Çizge Boyama Problemleri Için Evrimsel Tabu Arama Algoritmasi (ETA) Evolutionary Tabu Search Algorithm for Graph Coloring Problem (ETA) ÖZET

Transkript

1 Çizge Byama Prblemleri Için Evrimsel Tabu Arama Algritmasi (ETA) Evlutinary Tabu Search Algrithm fr Graph Clring Prblem (ETA) ÖZET Bu makalede bir çk prblemin indirgenebildigi klasik Çizge Byama Prblemlerinin çözümü için bir melez algritma önerilmistir. Evrimsel Tabu Arama Algritmasi (ETA) adini verdigimiz bu yaklasim tabu arama yöntemi ile genetik algritmanin birlestirilmesiyle rtaya çikmistir. Çizge byama prblemleri için yeni birer melezleme ve mutasyn uzmani gelistirilmis, DIMACS yarismasinda kullanilan pek çk deney örnegi üzerinde test edilmistir. ETA özellikle küçük ve rta by çizge örneklerinde basarili snuçlar vermistir. ÖZGEÇMIS Özgür Ülker 1980 yilinda Istanbul da dgan Özgür Ülker lisans egitimini 2003 yilinda Yeditepe Üniversitesi Bilgisayar Mühendisligi Bölümü nde tamamladi yillari arasinda ayni bölümde ögrenci asistani larak görev almistir. Ender Özcan 1991 yilinda Orta Dgu Teknik Üniversitesi, Elektrik ve Elektrnik Mühendisligi Bölümü'nü bitirdi. Devlet bursuyla gittigi Syracuse Üniversitesi (ABD, New Yrk), Bilgisayar ve Enfrmatik Bilimleri Bölümü'nde 1994 yilinda yüksek lisansini, 1998 yilinda da dktrasini tamamladi. Bu süre içerisinde arastirma görevliliginin yani sira, BlackWatch Inc. sirketinde yazilim uzmani larak çalisti yili güz döneminden beri Yeditepe Üniversitesi Bilgisayar Mühendisligi Bölümü'nde ögretim üyesi larak görevine devam etmektedir. ABSTRACT In this paper, a hybrid algrithm has been prpsed fr the Graph Clring Prblem t which many prblems can be reduced. This apprach, named as Evlutinary Tabu Search Algrithm (ETA) has emerged by cmbining a tabu search methd with a genetic algrithm. Fr Graph Clring Prblem, new crssver and mutatin peratrs are tested using many graph instances frm DIMACS challenge. ETA yields successful results, especially in small and medium graph instances.

2 ÇIZGE BOYAMA PROBLEMLERI IÇIN EVRIMSEL TABU ARAMA ALGORITMASI (ETA) byanmis, buna nazaran Çizim 2 de çizgenin k = 3 lacak sekilde en iyi byanabildigi gösterilmistir. GIRIS Çizge Byama Prblemleri (ÇBP) en temel katisimsal eniyileme prblemlerindendir. ÇBP yönsüz bir çizgenin dügümlerinin, kmsu dügümler farkli renkleri alacak sekilde byanmasi larak tanimlanabilinir. ÇBP, basta kisit saglama ve çizelgeleme lmak üzere pek çk terik ve pratik prblemin temelini lusturur. Bu prblemin plinm zamanda çözülemeyen tam (NP- Cmplete) bir prblem ldugu kanitlanmistir [6]. ÇBP nin çözümünde bu sebepten dlayi pek çk bulussal yöntemden faydalanilmistir. Davis [2] melez bir genetik algritma kullanarak prblemi çözmeye çalismis, fakat elde ettigi snuçlar tatminkar lmamistir. Jhnsn [11] farkli sgutma teknikleriyle tavlama [12] yöntemi kullanarak küçük prblem örneklerinde snuca ulasmistir. Hertz ve de Werra [9] ise tabu arama [7][8] yöntemiyle verimli snuçlar elde etmislerdir. Fakat ÇBP nin çözümünde en etkin snuçlarin melez algrimalar kullanilarak elde edildigi görülmüstür. Galinier ve Ha [5] ile Fleurant ve Ferland [4] tabu arama ve genetik algritmalari birlestirerek zr prblem örneklerinde çk basarili snuçlar elde etm islerdir. Bu bildiride de Çizge Byama Prblemi (Graph Clring Prblem ) için baska bir melez algritma önerilmistir. Bölüm 2 bu melez yönteme kaynak lusturan genetik ve tabu arama algritmalarini açiklar. Bölüm 3 ise önerilen melez algritmayi incelemektedir. Bölüm 4 test snuçlarina ve bunlarla ilgili yrumlara ayrilmistir. Ulasilan snuçlar ve ileride yapilacak çalismalar ise Bölüm 5 te özetlenmistir. ÇIZGE BOYAMA PROBLEMLERI G = (V, E) yönsüz bir çizgedir. V={v1, v2,, vi,, vm} çizgedeki dügüm kümesini, E={e1, e2,, ej,, en} ise kenar kümesini temsil eder. ej, (vp, vq) ile ifade edilen ikili, V kümesine ait iki dügüm arasindaki kenardir. Tanim 1: Bagimsiz küme birbirleriyle kmsu lmayan dügümleri içeren kümedir. Gözlem: V ' VV, ' labilmesi için ya V ' = 1 lmali, yada V ' 1 x V ' y V ' ( x, y) E lmalidir. kümesinin bagimsiz bir küme > için Tanim 2: <G, k> ile temsil edilen, k renk çizge byama prblemi (k-clring prblem ), V kümesinin birbiriyle rtak üyesi lmayan k bagimsiz kümeye bölüntülenmesidir. Tanim 3: En iyi byama, mümkün lan en küçük k sayidaki rengi kullanarak yapilacak lan byamadir. Bu durumda k sayisi G çizgesinin krmatik sayisi (?(G) ) larak tanimlanir. Çizim 1 ve Çizim 2 de sirasiyla k renk çizge byama prblemi ile en iyi byama prblemine birer örnek verilmistir. Çizim 1 de çizge k = 5 lacak sekilde 5 renkle Çizim 1 : k = 5 lacak sekilde k - renk byama Çizim 2: k = 3 lacak sekilde en iyi byama GENETIK ALGORITMALAR Genetik Algritmalar (GA) ilk defa J. Hlland tarafindan önerilmis [10] ve pek çk zr prblemin çözümünde kullanilmistir. GA ler evrim terisinden esinlenilmis, dgal seçilim ve genetik biliminin temellerini kullanilarak gelistirilmistir. Tipik bir GA de içindeki her birey (krmzm) in aday çözüm ldugu nüfus, sürekli bir evrim geçirir. Her nesilde belirli bir yöntemle seçilmis lan bireylere melezleme ve mutasyn gibi çesitli genetik uzmanlar uygulanir. Her bireyin hayatta kalma sansini bir uygunluk fnksiynu belirler. Yapitasi varsayimi geregi, güçlü bireyler iyi genlere sahiptir. Bu genlerin diger nesillere geçme lasiligi seçim baskisi ile artirilarak, kötü genlere sahip güçsüz bireyler evrim esnasinda kayblmasi saglanir. Evrim süreci belirlenen bitis ksulunu saglayincaya kadar devam eder ve en sn nüfustaki en iyi birey, ulasilan en iyi çözümü temsil eder. Genetik Algritma asagidaki ana bilesenlerden lusur: Temsil Üreme için Seçilim Melezleme (Üreme) Mutasyn Uygunluk Degeri Hesaplama Snlandirma

3 TABU ARAMA ALGORITMASI Tabu Arama (TA) algritmasi ilk defa F. Glver [7], [8] tarafindan insan hafizasinin çalismasindan esinlenilerek önerilmis bir yerel arama yöntemidir. TA ana larak basit tepe tirmanma (BTT) yönteminin zaaflarini gidermek için düsünülmüstür. BTT eldeki aday çözüme, bir kmsuluk isleci uygulayarak, yeni adaylar üretir. Yeni adaylar bir degerlendirmeye tabi tutulur. Degerlendirme çözümün snuca yakinligini ölçer. Yeni adaylar ile eldeki eski aday içerisinden çözüme en yakin lan eskinin yerine geçer. BTT bu haliyle kisir bir döngüye sebep labilir. Kmsuluklar kapsaminda birbirine esit degerdeki iki yada daha fazla kmsu arasinda BTT takilip kalabilir. Arama yapilan alanin özellikleri yada BTT yönteminin iyi seçilmemesi, herhangi bir denetim mekanizmasi kullanilmadan yapilan aramayi yerel en iyi nktalara götürebilir. Fakat gerçek hayattaki prblemler yerel en iyilerin bl ldugu, fakat glbal iyinin az, hatta tek labildigi prblemlerdir. Kisacasi kisir döngü kaçinilmazdir. Tabu arama yöntemi kisir döngüden kurtulmak için hafiza kullanilmasini, hatirlamayi önerir. Daha önce ziyaret edilmis ya da herhangi bir nedenle ziyaret edilmesi istenilmeyen aday çözümlerle ilgili özellikler, tabu listesi adi verilen, kisa dönem hafiza ya benzer bir yapida tutulur. Yöntem bu listedeki hamlelerin belirli bir süre yapilmasini yasaklar. Böylece arama yerel bir en iyi nktadan kurtularak asil snuca yakinsayabilir. Bu temel altyapinin yanisira, tabu arama yöntemlerinde aramayi belirli bir nktaya yönlendirebilecek uzun dönem hafiza yapilari da kullanilmistir [16]. ÇIZGE BOYAMA PROBLEMLERININ ÇÖZÜMÜ IÇIN MELEZ EVRIMSEL TABU ARAMA ALGORITMASI ÇBP nin çözümü için melez evrimsel bir tabu arama algritmasi önerilmektedir. Bu algritma ana larak yukarida sözü geçen iki farkli algritmanin birlestirilmesinden lusmustur. Bir nüfusun bireyleri genetik uzmanlar (melezleme ve mutasyn) ile tabu arama yöntemiyle sürekli bir evrim geçirirler. Bu süreç Çizim 3 de gösterildigi gibidir. Nüfusdaki bireylerin lusturulmasi Snuç bulunana kadar yada nesil üst sinirina kadar Melezleme için ebeveynler seç Melezlemeyi uygula Çcuk(lara) mutasyn uygula Tabu Arama (uygula) Yeni birey(lerin) uygunluk hesaplamasini yap Yeni nesli lustur Çizim 3 : ETA algritmasinin bilesenleri TEMSIL Bu algritmada her bir birey, bagimsiz renk kümelerinin birlesiminden lusmustur. Her bir renk kümesi renge byanacak lan dügümleri içermektedir. Ayni sekilde nüfusta belli sayida bireyin tplamindan lusmaktadir. Çizim 4 te örnek iki birey gözükmektedir. Çizim 4 : Bagimsiz renk kümelerinden lusmus iki birey NÜFUSTAKI BIREYLERIN OLUSTURULMASI Her bireyin lusturulmasi çizgedeki dügümlerin bagimsiz renk kümelerine atanmasini gerektirir. Bunun için öncelikle hiç bir kümenin bs kalmamasini saglamak için her kümeye bir dügüm rasgele atanmistir. Diger dügümlerin bir kismi ise an için en az hangi kümede kenar çakisimina sebep luyrsa kümeye atanmistir. Geri kalan diger dügümler ise tamamen rasgele atanmistir. Bu ikisi arasindaki denge ise her bir birey için farklidir. Örnegin bazi bireylere dügümlerin çk büyük bir kismi rasgele atanabilirken, diger bireylere ise kenar çakisimini azaltan bir atanma yapilabilinir. Algritmamizda bulunan ranlar asagidaki gibidir. rasgele atanan dügüm = birey n / tplam birey sayisi sistematik atanma = tplam birey sayisi rasgele atanan dügüm Birey n bütün bireylerin sirali bir sekilde numaralandirilmasindan snra kaçinci ldugunu gösterir. Böylece sn yaratilan bireyler snuca daha uzak, ilk yaratilanlar ise daha az kenar çakisimi saglanacak sekilde ayarlanmis lur. Kullandigimiz bu yaklasimin amaci ilk nüfusu lusturan bireylerin kenar çakisim sayisi ve dügümlerin kümelere yerlesimi açisindan mümkün ldugunca birbirinden farkli lmasidir. Aksi takdirde lusturulacak çesitliligi az lan bir nüfusun saglikli bir sekilde evrim geçirme sansi yktur. Bu sebepten dlayi diger pek çk benzer algritmada kullanilan RLF [15] ya da DSATUR [1] gibi açgözlü yöntemler çesitliligi azaltacagi için kullanilmamistir. EBEVEYN SEÇIMI Melezleme isleminin yapilabilmesi için öncelikle iki adet bireyin seçilmesi gerekmektedir. Bu algritmamizda bunun için sira bazli ebeveyn seçimi uygulanmistir. Bu yöntemin en önemli avantaji, zayif bireylere de seçilme sansi tanimasidir. Böylece güçlü bireylerin nüfusa erkenden hakim lmasi da engellenmis lmaktadir. Kullandigimiz bu seçim yönteminde bütün bireyler ilk önce uygunluk derecelerine göre siralanmis, daha snra da her bireye bir derece atanmistir. Algritmamizda kullanilan derecelendirme sistemine göre (n-j) nci bireyin seçilme lasiligi Denklem 1 deki gibidir.

4 P n j = n j k= 1 Denklem 1 Bir bireyin sira bazli seçilimdeki seçim baskisi MELEZLEME UZMANI Bu algritmada melezleme uzmani larak Galinier ve Ha nun önerdigi açgözlü bölüntüleme melezlemesi [5] yönteminin gelis tirilmis bir hali kullanilmistir. Açgözlü bölüntüleme yöntemindeki ana hedef büyük bagimsiz renk kümelerinin snraki nesillere aktarilmasidir. Bu yöntem iki adet ebeveyn bireyin en büyük renk kümelerinin sirayla çcuk bireye aktarilmasindan lusur. Yöntem kisaca asagidaki sekilde açiklanabilinir: k yüzden bu algritm ada bu dügümlerin belirli bir kismi rasgele, diger kismi ise en az kenar çakisimina sebep lacak sekilde atanmistir. Bu dagilimin nasil yapilacagi ise yazi tura atilarak belirlenmistir. MUTASYON UZMANI Algritmada kullanilan mutasyn uzmani renk kümelerindeki elemanlarin karistirilmasindan ibarettir. Öncelikle karistirilacak iki tane renk kümesi rasgele seçilmis, daha snra da bu kümelerin elemanlarindan rasgele bir permütasyn lusturulmustur. Bu permütasynlarin elemanlari daha snra tekrar renk kümelerine dagitilmistir. Her kümenin kaç dügüm alacagi ise gene rasgele belirlenmistir. Bu mutasyn vasitasiyla nüfusa özellikle bireyler arasindaki farklilik çk azaldiginda biraz daha çesitlilik kazanmasi amaçlanmistir. Veri: Bagimsiz kümelerden lusmus bireyler P 1, P 2 Snuç: Renk kümelerinden lusan gul birey C 1 Basla Bütün renk kümeleri için P 1 in en büyük kümesini C 1 in kümesi larak seç P 1 in bu en büyük kümesini P 1 den çikar P 1 in en büyük kümesinin elemanlarini P 2 den sil P 1 ile P 2 yi yer degistir Bitir Eger atanmayan dügümler varsa Her dügüm için rasgele bir küme seç Bu dügümü seçilen kümeye ata Çizim 5 : Açgözlü melezleme uzmani Bu yöntem basarili bir sekilde tabu arama yöntemiyle beraber kullanilmistir. Fakat bu melezleme uzmaninin da yetersiz ldugu bazi nktalar bulunmaktadir. Bu uzman sadece uzun bagimsiz renk kümelerinin gelecek nesillere iletilmesini saglamakta, fakat bu kümelerin çakisim degerlerini gözardi etmektedir. Bu yöntemle uzun fakat çk fazla kenar çakisimina sahip kümeler de gelecek nesillere iletilmektedir. Bu sebepten dlayi, renk kümelerine bu sarti da degerlendirecek sekilde bir agirliga dayali yöntem gelistirilmistir. Bu yöntemde kümeler hem uzunluklari hem de çakisan kenarlarinin sayisi göz önünde bulundurularak asagidaki frmülle derecelendirilmislerdir. Derece = αuzunluk βceza i i i Denklem 2 Küme derecelendirme yöntemi Bu frmülde i kümesinin uzunlugu Uzunluk i, ayni kümedeki kenar çakisim sayisi Cezai dir. Bu özelliklerin a ve ß katsayilari kullanilarak agirlikli tplamlari alinarak rtaya çikan snuç, i kümesinin derecesi larak belirlenmistir. Deneylerimizde a ve ß katsayilari 1 larak kullanilmistir. Açgözlü Bölüntüleme yönteminin diger bir zaafi ise melezleme sirasinda bir renge byanamayan dügümlerin rasgele larak atanmasiyla ilgilidir. Deneylerimiz sirasinda dügümlerin yaklasik larak %10 ile %40 lan kisminin herhangi bir yön belirlenmeden tamamen rasgele atandigi görülmüstür. Bu rasgelelik gen havuzuna bir nevi çesitlilik saglasada bu ran çözüme ulasmayi engelleyici labilir. O UYGUNLUK DEGERI Algritmada kullanilan uzmanlarlarla elde edilen snuçlarin istenen snuca uzakligini hesaplamak için bir ceza puani uygulamasi yapilmistir. Bu ceza puani ayni renge byanmis dügümlerin arasindaki kenarlarin tplam sayisidir. YEREL ARAMA YÖNTEMI Algritmamizda yerel arama metdu larak Hertz ve de Werra nin [9] önerdigi tabu arama yönteminin gelismis bir hali kullanilmistir. Hamle larak ise literatürde çkca kullanilan basit tasima kullanilmistir. Basit tasima bir dügümün bir renk kümesinden diger renk kümesine tasinmasindan ibarettir. Bu yöntem vasitasiyla kmsuluk yapilabilecek bütün basit tasima hamleleri larak rtaya çikar. Özellikle büyük çizgelerde bu kmsulugun byutu çk yüksek mertebelere çikabilir. Dlayisiyla kmsulugun byunu daraltmak için iki adet seyrek örnekleme yapilmistir. Ilk larak eger bir dügüm bulundugu kümede baska hiç bir dügümle çakismiyrsa bu dügümle ilgili herhangi bir tasima hareketi yapilmamistir. Ikinci önemli örnekleme metdu ise kmsulugun byunun dinamik larak degismesiyle ilgilidir. Algritmamizda kmsuluk snuçtan lan uzakliga göre degismektedir. Algritmanin özellikle snuçtan uzak lunan ilk asamalarinda, bütün kmsulugun taranmasina gerek görülmemistir. Bunun tersine snuca yaklasilan bölümlerde kmsulugun byunun genislemesi saglanmistir. Sözü edilen bu parametre asagidaki su frmülle gösterilmektedir: TplamCeza p % By = (1 α ) *100% TplamKenar Denklem 3 Kmsuluk byunun hesaplanmasi Bu frmülde Tplam Ceza, bütün bireydeki çakisan kenarlarin, TplamKenar ise çizgedeki bütün kenarlarin sayisina denk gelmektedir. a katsayisi ise bu ikisinin raninin (hedef çözümden uzaklik raninin) ne kadar önemli ldugunu ayarlar. p katsayisi kmsulugun ne kadarlik bir kisminin taranacagini belirler. Bu sayi arttikça kmsulugun byu hizli bir sekilde azalir. Tabu arama algritmasi lusturulan bu kmsuluk içinde an için en iyi hamleyi seçer. En iyi hamle ceza puanini en çk düsüren, bu mümkün degilse de en az yükselten

5 hamledir. Bu basit tasima hamlesi yapildiktan snra bu hamlenin tersi tabu listesine girilir. Örnegin i-kümesindeki m elemani j-kümesine tasinmissa (hamle <j, m>) m elemani belirli bir süre için tekrar i kümesine dönemez (hamle <i, m>). Bu süreyi belirlemek için asagidaki frmül kullanilmistir: ZamanAsimi= µ + υtplamceza Denklem 4 Tabu listesinde bulunma zamaninin hesaplanmasi Frmülden de açikca görülmektedir ki, tabu uzunlugu tplam cezayla lan iliskisi µ ve υ katsayilarina baglanmistir. Bu uzunluk sistemi büyük ve zr çizge örneklerinde lumlu snuçlar verse de küçük çizgelerde yukaridaki frmülle elde edilen zaman asimi kisa kalabilmektedir. Bu yüzden küçük çizgelerde tabu listesi zaman asimi andaki tabu döngü sayisina esit tutulmustur. Bütün bu islemlerden snra tabu aramayla lusturulan bireyin tekrar nüfusa knulmasi gerekmektedir. Elde edilen birey snuç larak kötü lan ebeveynin yerini yalnizca daha iyiyse ya da na esitse alabilir. Bunun sebebi algritmanin ileriki asamalarinda elde edilen iyi bireyleri krumaktir. ALGORITMANIN SONLANDIRILMASI Algritmanin snlandirilmasi iki sarta baglidir. Bunlar nüfustaki en iyi bireyin kenar çakisim sayisinin sifira inmesi ya da üst sinir larak belirlenen nesil sayisina ulasilmasidir. Bu üst sinir farkli çizgeler için farkli sekilde belirlenmistir. GENETIK VE TABU ARAMANIN AGIRLIGI Pek çk melez algritmadaki en önemli hususlardan biri bilesenlerin hangi agirlikta aramayi lusturacagidir. Bu algritma genetik ve tabu arama agirliginin yaklasik larak esit önemde lmasini hedeflemistir. Algritmanin snuçtan uzak lunan ilk asamalarinda genetik uzmanlardan snra gerçeklestirilen tabu aramanin uzunlugu kisa tutulmus, buna nazaran snuca yakinsanan asamalarda tabu uzunlugu giderek arttirilmistir. Bu ayarlama yerel arama yöntemi bölümündeki anlatilan kmsuluk uzunluguna benzer bir sekilde asagidaki frmülle gerçeklestirilmistir: TplamCeza TabuDöngü = k + l(1 α ) n TplamKenar Denklem 5 Tabu arama yineleme hesaplanmasi Bu frmülde k en düsük tabu uzunlugunu, l ise hedef alinan en yüksek tabu döngü uzunlugunu belirtir. Algritma snuçtan uzakken, ikinci terim sifira yaklasmakta, dlayisiyla gayet kisa bir tabu döngüsü saglanmaktadir. Snuca yaklasilirken ikinci terim 1 e yakinsayarak, ihmal edilebilir düzeyde lan k ile birlikte l adet tabu döngüsünü saglamis lur. DENEY SONUÇLARI Bu bölüm ETA algritmasinin deney snuçlarina ayrilmistir. Öncelikle kullanilan deney örnekleri hakkinda bilgi verilmis daha snra parametrelerin nasil ayarlandigi anlatilmistir. Deney snuçlari verildikten snra ETA nin perfrmansi hakkinda yrumlar yapilmis tir. DENEY ÖRNEKLERI Algritmalarin karsilastirilmasi için 1993 yilinda düzenlenen 2. DIMACS yarismasinda kullanilan deney örnekleri kullanilmistir. Bu deney örneklerinin en zr lanlarinin kenar ygunlugu 0.5 ile 0.7 arasinda degisen çizgeler ldugu görülmüstür. Dlayisiyla deneyler asagidaki çizge örnekleri üzerinde ygunlastirilmistir. DSJC Çizgeleri: Bu çizgeler Jhnsn [11] tarafindan benzetimli tavlama yönteminin çizge byamaya uygulanmasi sirasinda yaratilmis ras gele çizgelerdir. DSJC örnekleri 125, 250, 500 ya da 1000 dügümlü, kenar ygunluklari ise 0.1, 0.5 ve 0.9 lan çizgelerden lusmaktadir. Bu çizgelerin krmatik sayilari bilinmemektedir. LEIGHTON Çizgeleri: Leightn [15] tarafindan krmatik sayisi belli lacak sekilde sistematik bir sekilde yaratilan bu çizgeler 450 dügümden lusmaktadir. Krmatik sayilari sirasiyla 5, 15 ve 25 tir. Bu örneklerin disinda daha küçük ya da en iyi sekilde byanmasi daha klay lan diger çizge örnekleri de test edilmistir. ETA PARAMETRELERI ETA algritmasinin en önemli parametreleri asagida sirlanmistir: Nüfustaki bireylerin sayisi Her melezlemeden snra gerçeklestirilen Tabu Aramanin en yüksek döngü sayisi Genelde küçük nüfuslarin ve yüksek tabu dögü sayisinin kullanildigi diger melez algritmalara göre bu çalismada daha büyük bir nüfus ve daha kisa tabu döngü sayisinin etkileri üzerinde durulmustur. Bu yüzden özellikle klay örnekler için birey sayisi en az 5 veya 10 a, daha zrlari için sirasiyla 25 e ve 50 ye çikarilmistir. Küçük tabu döngü sayilarinin nüfustaki çesitliligi bir nebze düsürdügü bildirilmistir [5]. Buna ragmen tabu döngü sayisi için küçük degerler seçilerek, daha büyük nüfuslar kullanilmis ve çesitlilik bu sekilde saglanmaya çalisilmistir. ETA da tabu döngü sayilari larak sirasiyla 100, 250 ve 500 degerleri kullanilmistir. Diger önemli bir nkta ise tabu arama ile genetik algritmaya hangi ranlarda agirlik verilecegidir. Bunun için en az yineleme sayisi k, 10 larak, ceza agirligi larak kullanilan a katsayisi ise 5 larak belirlenmistir. Gerçek tabu döngü sayisinin degisim miktari ise yukarida anlatilan en yüksek tabu döngü sayisina, kisacasi l degerine baglidir. Denklem 5 te bahsedilen n degeri için en iyi 3 degerinin iyi snuçlar verdigi görülmüstür. Diger önemli parametreler ise tabu arama sirasinda kullanilacak lan kmsulugun genisiligiyle ilgilidir. Tabu uzunluguna benzer bir sekilde ceza agirlik katsayisi a için 3 degeri kullanilmis, kmsulugun daraltilm asi için, Denklem 3 te bahsedilen p degerleri larak 4 yada 5 kullanilmistir. Sn larak tabu listesine yerlestirilen hamlelerin ne kadar bir süre için yasak ldugunu belirlemek için Denklem 4 te kullanilan µ ve υ parametreleri sirasiyla 10 ve 0.6 larak ayarlanmistir. Daha küçük örnekler içinse bu parametre tabu döngü sayisina es tutulmustur.

6 Çizge Adi Dügüm Kenar Krmatik Sayi Elde Edilen Min. Renk t (s n.) Std. Genetik Yineleme Std. Nüfus Byu Max. Tabu Döngü dsjc ? dsjc ? dsjc ? dsjc ? dsjc ? dsjc ? dsjc ? le450_5a le450_5b le450_5c Le450_5d Le450_15a Le450_15b Le450_25a Le450_25b Tabl 1 : DSJC ve Leightn Çizge Byama Snuçlari DENEYLER Deneyler için C++ diliyle yazilan algritma Tabl 1 deki çizge örnekleri için Pentium 4 2Ghz islemciye ve 256Mb bellege sahip 4 farkli kisisel bilgisayarda test edilmistir. Tabl 2 deki çizgeler ise AMD Durn 1300 Mhz islemcili ve 256Mb bellege sahip baska bir kisisel bilgisayarda test edilmistir. Tabl 1 Leightn ve DSJC çizge snuçlarini, Tabl 2 ise diger çizgelerin snuçlarini göstermektedir. Tabl1 deki her çizge için 10 deneme yapilmis bunlarin rtalamasi alinmistir. Tabl 2 deki her çizge için deneme sayisi 50 dir. Tabllarda öncelikle her çizge ile ilgili bilgiler (dügüm, kenar ve krmatik sayilari) verilmistir. Daha snra elde çizgenin byanabildigi minimum renk sayisi verilmistir. Algritmanin bitmesi için geçen süre, bu sürenin standart sapmasi ise saniye cinsinden verilmistir. Bu süreye çizgenin diskten kunmasi dahil degildir. Daha snra gerçeklesen genetik yineleme sayisi (melezleme sayisi) ve bunun standart sapmasi verilmistir. Tabl 1 de daha snra nüfusun büyüklügü verilmistir. Tabl 2 deki çizgelerin hepsi için nüfusun büyüklügü 5 larak belirlenmistir. Daha snraki sütunda (melezlemeden snra yapilabilecek) en yüksek (Max.) tabu döngü sayisi verilmistir. Tabl 1 deki deneylerde tabu zaman asimi süresi dinamik larak hesaplanmis tir. DENEY YORUMLARI Özellikle zr çizgeler üzerinde yapilan deneylerin snucunda (Bkz. Tabl 1), ETA nin gayet verimli bir sekilde çalistigi görülmektedir. Bu örneklerde yaklasik larak literatürde bulunan en iyi renk degerlerinden (krmatik sayilardan) en fazla 1 yada 2 renk uzak kalinmistir. ETA, daha küçük ve klay deney örneklerinin (bkz Tabl 2) hemen hemen hepsinde rahat bir sekilde dgru krmatik sayi degerlerine ulasarak, bütün denemelerden 100% basariyla çikmistir. Deneylerde özellikle üzerinde durulan nktalardan biri genetik algritma ve tabu arama yöntemlerine verilen agirliktir. Deneyler snucunda belli seviyedeki tabu arama döngüsünden snra snucun pek fazla degismedigi, buna nazaran düsük döngü nüfustaki çesitliligi bir nebze düsürdügü gözlenmistir. Özellikle zr çizgelerde nüfus çesitliligin azalmasi aramanin yerel bir en iyi nktada takilip kalmasina yl açmistir. Birey sayisinin arttirilmasinin ise buna çözüm sagladigi görülmüstür. Birey sayisinin arttirilmasi ayni zamanda algritmanin kararliligini da arttirmaktadir. Özellikle küçük nüfuslarda elde edilen yineleme ve zaman sürelerinin standart sapmalarinin yüksek ldugu gözlenmistir. Nüfusun büyültülmesi bu süreleri düzenli bir sekilde azaltmistir. Buna nazaran özellikle küçük örneklerde (dügüm sayisi < 100) küçük nüfuslarin kullanilip (2 < nüfus sayisi < 5) tabu aramanin arttirilmasinin en hizli snuçlari verdigi görülmüstür. Büyük deney kümelerinde ayrica tabu arama agirlikli deneyler de yapilmistir. (Çk büyük tabu uzunluklari, çk küçük nüfuslar, vs). Elde edilen snuçlar tabu arama yönteminin belli bir seviyeden snra daha fazla gelisim gösteremediginden bir yerel nktada tikanip kaldigini göstermektedir. Melezleme ve mutasyn uzmanlari eklendiginde ise bu nktalardan kurtulma lasiliginin arttigi gözlenmektedir. Bunun sebebi melezleme ve mutasyn uzmanlarinin aramanin belli bir yere takilmasini engelleyip çözüme yakin baska bir yerden devam etmesini saglamasidir. Elde ettigimiz bu snuçlar melez algritmalarin Çizge Byama Prblemi için sn derece basarili labilecegini göstermistir.

7 Çizge Adi Dügüm Kenar Krmatik Sayi Elde Edilen Min. Renk t (s) Std. Genetik Yineleme Std. Max. Tabu Döngüsü miles miles miles miles miles mulsl.i mulsl.i mulsl.i mulsl.i mulsl.i anna david huck hmer Tabl 2 : Diger DIMACS Çizge Byama Snuçlari SONUÇLAR VE ILERIDE YAPILACAK ÇALISMALAR Bu bildiride çizge byama için yeni bir melez algritma önerilmistir. Prblem e uygun sekilde hazirlanan bir melezleme ve mutasyn uzmani denenmistir. Ayrica tabu arama yöntemi için dinamik larak degisen yineleme ve kmsuluk daraltma sistemleri gelistirilmistir. Çizge byama için önerilen diger melez algritmalarda kullanilan küçük nüfuslarin yanisira büyük nüfuslarda kullanilmistir. Özellikle küçük ve rta by çizge örneklerinde basarili snuçlar elde edilmistir. Yine de algritmanin gelistirilmesi için daha yapilabilecek çalismalar mümkündür. Algritmanin özellikle daha büyük deney örnekleri üzerinde nasil bir davranis gösterecegi incelenecektir. Bu özellikle pek çk parametrenin en iyi bir sekilde ayarlanmasina yardimci lacaktir. Önerilen algritmada ki parametrelerin sayisini düsürmek için bunlardan bazilarinin arama sirasindaki durumlara göre uyum saglayip kendiliginden degismesi de amaçlanmaktadir. Sn larak tabu arama yönteminde daha degisik hamleler kullanilmasi hedeflenmektedir. [8] Glver, F., Tabu Search Part II, ORSA Jurnal f Cmputing Vl. 2, N. 1. [9] Hertz, A., de Werra, D., 1987, Using tabu search techniques fr graph clring. Cmputing 39: [10] Hlland, J. H., Adaptatin in Natural and Artificial Systems, Univ. Mich. Press. [11] Jhnsn D.S., Aragn C.R, McGech L.A, and Schevn C., Optimizatin by simulated annealing: An experimental evaluatin; part ii, graph clring and number partitining., Operatins Research, 39(2): , [12] Kirkpatrick S., Gelatt C.D., Jr., Vecchi M.P., Optimizatin by Simulated Annealing, Science, Number [13] Kirvski, D., Ptknjak, M., "Efficient Clring f a Large Spectrum f Graphs", Prc. f ACM/IEEE 35th Design Autmatin Cnference, pp , San Francisc, USA. [14] Kltz, W., Graph clring algrithms, Mathematik- Bericht 2002/5, TU Clausthal. [15] Leightn, F. T., A graph clring algrithm fr large scheduling prblems, Jurnal f Reasearch f the Natinal Bureau f Standards, 84: , [16] Gnzález-Velarde J.L.,and Laguna M., Tabu Search with Simple Ejectin Chains fr Clring Graphs, T appear in the Annals f Operatins Research. KAYNAKÇA: [1] Brelaz, D., New methds t clr vertices f a graph, Cmmunicatins f ACM 22, [2] Davis, L., Handbk f Genetic Algrithms, Van Nstrand Reinhld, New Yrk. [3] Falkenauer, E., A Hybrid Gruping Genetic Algrithm fr Bin Packing, Jurnal f Heuristics 1996;2(1):5-30. [4] Fleurant, C., amd Ferland, J.A., Object riented implementatin f heuristic search methds fr graph clring, maximum clique, and satisfiability, Prcedings f the 2 nd DIMACS implementatin challenge, Vlume 26 f DIMACS Series. [5] Galinier, P. and Ha, J.K., Hybrid evlutinary algrithms fr graph clring., Jurnal f Cmbinatrial Optimizatin. 3(4): [6] Garey, M.R, Jhnsn, D.S., Cmputers and Intractability, Freeman, San Francisc. [7] Glver, F., Tabu Search Part I, ORSA Jurnal f Cmputing Vl. 1, N. 3.