Self Organising Migrating Algorithm
|
|
- Nuray Akbulut
- 8 yıl önce
- İzleme sayısı:
Transkript
1 OPTİMİZASYON TEKNİKLERİ Self Organising Migrating Algorithm Kendini Organize Eden Göç/Geçiş Algoritması MELİH HİLMİ ULUDAĞ Fırat Üniversitesi Teknoloji Fakültesi Yazılım Mühendisliği Bölümü İletişim: Proje Danışmanı Doç. Dr. BİLAL ALATAŞ 1. S a y f a
2 İçindekiler 1. Optimizasyon Algoritmaları Kendini Organize Eden Göç Algoritmasına Giriş Kendini Organize Eden Göç Algoritmasının İncelenmesi Popülasyon yaratılışı Göç Döngüsü Değerlendirme Kaynakça S a y f a
3 1. Optimizasyon Algoritmaları Analitik çözümler nadiren kullanılır çünkü hemen hemen tüm gerçek dünya optimizasyon problemleri, yinelemeli çözümler arar ve matematiksel bir algoritma kullanmak gereklidir. Bu nedenle, evrim algoritması, genetik algoritması, karınca algoritması ve parçacık sürüsü algoritması gibi algoritma metodolojileri geliştirilmiştir ve literatürde büyük ilgi görmüştür. Bu algoritmalar çeşitli optimizasyon alanlarında uygulanmıştır. Ancak, bu algoritmaların dezavantajlarından biri optimizasyon problemlerinin çözümünde problem boyutunun büyüdükçe çözümün oldukça düşük olmasıdır. 2. Kendini Organize Eden Göç Algoritmasına Giriş SOMA Ivan Zelinka tarafından geliştirilen Öz-Örgütlenme Geçiş Algoritması, bir stokastik optimizasyon algoritmasıdır. Genellikle evrimsel bir algoritma olarak bilinen SOMA, birçok optimizasyon problemini çözmek için kullanılabilir. Bu algoritma vahşi yabani hayvan gruplarının davranışlarından esinlenerek geliştirilmiştir. Bu bireyler sabit bir grup yerine, birbirini takip eden nesillerin geliştirilmesi yolu kullanarak göç etme fikrini amaçlıyor. Aynı zamanda genetik algoritmaya benzer bir yapıda olan SOMA, sınırlı parametreler alarak maliyet minimizasyonu sorununa cevap ararken yerel minumum u sağlayabiliyor. Dijkstra's, Floyd Warshall, Bellman Ford algoritmaları veya the A-star algoritması bilindiği üzere en kısa yol problemini bulmak için kullanılan algoritmalardır. Böyle problemlere de cevap verebilen SOMA, (Self Organising Migrating Algorithm) asenkron olarak paralel dağılımlı bir şekilde problemi ele alıyor. Kendini yöneten, organize eden göç algoritmasında yeni nesil, bireylerin göç etmesi ile oluşturulur. Bireyler kendi aralarında öz örgütlenmeli şekilde göç ederler. Dolayısıyla bireylerin sadece pozisyonları arama uzayında göç döngüsü olarak adlandırılan bir oluşum içerisine girer. 3. Kendini Organize Eden Göç Algoritmasının İncelenmesi İncelemeye başlamadan önce SOMA dan birkaç şey bahsedecek olursak : Bu algoritmanın farklı versiyonları mevcuttur. Öncelikle alacağı parametreleri belirtelim. Adım, yol uzunluğu PopSize, PRT ve Maliyet Fonksiyonu gibi parametrelerin tanımlanmış olması gerekir. Maliyet fonksiyonu skaler dönen bir değerdir. Ve uygunluk ölçüsü olarak kullanılır. Soma () fonksiyonu SOMA algoritması için bir arabirim sağlar. Bu, her parametre için minimum ve maksimum sınırlardan oluşan bir seçenekler listesidir ve isteğe bağlı bu listeyi en 3. S a y f a
4 aza indirmek için bir işlev çağrılır. Maliyet fonksiyonu ilk argüman olarak sayısal bir vektör alır ve ilgili maliyet değeri temsil eden bir sayısal skaler dönmelidir Popülasyon yaratılışı Bireylerin nüfusları rasgele oluşturulur. Her bir birey için her parametre verilen aralıktan rastgele <Düşük, Yüksek> seçilmelidir Göç Döngüsü Nufustaki her birey için maliyet fonksiyonu ve lider değer tanımlanır. Mevcut olan göç etme işlemi döngü için seçilir. Her birey döngü iterasyonunda maliyet fonksiyonu ve lider tarafından değerlendirilir. (parametre tanımındaki adıma göre) Bunun sonucunda bir atlama yapılır. Ve bu atlama değerlendirilip yol uzunluğu tarafından tanımlanan yeni bir konuma ulaşılıncaya kadar devam ettirilir. Ulaşılınca pathlength(yol uzunluğu) xi,j olur.yeni pozisyon xi, her atlamadan sonra j (1) hesaplanır. Sonuç olarak bireyler en iyi konumunu bulana kadar yörünge içerisinde dönerler. (Şekil1) ŞEKİL 1. PRTVEKTÖR ÜN BİREYLER ÜZERİNDEKİ HAREKETİ x mlyeni i, j = x ml i, j[ilk] + (x ml i, j x ml i, j[ilk]) t PRTVektör Gerekli şartlar t < 0 olacak ve yol uzunluğu (pathlegth) > Göç Döngüsü 4. S a y f a
5 Bir birey Liderlik için bir atlama başlatmadan önce Rasgele bir sayı oluşturulur. Ve oluşturulan sayı PRTVektör den daha büyük ise Bireysel bileşeni PRTVektör aracılığı ile 0 olarak ayarlanır. Dolayısıyla bireysel hareket N-k boyutlu alt uzayda alana sürekli dik olarak iner. SOMA globallikten ziyade yerel optimumu bulma eğilimindedir. Eğer göç döngülerinin sayısına ulaşıldıysa algoritma durur ve en iyi çözümü belirtir. Eğer rndj<prt ise PRTVektörj=1 Değilse PRTVektörj=0 Random olan sayı (rndj) <0,1> ve j=1,2,3,..n e kadardır. Örnek: PRTVektör e 4 parametre için PRT=0,3 olarak verilsin j rndj PRTVektör 1 0, , , ,012 1 J=1için rasgele üretilen rnd1 sayısı (0,234<0,3)? PRTVektör=1 J=2 için rasgele üretilen rnd2 sayısı (0,545<0,3)? PRTVektör=0 J=3 için rasgele üretilen rnd3 sayısı (0,865<0,3)? PRTVektör=0 J=4 için rasgele üretilen rnd4 sayısı (0,012<0,3)? PRTVektör=1 5. S a y f a
6 BAŞLAT RASGELE BİR POPÜLASYON OLUŞTUR ML=0 AKTİF LİDERİ SEÇ VE TÜM BİREYLERİN AMAÇ FONKSİYONLARINI DEĞERLENDİR KRİTER UYGUN MU? HAYIR ML=ML+1 AKTİF BİREYİN KONUMU İLE SEÇEBİLECEK EN İYİ KONUMU SEÇEREK YENİ POZİSYON ELDE ET EVET AKTİF LİDERİ SEÇ VE TÜM BİREYLERİN AMAÇ FONKSİYONLARINI DEĞERLENDİR HAYIR YENİ NOKTA AKTİF OLANDAN DAHA İYİ Mİ EVET AKTİF LİDERİ SEÇ VE TÜM BİREYLERİN AMAÇ FONKSİYONLARINI DEĞERLENDİR EN İYİ SONUCU RAPORLA BİTİR ŞEKİL 2. SELF ORGANİSİNG MİGRATİNG ALGORİTHM FLOW CHART 6. S a y f a
7 Örnek: # Rastrigin fonksiyonu yerel minumum içeren bir fonksiyon olsun. rastrigin <- function (a) 20 + a[1]^2 + a[2]^2-10*(cos(2*pi*a[1])+cos(2*pi*a[2])) # -5 ile 5 parametreleri aralığında global minumumu bulmaya çalışalım. x <- soma(rastrigin, list(min=c(-5,-5),max=c(5,5))) # Asgari olarak c(0,0) a çok yakın olmalıdır. Liderin konumunu bulacak olursak: print(x$population[,x$leader]) # Son olarak Liderlerin maliyet geçmişlerini çizelim plot(x) Şimdi her aşamayı teker teker izleyelim: rastrigin <- function(a) 20 + a[1]^2 + a[2]^2-10*(cos(2*pi*a[1])+cos(2*pi*a[2])) ŞEKİL 3. FONKSİYON YÜZEYİ [FUNCTİON] Sırada: minumum u araştıralım. x <- soma(rastrigin, list(min=c(-5.12,-5.12),max=c(5.12,5.12))) Burada SOMA optimizasyonunun başlangıcını belirttim. Eğer göç sınırı 20 ye ulaşırsa durdurulması gerekli olsun. Lider maliyet 1.67e-05 değerinde olacak. 7. S a y f a
8 Yani sıfır (asgari) değerine yakın 1.67e-05 a fonksiyon en iyi çalışma noktasının olduğunu fonksiyonun çıkışından gözlemleyeceğiz. Arama uzayının konumunu verelim: print(x$population[,x$leader]) e e-04 Bu konum (0,0) a çok yakın. Her tekrarda en iyi maliyet fonksiyonu değerini gösteren bir optimizasyon ilerleme düzeneği çizebiliriz. Şöyle ki: ŞEKİL 4. FONKSİYONUN OPTİMUM İLERLEME ÇİZENEĞİ Burada algoritmanın üzerinde çalıştığı fonksiyonu hızlıca aşağı düşürdüğünü ve sıfıra doğru en küçük değeri izleyerek yeni bireylere göç ettiğini gözlemliyoruz. Bu örneği resimlerle izleyelim: 8. S a y f a
9 1.Göç 2.Göç 3.Göç 4.Göç 5.Göç 6.Göç ŞEKİL 5. GÖÇ DÖNGÜSÜ 3.3. Değerlendirme SOMA özellikle yılları arasında çeşitli alanlarda kullanılmıştır. Örnek verecek olursam: Kaotik Sistemlerin Kontrolünde Sinir Ağı Sentezinde Elektrik ile bağlantılı olan optimizasyonlarda Vb. alanlarda kendine yer bulmuştur. Bu algoritma ile ilgili son güncelleme yılında yapılmıştır. 9. S a y f a
10 4. Kaynakça o o General-Purpose Optimisation With the Self-Organising Migrating Algorithm, Jon Clayden; based on the work of Ivan Zelinka o Self-Organizing Migrating Strategies Applied to Reliability-Redundancy Optimization of Systems Leandro dos Santos Coelho o SOMA Ivan Zelinka o International Journal of Soft Computing and Engineering (IJSCE) ISSN: , Volume-3, Issue-6, January 2014 o Comparison of an self-organizing migration algorithm with simulated annealing and differential evolution for automated waveform tuning. Advances in Engineering Software, 36(10), pp NOLLE, L., ZELINKA, I., HOPGOOD, A.A. and GOODYEAR, A., o An investigation on evolutionary identification of continuous chaotic systems, AIP Conference Proceedings 2011, pp ZELINKA, I., DAVENDRA, D., SENKERIK, R. and JASEK, R., 10. S a y f a
Fonksiyon Optimizasyonunda Genetik Algoritmalar
01-12-06 Ümit Akıncı Fonksiyon Optimizasyonunda Genetik Algoritmalar 1 Fonksiyon Optimizasyonu Fonksiyon optimizasyonu fizikte karşımıza sık çıkan bir problemdir. Örneğin incelenen sistemin kararlı durumu
DetaylıPARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN
PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN 1995 yılında Dr.Eberhart ve Dr.Kennedy tarafından geliştirilmiş popülasyon temelli sezgisel bir optimizasyon tekniğidir.
DetaylıGenetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:
Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.
DetaylıFonksiyon Minimizasyonunda Simulated Annealing Yöntemi
07-04-006 Ümit Akıncı Fonksiyon Minimizasyonunda Simulated Annealing Yöntemi İçindekiler Fonksiyon Minimizasyonu Metropolis Algoritması. Algoritma.......................................... Bir boyutlu
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
DetaylıKİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI
KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI Hatice YANIKOĞLU a, Ezgi ÖZKARA a, Mehmet YÜCEER a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği
DetaylıKısıtsız Optimizasyon OPTİMİZASYON Kısıtsız Optimizasyon
OPTİMİZASYON Bu bölümde çok değişkenli kısıtsız optimizasyon problemlerinin çözüm yöntemleri incelenecektir. Bu bölümde anlatılacak yöntemler, kısıtlı optimizasyon problemlerini de çözebilmektedir. Bunun
DetaylıBBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm
BBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm Tufan İNAÇ 1, Cihan KARAKUZU 2 1 Bilgisayar Mühendisliği Anabilim Dalı Bilecik Şeyh Edebali
DetaylıALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU
ALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f (x) bulunamayabilir.] Aşağıdaki DOP modelini çözmek istediğimizi var sayalım. Max f(x)
DetaylıTEMEL MEKANİK 4. Yrd. Doç. Dr. Mehmet Ali Dayıoğlu Ankara Üniversitesi Ziraat Fakültesi Tarım Makinaları ve Teknolojileri Mühendisliği Bölümü
TEMEL MEKANİK 4 Yrd. Doç. Dr. Mehmet Ali Dayıoğlu Ankara Üniversitesi Ziraat Fakültesi Tarım Makinaları ve Teknolojileri Mühendisliği Bölümü Ders Kitapları: Mühendisler İçin Vektör Mekaniği, Statik, Yazarlar:
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Altın Oran (Golden Section Search) Arama Metodu Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f
DetaylıEŞİTLİK KISITLI TÜREVLİ YÖNTEMLER
EŞİTLİK KISITLI TÜREVLİ YÖNTEMLER LAGRANGE YÖNTEMİ Bu metodu incelemek için Amaç fonksiyonu Min.z= f(x) Kısıtı g(x)=0 olan problemde değişkenler ve kısıtlar genel olarak şeklinde gösterilir. fonksiyonlarının
DetaylıAltın Oran Arama Metodu(Golden Search)
Altın Oran Arama Metodu(Golden Search) Bir f(x) (tek değişkenli) fonksiyonunu ele alalım. [Bazı x ler için f (x) bulunamayabilir.] Aşağıdaki DOP modelini çözmek istediğimizi var sayalım. Max f(x) a x b
DetaylıOPTİMUM GÜÇ AKIŞININ YAPAY ARI KOLONİSİ İLE SAĞLANMASI
OPTİMUM GÜÇ AKIŞININ YAPAY ARI KOLONİSİ İLE SAĞLANMASI A. Doğan 1 M. Alçı 2 Erciyes Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği Bölümü 1 ahmetdogan@erciyes.edu.tr 2 malci@erciyes.edu.tr
DetaylıOPTİMİZASYON TEKNİKLERİ. Kısıtsız Optimizasyon
OPTİMİZASYON TEKNİKLERİ Kısıtsız Optimizasyon Giriş Klasik optimizasyon yöntemleri minimum veya maksimum değerlerini bulmak için türev gerektiren ve gerektirmeyen teknikler olarak bilinirler. Bu yöntemler
DetaylıKaotik Tabanlı Diferansiyel (Farksal) Gelişim Algoritması
Kaotik Tabanlı Diferansiyel (Farksal) Gelişim Algoritması 1 Mehmet Eser * 1 Uğur Yüzgeç 1 Bilecik Şeyh Edebali Üniversitesi, Bilgisayar Mühendisliği Bölümü, 111, Gülümbe, Bilecik 1. Giriş Abstract Differential
DetaylıMETASEZGİSEL YÖNTEMLER
METASEZGİSEL YÖNTEMLER Ara sınav - 30% Ödev (Haftalık) - 20% Final (Proje Sunumu) - 50% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn: Zaman çizelgeleme, en kısa yol bulunması,
DetaylıOPTİMİZASYON TEKNİKLERİ-2. Hafta
GİRİŞ OPTİMİZASYON TEKNİKLERİ-2. Hafta Mühendislik açısından bir işin tasarlanıp, gerçekleştirilmesi yeterli değildir. İşin en iyi çözüm yöntemiyle en verimli bir şekilde yapılması bir anlam ifade eder.
DetaylıEXCEL DE BENZETİM ÖRNEKLERİ BMÜ-422 BENZETİM VE MODELLEME
EXCEL DE BENZETİM ÖRNEKLERİ BMÜ-422 BENZETİM VE MODELLEME GİRİŞ Bu bölümde benzetim için excel örnekleri önerilmektedir. Örnekler excel ile yapılabileceği gibi el ile de yapılabilir. Benzetim örnekleri
DetaylıRössler Tabanlı Kaotik Farksal Gelişim Algoritması
Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, Cilt:1, Sayı:, 1 ISSN: 1-33 (http://edergi.bilecik.edu.tr/index.php/fbd) Araştırma Makalesi/Research Article Rössler Tabanlı Kaotik Farksal Gelişim
DetaylıGENETİK ALGORİTMA İLE RÜZGAR TÜRBİNİ KANAT SAYISI SEÇİMİ
VI. Ulusal Temiz Enerji Sempozyumu UTES 2006 25 27 Mayıs 2006, Isparta Sf.756 764 GENETİK ALGORİTMA İLE RÜZGAR TÜRBİNİ KANAT SAYISI SEÇİMİ Nida Nurbay ve Ali Çınar Kocaeli Üniversitesi Tek. Eğt. Fak. Makine
DetaylıYZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR
YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR Sınıflandırma Yöntemleri: Karar Ağaçları (Decision Trees) Örnek Tabanlı Yöntemler (Instance Based Methods): k en yakın komşu (k nearest
DetaylıGENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA
GENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri (nt lgorithm) Doç.Dr. M. li kcayol 996 yılında Marco Dorigo tarafından ortaya atılmıştır. Temel olarak karıncaların yiyecek madde ile yuvaları arasındaki en kısa yolu bulmalarından
DetaylıUzayda iki doğrunun ortak dikme doğrusunun denklemi
Uzayda iki doğrunun ortak dikme doğrusunun denklemi Uzayda verilen d 1 ve d aykırı doğrularının ikisine birden dik olan doğruya ortak dikme doğrusu denir... olmak üzere bu iki doğru denkleminde değilse
DetaylıTek Değişkenli Optimizasyon OPTİMİZASYON. Gradient Tabanlı Yöntemler. Bisection (İkiye Bölme) Yöntemi
OPTİMİZASYON Gerçek hayatta, çok değişkenli optimizasyon problemleri karmaşıktır ve nadir olarak problem tek değişkenli olur. Bununla birlikte, tek değişkenli optimizasyon algoritmaları çok değişkenli
DetaylıGENETİK ALGORİTMALARA GİRİŞ
GENETİK ALGORİTMALARA GİRİŞ Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği Bölümü Konuralp 81620 Düzce
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye
DetaylıKARINCA KOLONİ ALGORİTMASI BMÜ-579 Meta Sezgisel Yöntemler. Yrd. Doç. Dr. İlhan AYDIN Fırat Üniversitesi, Bilgisayar Mühendisliği Bölümü
KARINCA KOLONİ ALGORİTMASI BMÜ-579 Meta Sezgisel Yöntemler Yrd. Doç. Dr. İlhan AYDIN Fırat Üniversitesi, Bilgisayar Mühendisliği Bölümü Karınca Koloni Algoritması Bilim adamları, böcek davranışlarını inceleyerek
DetaylıZeki Optimizasyon Teknikleri. Karınca Algoritması (Ant Algorithm)
Zeki Optimizasyon Teknikleri Karınca Algoritması (Ant Algorithm) Karınca Algoritması 1996 yılında Marco Dorigo tarafından ortaya atılmıştır. Temel olarak karıncaların yiyecek madde ile yuvaları arasındaki
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Genetik Algoritma (Genetic Algorithm) Doç.Dr. M. Ali Akcayol Genetik Algoritma 1970 li yıllarda John Holland tarafından geliştirilmiştir. 1989 yılında David E. Goldberg Genetik
DetaylıBÖLÜM III: Şebeke Modelleri. Şebeke Kavramları. Şebeke Kavramları. Şebeke Kavramları. Yönlü Şebeke (Directed Network) Dal / ok
8.0.0 Şebeke Kavramları BÖLÜM III: Şebeke Modelleri Şebeke (Network) Sonlu sayıdaki düğümler kümesiyle, bunlarla bağlantılı oklar (veya dallar) kümesinin oluşturduğu yapı şeklinde tanımlanabilir ve (N,A)
DetaylıYrd. Doç. Dr.Yiğit Aksoy
Yrd. Doç. Dr.Yiğit Aksoy ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Lisans Celal Bayar Üniversitesi Makine Mühendisliği 00 Y. Lisans Celal Bayar Üniversitesi Makine Mühendisliği 00 Doktora Celal
DetaylıRASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN
RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi
DetaylıDr. Gönül Kemikler İ. Ü. Onkoloji Enstitüsü
Dr. Gönül Kemikler İ. Ü. Onkoloji Enstitüsü Radyoaktif kaynakların Vücut boşluklarına Tümörün içine Tümörün yakınına kalıcı geçici olarak yerleştirilerek yapılan bir yakın mesafe tedavisidir. X.Ulusal
DetaylıBİRİNCİ BASIMA ÖN SÖZ
BİRİNCİ BASIMA ÖN SÖZ Varlıkların kendilerinde cereyan eden olayları ve varlıklar arasındaki ilişkileri inceleyerek anlamak ve bunları bilgi formuna dökmek kimya, biyoloji, fizik ve astronomi gibi temel
DetaylıGENETİK ALGORİTMALARA GİRİŞ (I)
Bu notlar D. Coley ve S. Haupt ın Kitaplarından Yararlanarak Hazırlanmıştır. GENETİK ALGORİTMALARA GİRİŞ (I) Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr
DetaylıEKSPONANSİYEL AĞIRLIKLI PARÇACIK SÜRÜ ALGORİTMASI İLE TORNALAMA İŞLEMLERİNDE KESME KOŞULLARININ OPTİMİZASYONU
EKSPONANSİYEL AĞIRLIKLI PARÇACIK SÜRÜ ALGORİTMASI İLE TORNALAMA İŞLEMLERİNDE KESME KOŞULLARININ OPTİMİZASYONU *Yasin CANTAŞ 1, Burhanettin DURMUŞ 2 1 Sakarya Üniversitesi, Teknoloji Fakültesi, Elektrik-Elektronik
DetaylıYAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
YAPAY SİNİR AĞLARI Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ İÇERİK Sinir Hücreleri Yapay Sinir Ağları Yapısı Elemanları Çalışması Modelleri Yapılarına Göre Öğrenme Algoritmalarına Göre Avantaj ve
DetaylıDeniz ERSOY Elektrik Yük. Müh.
Deniz ERSOY Elektrik Yük. Müh. AMACIMIZ Yenilenebilir enerji kaynaklarının tesis edilmesi ve enerji üretimi pek çok araştırmaya konu olmuştur. Fosil yakıtların giderek artan maliyeti ve giderek tükeniyor
DetaylıERCİYES ÜNİVERSİTESİ KİMYA ANABİLİM DALI
İlaç Tasarımında Yeni Yazılımların Geliştirilmesi: Elektron Konformasyonel-Genetik Algoritma Metodu ile Triaminotriazin Bileşiklerinde Farmakofor Belirlenmesi ve Nicel Biyoaktivite Hesabı; ERCİYES ÜNİVERSİTESİ
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıBaşlangıç Temel Programının Bilinmemesi Durumu
aşlangıç Temel Programının ilinmemesi Durumu İlgili kısıtlarda şartlar ( ) ise bunlara gevşek (slack) değişkenler eklenerek eşitliklere dönüştürülmektedir. Ancak sınırlayıcı şartlar ( ) veya ( = ) olduğu
DetaylıSigma 2006/3 Araştırma Makalesi / Research Article A SOLUTION PROPOSAL FOR INTERVAL SOLID TRANSPORTATION PROBLEM
Journal of Engineering and Natural Sciences Mühendislik ve Fen Bilimleri Dergisi Sigma 6/ Araştırma Makalesi / Research Article A SOLUTION PROPOSAL FOR INTERVAL SOLID TRANSPORTATION PROBLEM Fügen TORUNBALCI
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Bu bölümde eşitsizlik kısıtlarına bağlı bir doğrusal olmayan kısıta sahip problemin belirlenen stasyoner noktaları
DetaylıGENETİK ALGORİTMA ÖZNUR CENGİZ HİLAL KOCA
GENETİK ALGORİTMA ÖZNUR CENGİZ 201410306014 HİLAL KOCA 150306024 GENETİK ALGORİTMA Genetik Algoritma yaklaşımının ortaya çıkışı 1970 lerin başında olmuştur. 1975 te John Holland ın makine öğrenmesi üzerine
DetaylıEvrimsel Çok amaçlı eniyileme. Tahir Emre Kalaycı Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 25 Mart 2010
Evrimsel Çok amaçlı eniyileme Tahir Emre Kalaycı Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 25 Mart 2010 Gündem Çok amaçlı eniyileme Giriş Evrimsel çok amaçlı eniyileme Sonuç Giriş Gerçek dünya problemleri
DetaylıGezgin Satıcı Probleminin İkili Kodlanmış Genetik Algoritmalarla Çözümünde Yeni Bir Yaklaşım. Mehmet Ali Aytekin Tahir Emre Kalaycı
Gezgin Satıcı Probleminin İkili Kodlanmış Genetik Algoritmalarla Çözümünde Yeni Bir Yaklaşım Mehmet Ali Aytekin Tahir Emre Kalaycı Gündem Gezgin Satıcı Problemi GSP'yi Çözen Algoritmalar Genetik Algoritmalar
DetaylıGeliştirilmiş Yerçekimsel Arama Algoritması: MSS-GSA
Geliştirilmiş Yerçekimsel Arama Algoritması: MSS-GSA * 1 Nihan Kazak ve 2 Alpaslan Duysak * 1 Mühendislik Fakültesi, Bilgisayar Mühendisliği, Bilecik Şeyh Edebali Üniversitesi, Türkiye 2 Mühendislik Fakültesi,
Detaylı2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics
2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics Özet: Bulanık bir denetleyici tasarlanırken karşılaşılan en önemli sıkıntı, bulanık giriş çıkış üyelik fonksiyonlarının
DetaylıSerdar BİROĞUL YÜKSEK LİSANS TEZİ (ELEKTRİK EĞİTİMİ) GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ANKARA
i GENETİK ALGORİTMA YAKLAŞIMIYLA ATÖLYE ÇİZELGELEME Serdar BİROĞUL YÜKSEK LİSANS TEZİ (ELEKTRİK EĞİTİMİ) GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ OCAK 2005 ANKARA ii Serdar BİROĞUL tarafından hazırlanan
DetaylıGENETİK ALGORİTMALAR. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
GENETİK ALGORİTMALAR Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ GENETİK ALGORİTMALAR Genetik algoritmalar, Darwin in doğal seçim ve evrim teorisi ilkelerine dayanan bir arama ve optimizasyon yöntemidir.
DetaylıMühendislik Mekaniği Statik. Yrd.Doç.Dr. Akın Ataş
Mühendislik Mekaniği Statik Yrd.Doç.Dr. Akın Ataş Bölüm 2 Kuvvet Vektörleri Kaynak: Mühendislik Mekaniği: Statik, R.C.Hibbeler, S.C.Fan, Çevirenler: A. Soyuçok, Ö.Soyuçok. 2 Kuvvet Vektörleri Bu bölümde,
DetaylıKarınca Koloni Algoritması 2
Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ Web: http://ikucukkoc.baun.edu.tr Karınca Koloni Algoritması 2 7 TSP ve ACO Algoritması Gezgin satıcı problemi (travelling salesman problem-tsp) yöneylem araştırması ve teorik
DetaylıYrd.Doç. Dr. Tülin ÇETİN
Yrd.Doç. Dr. Tülin ÇETİN ÖĞRENİM DURUMU Derece Üniversite Bölüm / Program Lisans Ege Üniversitesi Bilgisayar Mühendisliği 1987-1992 Lisans Celal Bayar Üniversitesi İnşaat Mühendisliği 2001-2004 Y. Lisans
DetaylıNEDEN TAKIM ÇALIŞMALARI...
KALİTE TAKIMLARI Birim içi veya birimler arası kalite problemlerini çözmek, süreçlerin kalitesini iyileştirmek için, işi planlamak, uygulamak, kontrol etmek amacıyla kurulan gruplardır. NEDEN TAKIM ÇALIŞMALARI...
DetaylıSimpleks Yönteminde Kullanılan İlave Değişkenler (Eşitliğin yönüne göre):
DP SİMPLEKS ÇÖZÜM Simpleks Yöntemi, amaç fonksiyonunu en büyük (maksimum) veya en küçük (minimum) yapacak en iyi çözüme adım adım yaklaşan bir algoritma (hesaplama yöntemi) dir. Bu nedenle, probleme bir
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıTAŞ DOLGU DALGAKIRANLARIN GENETİK ALGORİTMA İLE GÜVENİRLİK ANALİZİ. M. Levent Koç* Can E. Balas**
TAŞ DOLGU DALGAKIRANLARIN GENETİK ALGORİTMA İLE GÜVENİRLİK ANALİZİ M. Levent Koç* Can E. Balas** (*) Yrd. Doç. Dr., Cumhuriyet Üniversitesi, Mühendislik Fakültesi İnşaat Mühendisliği Bölümü, Sivas Tel:
DetaylıYATAY UÇUŞ SEYAHAT PERFORMANSI (CRUISE PERFORMANCE)
YATAY UÇUŞ SEYAHAT PERFORMANSI (CRUISE PERFORMANCE) Yakıt sarfiyatı Ekonomik uçuş Yakıt maliyeti ile zamana bağlı direkt işletme giderleri arasında denge sağlanmalıdır. Özgül Yakıt Sarfiyatı (Specific
DetaylıTedarik Zinciri Yönetiminde Yapay Zeka Teknikler
Tedarik Zinciri Yönetiminde Yapay Zeka Teknikler Doç.Dr.Mehmet Hakan Satman mhsatman@istanbul.edu.tr İstanbul Üniversitesi 2014.10.22 Doç.Dr.Mehmet Hakan Satmanmhsatman@istanbul.edu.tr Tedarik Zinciri
DetaylıTEMEL MEKANİK 5. Yrd. Doç. Dr. Mehmet Ali Dayıoğlu Ankara Üniversitesi Ziraat Fakültesi Tarım Makinaları ve Teknolojileri Mühendisliği Bölümü
TEMEL MEKANİK 5 Yrd. Doç. Dr. Mehmet Ali Dayıoğlu Ankara Üniversitesi Ziraat Fakültesi Tarım Makinaları ve Teknolojileri Mühendisliği Bölümü Ders Kitapları: Mühendisler İçin Vektör Mekaniği, Statik, Yazarlar:
DetaylıBÖLÜM-IV ÜRÜN GELİSTİRME İŞLEMİ Genel Problem Çözme İşlemi
BÖLÜM-IV ÜRÜN GELİSTİRME İŞLEMİ Genel Problem Çözme İşlemi Problem çözme yönteminin en önemli özelliği, adım adım analiz ve sentez içermesidir. Burada her yeni adımda bir öncekinden daha somut olarak nitelden
DetaylıİLERİ ALGORİTMA ANALİZİ TABU ARAMA ALGORİTMASI (TABU SEARCH)
İLERİ ALGORİTMA ANALİZİ TABU ARAMA ALGORİTMASI (TABU SEARCH) Tabu Arama Algoritması, optimizasyon problemlerinin çözümü için F.Glover tarafından geliştirilmiş iteratif bir araştırma algoritmasıdır. Temel
DetaylıBÖLÜM 1: MADDESEL NOKTANIN KİNEMATİĞİ
BÖLÜM 1: MADDESEL NOKTANIN KİNEMATİĞİ 1.1. Giriş Kinematik, daha öncede vurgulandığı üzere, harekete sebep olan veya hareketin bir sonucu olarak ortaya çıkan kuvvetleri dikkate almadan cisimlerin hareketini
DetaylıEMM4131 Popülasyon Temelli Algoritmalar (Population-based Algorithms)
2017-2018 Güz Yarıyılı EMM4131 Popülasyon Temelli Algoritmalar (Population-based Algorithms) 4 Genetik Algoritma Örnek Uygulamalar (Sırt Çantası Problemi, Sınav Programı Çizelgeleme) Yrd. Doç. Dr. İbrahim
DetaylıMuhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR
Yazılım Tanımlı Ağların Güvenliğinde Yapay Zeka Tabanlı Çözümler: Ön İnceleme Muhammet Fatih AKBAŞ, Enis KARAARSLAN, Cengiz GÜNGÖR İzmir Katip Çelebi Üniversitesi, Muğla Sıtkı Koçman Üniversitesi, Ege
DetaylıÜNİTE. MATEMATİK-1 Yrd.Doç.Dr.Ömer TARAKÇI İÇİNDEKİLER HEDEFLER DOĞRULAR VE PARABOLLER
HEDEFLER İÇİNDEKİLER DOĞRULAR VE PARABOLLER Birinci Dereceden Polinom Fonksiyonlar ve Doğru Doğru Denklemlerinin Bulunması İkinci Dereceden Polinom Fonksiyonlar ve Parabol MATEMATİK-1 Yrd.Doç.Dr.Ömer TARAKÇI
DetaylıSEZGİSEL ALGORİTMA KULLANILARAK RÜZGÂR ÇİFTLİKLERİNİN GÜÇ SİSTEMİNE ETKİSİNİN İNCELENMESİ. Öğr. Gör. Mehmet Fatih Tefek Doç. Dr.
SEZGİSEL ALGORİTMA KULLANILARAK RÜZGÂR ÇİFTLİKLERİNİN GÜÇ SİSTEMİNE ETKİSİNİN İNCELENMESİ Öğr. Gör. Mehmet Fatih Tefek Doç. Dr. Harun Uğuz * Rüzgâr kaynaklı enerji üretimi, yenilenebilir enerji kaynakları
DetaylıERCİYES ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTUSÜ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİMDALI. I. GENEL BİLGİLER Ders Adı
BİM618 Evrimsel Algoritmalar Öğretim Üyesi Prof. Dr. Derviş Karaboğa Görüşme Saatleri 8.00-17.00 E posta: karaboga@erciyes.edu.tr http://abis.erciyes.edu.tr/sorgu.aspx?sorgu=236 Erciyes Üniversitesi, Mühendislik
Detaylı5- AKIŞ DİYAGRAMLARI (FLOW- CHART) M.İLKUÇAR - 1
5- AKIŞ DİYAGRAMLARI (FLOW- CHART) M.İLKUÇAR - imuammer@yahoo.com 1 Algoritma işlem adımlarının günlük konuşma diliyle adım adım yazılması idi. Algoritmayı anlamak için yazıldığı dilin bilinmesi ve açık
DetaylıGezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması
Gezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması Emrullah SONUÇ1, Baha ŞEN2,Şafak BAYIR3 1 Karabük Üniversitesi, Bilgisayar Mühendisliği Bölümü, Karabük
DetaylıProgramlama Dilleri 1. Ders 3: Rastgele sayı üretimi ve uygulamaları
Ders 3: Rastgele sayı üretimi ve uygulamaları Ders 3 Genel Bakış Giriş Rastgele Sayı Rastgele Sayı Üreteci rand Fonksiyonunun İşlevi srand Fonksiyonunun İşlevi Monte Carlo Yöntemi Uygulama 1: Yazı-Tura
Detaylı7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım;
İÇ ÇARPIM UZAYLARI 7. BÖLÜM İÇ ÇARPIM UZAYLARI Genel: Vektörler bölümünde vektörel iç çarpım;.= 1 1 + + Açıklanmış ve bu konu uzunluk ve uzaklık kavramlarını açıklamak için kullanılmıştır. Bu bölümde öklit
Detaylı4. HAFTA BLM323 SAYISAL ANALİZ. Okt. Yasin ORTAKCI.
4. HAFTA BLM33 SAYISAL ANALİZ Okt. Yasin ORTAKCI yasinortakci@karabuk.edu.tr Karabük Üniversitesi Uzaktan Eğitim Uygulama ve Araştırma Merkezi BLM33 DOĞRUSAL OLMAYAN (NONLINEAR) DENKLEM SİSTEMLERİ Mühendisliğin
DetaylıOkut. Yüksel YURTAY. İletişim : (264) Sayısal Analiz. Giriş.
Okut. Yüksel YURTAY İletişim : Sayısal Analiz yyurtay@sakarya.edu.tr www.cs.sakarya.edu.tr/yyurtay (264) 295 58 99 Giriş 1 Amaç : Mühendislik problemlerinin bilgisayar ortamında çözümünü mümkün kılacak
DetaylıENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ
1 T.C. SAKARYA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ MÜHENDİSLİK TASARIMI BAŞLIK HAZIRLAYAN Adı Soyadı DANIŞMAN Ünvanı Adı Soyadı ARALIK 2017 2 İÇİNDEKİLER İçindekiler Sayfası
DetaylıDüzce Üniversitesi Bilim ve Teknoloji Dergisi
Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 4 (2016) 424-430 Düzce Üniversitesi Bilim ve Teknoloji Dergisi Araştırma Makalesi Tornalama İşlemlerinde Minimum Maliyet Optimizasyonu Yasin CANTAŞ a,*, Sezgin
DetaylıENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ
T.C. SAKARYA ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ENDÜSTRİ MÜHENDİSLİĞİ BÖLÜMÜ BİTİRME ÇALIŞMASI TEZ BAŞLIĞI HAZIRLAYAN Adı Soyadı DANIŞMAN Ünvanı Adı Soyadı MAYIS 2017 2 İÇİNDEKİLER İçindekiler Sayfası
DetaylıKONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I
KONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I 4.1. Dışbükeylik ve Uç Nokta Bir d.p.p. de model kısıtlarını aynı anda sağlayan X X X karar değişkenleri... n vektörüne çözüm denir. Eğer bu
DetaylıBİR MONTAJ HATTI ÜRETİM SİSTEMİNDE OPTİMAL İŞGÜCÜ DAĞILIMININ ARENA PROCESS ANALYZER (PAN) VE OPTQUEST KULLANILARAK BELİRLENMESİ
BİR MONTAJ HATTI ÜRETİM SİSTEMİNDE OPTİMAL İŞGÜCÜ DAĞILIMININ ARENA PROCESS ANALYZER (PAN) VE OPTQUEST KULLANILARAK BELİRLENMESİ Özgür ARMANERİ Dokuz Eylül Üniversitesi Özet Bu çalışmada, bir montaj hattı
DetaylıBİL-142 Bilgisayar Programlama II
BİL-142 Bilgisayar Programlama II (C/C++) Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Giriş math Kütüphane Fonksiyonları Çok Parametreyle Fonksiyon Tanımı Fonksiyon
DetaylıÖzetçe. Abstract. 1. Giriş. 2. Adaptif Gürültü Giderme. Nalân YĐĞĐT 1 Nurhan KARABOĞA 2 Burak GÜRER 3
Adaptif Süzgeçlerde Farksal Gelişim Algoritması Kullanılarak Gürültü Giderme Noise Cancellation Using Differential Evolution Algorithm For Adaptive Filters Nalân YĐĞĐT 1 Nurhan KARABOĞA 2 Burak GÜRER 3
DetaylıGüncel Sezgisel Arama Algoritmalarının Denetleyici Parametrelerinin Optimizasyonunda Başarım Kıyaslaması
th International Advanced Technologies Symposium (IATS 11), 1-1 May 211, Elazığ, Turkey Güncel Sezgisel Arama Algoritmalarının Denetleyici Parametrelerinin Optimizasyonunda Başarım Kıyaslaması M. Kesler
DetaylıGENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA
GENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği
DetaylıELN1002 BİLGİSAYAR PROGRAMLAMA 2
ELN1002 BİLGİSAYAR PROGRAMLAMA 2 SIRALAMA ALGORİTMALARI Sunu Planı Büyük O Notasyonu Kabarcık Sıralama (Bubble Sort) Hızlı Sıralama (Quick Sort) Seçimli Sıralama (Selection Sort) Eklemeli Sıralama (Insertion
DetaylıEsnek Hesaplamaya Giriş
Esnek Hesaplamaya Giriş J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Esnek Hesaplama Nedir? Esnek hesaplamanın temelinde yatan
DetaylıMühendislik Mekaniği Statik. Yrd.Doç.Dr. Akın Ataş
Mühendislik Mekaniği Statik Yrd.Doç.Dr. Akın Ataş Bölüm 2 Kuvvet Vektörleri Kaynak: Mühendislik Mekaniği: Statik, R.C.Hibbeler, S.C.Fan, Çevirenler: A. Soyuçok, Ö.Soyuçok. 2 Kuvvet Vektörleri Bu bölümde,
DetaylıTAMSAYILI PROGRAMLAMA
TAMSAYILI PROGRAMLAMA Doğrusal programlama problemlerinde sık sık çözümün tamsayı olması gereken durumlar ile karşılaşılır. Örneğin ele alınan problem masa, sandalye, otomobil vb. üretimlerinin optimum
DetaylıMAT223 AYRIK MATEMATİK
MAT223 AYRIK MATEMATİK Gezgin Satıcı Problemi 9. Bölüm Emrah Akyar Anadolu Üniversitesi Fen Fakültesi Matematik Bölümü, ESKİŞEHİR 2014 2015 Öğretim Yılı Gezgin Satıcı Problemi Soru n tane şehri olan bir
DetaylıDoç. Dr. Metin Özdemir Çukurova Üniversitesi
FİZİKTE SAYISAL YÖNTEMLER Doç. Dr. Metin Özdemir Çukurova Üniversitesi Fizik Bölümü 2 ÖNSÖZ Bu ders notları Fizik Bölümünde zaman zaman seçmeli olarak vermekte olduǧum sayısal analiz dersinin hazırlanması
DetaylıSenkronizasyon Opsiyon Modülü. SV-IS7 Serisi. Kullanıcı Manueli
Senkronizasyon Opsiyon Modülü SV-IS7 Serisi Kullanıcı Manueli Ürün Standartları Madde Nasıl Montaj Yapılır Master Enkoder Girişi Slave Enkoder Girişi Master Enkoder Geridönüş Çıkışı Terminal Bloğu Çıkışı
DetaylıNokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur.
Üç Boyutlu Geometri Nokta (Point,Vertex) Nokta uzayda bir konumu belirtir. Noktanın 0 boyutlu olduğu kabul edilir. Herhangi bir büyüklüğü yoktur. Kartezyen Koordinat Sistemi Uzayda bir noktayı tanımlamak
DetaylıKarınca Koloni Algoritması 1
Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ Web: http://ikucukkoc.baun.edu.tr Karınca Koloni Algoritması 1 6 Ders Planı (Vize Sonrası) 11. Hafta (H7312): Sürü Zekası, Doğada Karıncalar, ACO Giriş 12. Hafta (H7312):
DetaylıDİNAMİK - 2. Yrd. Doç. Dr. Mehmet Ali Dayıoğlu. Ankara Üniversitesi Ziraat Fakültesi. Tarım Makinaları ve Teknolojileri Mühendisliği Bölümü
DİNAMİK - 2 Yrd. Doç. Dr. Mehmet Ali Dayıoğlu Ankara Üniversitesi Ziraat Fakültesi Tarım Makinaları ve Teknolojileri Mühendisliği Bölümü http://acikders.ankara.edu.tr/course/view.php?id=190 2. HAFTA Kapsam:
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 1- GİRİŞ Doç. Dr. Ali Rıza YILDIZ 1 Mühendislikte, herhangi bir fiziksel sistemin matematiksel modellenmesi sonucu elde edilen karmaşık veya analitik çözülemeyen denklemlerin
DetaylıBİLGİSAYAR PROGRAMLAMA DERSİ
BİLGİSAYAR PROGRAMLAMA DERSİ Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü DERS NOTU 5 KONU: Matlab de Diziler ve Matrisler İÇ İÇE FOR DÖNGÜSÜ
DetaylıJEODEZİK AĞLARIN OPTİMİZASYONU
JEODEZİK AĞLARIN OPTİMİZASYONU Jeodezik Ağların Tasarımı 10.HAFTA Dr.Emine Tanır Kayıkçı,2017 OPTİMİZASYON Herhangi bir yatırımın gerçekleştirilmesi sırasında elde bulunan, araç, hammadde, para, işgücü
DetaylıGENETİK ALGORİTMALAR BÜŞRA GÜRACAR
GENETİK ALGORİTMALAR BÜŞRA GÜRACAR 201420404036 İÇERİK Genetik Algoritmanın, Amacı Kullanım Alanları Kavramları Uygulama Adımları Parametreler Genetik Algoritma Kodlama Türleri Genetik Algoritma Genetik
Detaylı