekli klmaktadr. Bu ilem
kmeleme analizi ile nesnelerin kmeyi temsil eden rneklere olan uzaklklarna
gre deerlendirerek yaplacak olan hesaplama says azaltlabilir. Eer iki kmeyi
temsil eden kme rnekleri birbirinden sezgisel olarak uzakta ise bu iki nesnenin
birbirinin komuluunda olma olasl ok dktr. Yani bir nesnenin en yakn
komuluunu bulmak iin yalnza yakn kmeler iindeki nesnelere olan uzakln
35
bulmak yeterli olacaktr. Bu karsamay iki kmenin arasndaki uzakln kmeyi en

iyi temsil eden rneklerinin arasndaki uzakla bal olmasndan elde ediyoruz.
Kmeyi temsil eden rnekler verinin sktrlmas iinde kullanlmaktadr. Bu ilem
iin her kmeyi temsil eden rneklerin bir tablosu oluturulur ve her rnee
tablodaki yerini gsteren bir indeks deeri verilir. Her veri, kmesi ile ilikili
temsilci rnein indeks deeri ile temsil edilir. Bu ilem youn olarak ses ve grnt
verileri zerinde uygulanmaktadr. Bu veriler de tekrar eden verilerin says fazladr
bu yzden oluan veri kayb kabul edilebilir bir seviyede yani grnt zerinde gz
ile alglanamayacak seviyededir. zellikle internet zerindeki veri aktarm
ilemlerinde genellikle tercih edilen bir durumdur.
Kmeleme ileminde oluan kmelemenin doruluu kmeleme algoritmalarnca
retilen kmelerin geerlilii ile ilgilidir. Kmelemede genel olarak iki ilem
zerinde durulmaktadr. Bunlar bir veri setini kmelemenin yollar ve oluan
kmelerin trleridir.
ekil-1 de ayn veri seti zerinde farkl kme saylarnn dalm gsterilmitir. Bir
veri setindeki kme saysn belirlemenin farkl yntemleri bulunmaktadr. ekilde
20 noktann farkl saydaki kme rnekleri verilmitir.
ekil 3.1 Ayn Veri Seti zerindeki Farkl Kme Saylar (ekiller [42] den
alnmtr)
36
ekil-1 (b) de veri ncelikle iki ve ekil-1 (d) de alt alt kmeye ayrlmtr. ekil-1
(c) de veri drt alt kmeye ayrlmtr. Grld gibi bir veri setinin sahip olduu
kme says verilerin yapsna ve arzu edilen sonulara gre deiiklik gsterir.
Kmeleme bir eit snflandrma olarak dnlebilir. Snflarn etiketlerine gre
nesnelerin etiketleri oluturulur. Kmeleme bu bilgiyi veriden alr. Yaplan
snflandrma bir reticili snflandrmadr. Yani yeni ve etiketlenmemi veriler,
daha nceden bilinen snf etiketlerinden oluturulmu bir model araclyla birer
snf etiketine sahip olurlar.
Kmeleme analizi kimi zamanda reticisiz snflandrma olarak ta nitelendirilir.
Yani veri setinden oluacak olan kme says daha nceden belirlenmeksizin verinin
yapsna gre ekillenir. Aksi belirtilmedii ekliyle snflandrma ileminde
reticili snflandrma iaret edilmektedir.
3.5. Kmeleme Trleri
Kmeleme Hiyerarik(i ie), ie olmayan, rten, Bulank, Tam, Ksmi, Sekin
gibi trlere sahiptir. Bu trler daha iyi anlatlabilmesi iin birbirleri ile karlatrmal
olarak anlatlma yoluna gidilmitir.
3.5.1. Hiyerarik( ie) Kmeleme ve ie olmayan Kmeleme
ie olmayan kmeleme bir veri setinin yelerinin rtmeyen alt kmelere
ayrlmas ilemidir. Yani her veri sadece bir kmeye aittir.
Kmelerin alt kmelere ayrlmas durumunda hiyerarik kmeleme yapm oluruz.
Nesnelerin analiz edilmeden nce, hiyerarik bir yapya gre dzenlenmesidir.
Hiyerarik kmeler aalar eklinde organize edilmi i ie gemi alt kmelerden
oluur. Yaprak dmler dnda aataki her bir dm, kendi alt kmelerinin bir
birlii ve aacn kk ise tm nesneleri ieren bir kmedir Hiyerarik kmeleri aa
eklinde tasarlanm i ie gemi kmelerin bir birleimi olarak tanmlayabiliriz.
37
Yaprak dmler dndaki her bir dm kendi alt kmelerinin bir birlii aacn
kk de tm nesneleri ieren bir kmedir.
3.5.2. Sekin, rten ve Bulank Kmeleme
Bir verinin; sadece bir kmeye ait olma durumunu sekin kmeleme olarak, birden
fazla kmeye ait olma durumunu da rten kmeleme olarak tanmlyoruz. rten
kmeye ait olarak bir niversite de hem renci olan hem de niversitede alan bir
kii rnek olarak verilebilir. Bulank kmeleme de veri belli bir arlk deeriyle tm
kmelere ait olmaktadr. Bu deer [0,1] arasnda deerler almaktadr. Yani veri
belirli bir olaslk deeri ile o kmeye aittir. Bulank kmelemede toplam arlk
deeri 1dir.
Bulank kmeler sekin kmelere dntrlebilir. Bu ilem verinin arlk deerinin
en fazla olduu kmeye aktarlmas ile gerekletirilir.
3.5.3. Tam Kmeleme ve Ksmi Kmeleme
Tam kmelemede veri setindeki her veri bir kmeye atanrken, ksmi kmelemede
veri seti ierisindeki baz veriler hibir kmeye ait olmakszn dlanrlar. Bu tr
veriler veri seti iindeki grltler olarak bilinir. rnek olarak zerinde ilem yaplan
resim verisi iin anlaml olmayan bir arka plan verisi hibir kmeye dahil edilmeden
dlanr. Bylece kmelerin kalitesi arttrlm olur.
3.6. Kme Trleri
Kmelemede ama veriyi faydal gruplara ayrmaktr. Buradaki fayda veri analizinin
hedefleri tarafndan tanmlanr. Bu fayda deerine gre kmeler farkl ekillerde
grsellik gsterebilirler. Buda farkl kme trlerinin olumasna olanak salar. Bu
kme trleri genel olarak iyi ayrlm, rnek tabanl, izge tabanl, younluk tabanl,
kavramsal kmeler olarak sralanabilir.
38
3.6.1. yi Ayrlm Kmeler

Bu tr kmelerde kme ierisindeki her bir veri ayn kme ierisindeki bir dier
veriye benzer ve yakn iken kme dndaki verilerden uzak ya da bu verilerden
farkldr. Kme iindeki verilerin birbirleri ile olan ilikilerinin belirlenmesinde yani
bir verinin dier bir veriye olan yaknlnn hesaplanmasnda belirli bir eik deeri
kullanlr.
Farkl gruplar iinden rastgele alnan iki nokta arasndaki uzaklk ayn grup
ierisinden alnn herhangi iki nokta arasndaki uzaklktan daha fazladr. yi aylm
kmelerin belirli bir ekilleri yoktur. Kre gibi sabit bir ekle sahip olmak zorunda
deildirler.
3.6.2. rnek Tabanl Kmeler
Bu tr kmelerde kme ierisinde bulunan her bir veri kmeyi temsil eden bir rnek
zellii tar. Ayn kme ierisindeki verilerin karakterleri o kmeyi temsil eden
verinin karakteri ile ayn iken farkl kmeleri temsil eden verilerin karakteri ile farkl
bir karakter gsterir. Srekli zellik gsteren veriler iin kmeyi temsil eden veri o
kmedeki deerlerin aritmetik ortalamalarnn alnmas ile elde edilir. Kmedeki
verilerin aritmetik ortalamalarnn anlaml olmad durumlarda yani veri kategorik
zelliklere sahip bir veri ise veri setini en iyi temsil eden veri bir medoiddir. Yani
kmeyi en iyi temsil edecek noktadr. Birok veri seti iin bu veri kmenin merkezi
olarak dnlebilir. Bu yzden rnek tabanl kmelere merkez tabanl snflarda
denilir. Bu kmeler kresel bir ekle sahip olma eilimindedirler.
3.6.3. izge Tabanl Kmeler
Eer veri seti iinde bulunan her bir veri bu verinin kmedeki dier verilerle olan
ilikisini gsteren bir izge olarak temsil edilebiliyorsa kme bir bal bileen olarak
tanmlanabilir. Yani grup iindeki bir verinin yine grup iinde bulunan veri ile
arasnda balants olup grup dndaki verilerle arasnda herhangi bir balant
bulunmamaktadr. Komuluk tabanl kmeler izge tabanl kmelerin nemli bir
39
rneidir. Bu tarz kmelerde verinin komuluk iindeki veriye uzakl komuluk

dndaki veriden daha ksadr. Bu kmelerdeki dezavantaj birbirleri ile farkl
kmeler olsalar bile aradaki kk bir grlt verisi yznden ayn kmeymi gibi
birleebilirler.
Bu
kmelerde
rnek
tabanl
kmeler
gibi
kresel
olma
eilimindedirler.
3.6.4. Younluk Tabanl Kmeler
Nesne younluklarna gre yaplan gruplama ilemidir. Younluk tabanl
kmelemede alanlar veri younluunun fazla ve az olmasna gre belirlenir. Oluan
kmeler daha dk younluklu blgelerden ayrlan daha yksek younluklu
noktalarn bir kmesidir. retilen demetler birbirinden farkl ekillerde olabilir.
Birok kmeleme yntemi nesnelerin birbirleri arasndaki farkllklarna gre
kmeleme yaparken, bu metot nesnelerin younluuna gre gruplama yapar.
Younluktan kast, analiz edilen nesnelerin saysdr. Younluk bazl metotlara rnek
olarak DBSCAN verilebilir.
Younluk tabanl kmeleme gl bir yntem olmasndan tr istisna verilerden ve
grltl verilerden etkilenmez. Younluk tabanl kmeleme ilemi belirlenen veri
demetine son veri eklenene kadar devam eder bu aamalar srecinde younluk
parametresinin verilmesi gerekmektedir. Bir kmenin younluk tabanl tanmlanmas
daha ok kmeler dzensiz ya da birbirlerine gemi iken ve ayn zamanda veri
setinde grlt ve dlayanlar var iken kullanlr.
3.6.5. Paylalan Nitelik ve Kavramsal Kmeler
Bir kmeyi baz zellikleri paylaan veri setleri olarak tanmlayabiliriz. Paylalm
zellik yaklam yeni kme trlerini de kapsar. Ayn ortak nitelikleri paylaan veya
ksmi bir kavram sunar. Kavramsal kmeleme 1980li yllarda reticisiz
snflandrma teknikleri iin makine renmesi paradigmas ortaya koyar.
40
Klasik kmeleme tekniklerinden her oluturulan snf iin bir kavram tanmlamas
yaplmas ynnden ayrlr. Bununla beraber paylalm zellik yaklam yeni
kme trlerini de kapsar.
ekil-2 deki kmeleri ele alalm. Bir gensel alan(kme), bir dikdrtgensel alana
yakndr ve iki tane birbirine gemi daire(kme) vardr. Her iki durumda da, bir
kmeleme algoritmas kmeleri tespit edebilmek iin zel bir kme kavramna
ihtiya duyacaktr. Bylesi kmeleri bulma ilemi, kavramsal kmeleme olarak
adlandrlr.
ekil 3.2 yi ayrlm ve Merkez Tabanl Kmeler (ekiller [42] den alnmtr)
ekil 3.3. Komuluk Tabanl ve Younluk Tabanl Kmeler (ekiller [42] den
alnmtr)
41
ekil 3.4. Kavramsal Kmeler (ekiller [42] den alnmtr)
3.7. Kmeleme Teknikleri

Balca kmeleme teknikleri u ekilde sralanabilir. K-Ortalama, Toplamsal
Hiyerarik Kmeleme, DBSCAN bu tekniklerden yaplan uygulamada K-Ortalama
teknii kullanlmtr.
3.7.1. K-Ortalama Kmeleme
reticisiz bir yntem olan K-Ortalama kmeleme eldeki verileri zelliklerine gre
hibir snf bilgisi olmadan K sayda kmeye gruplama ilemidir. Bir prototip tabanl
ve ksmi kmeleme tekniidir.
K-Ortalama kmelemede ama, gerekletirilen blmleme ilemi sonunda elde
edilen kmelerin, kme ii benzerliklerinin maksimum ve kmeler aras
benzerliklerinin minimum olmasn salamaktr.
Kme benzerlii, kmenin arlk merkezi olarak kabul edilen bir nesne ile
kmedeki dier nesneler arasndaki uzaklklarn ortalama deeri ile llmektedir.
42
3.7.2. K-Ortalama lem Basamaklar

Adm 1:Algoritma da ilk olarak kme merkezleri belirlenir. Bu ilem iin iki farkl
yol vardr. lki veriler arasndan kme says kadar k adet rastgele nokta seilir. kinci
yol merkez noktalar tm verilerin ortalamas alnarak belirlenmesi ilemidir.
Adm 2:Her verinin seilen merkez noktasna uzakl hesaplanarak verilerin hangi
kme merkezine ait olduklar tespit edilerek o kmeye dahil edilir.
Adm 3:Oluan kmedeki verilerin aritmetik ortalamas alnarak yeni kme
merkezleri belirlenir ve bu yeni kme merkezleri eski kme merkezleri ile yer
deitirilir.
Adm 4:Merkez noktalar sabit kalncaya kadar adm2 ve adm3 tekrar edilir.
ekil 3.5. K Ortalama ilem basamaklar
43
Baz merkez ve yaklaklk fonksiyonlarnn kombinasyonu iin, K-ortalamalar

daima bir zme yaknsar, yani K-ortalamalar yle bir duruma gelir ki artk hibir
nokta bir kmeden bir dier kmeye kaymaz ve merkezler de hareket etmez.
3.7.3. Noktalarn En Yakn Merkeze Atanmas
Aralk lekli deikenler arasndaki karlatrma oranyla deil fark ile yaplr.
Oransal lekli deikenlerse; alan, uzunluk gibi aralarnda kyaslama yaplrken bir
oran belirtebileceimiz deikenlerdir. Aralk ve oransal lekteki deikenleri
bulunan birimleri kmelerken, deiik uzaklk lleri kullanlr. Bu llerden
bazlar unlardr.
klid Mesafesi:
klid mesafesi kullanlarak iki birim arasndaki uzaklk,
d i, j =
Xi1 Xj1
+ X i2 Xj2
+ + Xip Xjp
(3.1)
Formlyle hesaplanr. En ok kullanlan l birimidir.

Eer kmeleme analizinde kullanlacak olan deikenler belirli bir nem derecesinde
arlklandrlm ise, klid mesafesi forml aadaki gibi olur.
d i, j =
w1 Xi1 Xj1
+ w2 Xi2 X j2
+ + wp Xip Xjp
(3.2)
ekildeki rnekte noktalar merkezlere atandktan sonra merkez noktalar aritmetik

ortalama ilemi ile gncellenir. ekil (b) de noktalar gncellenmi yeni merkezlere
atanr ve merkezler tekrardan gncellenir ve son olarak merkez noktalar deimeden
sabit kalr ve yineleme ilemi sonlandrlr.
44
ekil 3.6. rnek bir veride k-ortalama algoritmas ile kmelerin bulunmas (ekiller
[42] den alnmtr)
3.8. K-Ortalama Kmelemesi zellikleri, Avantaj ve Dezavantajlar

K-Ortalama kmelemesinin drt belirgin zellii vardr. Bunlar;
1) Her zaman K sayda kme olmas
2) Her kme de en az bir nesne olmas
3) Kmeler hiyerarik olmamal, ayrca her hangi bir rtme de
olmamaldr.
4) Kmelerin her eleman, kendine dier kmelerden daha yakn olmaldr.
nk yaknlk her zaman kmelerin merkezlerini kapsamaz.
Veri says ok fazla olan hesaplamalarda, K-ortalama hesaplamas, eer k kk ise
hesaplamalar hiyerarik kmelemeden daha hzl yapar. Yine k-ortalama
hesaplamas eer kmeler zellikle kresel ise hiyerarik kmelemeden daha sk bir
kmeleme yapacaktr.
Bunun yannda k-ortalama algoritmasnn en byk eksiklii k deerini tespit
edememesidir. Bu nedenle baarl bir kmeleme elde etmek iin farkl k deerleri
iin
deneme
yanlma
ynteminin
uygulanmas
gerekmektedir.
K-ortalama
algoritmasnn kresel kmelerde, her zaman doru kmeleri bulamad ancak kme
45
says doru seildiinde ayrk ve skk bulutlar eklindeki kmeleri etkili bir
ekilde bulabildii sylenebilir.
3.9. K-Ortalama Kmelemesi Uygulama Alanlar
K-Ortalama kmelemesi, grnt blmleme biimi olarak bilgisayarla gr
ilemlerinde kullanlmaktadr. Blmleme sonucunda snr tespiti ve nesne tanma
yardm iin kullanlr. Bu erevede, standart klid hesaplamas genellikle
yetersizdir. Bunun yerine, piksel kullanan arlkl mesafe lm koordinatlar,
RGB piksel, renkli ve younluk ve grnt dokusu yaygn olarak kullanlr.
Bunun
dnda
K-Ortalama
algoritmas,
veritabanlarnda,
market
kontrollerinde, rn ayklamas gibi ilemlerde de ska kullanlmaktadr.
46
satlar
BLM 4
4. YAPILAN LEMLER
4.1. Giri
Ara rotalama problemlerinde mterilerin taleplerini gerekletirirken rotalamada
kullanlacak ara says, rotalama mesafesi, taleplerin karlanma sresi ve buna
benzer birok maliyetin azaltlmas amalanmaktadr.
NP zor bir problem olan ara rotalama probleminin karmakl problemde
kullanlan girdilerin says arttka artar. Bu nedenle ayn boyuttaki ok depolu ara
rotalama problemlerine karnca kolonisi optimizasyonu kmeleme teknii ile birlikte
uygulanarak problem maliyetlerindeki deiim gzlenmitir.
4.2. lem Basamaklar
lem basamaklar u ekilde sralanabilir.
1-lk olarak algoritmada kullanlan ayar parametreleri seilir. Uygulamada , ,
buharlama katsays gibi parametreler bulunmaktadr. Uygulamada =1 , =5 ve
buharlama katsays 0,1 olarak seilmitir. Kapasiteli ara rotalama probleminde
ara kapasitesi tm aralar iin homojen ve 100 olarak belirlenmitir.
2-Uygulamada belirlenen saydaki mteri rastgele olarak datlr ve her mteriye
(0,20] aralnda rastgele talep deerleri belirlenir. Talepler statiktir.
3-Belirlenen saydaki depo, k ortalama kmeleme ilemi kullanlarak mterilere
atanr ve uygulama altrlr.
47
ekil 4.1. Uygulama ekrannn genel grnts

ekil 4.1 de grlen arayzde kullancdan Alpha, Beta, Iteration(iterasyon),
Evaporation(buharlama) deerleri istenir. Alpha ve Beta 1 ile 10 arasnda deien
deerler alabilir. Evaporation(buharlama) (0,1] arasnda deerler alabilmektedir.
Customer No mteri saysn (600, 500, 400, 300, 200) temsil eder, kullanc bu
deerlerden birisini setiinde seilen mteri says kadar nokta ekrana rastgele
olarak datlr. Bu noktalar ekranda siyah renkle gsterilmektedir.
Cluster No mteri saysnn ayrlaca kme saysn ifade eder, bu alan N, N/2, N/4,
N/8, SQRT(N), SQRT(N/2) deerlerini alr. Bu alanda herhangi bir deiiklik
yapmaya gerek yoktur. Uygulama baladktan sonra algoritma bu deerleri srasyla
gezerek zm retir.
Center No depo saysn (10, 15, 20, 25) ifade eder. Depo says seildiinde seilen
depo says kadar nokta ekranda mteri saysna gre k ortalama kmeleme ilemi
uygulanarak ekrana yerletirilir. Bu noktalar ekranda krmz renkle gsterilmektedir.
48
4-Uygulamada depolar ve onlara atanlan mteriler srayla gezilerek karnca

kolonisi algoritmas uygulanr.
5-Tm
depolar
srayla
gezilerek
onlara
atanlan
mteriler
srasyla
n,n/2,n/4,n/8,karekk(n),karekk(n/2) kmeye ayrlarak her kmeye ayr ayr karnca

kolonisi optimizasyonu uygulanmtr. Burada n depoya atanan mteri saysn
temsil etmektedir. Her bir depo ve ona atanan mteriler iin yaplan ilemler u
ekilde listelenebilir.
ekil 4.2. Algoritma ilem basamaklar
49
lk olarak depoya atanm mteriler n, n/2, n/4, n/8, karekk(n), karekk(n/2)

kmeye ayrlrlar. Yeni oluan alt kmeler iin karnca kolonisi optimizasyonu
kullanlarak bu kme iinde kalan mteriler arasndaki en ksa yol hesaplanr.
ekil 4.3. Alt Kmelerin ve alt kme merkezlerinin dalm

ekil 4.3 de grlen rnekte veriler drt alt kmeye ayrlm ve bu kmeler
ierisinde kalan mteriler arasndaki en ksa mesafeler gsterilmitir. Daha sonra alt
kmelerin merkezleri arasndaki en ksa rotalar belirlenmitir.
Alt kmelerdeki en ksa yolun hesaplanmasnn ardndan bu alt kmelerin merkezleri
arasndaki en ksa yollarda karnca kolonisi optimizasyonu ile hesaplanr ve alt
kmelerde bulunan yollar, alt kmelerin merkez noktalar arasndaki en ksa yol
dorultusunda birletirilir.
50
ekil 4.4. Alt kmelerin alt kme merkezleri etrafnda birletirilmesi

Alt kmelerdeki yollarn birletirilmesinin ardndan bulunan en ksa yol zerinden
ara kapasitesi dolana kadar ilerlenir ve ara kapasitesi dolduktan sonra depoya geri
dnlerek, ara boaltlr ve ayn ilem tm mterilerin talepleri toplanana kadar
devam eder.
ekil 4.5. Rotalama ileminin ekran grnts

Bu ilem admlar tm depolar ve onlara atanan mteriler zerinde gerekletirilir.
ncelikle depoya atanan mteriler n adet kmeye (yani her bir mteri bir kmeyi
temsil edecek ekilde) ve srasyla n/2,n/4,n/8,karekk(n) ve karekk(n/2) kmeye
51
ayrlarak zlr. Kmeleme ileminde mteriler arasndaki mesafe hesaplanrken

klit mesafesi kullanlmtr. Bu ilemlerin dnda bu kmeleme ilemlerinde bir
depoya ait farkl kmeleme ilemlerinin bulduu sonulardan en iyisi de arka planda
saklanr. Bu depo zerinde kmeleme ilemlerinden en iyi sonular bulan kmelerin
sonular hibrit bir yaklam olarak kullanlmtr. Bu ilemler sonucunda depo ve
mteri says sabitken iterasyon says deitirilmi, depo ve iterasyon says
sabitken mteri says deitirilmi, mteri ve iterasyon says sabitken depo says
deitirilmitir ve ortalama toplam mesafe, tur iin kullanlan toplam ara says ve
toplam ilem srelerindeki deiimler kaydedilmitir. ekilde grld gibi
uygulama zerinden her kmelemede bulunan sonularn ekran grntlerine, depo
baznda
toplam
mesafe,
toplam
ara
says
ve
toplam sre
bilgilerine
ulalabilmektedir.
Seilen depo ekran zerinde fakl bir renkle gsterilmektedir. Seilen depoya ait
bilgilerde ekran zerinde gzlemlenebilir. Uygulama kullanclara karlatrmal bir
ara yz salamaktadr.
52
4.3. Uygulama Ekran Grntleri
ekil 4.6. Kmelerin alt kmelere ayrlmas

ekil 4.6 da 400 mterili,20 depolu bir ara rotalama probleminde her depoya
atanan mteriler karekk(n/2) kmeye blnm ve her alt kmeye den mteriler
arasndaki en ksa mesafeler karnca kolonisi optimizasyonu ile hesaplanmtr.
53
ekil 4.7. Alt kme merkezleri arasndaki en ksa mesafelerin hesaplanmas

ekil 4.7 de 400 mterili,20 depolu bir ara rotalama probleminde her depoya
atanan mteriler karekk(n/2) kmeye blnm ve kme merkezleri arasndaki
mesafeler karnca kolonisi optimizasyonu ile hesaplanmtr.
54
ekil 4.8. Alt kmelerin merkez noktalar etrafnda birletirilmesi
ekil 4.8 de 400 mterili,20 depolu bir ara rotalama probleminde her depoya
mesafeler karnca kolonisi optimizasyonu ile hesaplanmtr. Sonra bu alt kmelerde
bulunan en ksa yollar, bulunan alt kme merkez noktalar etrafnda birletirilmitir.
55
ekil 4.9. Bulunan en ksa yollar zerinden ara rotalama ileminin gerekletirilmesi
ekil 4.9 da 500 mterili,20 depolu bir ara rotalama probleminde her depoya
mesafeler karnca kolonisi optimizasyonu ile hesaplanmtr. Sonra bu alt kmelerde
bulunan en ksa yollar, bulunan alt kme merkez noktalar etrafnda birletirilmitir.
Sonra da bulunan bu yollar zerinden ara kapasitesi dolana kadar ilerlenir ve ara
kapasitesi dolduktan sonra depoya geri dnlerek, ara boaltlr ve ayn ilem tm
mterilerin talepleri toplanana kadar devam eder.
56
BLM 5
5. UYGULAMA IKTILARI
Yaplan almalarda ok depolu ara rotalama problemlerine karnca kolonisi
optimizasyonu k ortalama kmeleme teknii ile birlikte uygulanarak elde edilen
sonular deerlendirilmitir. Her depoya atanlan mteriler srasyla n, n/2, n/4, n/8,
karekk(n) , karekk(n/2) kmeye ayrlarak, bu kmeleme ileminde bulunan
kaytlar grafikte gsterilmitir. Ayrca bu kmeleme ilemlerinin hibrit olarak
uyguland en iyileme ileminde bulunan sonular da grafikte gsterilmitir.
Uygulama zerinden
-Depo ve mteri says sabitken iterasyon says arttrlm,
-Depo ve iterason Says sabitken mteri says arttrlm,
-Mteri says ve iterasyon says sabitken depo says arttrlmtr.
Elde edilen sonular u ekildedir.
5.1. Depo ve Mteri Says Sabitken terasyon Saysnn Arttrlmas
Uygulama zerinden depo says 10, mteri says 500 ve iterasyon says 20, 40, 60,
80, 100 seilerek toplam ara says, toplam sre ve toplam mesafedeki deiimler
kaydedilmitir. Her bir ilem 10 kez arka arkaya gerekletirilmi ve elde edilen
sonularn ortalamas alnarak grafie aktarlmtr. Elde edilen sonularn yaplan
kmeleme ilemlerine gre dalmlar u ekildedir.
57
terasyon:20, Depo Says:10 Mteri Says:500
Toplam Ara Says & Toplam Sre(sn)

1400
1200
1000
800
600
400
200
0
n
Toplam Ara Says: 56,8
Toplam Sre(sn):
En
sqrt(n sqrt(n
yile
)
/2)
me
n/2
n/4
n/8
56,5
56,8
56,9
57,1
56,7
56,2
6,4
7,8
82,6
1236,2 52,4
ekil 5.1 Ara Says ve Srenin Kmelemeye Gre Deiimi

(20 iterasyon,10 depo,500 mteri)
Toplam Mesafe
22000
21500
21000
20500
20000
19500
19000
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe20409,8520534,05 21156,2 21455,9221443,9221342,3319910,48
ekil 5.2 Toplam Mesafenin Kmelemeye Gre Deiimi

58

3000
2500
2000
1500
1000
500
0
Toplam Ara Says:

Toplam Sre(sn):
En
sqrt(n sqrt(n
yile
)
/2)
me
n/2
n/4
n/8
57,3
57,8
57,8
57,7
57,8
57,7
57,3
2477,9 92,3
11,3
10,6
8,9
12,6
135,7

Toplam Mesafe
22000
21500
21000
20500
20000
19500
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 20550,5120868,9721223,38 21603,4 21553,0721626,7720285,34

59

4000
3500
3000
2500
2000
1500
1000
500
0
n
En
sqrt(n sqrt(n
yile
)
/2)
me
n/2
n/4
n/8
56,7
56,6
56,9
56,6
56,8
56,3
Toplam Sre(sn):
121,1
12,8
13,8
10,8
15,8
174,3
3363

Toplam Mesafe
22000
21500
21000
20500
20000
19500
19000
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 20281,1120633,3621113,88 21381,0221168,7921428,3819988,03

60

5000
4500
4000
3500
3000
2500
2000
1500
1000
500
0
n
n/4
n/8
57,4
57,5
57,6
57,2
57,5
56,7
4683,4 164,9
15,1
16,4
12
19,3
227,7

Toplam Sre(sn):
En
sqrt(n sqrt(n
yile
)
/2)
me
n/2

Toplam Mesafe
22000
21500
21000
20500
20000
19500
19000
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 20651,3421083,0621397,6521472,8821553,4721470,04 20110,7

61

7000
6000
5000
4000
3000
2000
1000
0
Toplam Ara Says:

Toplam Sre(sn):
En
sqrt(n sqrt(n
yile
)
/2)
me
n/2
n/4
n/8
57,7
57,6
57,7
57,7
58,1
57,4
57,2
6337,4 221,5
17,8
19,9
13,9
25,1
298,2

Toplam Mesafe
22000
21500
21000
20500
20000
19500
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 20706,0120889,1621506,1921785,2821858,3821730,9220335,4

62
Depo says ve mteri says sabitken iterasyon says arttrlm toplam ara says,
toplam rotalama sresi ve toplam mesafenin deiimleri gzlenmitir. Elde edilen
verilere gre Toplam rotalama sresi en iyi sqrt(n) kmelemede elde edilmitir. Yani
depoya atanm mterilerin karekk kadar k ortalama kmeye ayrma ileminde
rotalama sresinde optimum sonu elde edilmitir. Yine elde edilen verilere
bakldnda kmeleme yaplarak elde edilen rotalama sresi kmeleme yaplmadan
elde edilen rotalama sresinden ok daha iyi sonular verdii grlmtr.
Toplam ara says en iyi hibrit olarak kullanlan en iyileme ilemiyle bulunmutur.
En iyileme ileminde her depo srasyla n, n/2, n/4, n/8, sqrt(n), sqrt(n/2) kmeye
ayrlr ve o depo iin en iyi sonucu reten kmenin bulduu deer alnr. Yani ok
depolu ara rotalama probleminde tm depolar gezildiinde en iyileme ynteminde
bulunan en iyi sonu farkl bir kmeleme yntemi ile bulunmu olur. En iyileme
yntemi kmeleme yaplmadan uygulanan karnca kolonisi optimizasyonunun
bulduu toplam ara saysna gre daha iyi sonular retmitir.
En iyileme dnda toplam ara says n/2 ve sqrt(n) kmelemede dier kmeleme
ilemlerinden daha iyi sonular retmitir.
Toplam mesafe de en iyi yine hibrit olarak kullanlan en iyileme ilemi ile
bulumutur. En iyileme yntemi kmeleme yaplmadan uygulanan karnca kolonisi
optimizasyonunun bulduu toplam mesafeye gre daha iyi sonular retmitir.
En iyilemenin dnda en iyi sonu n/2 kmeleme ileminde elde edilmitir.
5.2. Depo ve terasyon Says Sabitken Mteri Saysnn Arttrlmas
Uygulama zerinden depo says 10, iterasyon says 100 ve mteri says 200, 300,
400, 500, 600 seilerek toplam ara says, toplam sre ve toplam mesafedeki
deiimler kaydedilmitir. Her bir ilem 10 kez arka arkaya gerekletirilmi ve elde
edilen sonularn ortalamas alnarak grafie aktarlmtr. Elde edilen sonularn
yaplan kmeleme ilemlerine gre dalmlar u ekildedir.
63

90
80
70
60
50
40
30
20
10
0
n
En
sqrt(n sqrt(n
yilem
)
/2)
e
n/2
n/4
n/8
23,8
24
24,2
23,9
24,2
23,4
Toplam Sre(sn):
8,3
8,2
4,3
28,8
83,6

Toplam Mesafe
11400
11200
11000
10800
10600
10400
10200
10000
9800
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 10721,78 11102,34 11159,31 11330,25 11188,81 11322,13 10433,94

64

600
500
400
300
200
100
0
n
En
sqrt(n sqrt(n
yilem
)
/2)
e
n/2
n/4
n/8
35,1
35,3
35,4
35,5
35,4
34,7
Toplam Sre(sn):
24,7
6,4
11,3
6,2
8,1
56,7
491,3

Toplam Mesafe
15200
15000
14800
14600
14400
14200
14000
13800
13600
13400
13200
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 14048,2714359,9914810,0315090,3415009,2514979,4813837,12

65

2500
2000
1500
1000
500
0
Toplam Ara Says:

Toplam Sre(sn):
En
sqrt(n sqrt(n
yile
)
/2)
me
n/2
n/4
n/8
47
47,4
47,4
47
47,2
47,3
46,1
1959
76,9
11,1
15,4
10
14,4
127,8

Toplam Mesafe
19000
18500
18000
17500
17000
16500
16000
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 17160,0517658,41 18246,818486,6218383,7718477,4917021,83

66

7000
6000
5000
4000
3000
2000
1000
0
Toplam Ara Says:

Toplam Sre(sn):
En
sqrt(n sqrt(n
yile
)
/2)
me
n/2
n/4
n/8
57,7
57,6
57,7
57,7
58,1
57,4
57,2
6337,4 221,5
17,8
19,9
13,9
25,1
298,2

Toplam Mesafe
22000
21500
21000
20500
20000
19500
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 20706,0120889,1621506,1921785,2821783,5221730,9220335,4

67

16000
14000
12000
10000
8000
6000
4000
2000
0
En
yile
me
n/2
n/4
n/8
68,2
67,8
68,2
67,8
68,6
67,6
13476,6 451,8
27,4
23,6
19
35,8
557,6
n
Toplam Sre(sn):
sqrt(
n/2)
sqrt(
n)

Toplam Mesafe
25000
24500
24000
23500
23000
22500
22000
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 23504,3123460,524199,9424533,6224459,4624541,9922938,49

68
Depo says ve iterasyon says sabitken mteri says arttrlm toplam ara says,
verilere gre Toplam rotalama sresi en iyi sqrt(n) kmelemede elde edilmitir. Yani
depoya atanm mterilerin karekk kadar k ortalama kmeye ayrma ileminde
rotalama sresinde optimum sonu elde edilmitir. Yine elde edilen verilere
bakldnda kmeleme yaplarak elde edilen rotalama sresi kmeleme yaplmadan
elde edilen rotalama sresinden ok daha iyi sonular verdii grlmtr.
En
iyileme
yntemi
kmeleme
yaplmadan
uygulanan
karnca
kolonisi
optimizasyonunun bulduu toplam ara saysna gre daha iyi sonular retmitir.
En iyileme dnda toplam ara says n/2 ve n/8 kmelemede dier kmeleme
5.3. Mteri ve terasyon Says Sabitken Depo Saysnn Arttrlmas
Uygulama zerinden iterasyon says 100, mteri says 500 ve depo says 10, 15,
sonularn ortalamas alnarak grafie aktarlmtr. Elde edilen sonularn yaplan
kmeleme ilemlerine gre dalmlar u ekildedir.
69

7000
6000
5000
4000
3000
2000
1000
0
Toplam Ara Says:

Toplam Sre(sn):
En
sqrt(n sqrt(n
yile
)
/2)
me
n/2
n/4
n/8
57,7
57,6
57,7
57,7
58,1
57,4
57,2
6337,4 221,5
17,8
19,9
13,9
25,1
298,2

Toplam Mesafe
22000
21500
21000
20500
20000
19500
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 20706,0120889,1621506,1921785,2821858,3821730,9220335,4

70

1800
1600
1400
1200
1000
800
600
400
200
0
n
n/4
n/8
59,9
60,1
60,5
60,1
60,2
59,3
1624,6 68,8
12,8
21,7
11,7
15,6
130,6

Toplam Sre(sn):
En
sqrt(n sqrt(n
yile
)
/2)
me
n/2

Toplam Mesafe
20000
19500
19000
18500
18000
17500
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 18737,4419084,6719664,4919737,6419747,7919855,5318293,77

71

600
500
400
300
200
100
0
n
En
sqrt(n sqrt(n
yilem
)
/2)
e
n/2
n/4
n/8
62,2
62,5
62,1
62,2
62,4
61,2
Toplam Sre(sn):
32,2
11,1
19,3
11,2
12,6
86,4
510,2

Toplam Mesafe
19000
18500
18000
17500
17000
16500
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 17603,3718222,11 18641,8218661,2318702,2718874,9717341,28

72

300
250
200
150
100
50
0
n
En
sqrt(n sqrt(n
yilem
)
/2)
e
n/2
n/4
n/8
64,8
64,7
65,1
64,9
64,8
64,2
Toplam Sre(sn):
25,7
11,2
22,9
11,5
11,2
82,5
272,8

Toplam Mesafe
18500
18000
17500
17000
16500
16000
15500
n
n/2
n/4
n/8
En
sqrt(n sqrt(n
yilem
)
/2)
e
Toplam Mesafe 17033,78 17636,4 17916,6117769,1718007,5817839,1716538,73

73
Mteri says ve iterasyon says sabitken depo says arttrlm toplam ara says,
verilere gre Toplam rotalama sresi en iyi sqrt(n) ve n/4 kmelemede elde
edilmitir. Yine elde edilen verilere bakldnda kmeleme yaplarak elde edilen
rotalama sresi kmeleme yaplmadan elde edilen rotalama sresinden ok daha iyi
sonular verdii grlmtr.
En
iyileme
yntemi
kmeleme
yaplmadan
uygulanan
karnca
kolonisi
En iyileme dnda toplam ara says n/8 kmelemede dier kmeleme
74
BLM 6
6. SONU
6.1. Yorumlar
ok depolu ara rotalama problemlerinde mteri taleplerinin en ksa srede, en ksa
yoldan karlanmas ve taleplerin karlanmas iin kullanlacak olan ara saysnn
en uygun sayda seilmesi olduka nemlidir. NP zor bir problem olan ara rotalama
problemlerinde mteri says attka problemin zmde giderek zorlar.
Bu tez almasnda ok depolu ara rotalama problemlerinde mteriler belirlenen
sayda (n, n/2, n/4, n/8, sqrt(n), sqrt(n/2)) k ortalama kmeleme teknii ile alt
problemlere ayrlarak zlm ve problem kstlarnn (taleplerin karlama sresi,
kullanlacak ara says, toplam mesafe) deiimleri incelenmitir.
Yaplan almada ilk olarak uygulama zerinden depo says 10, mteri says 500
ve iterasyon says 20, 40, 60, 80, 100 seilerek toplam ara says, toplam sre ve
toplam mesafedeki deiimler kaydedilmitir. Her bir ilem 10 kez arka arkaya
gerekletirilmi ve elde edilen sonularn ortalamas alnmtr. Alnan sonular
incelendiinde ekil 5.1 ile ekil 5.10 arasnda grlen grafiklere gre toplam
rotalama sresi en iyi sqrt(n) kmelemede elde edilmitir. Yani depoya atanm
mterilerin karekk kadar k ortalama kmeye ayrma ileminde rotalama sresinde
optimum sonu elde edilmitir. Yine elde edilen verilere bakldnda kmeleme
yaplarak elde edilen rotalama sresi kmeleme yaplmadan elde edilen rotalama
sresinden ok daha iyi sonular verdii grlmtr.
En iyileme ileminde her depo srasyla n, n/2, n/4, n/8, sqrt(n), sqrt(n/2) kmeye
ayrlr ve o depo iin en iyi sonucu reten kmenin bulduu deer alnr. Yani ok
depolu ara rotalama probleminde tm depolar gezildiinde en iyileme ynteminde
bulunan en iyi sonu farkl bir kmeleme yntemi ile bulunmu olur. En iyileme
yntemi kmeleme yaplmadan uygulanan karnca kolonisi optimizasyonunun
bulduu toplam ara saysna gre daha iyi sonular retmitir.
75
En iyileme dnda toplam ara says n/2 ve sqrt(n) kmelemede dier kmeleme
Dier bir ilem depo says 10, iterasyon says 100 ve mteri says 200, 300, 400,
sonularn ortalamas alnmtr. Alnan sonular incelendiinde ekil 5.11 ile ekil
5.20 arasnda grlen grafiklere gre toplam rotalama sresi en iyi sqrt(n)
kmelemede elde edilmitir. Yani depoya atanm mterilerin karekk kadar k
ortalama kmeye ayrma ileminde rotalama sresinde optimum sonu elde
edilmitir. Yine elde edilen verilere bakldnda kmeleme yaplarak elde edilen
rotalama sresi kmeleme yaplmadan elde edilen rotalama sresinden ok daha iyi
sonular verdii grlmtr.
En
iyileme
yntemi
kmeleme
yaplmadan
uygulanan
karnca
kolonisi
En iyileme dnda toplam ara says n/2 ve n/8 kmelemede dier kmeleme
76
Dier bir ilem de iterasyon says 100, mteri says 500 ve depo says 10, 15, 20,
25 seilerek toplam ara says, toplam sre ve toplam mesafedeki deiimler
sonularn ortalamas alnmtr. Alnan sonular incelendiinde ekil 5.21 ile ekil
5.28 arasnda grlen grafiklere gre toplam rotalama sresi en iyi sqrt(n) ve n/4
kmelemede elde edilmitir. Yine elde edilen verilere bakldnda kmeleme
yaplarak elde edilen rotalama sresi kmeleme yaplmadan elde edilen rotalama
sresinden ok daha iyi sonular verdii grlmtr.
En
iyileme
yntemi
kmeleme
yaplmadan
uygulanan
karnca
kolonisi
En iyileme dnda toplam ara says n/8 kmelemede dier kmeleme
6.2. Gelecek almalar

Uygulamada statik talep yaps kullanlmtr yani dmlerdeki talep miktarlar
daha ncesinden bilinmektedir. Gelecek almalarda dinamik talep yaps
kullanlarak ilemin gerekletirilmesi dnlmektedir. Dinamik talep yapsnda
baz dmlerin talepleri nceden bilinmekte bazlarnn ise talepleri rotalama
sresince deiebilmektedir.
Dier bir almada heterojen bir filonun kullanlmasdr. Bu durum hangi ara
tipinin, hangi rotaya hizmet vereceinin belirlenmesini, yani ilave bir karar
77
gerektirir Tasarlanan sistemde homojen yani kapasite miktarlar ayn olan ara
filolar kullanlmtr.
Gerekletirilen
sistemde
rota
sresi
snrsz
ara
rotalama
problemi
gerekletirilmitir. Yani depodan ayrlan bir aracn tekrar depoya dnmesi iin
gerekli bir sre ksd yoktur. Gelecekteki almalarda rotalama sresinin de
probleme dahil edilmesi dnlmektedir.
Gerekletirilen sistemde oluacak olan kme says nceden belirlenerek ilem
gerekletirilmitir. Gelecekteki almalarda ise kme says dinamik olarak sistem
parametreleriyle bulunmas amalanmaktadr.
78
KAYNAKLAR
[1] LAPORTE, G., NOBERT, Y. and TAILLEFER, S., Solving a Family
of Multi-Depot Vehicle Routing and Location Routing Problems,
Chaier
du Gerad G-87-10, Ecole des Haltes Etudes Commercialse de
Montreal, 1987.
[2] SAVELSBERGH, M. W. P. and SOL, M., The General Pick-up and
Delivery Problem, Transportation Science 29, 17-29, 1995.
[3] M.A., Tokayl, Zaman Pencereli Ara Rotalama Problemi in Bir Karar
Destek Sistemi, Yksek Lisans Tezi, Endstri Mhendislii, Gazi
niversitesi Fen Bilimleri Enstits, Ankara, (2005).
[4] FISHER, M. L.
and
JAIKUMAR, R.,
A Generalised Assignment
Heuristic for Vehicle Routing, Networks 11, 109-124, 1981.

[5] Tan, K.C., A Framework of Supply Chain Management Literature ,Europan
Journal of Purchasing Supply Management, 2000
[6] Toth,P., Vigo,D., The Vehicle Routing Problem, Siam, Bologna., 2002
[7] Eryavuz, M., Ara Rotalama Problemi ve rnek Bir Uygulama, Yksek
Lisans Tezi, Gazi niversitesi, Fen Bilimleri Enstits Endstri Mhendislii
Ana Bilim Dal, Ankara,2001
[8] Erel, R., Tat Rotalamas ve izelgelemesi:Otobsle Kentleraras Yolcu
Tamacl
in Bir Model, Doktora Tezi ,Yldz Teknik niversitesi,
naat Mhendislii Blm, stanbul, 1995

[9] Desrosiers, J.,Dumas, Y., Solomon, M.M., Soumis, F. , Time Constrained
Routing and Scheduling, Forthcoming in Handbooks in Operations Research
and Management Science, Volume on Networks, North-Holland, Amsterdam,
1993
79
[10] Bayzan,
.,etin, M., Uur, A., Ara Rotalama Probleminde Ara
Rotalarnn Tespitinde En Ksa Yol Yaklam: Denizli rnei, Bilgisayar

Mhendislii Blm, Mhendislik Fakltesi Pamukkale niversitesi,
Knkl, Denizli, 2002
[11] Ballou, R.H.,, Business Logistics Management:Planning, Organizing and
Controlling The Supply Chain, McGraw-Hill, 1999
[12] Cordeau, J. F., Gendreau, M., Laporte, G., Potvin, J.Y., Semet, F., A
Guide To Vehicle Routing Heuristics, Journal of the Operational Research
Society, 53, 512-522, 2002
[13] Laporte, G., Gendreau, M., Potvin, J. Y., Semet, F., Classical And
Modern Heuristics For The Vehicle Routing Problem, International
Transactions in Operation Research, 7, 285-300, 2000
[14] zalp, V.M., Gezgin Satc Problemi,
Yksek Lisans Tezi,
stanbul
Teknik niversitesi, Fen BilimleriEnstits, Endstri Mhendislii Ana

Bilim Dal, stanbul, 1995
[15] Demirciolu M., Ara Rotalama Probleminin sezgisel bir yaklaim ile
zmlenmesi zerine bir uygulama,Doktora Tezi,letme Anabilim Dal,
ukurova niversitesi,Adana
[16] Laporte G. The Vehicle Routing Problem: An overview of exact and
approximate algorithms, European Journal of Operational Research, c. 59,
sf. 345-358, 1992
[17] Khan, M.S. ve Siddiqui, A.S., The Radius Method: A Modified Heuristic
For The Vehicle Routing Problem, Department of Industrial Engineering and
Operations Research University of California Berkeley, 1998
[18] Papadimitriou, C. H., & Steiglitz, K. Combinatorial optimization
algorithms and complexity. New York: Dover, 1982
80
[19] Colorni, A., Dorigo, M., Maniezzo, V., & Trubian, M.. Ant System for JobShop Scheduling. JORBEL Belgian Journal of Operations Research,
Statistics and Computer Science, 34(1), 3953, 1994
[20] Bonabeau, B., Dorigo, M., & Theraulaz, G. Swarm intelligence: From
natural to artificial systems. New York, NY: Oxford University Press, 1999
[21] Grasse, P. P. La reconstruction du nid et les coordinations interindividuelles
chez bellicositermes natalensis et cubitermes sp. la theorie de la stigmergie:
Essai dinterpretation du comportement des termites constructeurs. Insectes
Sociaux, 6, 4181, 1959
[22] Dorigo, M., & Di Caro, G. The Ant Colony optimization metaheuristic.
New Ideas in Optimization (pp. 1132), 1999
[23] Dorigo, M., Maniezzo, V., & Colorni, A.. Ant System: Optimization by a
colony of cooperating agents. IEEE Transactions on Systems, Man, and
Cybernetics Part B, 26, 2941, 1996
[24] Kirkpatrick, S., Gelatt, C. D., Jr, & Vecchi, M. P.
Optimization by
simulated annealing. Science, 220, 671680, 1983

[25] Glover, F. Tabu search Part I. ORSA Journal on Computing, 1(3), 190
206, 1989
[26] Lourenco, H. R., Martin, O., & Stuzle, T. Iterated local search. Handbook
of Metahearistics, 57, 321353, 2002
[27] Goss, S., Aron, S., Deneubourg, J. L., & Pasteels, J. M.Self-organized
shortcuts in the argentine ant. Naturwissenschaften, 76, 579581, 1989
[28] Cordon, O., Herrera, F., & Stutzle, T. A review on the ant colony
optimization metaheuristic: Basis, models and new trends. Mathware and Soft
Computing, 9(23), :141175, 2002
81
[29] Dorigo, M., & Gambardella, L. M. Ant Colony System: A cooperating

learning approach to the travelling salesman problem. IEEE Transactions on
Evolutionary Computation, 1(1), 5366, 1997
[30] Stutzle, T., & Hoos, H. H. Maxmin ant system. Future Generation
Computer Systems, 16(8), 889914, 2000
[31] Dorigo, M., & Gambardella, L. M. A study of some properties of Ant-Q. In
PPSN IV: Proceedings of the 4th international conference on parallel problem
solving from nature (pp. 656665). Springer-Verlag, 1996
[32] Bullnheimer, B., Hartl, R. F., & Strauss, C. A new rank-based version of
the Ant System: A computational study. Central European Journal for
Operations Research and Economics, 7(1), 2538, 1996
[33] Schoonderwoerd, R., Holland, O., Bruten, J., & Rothkrantz, L.Ant-based
load balancing in telecommunication networks. Adaptive Behavior, 5(2),
169207, 1996
[34] Bullnheimer, B., Hartl, R. F., & Strauss, C.An improved Ant System
algorithm for the vehicle routing problem. Annals of Operations Research,89,
319328, 1999
[35] Costa, D., & Hertz, A. Ants can colour graphs. Journal of the Operational
Research Society, 48, 295305, 1997
[36] Lessing, L., Dumitrescu, I., & Stutzle, T. A comparison between ACO
algorithms for the set covering problem. ANTS2004, fourth international
workshop on ant algorithms and swarm intelligence (pp. 112). SpringerVerlag, 2004
[37] Gambardella, L. M., Rizzoli, A. E., Oliverio, F., Casagrande, N., Donati,
A. V., Montemanni, R., et al. Ant colony optimization for vehicle routing in
advanced logistic systems. In MAS 2003 international workshop on
modelling and applied simulation, Bergeggi, Italy (pp. 39), 2003
82
[38] Gambardella, L. M., Taillard, E. D., & Agazzi, G.MACS-VRPTW: A

multiple ant colony system for vehicle routing problems with time windows.
New Ideas in Optimization (pp. 6376), 1999
[39] Socha, K.ACO for continuous and mixed-variable optimization. In Ant
colony optimization and swarm intelligence, 4th international workshop,
ANTS 2004 (pp. 2536). Springer-Verlag, 2004
[40] Manfrin, M., Birattari, M., Stutzle, T., & Dorigo, M. Parallel ant colony
optimization for the travelling salesman problem. In Proceedings of ANTS
2006 (pp. 224234). Springer-Verlag, 2006
[41] Talbi, E. G., Roux, O., Fonlupt, C., & Robillard, D. Parallel ant colonies for
combinatorial optimization problems. In Parallel and distributed processing,
11 IPPS/SPDP99 workshops (vol. 1586, pp. 239247), 1999
[42] Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data
Mining, Pearson Education (Addison Wesley), Page 488-497, 2006
83
ZGEM
Kiisel Bilgiler
Soyad, ad
: ALIKAN, Kamil
Uyruu
: T.C.
Doum tarihi ve yeri
: 18.06.1985, AYDIN
Medeni hali
: Bekr
Telefon
: 0 (256) 226 83 06
Faks
e-mail
: kcaliskan@etu.edu.tr
Eitim
Derece
Eitim Birimi
Lisans
TOBB ET/Bilgisayar Mh.
Mezuniyet tarihi
2009
Deneyimi
Yl
Yer
Grev
2009-2011
TOBB Yazlm Mdrl
Yabanc Dil
ngilizce
84
Mhendis

Kümeleme

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Kümeleme

Uploaded by

Copyright:

Available Formats

KARINCA KOLONS OPTMZASYONU LE ARA ROTALAMA

PROBLEMNN MALYETLERNN KMELEME TEKN LE

YKSEK LSANS TEZ

TOBB EKONOM VE TEKNOLOJ NVERSTES

Fen Bilimleri Enstit onay

Bu tezin Yksek Lisans derecesinin tm gereksinimlerini saladn onaylarm.

Kamil ALIKAN tarafndan hazrlanan KARINCA KOLONS

Tez Jri yeleri

Bakan :Yrd. Do. Dr. Mehmet TAN

ye : Yrd. Do. Dr. Tansel ZYER

ye : Do. Dr. Blent TAVLI

: TOBB Ekonomi ve Teknoloji niversitesi

: Yrd. Do. Dr. Tansel ZYER

Tez Tr ve Tarihi : Yksek Lisans Eyll 2011

Anahtar Kelimeler: Sr Zeks, Karnca Kolonisi Optimizasyonu, K Ortalama

: TOBB University of Economics and Technology

: Institute of Natural and Applied Sciences

: Assistant Professor Tansel ZYER

Degree Awarded and Date : M.Sc. September 2011

Keywords: Swarm intelligence, Ant colony optimization, K-means clustering,

almalarm boyunca yardm ve katklaryla beni ynlendiren deerli hocam Yrd.

1.1. Ara Rotalama Problemi

1.2. Ara Rotalama Problemi Temel Bileenleri

1.3. Ara Rotalama Problemi Genel Matematiksel Modeli

1.4. Rotalama Trleri

1.4.1. Rota Sresi Snrsz Rotalama Problemleri

1.4.2. Rota Sresi Snrl Rotalama Problemleri

1.4.3. Zaman Pencereli Rotalama Problemleri

1.4.4. Ezamanl Rotalama ve izelgeleme Problemleri

1.4.5. Kapasiteli Ara Rotalama

1.5. Ara Rotalama Yntemleri

1.5.1. En Ksa Yol Yntemi

1.5.2. Sprme (Sweep) Yntemi

1.5.3. Gezgin Satc Problemleri

1.5.4. Tasarruf Algoritmas

1.5.5. Dorusal Programlama Yardmyla Ara Rotalama

2. KARINCA KOLONS OPTMZASYONU

2.3. Karncalarn Yiyecek Arama Mekanizmas

2.4. Yapay Karncalarn zellikleri

2.5. Normal Karncalar ve Yapay Karncalarn Karlatrlmas

2.6. Orginal Karnca Sistemi

2.7. Karnca Algoritmalar ve Hesaplamal Optimizasyon Teknikleri

2.7.1. Karnca Kolonisi Optimizasyonu Sezgiseli

2.7.2. Max-Min Ant System

2.7.3. Karnca Kolonisi Sistemi

2.7.4. Sra Tabanl Karnca Sistemi

2.8. Karnca Algoritmalar Karlatrmas

2.9. Karnca Algoritmalarnn Gemiteki ve Gnmzdeki Uygulamalar

2.10. Gelimi Karnca Algoritmalar

3.2. Kmeleme Analizi

3.3. Kmeleme Analizinin Kullanm Alanlar

3.4. Kmeleme Analizi ile Veriler zerinde Yaplan lemler

3.5. Kmeleme Trleri

3.5.1. Hiyerarik( ie) Kmeleme ve ie olmayan Kmeleme

3.5.2. Sekin, rten ve Bulank Kmeleme

3.5.3. Tam Kmeleme ve Ksmi Kmeleme

3.6. Kme Trleri

3.6.1. yi Ayrlm Kmeler

3.6.2. rnek Tabanl Kmeler

3.6.3. izge Tabanl Kmeler

3.6.4. Younluk Tabanl Kmeler

3.6.5. Paylalan Nitelik ve Kavramsal Kmeler

3.7. Kmeleme Teknikleri