Dorusal Olmayan Optimizasyon Problemleri in Tanr Algoritmik Fonksiyonlar Yntemi

HAVACILIK VE UZAY TEKNOLOJLER DERGS OCAK 2011 CLT 5 SAYI 1 (1-9)

DORUSAL OLMAYAN OPTMZASYON PROBLEMLER N TAINIR ALGORTMK FONKSYONLAR YNTEM

Do.Dr.Hv.Mh.Yb. Abdurrahman HACIOLU
Hava Harp Okulu Komutanl Dekanlk Havaclk ve Uzay Mhendislii Blm 34149, Yeilyurt, stanbul hacioglu@hho.edu.tr
Geli Tarihi: 27 Eyll 2010, Kabul Tarihi: 20 Ocak 2011

ZET Bu almada, srekli gerek sayl fonksiyonlarn optimizasyon problemlerinin zmne ynelik olarak bir denklem nerilmitir. Dorudan analitik ya da saysal zmlere dnebildii gibi, analitik veya saysal yaklamla retilebilecek yeni algoritma fonksiyonlarna da tanabilen diferansiyel formdaki bu denklem, Tanr Algoritmik Fonksiyonlar (TAF) Denklemi olarak isimlendirilmitir. TAF denkleminin dorusal olmayan srekli fonksiyonlarla ifade edilen mhendislik problemlerine uygulanabilmesi mmkndr. Belirleyici (deterministik) olarak nitelendirilebilecek teknikler veren bu denklemle, olaslksal (stochastic) yntemlerde olduu gibi istenirse trev bilgisi kullanmayan basit TAF yntemleri tanmlanabilmektedir. Denklemin ve nerilen tekniklerin etkinlii uygulamalarla gsterilmitir. Anahtar Kelimeler: Dorusal Olmayan Optimizasyon, TAF Denklemi, TAF Yntemleri.

TRANSITIVE ALGORITHMIC FUNCTIONS METHOD FOR NONLINEAR OPTIMIZATION PROBLEMS ABSTRACT In this work, an equation is proposed to solve the general nonlinear continuous optimization problems. This equation can be used directly for obtaining analytical and numerical solutions. Since it can be transformed to some algorithmic functions through both analytically and numerically, this equation is named as the Transitive Algorithmic Functions (TAF) equation. The TAF equation can be applied to the optimization of general nonlinear continuous engineering problems. This equation presents alternative deterministic techniques and can define simple TAF algorithms which do not require derivative information as stochastic methods. Effectiveness of the equation and the proposed algorithms are demonstrated by their implementations. Keywords: Nonlinear Optimization, TAF Equation, TAF Algorithms. performans en iyi yapacak ekilde ayarlamann arelerini ararlar [1]. Optimizasyon sreleri, matematik gerektiren almalardr. Modern optimizasyon yntemlerinin balangc deiimler hesabna (calculus of variations) kadar dayanr. Deiimler hesab ile ilgili genel ereveyi 18. yzylda ortaya koyan Lagrangen Lagrange arpanlar yntemi (Lagrangian Multipler rule) olarak bilinen mehur metodu da gnmzde optimizasyon teorisinin ana konularndan birini oluturmaktadr [2]. lk ve en basit optimizasyon yntemlerinden olan En Dik ni, (ED) (steepest descent) metoduna ait uygulamann Cauchy tarafndan

1. GR Aristo, insanlarn doas gerei renme arzusu iinde olduunu syler. Benzer ekilde, insanlarn tabiat gerei optimizasyon yapmaya istekli olduu da sylenebilir. Pek ok insan bir taraftan tasarruf yaparken, dier taraftan da daha iyi koullarda yaamn srdrmek ister. adamlar en az riskle, en fazla kazanc elde etmenin peindedir. Sanayiciler, tasarm ve retim aamalarnda en yksek verimle allmasn arzu ederler. Subaylar, ellerindeki imknlar en etkin ekilde kullanacak biimde harekt planlarn hazrlamann yollarn; mhendisler ise tasarladklar sistemlerin tasarm parametrelerini,

HACIOLU 1

Dorusal Olmayan Optimizasyon Problemleri in Tanr Algoritmik Fonksiyonlar Yntemi ilk kez gsterildii 19.yzyl ortalarndan yirminci yzyln ortalarna kadar bu sahada ok az ilerleme kaydedilmitir. Bu dnemden itibaren bilgisayar teknolojisindeki gelimelere paralel olarak ok hzl ilemcilerin kullanlmaya balanmasyla optimizasyon konusundaki almalarn ve yeni uygulamalarn miktar da hzla artmtr [3]. Saysal optimizasyon yntemlerini grupta toplamak mmkndr. Bunlar; belirleyici (deterministic), olaslksal (stochastic) ve melez (hybrid) metotlardr. Belirleyici metotlar genel olarak Fermat teoreminden hareketle oluturulan ED ve Newton metotlar gibi gradyan ilemlerine dayal yntemlerdir. Bununla birlikte uygulama yaplacak problemin zelliklerine bal olarak kullanlabilecek simpleks metotlar, dorusal programlama gibi deiik yntemler de getiimiz yzyl ierisinde ortaya kmtr. Olaslksal metotlar ise, Genetik Algoritmalar, Karnca Kolonisi ve Tavlama Benzetimi gibi trev bilgisi gerektirmeyen, genellikle doadan esinlenen yntemlerdir. Melez optimizasyon teknikleri ise belirleyici ve olaslksal yntemlerin bir arada kullanld metotlardr. Her yntemin farkl stnlkleri ve eksiklikleri olabilmekle birlikte, genel olarak belirleyici yntemler genel optimumu daha hassas bir ekilde bulabildii, olaslksal yntemler ise uygulama kolaylklar nedeniyle tercih edilirler. Melez yntemler ise bir araya getirdii farkl metotlarn stnlklerinden istifade etmeyi amalar. Dinamik sistemlerin kararl denge noktalarnn bulunmas yaklam ile dorusal olmayan optimizasyon (dorusal olmayan programlama) problemlerinin zm konusundaki teknikler de belirleyici yntemlerden saylmaktadr. Bu alandaki ilk almalardan olan, dorusal olmayan otonom sistemlerin kritik noktalar ile yerel optimumlar ilikilendiren Yamashita [4]dan sonra konu ile ilgili aratrmalar giderek artm ve son on ylda younlaarak zellikle gradyan sistem yaklamlar ile dinamik sistemin takip edecei yrngeler yoluyla dinamik sistemin denge noktalarna (yerel optimumlara) ulalmas zerinde durulmutur [5-11]. Sz konusu almalarda, optimizasyonu yaplacak dorusal olmayan fonksiyonun gradyan kullanlarak birinci mertebeden adi diferansiyel denklem yardmyla bir dinamik sistem tanmlanmakta ve bu dinamik sistemin denge noktalar, dorusal olmayan fonksiyonun yerel optimumlar olarak bulunmaktadr. Dier taraftan ikinci mertebeden adi diferansiyel denklem zerine kurulmu dinamik sistem yaklam zerine de aratrmalar yaplmtr. Alvarez [12] ve arkadalar [13] ile Goudou ve Munier [14] snmleyici (dissipative) dinamik sistem zellikleri zerinde durarak, gradyan kl (gradient projection) dinamik sistemin izleyebilecei yrngeler yardmyla denge haline ulalmasn aratrmlardr. Bu almada, dinamik sistem anlayna ok benzeyen yeni bir yaklam ve buna ait diferansiyel formda bir denklem nerilmitir. Bu yaklamda, optimizasyonu yaplacak dorusal olmayan bir fonksiyonda kullanlan parametreler, keyfi bir zaman glgesindeki deikenler gibi ele alnarak, bu parametrelerin keyfi zaman blgesinde daimi (zamandan bamsz) hale ulatklar deerler ile sz konusu fonksiyonun yerel optimumunu veren parametre deerlerinin ayn olaca kabul ile diferansiyel formda bir denklem tanmlanmtr. Gerek sayl ve dorusal olmayan fonksiyonlarla ilgili optimizasyon problemleri iin kullanlabilecek olan bu denklem, birinci mertebeden uygulandnda gradyan sistemi yaklam ile ED tekniklerine zde iterasyon bantlar verirken; ikinci mertebeden uygulandnda, daha etkin iterasyon bantlar vermektedir. Bu iterasyon bantlarna ait algoritmalar, Tavlama Benzetimi gibi olaslksal yntemlerdekine benzer bir mantkla dzenlendiinde uygulanmalar ok basit olmaktadr. nermesi yaplacak olan denklem, ikinci mertebeden snmleyici dinamik sistem denkleminin formatndadr. Dorudan analitik ya da saysal zmlere tanabildii gibi, analitik veya saysal yaklamla retilebilecek yeni algoritma fonksiyonlarna da dnebilen diferansiyel formdaki bu denklem; Tanr Algoritmik Fonksiyonlar (TAF) denklemi olarak isimlendirilmitir. Bu denklemin uygulamalar ED tekniklerinde olduu gibi, klasik saysal yntemlerdeki iterasyon esasna dayansa da, literatrdeki pek ok yntemden farkl olarak, istenirse fonksiyonlarn trev bilgilerini hi kullanmadan, olaslksal yntemlerde olduu gibi sadece fonksiyon deerlerini kullanarak zm yapma zelliine de sahiptir. Takip eden blmlerde bu denklemle ilgili nermeler ve karmlar yapldktan sonra, analitik ve saysal zmlere rnekler verilecek; analitik ve saysal yaklamlarla ortaya kan fonksiyonlarn tanmlad yeni tekniklerin uygulamalar gsterilecektir. Birinci ve ikinci mertebe yaklamlarn etkinlii birbirleriyle karlatrlp, ayrca sradan Genetik Algoritma sonularyla mukayese edilecektir. 2. TAINIR ALGORTMK FONKSYONLAR (TAF) DENKLEM nerme 1: f : bir zaman
n

olmak zere f ( xi ) srekli, , ancak keyfi

dorusal olmayan bir fonksiyon; xi

(t )

blgesinde zamana bal xi = xi ( t )

olduu kabul edilsin. f ( xi ) fonksiyonunun optimum olduu noktalarndan biri olan xi = xi* , keyfi zaman blgesinde olmak zere salanr:
Ai
xi ( t ) nin daimi hale geldii bir deer

xi*

noktasnda aadaki denklem

d 2 xi dx f + Bi i + Ci =0 dt xi dt 2

(1)

Burada Ai , Bi ve Ci ( i = 1,.., n ) sabit reel saylardr.

HACIOLU 2

Dorusal Olmayan Optimizasyon Problemleri in Tanr Algoritmik Fonksiyonlar Yntemi spat 1: f ( xi ) nin optimum deerin bulunduu ve
* xi ( t ) nin daimi olduu xi = xi noktasnda yaplan

kabul gerei xi ( t ) zamanla deimedii (daimi) olduu iin zamana gre trevleri sfr olacaktr. Bu nedenle xi ( t ) nin 1. ve 2. trevleri iin

2 B n n i t df f ai e Ai Ci f = i =1 xi dt i =1 xi

(4)

ifadesi bulunur. Denklem (4), t

2

iin

dxi =0 dt
d xi =0 dt 2
2

(2.a)
(2.b)

n f df = Ci 0 dt i =1 xi

(5)

haline gelir ve t artarken kolaylkla kartlabilir.

df < 0 olaca sonucu dt

eitlikleri kolaylkla yazlabilir. Dier taraftan ayn xi = xi* noktasnda f ( xi ) in bir optimumunun bulunduu kabul edildiinden,
f f = xi xi =0
* xi = xi

karm: Denklem (1) keyfi zaman blgesinde zamana bal olarak zlerek, daimi hale karlk gelen zm ile f ( xi ) in bir minimum noktas olan

(2.c)

eitlii geerlidir. Yaplan kabullere gre xi = xi* noktasnda geerli olan (2.a), (2.b) ve (2.c) eitliklerinin, Ai , Bi ve Ci katsaylaryla arplp toplanmasyla denklem (1) elde edilir. nerme 2: f : bir zaman
n

xi = xi* bulunabilir. En byk deerlerin arand problemler iin sadece Ci < 0 yaplmas yeterlidir. Denklem (1)in zm istenirse ve mmknse analitik olarak yaplabilecei gibi, saysal olarak da yaplabilir.
spat: Keyfi zaman blgesinde daimi durumda dxi d 2 xi xi = xiO olmak zere bu nokta iin = 2 =0 dt dt f dir. Buradan denklem (1) vastasyla =0 xi olacandan,

olmak zere f ( xi ) srekli, , ancak keyfi

dorusal olmayan bir fonksiyon; xi

(t )

blgesinde zamana bal xi = xi ( t )

olduu kabul edilsin. Denklem (1)deki f ( xi ) ; Ai ,

Bi ve Ci pozitif reel saylar olmak zere, zamanla

xi = xiO

noktasnn

f ( xi )

fonksiyonunun bir optimumunun bulunduu xi = xi*

azalan; eer sadece Ci < 0 olursa, zamanla artan bir fonksiyon olacaktr. spat 2: Denklem (1),

dxi = u iin zlrse, ai dt integral sabiti olmak zere;

ui =
t dxi f A = ai e i Ci xi dt Bi

xi = xiO = xi* noktas olacaktr. Dolaysyla olduundan (1) denkleminin zm daimi hal iin f ( xi ) fonksiyonunun optimumunu verecektir.
Dier taraftan
f = 0 iin xi
Ai d 2 xi dx + Bi i = 0 dt 2 dt (6)

(3.a)

elde edilir. f ( xi ) in zamanla toplam deiimi;

n df f f dxi = + dt t i =1 xi dt

(3.b)

dxi iin yaplan dt zmyle, ai integral sabiti olmak zere ortaya kan
haline gelen (1) denkleminin
t dxi A = ai e i dt Bi

eklinde ifade edilir. Burada f = f ( xi ( t ) ) olduu

f = 0 olduu hatrda tutularak (3.a) denklemi t (3.b) denkleminde kullanlrsa;

iin
Bi n f Ai t df ai e Ci f = xi dt i =1 xi

(7)

(3.c)

haline gelir. Daha ak yazlarak;

denkleminin Lyapunov yaklam ynnden asimptotik olarak kararl olduu Jordan ve Smith [15] tarafndan gsterilmitir. Dolaysyla (1) denklemi xi* civarnda balayan deerler iin asimptotik kararl dxi = 0 a olduundan tam denge noktas olan dt ulaacak ve daimi hale gelecektir.

HACIOLU 3

Dorusal Olmayan Optimizasyon Problemleri in Tanr Algoritmik Fonksiyonlar Yntemi 3. TAF DENKLEM N BAST RNEK ZMLER Burada analitik ve saysal olarak yaplan basit rnek zmler, dinamik sistem yaklamyla yaplan ve dinamik sistemin yrngeleri ile ilgili uygulamalardakine benzerdir. Dier taraftan, dorudan analitik ve saysal zmlerin matematik kstlarla snrl olaca, parametre says arttka bu tr zmlerin gittike zorlaaca aktr. rnek 1: Basit Analitik zm: f :
2
2

bantlar ( qi sabit) elde edilir. Bu bantlar da daimi burumda x1 = a ve x2 = b sonularn verecektir.

olmak rnek 2: Basit Saysal zm: f : zere, en kk deeri bulunmak istenen aada verilen fonksiyonu ele alalm:
2

f ( xi ) = ( x1 2 x2 ) + ( x2 4 )
2

ve
2

Bu fonksiyon iin olan

f f = 2 ( x1 2 x2 ) ve = 4 ( x1 2 x2 ) + 2 ( x2 4 ) x1 x2

a, b

olmak zere

f ( xi ) = ( a x1 ) + ( b x2 )

fonksiyonunu en kk yapan noktann analitik zm ile bulunmas iin denklem (1) aadaki gibi yazlr:
d 2 x1 dx f + B1 1 + C1 =0 2 dt x1 dt
d 2 x2 dx f + B2 2 + C2 =0 2 dt x2 dt

ifadeleri denklem (1)e tanrsa;

A1
A2

(8.a)

A1
A2

d 2 x1 dx + B1 1 2C1 ( x1 2 x2 ) = 0 2 dt dt
d 2 x2 dx + B2 2 2 dt dt 4C2 ( x1 2 x2 ) + 2 ( x2 4 ) = 0

(11.a)

(8.b)

Burada;
f f = 2 ( a x1 ) ve = 2 ( b x2 ) x1 x2

(11.b)

yerlerine yazlarak ortaya kan ikinci mertebeden diferansiyel denklem sistemi zlrse;
r =
i 1,2

eklinde bir denklem sistemi elde edilir. Bu sistem iin deiik saysal zm teknikleri uygulamak mmkndr. Burada basit sonlu farklar yaklam kullanlarak aadaki sonlu farklar denklemleri yazlabilir:

Bi Bi2 + 8 Ai Ci 2 Ai

(9)

A1

x1n +1 x1n + x1n 1

( t )

+ B1

x1n +1 x1n 1 ( 2t ) (12.a)

olmak zere,
1 x1 ( t ) = q1 er1 t + q1 er2 t + a 2
1 1

n 2C1 ( x1n +1 2 x2 ) = 0

(10.a) (10.b)

A2

n n n x2 +1 x2 + x2 1

x2 ( t ) =

2 2 q1 er1 t

2 2 + q2 er2 t

( t )

+ B2

n n x2 +1 x2 1 ( 2t )

+b

n n 4C2 ( x1n +1 2 x2 +1 ) + 2 ( x2 +1 4 ) = 0 (12.b)

zmleri ( qi1 , qi2 sabit) elde edilir. Bu bantlar

Ai Ci > 0

(r

1,2

0 ) olmak artyla artan t deerleri

(t )

iin daimi hale geleceklerdir. Bu bantlardan

x1 ( t ) = a ve x2 ( t ) = b

Bu denklemler dzenlenebilir:
n x1n +1 = 4C1 x2 +

zm
2 A1 x1n
2

iin

aadaki
n 1 x1

gibi

elde edilecek

zmleri

f ( xi )

fonksiyonunu minimum yapan problem istenirse birinci

noktay verir. Ayn mertebeden yaklamla

B1

x1n +1

B A + 1 1 2 ( t ) ( 2t ) ( t ) A B = x1n +1 / 1 2 + 1 + 2C1 ( t ) ( 2t )
n 2 A2 x2 2

(13.a)

dx1 dx f f + C1 = 0 ve B2 2 + C2 =0 dt x1 dt x2

n x2 +1 = 4C2 ( 2 + x1n +1 ) +

bantlaryla da zlebilir. Bu durumda ise,

x1 = a q1e
2 C1 t B1

ve x2 = b q2 e

C2 t B2

A n n x2 +1 = x2 +1 / 2 2 ( t ) Ai = Bi = Ci = 1 ,

B A n + 2 2 2 x2 1 ( t ) ( 2 t ) ( t ) B + 2 + 10C2 (13.b) ( 2 t )

t = 1.0

ve

xi ( 0 ) = xi (1) = 0.0

alnarak yaplan saysal zme ait sonular ekil 1de

HACIOLU 4

Dorusal Olmayan Optimizasyon Problemleri in Tanr Algoritmik Fonksiyonlar Yntemi gsterilmitir. ekildeki grafiklerden de grld gibi x1 ve x2 deikenleri, x1 = 8 ve x2 = 4 olacak ekilde
f ( xi ) yi

en

kk

yapan

deerlere

yaknsamtr.
16 x1 12 x2 f(x1,x2) 8

(14)n uygulanmasnda, belli bir balang noktas xi ( 0 ) seilerek ilemlere balanacak ve belli bir yaknsama salandnda (ya da raksama durumunda) tekrar balang yaplarak fonksiyon deeri azaltlmaya allacaktr. Uygulama ksmnda bu bantnn kullanld algoritma TAF1-1m olarak isimlendirilecektir.
4.2 kinci Mertebeden Analitik Algoritim (TAF1dx 2m): Denklem (1), i = ui alnarak yazlrsa; dt
Ai dui f + Bi ui + Ci =0 dt xi

haline gelir. Bu denklemin integrasyonuyla;

0 0 10 20 30 40 50 60
A Ai t C f xi ( t ) = ai i2 e i i t + bi Bi Bi xi B

(15)

Zaman

ekil 1. Basit saysal zmn sonular.

elde

Saysal zm, zlecek denklemin matematik ifadesine bal olarak, saysal zm tekniklerinin uygulanabildii nispette mmkn olabilecektir.
4. TAF YNTEMLER

iin Dier taraftan t = 0 Ai xi ( t ) = xi ( 0 ) = bi 2 bi ve t iin xi ( t ) = xi* de Bi edilecektir.

f = 0 kullanlarak ai ve bi zlrse; xi

Dorudan analitik ve saysal zmlerin snrl olmas ve yaplan nerme gerei denklem (1)in en yakn yerel optimuma ulaacak olmas nedeniyle, dorudan tek admlk zmler yerine, tekrarlanan iteratif zm yollarnn kullanlmas gerekmektedir. Bu amala, denklem (1)den analitik ve saysal yaklamla retilecek tek admlk zm yapan bantlarn, bir iterasyon mant ierisinde kullanlarak, tekrarlanan balang noktalar iin kullanm, yerel optimumlardan genel optimumlara doru ilerlemeyi salayacaktr. Denklem (1)in integrasyonuyla analitik olarak ve sonlu farklar yaklamyla saysal olarak retilen bantlar takip eden blmde verilmitir. Bu bantlarla tanmlanacak tekniklerin ileyii ise Blm 5de aklanacaktr.
4.1 Birinci Mertebeden Analitik Algoritim (TAF-1m): Denklem (1), Ai = 0 iin aadaki gibi birinci mertebeden bir diferansiyel denklem haline gelir.
dx f Bi i + Ci =0 dt xi

xi ( t ) = x + ( x xi ( 0 ) ) e
* i * i

B i A i

C f i t Bi xi

(16)

yazlabilir. Denklem (16) ile iterasyon yapabilmek iin

xik +1 = xik + ( xik xi0 ) e

B i t Ai

C i Bi

f t xi

(17)

eitlii kullanlabilir. Burada xi0 rasgele bir balang noktas; xik , t kadar zaman sonraki xi ( t ) (aslnda xi* ) iin ilk tahmin deeri ve xik +1 hesaplanan yeni tahmin deeridir. Belli bir xi0 iin tahmini xik deeri ile iterasyon balayacaktr. Algoritmann ileyii Blm 5de aklanmtr. Trev deeri aadaki gibi belirlenecektir:
f ( xik ) f ( xi0 ) f = xi xik xi0

Uygulama ksmnda bu bantnn kullanld algoritma TAF-2m olarak isimlendirilecektir.

4.3 Trev/Fonksiyon Bilgisi Kullanmayan Analitik Algoritim (TAF1-2m0): Farkl bir yaklam olarak f = 0 sonucu denklem asl ulalmak istenilen xi (17)de kullanlrsa

Bu denklem 0dan t ye integre edilirse;

xi ( t ) = xi ( 0 ) Ci f t Bi xi (14)

elde edilir. Grld gibi (14) denklemi ED yntemine ok benzer bir denklem vermitir. Denklem HACIOLU 5

xik +1 = xik + ( xik xi ( 0 ) ) e

B i A i

(18)

Dorusal Olmayan Optimizasyon Problemleri in Tanr Algoritmik Fonksiyonlar Yntemi elde edilir. Buna gre trev/fonksiyon deerini kullanmadan (18) denklemi ile iterasyon yaplabilir. Uygulama ksmnda bu bantnn kullanld algoritma TAF1-2m0 olarak isimlendirilecektir.
4.4 Birinci Mertebeden Saysal Algoritim (TAF2-1m): Denklem (1) iin, Ai = 0 alnarak aadaki sonlu farklar yaklam yaplabilir:
Bi xik +1 xik f = Ci t xi

Bu denklemin dzenlenmesiyle, denklem (14) ile zde olan aadaki eitlik elde edilir.
xik +1 = xik Ci f t Bi xi (19)

2.2 x0dan rasgeleletirmeyle xk olutur 3. Tekrarla (fonksiyon deeri azalmaya devam ederken ya da izin verilen alt iterasyon says kadar) 3.1 f(xk) hesapla 3.2 Daha iyi olan fonksiyon deerini fmin ve x noktasn x* olarak sakla 3.3 x0 noktasn x* noktas ile deitir 3.4 f(xk), fmine, xk ve xe ile trev deerini hesapla 3.5 xk+1 noktasn hesapla 3.6 xe noktasn xk ile deitir 3.7 xk noktasn xk+1 noktas ile deitir 3.8 fmine deeri olarak f(xk) deerini ata. Bu ileyie gre balangta zm blgesi ierisinde rasgele bir nokta seilir. Bu noktaya (x0) ait fonksiyon deeri ve nokta, eski en iyi deerler olarak (fmine, xe) saklanr ve ana iterasyon balar. Balang noktasnn rasgele bir ilemle maniple edilmesiyle alt iterasyon balangcndaki nokta (xk ) retilir. Bu noktaya ait fonksiyon deeri hesaplanr ve daha nce hesaplanan en iyi deerden daha iyi ise, fonksiyon deeri fmin ve nokta x0 olarak saklanr. f(xk) ve fmine ile xk ve xe kullanlarak trev hesab yaplr ve xk+1 (14), (17), (19) veya (20) bantlarndan biriyle hesaplanr. Mevcut xk noktas, xe noktasna; f(xk) deeri de fmine deerine atanr. Hesaplanan xk+1 noktas, xk noktasna atanarak alt iterasyonun balangcna dnlr. Alt iterasyon iin belirlenen koullarn almasyla ana iterasyonun balangcna dnlr. Ana iterasyon, o ana kadar bulunan en iyi nokta balang yaplarak devam eder. Aklanan algoritma ileyiinden de anlalaca gibi, fonksiyon deerlerini kullanarak ilemler ilerlemektedir. Denklem (18) kullanldnda ise trev deerine gerek olmayacaktr. Ancak fonksiyon deerinin deiimini izlenebilmesi amacyla fonksiyon hesaplarnn yaplmas gerektii aktr.
6. TAF YNTEMLERNN UYGULAMALARI

Uygulama ksmnda bu bantnn kullanld algoritma TAF2-1m olarak isimlendirilecektir.

4.5 kinci Mertebeden Saysal Algoritim (TAF2-2m): Denklem (1) iin aadaki sonlu farklar yaklam yaplabilir:
Bi xik +1 2 xik + xik 1

( t )

+ Bi

xik +1 xik 1 f = Ci 2t xi

Bu denklem xik +1 iin dzenlenerek;

2 A xik +1 = 2i t

Ai k Bi xi + 2 t t 2

f k 1 xi Ci x (20.a) i

k +1 i

=x

k +1 i

B A / i2 + i 2 t t
f terimi iin xi

(20.b)

elde edilir. Bu denklemdeki

f = xi

f ( xik ) f ( xik 1 ) xik xik 1

eklindeki sonlu farklar yaklam kullanlabilir. Burada xik 1 , balangta xi0 noktas olacak ve her alt iterasyon evriminde xik deeriyle gncellenecektir. Algoritmann ileyii takip eden blmde aklanmtr. Uygulama ksmnda bu bantnn kullanld algoritma TAF2-2m olarak isimlendirilecektir.
5. TAF TEKNKLERNN LEY

nerilen algoritmalarn test edilmesi iin, benzer almalarda ska kullanlan farkl fonksiyon seilmitir. Ayrca gerek bir mhendislik problemi olarak sktrlamaz ak koullarndaki tersten kanat profili tasarm problemine uygulama yaplmtr. Test fonksiyonlarnn Genetik Algoritma (GA) zmleri iin MATLAB 7.6.0 GA toolbox ilk (default) ayarlaryla, 2500 evrim (50000 fonksiyon hesab) yapacak ekilde kullanlmtr. GA ve nerilen TAFlar ile be farkl denemede, 50000 fonksiyon hesab ile elde edilen en iyi fonksiyon deerleri, her uygulama iin izelgelerde ifade edilmitir. Uygulamalarda Ai = Ci = 1.0 ve Bi = 10.0 alnmtr.
6.1 Uygulama 1: Kaydrlm Rastrigin (KR) fonksiyonu, orijinal Rastrigin fonksiyonunun xi = 0 daki genel optimumunun xk kadar kaydrlmasyla aadaki gibi tanmlanmtr:

nerilen algoritmalarn ileyiine ait szde program aada verilmitir: 1. x0 (balang noktas) tanmla, f(x0) hesapla 2. Tekrarla ( izin verilen iterasyon says kadar ya da tanmlanan fonksiyon deeri alncaya dek) 2.1 fmine olarak f(x0), xe olarak x0 sakla

HACIOLU 6

Dorusal Olmayan Optimizasyon Problemleri in Tanr Algoritmik Fonksiyonlar Yntemi izelge 2deki veriler, uygulama 1dekine benzer (21) sonular vermekle beraber, TAF yntemlerinin buradaki performansnn GAya nazaran daha yksek olduu grlmektedir. Burada 5.12 xi 5.12 olup xk = 0.5 ve n = 20 6.3 Uygulama 3: Rosenbrock Fonksiyonu aadaki alnacaktr. TAF1 ve TAF2 teknikleri iin t = 0.001 gibi verilir: ve dt = 0.001 alnm ve her iterasyon iin en fazla 10 n/2 2 2 2 alt evrim ngrlmtr. Sonular izelge 1de f Rosenbrock = 100 x2i x2i 1 + (1 x2i 1 ) (23) verilmitir. i =1
2 f KR = 10n + ( xi xk ) 10cos 2 ( xi xk ) i =1 n

izelge 1deki veriler, ikinci mertebeden saysal yaklamla nerilen ve denklem (20) ile ifade edilen TAF-2m tekniinin 50000 fonksiyon hesab sonunda dier TAF yntemleri ve GAya gre ok daha iyi (kk) fonksiyon deerlerine ulatn gstermektedir. Ayn parametre deerleri iin TAF11m ve TAF2-1m teknikleri beklenecei gibi ayn sonular vermitir. Ayrca ikinci mertebeden TAFlarn birinci mertebelere gre daha iyi sonu verdii grlmektedir. Dier taraftan, denklem (18) ile verilen, trev ya da fonksiyon bilgisi kullanmadan hesap yapan algoritmann da (TAF1-2m0), be denemenin nde kabul edilebilir bir baar gsterdii dikkat ekmektedir.
izelge 1. Kaydrlm Rastrigin fonksiyonu iin 50000 fonksiyon hesab ile elde edilen en iyi fonksiyon deerleri.
GA 6.91 4.91 6.11 5.55 7.24 TAF1-2m 0.334 0.458 1.3 7.53 1.51 TAF12m0 7.23 4.37 61.2 294.2 1.45 TAF22m 0.0077 0.0125 0.0068 0.005 0.0029 TAF11m 2.56 5.87 13.26 4.64 5.96 TAF21m 2.56 5.87 13.26 4.64 5.96

alnacaktr. Burada 2.4 xi 2.4 olup n = 20 TAF1 ve TAF2 teknikleri iin t = 0.0001 ve dt = 0.0001 alnm ve her iterasyon iin en fazla 10 alt evrim ngrlmtr. Sonular izelge 3de verilmitir.
izelge 3. Rosenbrock fonksiyonu iin 50000 fonksiyon hesab ile elde edilen en iyi fonksiyon deerleri.
GA 7.98 3.23 9.05 2.52 5.07 TAF1-2m 6.6 1.25 5.94 4.64 6.36 TAF1-2m0 4.21 0.392 0.538 5.93 0.347 TAF22m 0.336 4.91 3.89 0.35 0.276 TAF1-1m TAF2-1m 5.02 5.67 6.33 5.7 5.06

izelge 3deki veriler, nceki uygulama sonularna paralel olmakla birlikte; TAF1-2m0 uygulamasnn ncekilere gre daha iyi performans gsterdii grlmektedir.
6.4 Uygulama 4: Gerek bir mhendislik problemi olarak sktrlamaz ak koullarnda NACA 4412 kanat profilinin, = 5 hcum asndaki tersten kanat profili tasarmna uygulama yaplacaktr. Sktrlamaz koullardaki ak iin, girdap panel yntemi kullanlm ve kanat profilleri Bezier erileri ile parametrize edilmitir.

6.2 Uygulama 2: Kaydrlm Griewank (KG) Fonksiyonu da KR fonksiyonuna benzer ekilde xi = 0 daki genel orijinal fonksiyonunun optimumunun xk kadar kaydrlmasyla aadaki gibi tanmlanmtr:

Tersten kanat profili problemi iin ama fonksiyonu aadaki gibi verilir:
f = ( Cp Cpt ) ds
2

f KG =
i =1

(x

xk ) 4000

n ( xi xk ) + 1 (22) cos i i =1

(24)

Burada 600 xi 600 olup xk = 1.0 ve n = 20 alnacaktr. TAF1 ve TAF2 teknikleri iin t = 0.05 ve dt = 0.05 alnm ve her iterasyon iin en fazla 10 alt evrim ngrlmtr. Sonular izelge 2de verilmitir.
izelge 2. Kaydrlm Griewank fonksiyonu iin 50000 fonksiyon hesab ile elde edilen en iyi fonksiyon deerleri.
GA 0.979 1.026 1.019 1.051 1.032 TAF12m 0.00034 0.0003 0.00038 0.0003 0.0003 TAF1-2m0 0.0005 0.0025 0.5 0.001 0.00033 TAF22m 0.00026 0.00071 0.00052 0.00075 0.00036 TAF1-1m TAF2-1m 0.0024 0.0037 0.0015 0.004 0.0019

Burada Cpt ve Cp srasyla kanat profili yzeyi ( s ) boyunca, hedeflenen ve hesaplanan basn katsays dalmlardr. Cpt , NACA 4412 kanat profilinin, sktrlamaz ak koullarnda, = 5 asndaki basn katsay dalmdr. hcum

Burada balang kanat profili olarak NACA 0012 kanat profili seilmitir. GA uygulamalar iin [16] ve [17]de aklanm olan sradan (regular) bir GA ile Titreimli GA (TGA) kullanlmtr. GA ve nerilen TAF tekniklerinin 1500 fonksiyon hesab ile ulatklar en iyi deerler karlatrlacaktr. Yaplan uygulamaya ilikin sonular izelge 4te verilmitir.

HACIOLU 7

Dorusal Olmayan Optimizasyon Problemleri in Tanr Algoritmik Fonksiyonlar Yntemi

[4] Yamashita, H., A Differential Equation Approach to Nonlinear Programming, Mathematical Programming, cilt 18, s.155-168, 1980. [5] Absil, P.-A. ve Kurdyka, K., On the stable equilibrium points of gradient systems, Systems & Control Letters, cilt 55, 2006. [6] Wang, S., Yang, X.Q. ve Teo, K. L., A Unified Gradient Flow Approach to Constrained Nonlinear Optimization Problems, Computational Optimization and Applications, cilt l. 25, no. 1-3, s.251-268, 2003. [7] Masuda, K. ve Kurihara, K., Global Optimization by Equilibrium-Point Search of Gradient-Based Dynamical System, Electronics and Communications in Japan, cilt 91, no. 1, s.1931, 2008. [8] Bolte, J., Continuous Gradient Projection Method in Hilbert Spaces, Journal of Optimization Theory and Applications, cilt 119, no.2, s.235-259, 2003. [9] Bian, W. ve Xue, X., A Dynamical Approach to Constrained Nonsmooth Convex Minimization Problem Coupling with Penalty Function Method in Hilbert Space, Numerical Functional Analysis and Optimization, cilt 31, no. 11, s. 1221-1253, 2010. [10] Ozdemir, N. ve Evirgen F., A Dynamic System Approach to Quadratic Programming Problems with Penalty Method, Bulletin of the Malaysian Mathematical Sciences Society, cilt 33, no. 1, s.79-91, 2010. [11] Xie, X., L-BFGS and Delayed Dynamical Systems Approach for Unconstrained Optimization, Postgraduate Research Symposium, Department of Computer Science, Hong Kong Baptist University, 2010. [12] Alvarez, F, On the Minimizing Property of a Second Order Dissipative System in Hilbert Spaces, SIAM Journal on Control and Optimization, cilt 38, no.4; s.1102-1119, 2000. [13] Alvarez, F., Attouch, H., Bolte, J. Ve Redont, P., A Second-Order Gradient-Like Dissipative Dynamical System with Hessian-Driven Damping.: Application to Optimization and Mechanics, Journal des Mathmatiques Pures et Appliqus, cilt 81, no.8, s.747-779, 2002. [14] Goudou, X. ve Munier, J., The Gradient and Heavy Ball with Friction Dynamical Systems: the Quasiconvex Case, Mathematical Programming, cilt 116, no.1-2, s.173-191, 2009. [15] Jordan, D.W., and Smith, P., Nonlinear Ordinary Differential Equations, Oxford University Press, 2007. [16] Hacolu, A., ve zkol, ., Vibrational Genetic Algorithm As a New Concept in Airfoil

izelge 4. Tersten kanat profili tasarm iin 1500 fonksiyon hesab ile elde edilen en iyi fonksiyon deerleri (x 106 ).
GA 9.52 13.6 15.3 4.52 5.7 TGA 10.2 7.77 3.5 2.56 1.58 TAF12m 5.58 2.54 6.53 9.28 7.91 TAF1-2m0 32.2 14.6 19.9 13.4 25.9 TAF22m 4.01 2.0 2.06 2.47 6.66 TAF1-1m TAF2-1m 5.65 3.85 3.03 4.79 8.74

Buradaki sonular da test fonksiyonlarndan elde edilenlere paraleldir. TAF2-2m tekniinin dierlerinden daha iyi sonu verdii grlmektedir.
7. DEERLENDRME VE SONU

Bu almada, dorusal olmayan, srekli fonksiyonlara ilikin optimizasyon problemleri iin TAF denklemi nerilmi ve analitik ve saysal yaklamlarla TAF denkleminden, uygulanmas ok basit olan TAF yntemleri retilmitir. TAF denkleminin dorudan saysal ve analitik zmleri, sistem dinamii yaklamyla yaplm literatrdeki dier almalarla benzer olup matematik kstlar nedeniyle snrl saydaki paremetre says iin uygulanma pratii vardr. Bununla birlikte, birinci mertebeden yaklamla retilen TAF1-1m ve TAF21m teknikleri ise ED teknikleriyle zde olan bir bant kullanmaktadr. Dier taraftan, kinci mertebeden analitik ve saysal yaklamla tanmlanan TAF1-2m ve TAF2-2m teknikleri birinci mertebeden olanlara gre daha etkin olduu grlmektedir. TAF yntemlerinin en dikkat ekici zellii uygulama basitliidir. Fonksiyon deerlerini kullanan basit iteratif bir denklemle algoritmalar koturulabilmekte; basitlii ile n plana kan GAlardaki seim, aprazlama, mutasyon gibi GA ilemlerini gerektirmemesi nedeniyle bunlardan daha kolay bir uygulama imkn vermektedir. Ayrca elde edilen sonular bu tekniklerin, sradan GAlardan daha iyi sonu verdiini gstermektedir. Bununla birlikte, deiik optimizasyon problemlerine uygulanabilecek olan bu yntemin, kstlamal ve ayrk (discrete) problemlere uygulanabilirlii ve dier optimizasyon teknikleriyle birletirilerek etkinliinin artrlmas gelecek almalarn konusunu oluturmaktadr.
8. KAYNAKLAR [1] Nocedal, J. ve Wright, S. J., Numerical Optimization, Springer, 2006. [2] Dutta, J., Optimization Theory - A Modern face of Applied Mathematics, Directions, Indian Institute of Technology Kanpur, no. 3, vol. 6, 2004. [3] Rao, S.S., Engineering Optimization: Theory and Practice, Fourth Edition, John Wiley and Sons, Inc., 2009.

HACIOLU 8

Dorusal Olmayan Optimizasyon Problemleri in Tanr Algoritmik Fonksiyonlar Yntemi Design, Aircraft Engineering and Aerospace Technology, cilt 3, no.3, s.228-236, 2002.
[17] Hacolu, A., Aerodinamik Dizayn ve Optimizasyonda Genetik Algoritma Kullanm, Uak Mhendislii Program Doktora Tezi, .T.. Fen Bilimleri Enstits, stanbul, 2003. ZGEM Do.Dr.Hv.Mh.Yb. Abdurrahman HACIOLU

Abdurrahman Hacolu, T Uak ve Uzay Bilimleri Fakltesi Uak Mhendislii blmnden 1991 ylnda mezun oldu. 1991-1995 yllar arasnda Kayseri 2.HBM K.lnda grev yapt. 1995-1997 yllar arasnda ODT Havaclk Mhendisliinde yksek lisans eitimini; 1998-2003 yllar arasnda T Uak Mhendislii blmndeki doktora eitimini tamamlad. Akkanlar Mekanii, Hesaplamal Akkanlar Dinamii, Genetik Algoritmalar, Aerodinamik Optimizasyon ve Paralel Mekanizmalar konular ile ilgilenmektedir. Halen Yarbay rtbesinde olup Hava Harp Okulu Dekanl, Havaclk ve Uzay Mhendislii Blm Bakan olarak grev yapmaktadr.

HACIOLU 9