Cilt:11 Sayı: 4 s , 2008 Vol: 11 No: 4 pp , M. Yasin ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Cilt:11 Sayı: 4 s , 2008 Vol: 11 No: 4 pp , M. Yasin ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET"

Transkript

1 Polteknk Dergs Journal of Polytechnc Clt: Sayı: 4 s , 008 Vol: No: 4 pp , 008 Optmzasyon Problemlernn Çözümü çn Parçaçık Sürü Optmzasyonu Algortması M. Yasn ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET Optmzasyon problemlernn çözümü çn kullanılan br çok optmzasyon teknğ doğadak olaylardan esnlenlerek gelştrlmştr. Parçacık Sürü Optmzasyonu (PSO, kuş ve balık sürülernn sosyal davranışları gözlemlenerek gelştrlen popülasyon temell br optmzasyon algortmasıdır. Bu makalede PSO le Genetk Algortma (GA ve Dferansyel Evrm Algortmasının(DEA performansları, test fonksyonları kullanılarak karşılaştırılmaktadır. Elde edlen sonuçlardan, PSO nun her k algortmaya göre yakınsama hızı ve performans bakımından daha y çözümler ürettğ görülmektedr. Anahtar Kelmeler: Parçacık Sürü Optmzasyonu, Genetk Algortmalar, Dferansyel Evrm Algortması Partcle Swarm Optmzaton Algorthm for Solvng Optmızaton Problems ABSTRACT Many optmzaton technques used n solvng optmzaton problems has been developed by nsprng from the events n nature. Partcle Swarm Optmzaton (PSO algorthm s a populaton based optmzaton technque nspred by socal behavor of brd flockng and fsh schoolng. In ths paper, PSO s compared wth Genetc Algorthms and Dfferental Evoluton Algorthm by usng test functons. The results show that the PSO, n most problems, s able to fnd much better solutons and better convergence compared to other two algorthms. Keywords: Partcle Swarm Optmzaton, Genetc Algorthms, Dfferental Evoluton Algorthm.. GİRİŞ Optmzasyon, verlen amaç veya amaçlar çn belrl kısıtlamaların sağlanarak en uygun çözümün elde edlme sürecdr. Blm adamları yen br fkr ortaya koyar ve optmzasyon aracılığıyla bu fkr gelştrlr. Br fkr etkleyen parametre veya blg elektronk formata dönüştürülebldğ sürece, blgsayar mükemmel br optmzasyon aracıdır. Optmzasyon termnolosnde her zaman en yye ulaşma arzusu söz konusudur. En y tanımlaması probleme, çözüm metoduna ve zn verlen toleransa bağlıdır. Geçmşten günümüze, karşılaşılan problemlern çözülmes amacıyla br çok optmzasyon teknkler gelştrlerek değşk alanlara uygulanmıştır (. Makale tarhnde gelmş, tarhnde yayınlanmak üzere kabul edlmştr. M. Y. ÖZSAĞLAM, Selçuk Ünverstes Bozkır MYO Blgsayar Bölümü Bozkır/KONYA e-posta : myasnozsaglam@gmal.com M. CUNKAŞ, Selçuk Ünverstes Teknk Eğtm Fakültes Elektronk ve Blgsayar Eğtm 4003 KONYA e-posta : mcunkas@selcuk.edu.tr Dgtal Obect Identfer 0.339/ Optmzasyon problemlernn çözümünde klask yöntemler olarak adlandırılan matematksel yöntemler önceler çok yaygın olarak kullanılmaktaydı. Bu tür yöntemlern esnek olmaması ve matematksel fonksyonlarla tanımlama gereksnm gb dez avantaları, son zamanlarda, blm adamlarında genel amaçlı ve performansı yüksek yöntemler gelştrme çabalarını artırmış ve doğadak olaylardan esnlenmeye başlamışlardır. Tabattak olaylar temel alınarak gelştrlen optmzasyon algortmaları sezgsel yöntemler olarak adlandırılmaktadır (. Bunlardan Genetk Algortmalar(GA, Dferansyel evrm algortması ve Parçacık Sürü optmzasyonu algortmaları, optmzasyon problemlernde yaygın olarak kullanılmaktadır. (3-6 Genetk Algortmalar (GA, canlılardak genetk kalıtımı örnek alarak gelştrlen popülasyon tabanlı br evrm algortmasıdır. Her br enerasyonda en yye ulaşmayı amaçlar. Dferansyel Evrm Algortması(DEA, genetk çaprazlama şlem, breysel farklardan yola çıkılarak gelştrlmştr. Bu blnçl çaprazlama en yye ulaşmada oldukça etkldr. Parçacık Sürü Optmzasyonu algortması temelde sürüdek breylern brbrn gelştrmesne dayanan yen br algortmadır. Yakınsama hızı, sezgsel optmzasyon teknklernn performansını en y ölçen krterlerden brdr (7. Bu çalışmada, matematksel test fonksyonları kullanılarak Parçacık Sürü Optmzasyonu algortması le Genetk ve Dferansyel Evrm algortmalarının performans ve yakınsama hızları karşılaştırılmıştır. Makalenn organzasyonu şu şekldedr. Bölüm,3 ve 4 de algortmalar hakkında genel blgler verlmektedr. Bölüm 5 de test fonksyonları ve Bölüm 6 da benzetm sonuçları ele alınmaktadır. Bölüm 7 de genel sonuçlar verlmektedr. 99

2 M. Yasn ÖZSAĞLAM, Mehmet ÇUNKAŞ / POLİTEKNİK DERGİSİ, CİLT, SAYI 4, 008. PARÇACIK SÜRÜ OPTİMİZASYONU Parçacık Sürü Optmzasyonu (PSO, sürü halnde hareket eden balıklar ve böceklerden esnlenerek Kenedy ve Eberhart (995 tarafından gelştrlmş br optmzasyon yöntemdr (8. Temel olarak sürü zekâsına dayanan br algortmadır. Sürü halnde hareket eden hayvanların yyecek ve güvenlk gb durumlarda, çoğu zaman rasgele sergledkler hareketlern, amaçlarına daha kolay ulaşmalarını sağladığı görülmüştür. PSO breyler arasındak sosyal blg paylaşımını esas alır. Arama şlem genetk algortmalarda olduğu enerasyon sayısınca yapılır. Her breye parçacık denr ve parçacıklardan oluşan popülasyona da sürü (swarm denr. Her br parçacık kend pozsyonunu, br öncek tecrübesnden yararlanarak sürüdek en y pozsyona doğru ayarlar. PSO, temel olarak sürüde bulunan breylern pozsyonunun, sürünün en y pozsyona sahp olan breyne yaklaştırılmasına dayanır. Bu yaklaşma hızı rasgele gelşen durumdur ve çoğu zaman sürü çnde bulunan breyler yen hareketlernde br öncek konumdan daha y konuma gelrler ve bu süreç hedefe ulaşıncaya kadar devam eder(8. PSO, Sparş mktarı belrleme, çzelgeleme problemler, güç ve volta kontrolü, motor parametrelern belrleme, tedark seçm ve sıralama problemler gb br çok optmzasyon problemlernde başarı le kullanılmıştır (9. Şekl- de PSO nun akış dyagramı görülmektedr. Başlangıç sürüsünü, hızları ve pozsyonları oluştur. Sürüdek bütün parçacıkların uygunluk değern hesapla. Her enerasyonda tüm parçacıkları öncek enerasyonun en ys le karşılaştır. Daha y se yer dedeğştr. En y yerel değerler kend arasında karşılaştır ve en y olanı küresel en y olarak ata Hız ve pozsyon değerlern yenle. Durdurma krter Sonucu göster Şekl Parçacık Sürü Optmzasyonu akış dyagramı Algortma temel olarak aşağıdak basamaklardan oluşur;. Rasgele üretlen başlangıç pozsyonları ve hızları le başlangıç sürüsü oluşturulur.. Sürü çersndek tüm parçacıkların uygunluk değerler hesaplanır.. Her br parçacık çn mevcut enerasyondan yerel en y (pbest bulunur. Sürü çersnde en ylern sayısı parçacık sayısı kadardır. v. Mevcut enerasyondak yerel enyler çersnden küresel en y (gbest seçlr. v. Pozsyon ve hızlar aşağıdak gb yenlenr. Vd = W * Vd + c * rand *( Pd X d + c * rand *( Pgd X d X = X + V d d d Burada X d pozsyon ve V d hız değerlern verrken, rand ve rand değerler rasgele üretlmş sayılardır. W atalet ağırlık değer ve C, C ölçeklendrme faktörlerdr. v. Durdurma krter sağlanıncaya kadar,3,4,5 adımları tekrar edlr. 3 GENETİK ALGORİTMALAR Doğada gözlemlenen evrmsel sürece benzer br şeklde çalışan br optmzasyon yöntemdr. Karmaşık, çok boyutlu arama uzayında en ynn hayatta kalması lkesne göre küresel çözümü arar. GA lar, uzun çalışmaların netcesnde lk defa John Holland tarafından optmzasyon problemlerne uygulandı ve öğrencs Davd Goldberg teznde; gaz boru hattının optmzasyonunu çeren br problemn çözümünü GA le gerçekleştrd (0. Son zamanlarda GA lar le lgl çalışmalar belrgn br şeklde artmış ve blgsayar teknolosndek lerlemelere bağlı olarak çoğu uygulama alanlarında etkl br şeklde kullanılmaya başlanmıştır. GA parametreler, byolodek genler temsl ederken, parametrelern toplu kümes de kromozomu oluşturmaktadır. GA ların her br ferd, yan her br olası çözüm, kromozom şeklnde temsl edlr. Bu aday çözümler kümes de popülâsyon olarak adlandırılır. Popülâsyonun uygunluğu, belrl kurallar dâhlnde maksmze veya mnmze edlr. Her yen nesl, rasgele blg değşm le oluşturulan dzler çnde hayatta kalanların brleştrlmes le elde edlmektedr. Genetk algortmalarda Çaprazlama ve Mutasyon olarak blnen k adet temel genetk şlemc vardır. Çaprazlama çn popülâsyondan k adet brey seçlr. Bu breylerde çaprazlanacak nokta belrlenr ve bu noktadan tbaren breylern elemanları karşılıklı olarak yer değştrlr. Böylece k adet yen brey elde edlr. Mutasyon şlemcs le breylern genler değştrlr. Bu değşm popülasyonun genel olarak %-%5 n kapsamaktadır. Mutasyon popülasyonda çeştllğe neden olur ve problem sonucunun yerel çözümlere takılmasını önler. 300

3 OPTİMİZASYON PROBLEMLERİNİN ÇÖZÜMÜ İÇİN PARÇACIK SÜRÜ OPTİMİZA / POLİTEKNİK DERGİSİ, CİLT, SAYI 4, 008 Şekl de Genetk algortmaların akış dyagramı görülmektedr. ye gdlr. Ancak popülâsyonun boyutu sabt büyüklükte kalmalıdır. 4. DİFERANSİYEL EVRİM ALGORİTMASI Optmzasyon problemlernde yaygın olarak kullanılan Dferansyel Evrm algortması, popülasyon temell güçlü br gelşm algortmasıdır [,]. Bu tür algortmalar genel amaçlı sayısal optmzasyon algortmaları olarak da ntelendrlmektedr. Dferansyel evrm algortmalarında, genetk algortmalardan farklı olarak, gelşmş ve etkl br mutasyon şlem kullanılmaktadır. Amaç vektör çftlernn farkına dayalı olan mutasyon şlem, amaç vektörlernn kend dağılımları tarafından belrlenr. Ayrıca br ebeveyn vektörden, br deneme vektörü üretmek çn mutasyon ve çaprazlama brlkte kullanılır (. Şekl 3 de dferansyel evrm algortmasının akış dyagramı verlmştr. Başlangıç popülasyonu ve kontrol parametrelern oluştur. Popülasyon çnden rasgele şeçlmş k breyn farkını al Şekl. Genetk Algortma akış dyagramı Genetk Algortmaların çalışma adımları aşağıda verlmektedr.. Olası çözümlern kodlandığı br çözüm grubu oluşturulur. (başlangıç populasyonu. Populasyonda bulunacak brey sayısı çn br standart yoktur, problemn türüne göre bu sayı değşeblr. Başlangıç populasyonu rasgele oluşturulur ve problemn türüne göre çeştl yöntemlerle kodlanır (klk, gerçek veya permütasyon gb... v. Her kromozomun (breyn uygunluk değer amaç fonksyonu kullanılarak hesaplanır. Genetk algortmanın başarısı çoğu zaman bu fonksyonun y tespt edlmesne bağlıdır. Bu adımda en y brey seçlerek yerel çözüm olarak elde tutulur. Durdurma krter olarak daha önceden belrlenmş enerasyon sayısı veya herhang br deal küresel çözüm verleblr. Durdurma krter test edlr. Eğer krter sağlanıyorsa algortma durdurulur ve son olarak elde tutulan yerel çözüm, küresel çözüm olarak alınır. Krter sağlanmıyorsa sonrak adıma geçlerek yen çözümler aramaya devam edlr. Popülâsyonda çaprazlamaya tab tutulacak breyler oluşturulurken uygunluk değerler temel alınır ve çeştl seçm yöntemler kullanılır. Seçlen breyler çaprazlama ve mutasyona tab tutularak yen breyler oluşturulur ve Adım Bulunan fark vektörünü 3. breyle topla Hedef vektörle (ebeveyn toplam vektörünü çaprazla Yen brey hedef vektörden daha y se yerdeğştr. Durdurma krter Sonucu göster Şekl 3. Dferansyel Evrm Algortması akış dyagramı Dferansyel Evrm Algortmasının çalışma adımları aşağıdak gbdr.. Başlangıç popülasyonu ve kontrol parametreler aşağıdak şartları sağlayacak şeklde tanımlanır. (NP:populasyon sayısı, CR: Kombnasyon oranı, F:ölçeklendrme faktörü NP>=4, F є (0,+, CR є [0,]. 30

4 M. Yasn ÖZSAĞLAM, Mehmet ÇUNKAŞ / POLİTEKNİK DERGİSİ, CİLT, SAYI 4, 008. Başlangıç popülasyonunun aşağıdak gb oluşturulur. Burada D popülasyon üyelernn boyutunu fade ederken, G se 0 olarak atandığı çn breyn lk parametresn fade eder. Fonksyon No F Tablo- Test Fonksyonları Fonksyon 3 = F ( ( F 3 F = nt( = + ( = 6 a Sınırlar = =, = =, Optmum Değerler + + 0,3cos 3π 0,4 4π + 0, 7 Küresel Mn.=0 F 5 ( ( F 6 h lo ( lo NP D :,, G = 0 = X + rand [0,]. = (,..., NP, = (,..., D, G = 0, rand [0,] ε [0,]. Mutasyon ve Çaprazlama aşağıda belrtldğ gb yapılır. r, r, r3ε {,,..., NP }, r r r3 ( rasgele seçm rand ε {,,..., D}, ( rasgele seçm, r 3, G + F.(, r, G, r, G D, u,, g + = eger ( rand [0,] CR = rand X,, G ( dger durumlarda f ( 3 3 f > ( 3 ( F ( 3 + ( 3 v. Durdurma krter sağlanıyorsa sonuç gösterlr değlse 3 ve 4. adımlar tekrar edlr 5. TEST FONKSİYONLARI Söz konusu Algortmalar performanslarının ölçülmes amacıyla lteratürde kullanılan sekz farklı test fonksyonu seçlmştr. De Jong tarafından önerlen F, F, F 3 ve F 4 test fonksyonları br çok araştırmada, optmzasyon algortmalarının performanlarının değerlendrlmesnde kullanılmıştır (3. F 5, F 6, F 7 ve F 8 test fonksyonları se Toksarı nın (4 çalışmasından alınmıştır. Tablo- de verlen test fonksyonları hakkında aşağıda kısa blgler verlmektedr. F (Küresel fonksyon: Bu fonksyonun küresel mnmumu 0 ve yapılacak çözüm sonunda, ve = 0, = 0 Küresel Mn.=-3 = 3 Küresel Mn.=0 = 3, = 3 F 8 Küresel Mn.=-0 v., G + Yen breyn uygunluk değer hedef vektör olarak seçlen ebeveynn uygunluk değernden daha y se yen brey ebeveyn le yer değştrlr. u =, G +, G eger dger f ( u, G + f (, G 3 değşkenlernn alacağı değerler de 0 dır. Fonksyon küresel olmasından dolayı söz konusu algortmaların yerel mnmuma takılma olasılıkları oldukça düşüktür. F (Muz fonksyonu: Bu fonksyonun küresel mnumumu 0 ve yapılacak çözüm sonucunda ve değşkenlernn alacağı değerler olacaktır. 30

5 OPTİMİZASYON PROBLEMLERİNİN ÇÖZÜMÜ İÇİN PARÇACIK SÜRÜ OPTİMİZA / POLİTEKNİK DERGİSİ, CİLT, SAYI 4, 008 Fonksyonun optmum noktası dar, parabolk br alanda olduğu çn algortmaların optmuma ulaşması daha zor olmaktadır. F 3 (Basamak fonksyonu : Tüm değşkenlern alacağı değerler -6 olarak kabul edlrse, bu fonksyonun küresel mnumumu -30 olacaktır. Fonksyonun yapısı gereğ br çok optmzasyon algortması yerel mnumuma takılmaktadır. F 4 (Tlk delkler fonksyonu: Bu fonksyonun küresel mnmumu ve yapılacak çözüm sonucunda ve değşkenlernn alacağı değerler -3 olmaktadır. Fonksyonun br çok yerel mnmumu olduğu çn çoğu standart optmzasyon algortmaları yerel mnmuma takılmaktadır. Dğerler nspeten braz zor problemler olup F 5 test fonksyonu Kwon ve ark (5 tarafından, F 6, F 7 ve F 8 test fonksyonları se Hamzaçeb ve Kutay (6 tarafından yaptıkları çalışmalarda gelştrdkler algortmaların performansını ölçmek amacıyla kullanılmışlardır. Tablo de küresel mnmum ve parametrelernn alacağı değerler verlmştr. 6. BENZETİM SONUÇLARI Gerçekleştrlen yazılımda, söz konusu algortmaların br enerasyonu tamamlama süreler brbrne yakın olduğu çn, kaçıncı enerasyonda optmuma ulaştıkları esas alınarak karşılaştırmalar yapılmıştır. En y sonuca kaçıncı enerasyonda ulaştığını belrmek çn, program her br test fonksyonu çn 50 kez koşturulmuş ve ortalama değerler hesaplanmıştır. Popülasyon sayısı arttıkça optmum sonucu elde etme olasılığı artıyor fakat enerasyon süres uzamaktadır. Testlerde tüm algortmalar çn popülasyon sayısı sabt seçlmştr. Parametreler çn kullanılan değerler Tablo de verlmştr. Tabloda gösterlen parametre değerler lteratürdek çalışmalar göz önüne alınarak seçlmştr. Fakat optmze edlen problemn karakterstğne göre parametre değerler farklılık gösterebleceğnden, başka problemlerde benzer parametre değerler kullanılacak dye br gerekllk söz konusu değldr. İlk dört test fonksyonunun yakınsama grafkler gösterlmş ayrıca bütün test fonksyonlarının ortalama yakınsama enerasyon sayıları Tablo 3 de verlmştr. Şekl 4. F Fonksyonu çn ortalama enerasyon sayısı Şekl 4 de F fonksyonu çn yakınsama hızları görülmektedr. GA harç PSO ve DEA yakınsama hızları brebrne yakındır. F fonksyonu çn ortalama enerasyon değerler, PSO 9, DEA 37 ve GA 508 olarak elde edld. Şekl 5 de F fonksyonu çn yakınsama hızları görülmektedr. Küresel mnmumun bulunmasında GA nın, PSO ve DEA ya göre kötü br performans sergledğ görülmektedr. F fonksyonu çn ortalama enerasyon değerler, PSO 8, DEA 60 ve GA 3657 olarak elde edld. Şekl 5. F Fonksyonu çn ortalama enerasyon sayısı Tablo Parametreler çn kullanılan değerler PSO GA DEA Populasyon Sayısı:00 Atalet ağırlık değer(w=0,99 Ölçeklendrme faktörler (C ve C =,99 Populasyon Sayısı:00 Çaprazlama oranı=0,8 Mutasyon oranı=0,0 Populasyon Sayısı:00 Kombnasyon oranı(cr=0,8 Ölçeklendrme faktörü (F=0,8 303

6 M. Yasn ÖZSAĞLAM, Mehmet ÇUNKAŞ / POLİTEKNİK DERGİSİ, CİLT, SAYI 4, 008 F 3 fonksyonu çn yakınsama hızları Şekl 6 da verlmştr. Her üç algortmada, F 3 fonksyonunun optmum çözümünü dğer test fonksyonlarına göre daha çok enerasyon gerçekleştrerek bulabldler. Özellkle GA 0000 enerasyon sayısını geçmesne rağmen sonuca ulaşamadı. Çözüm çn ortalama enerasyon sayıları, PSO 57, DEA 40 ve GA dr. Burada GA 0000 enerasyon sayısını geçtğ çn le gösterld. Şekl 6. F 3 Fonksyonu çn ortalama enerasyon sayısı Şekl 7. F 4 Fonksyonu çn ortalama enerasyon sayısı 7. SONUÇLAR Kuş ve balık sürülernn k boyutlu hareketlernden esnlenerek gelştrlen Parçaçık Sürü Optmzasyonu, daha az parametre çermes ve program yapısının daha kolay olması gb avantalara sahptr. Bu çalışmada, Parçacık Sürü optmzasyonu (PSO, Dfferansyel Evrm (DEA ve Genetk Algortmaların (GA performansları lteratürden seçlen test fonksyonları kullanılarak karşılaştırıldı. Tablo 3. Herbr algortma çn ortalama yakınsama enerasyon sayıları F F F 3 F 4 F 5 F 6 F 7 F 8 PSO DEA GA F 4 fonksyonu çn yakınsama hızları Şekl 7 de görülmektedr. GA harç PSO ve DEA kısa br zamanda optmum çözüme ulaştılar. GA nın bu sonuca oldukça uzun enerasyon sayısında ulaştığı görüldü. F 4 fonksyonu çn ortalama enerasyon değerler, PSO 35, DEA 8 ve GA 003 olarak elde edld. Tüm Algortmaların ortalama yakınsama enerasyon sayıları Tablo 3 de verlmştr. Tablodak değerlerden anlaşıldığı gb, genel olarak PSO ve DEA, yakınsama hızları açısından GA dan oldukça ydr. Nspeten zor dyebleceğmz F 5, F 7 ve F 8 test problemlernde PSO nun yakınsama enerasyon sayısının arttığı gözlemlenmektedr. Özellkle F, F 3, F 4, F 5 F 7 ve F 8 fonksyonlarında GA daha başarısızdır. PSO le DEA nın performansları brebrne yakın olmakla beraber en y yakınsama hızı PSO da ölçülmüştür. Elde edlen sonuçlardan PSO nun yakınsama hızı, bu çalışmada sunulan GA ve DEA göre daha y olduğu görüldü. Sonuç olarak, optmzasyon problemlernn çözümünde alternatf br yöntem olarak PSO algortmasının kullanılması avanta sağlayacağı söyleneblr. 8. KAYNAKLAR. Çunkaş M., Elektrk Maknalarının Genetk Algortmayla Optmzasyonu, Doktora Tez, Selçuk Ünv. Fen Blmler Enst. 004, Konya. Karaboğa D., Yapay zeka optmzasyon algortmaları, Atlas Yayınları, Rahmpour E., Rashtch V., Pesaran M., Parameter dentfcaton of deep-bar nducton motors usng genetc algorthm, Electrcal Engneerng, 89(7: ,

7 OPTİMİZASYON PROBLEMLERİNİN ÇÖZÜMÜ İÇİN PARÇACIK SÜRÜ OPTİMİZA / POLİTEKNİK DERGİSİ, CİLT, SAYI 4, Çunkaş M., Akkaya R., Blgn O., Cost optmzaton of submersble motors usng a genetc algorthm and a fnte element method, Int. J of Adv. Manuf. Technol., 33: 3-3, Tušar T., Korošec P., Papa G.,Flpč B., Šlc J. A comparatve study of stochastc optmzaton methods n electrc motor desgn, Appled Intellgence, 7(:0-, Wrobel R., Mellor P. H., Partcle Swarm Optmzaton for the desgn of Brushless Permanent Magnet Machnes, IEEE Industry Applcatons Conference, 4st IAS Annual Meetng, Karaboğa D., ÖKDEM S., A Smple and Global Optmzaton Algorthm for Engneerng Problems: Dfferental EvolutonAlgorthm, Turk J Elec Engn, (, 53-60, Kennedy, J.; Eberhart, R. C., Partcle Swarm Optmzaton, Proc. of the IEEE Int. Conference on Neural Networks, 4, , Wlke D. N., Analyss of the partcle swarm optmzaton algorthm, Master Thess, 005, Mechancal and Aeronautcal Engneerng, Unversty of Pretora. 0. Goldberg D.E., Genetc Algorthms n Search, Optmzaton and Machne Learnng, 999, Addson Wesley.. Storn R., Dferental Evoluton, A Smple and Effcent Heurstc Strategy for Global Optmzaton over Contnuous Spaces", Journal of Global Optmzaton, : , Kenneth V.P., An ntroducton to Dfferental Evoluton, n New Ideas n Optmzaton, McGraw-Hll publshng Company, pp , De Jong K.A., An Analyss of the Behavor of a Class of Genetc Adaptve Systems, Phd Thess, Unversty of Mchgan, Dssertaton Abstracts Internatonal 36(0, 540B. (Unversty Mcro_lms No , Toksarı M.D., A heurstc approach to fnd the global optmum of functon, Journal of Computatonal and Appled Mathematcs 09:60 66, Kwon Y.D., Kwon S.B., Km J., Convergence enhanced genetc algorthm wth successve zoomng method for solvng contnuous optmzaton problems, Comput. Struct. 8:75 75, Hamzaceb C., Kutay F., A heurstc approach for fndng the global mnmum: adaptve random search technque, Appl. Math. Comput. 73(: ,

a IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI

a IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI Fırat Ünverstes-Elazığ MİTRAL KAPAK İŞARETİ ÜZERİNDEKİ ANATOMİK VE ELEKTRONİK GÜRÜLTÜLERİN ABC ALGORİTMASI İLE TASARLANAN IIR SÜZGEÇLERLE SÜZÜLMESİ N. Karaboğa 1, E. Uzunhsarcıklı, F.Latfoğlu 3, T. Koza

Detaylı

PARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI VE BENZETİM ÖRNEKLERİ

PARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI VE BENZETİM ÖRNEKLERİ PARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI VE BENZETİM ÖRNEKLERİ Seçkn TAMER, Chan KARAKUZU seckntamer@gmal.com, chankk@kou.edu.tr Kocael Ünverstes, Müh. Fak., Elektronk ve Haberleşme Mühendslğ Bölümü İzmt/KOCAELİ

Detaylı

KAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI

KAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİLİMLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 1999 : 5 : 1 : 951-957

Detaylı

ÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI

ÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI ÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI M. Sedat HAYALİOĞLU *, S. Özgür DEĞERTEKİN * * Dcle Ünverstes, Müh.-Mm. Fak., İnşaat Müh. Böl., Dyarbakır ÖZET Bu çalışmada çelk uzay çerçevelern, Amerkan

Detaylı

ÖZET Anahtar Kelimeler: ABSTARCT Keywords: 1. GİRİŞ

ÖZET Anahtar Kelimeler: ABSTARCT Keywords: 1. GİRİŞ olteknk Dergs Journal of olytechnc Clt: Sayı: 3 s67-7, 009 Vol: o: 3 pp67-7, 009 Genetk Algortma Kullanarak Ekonomk Dağıtım Analz: Türkye Uygulaması M Kenan DÖŞOĞU, Serhat DUMA, Al ÖZTÜRK ÖZET Dünyada

Detaylı

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences Pamukkale Ünverstes Mühendslk Blmler Dergs, Clt 0, Sayı 3, 04, Sayfalar 85-9 Pamukkale Ünverstes Mühendslk Blmler Dergs Pamukkale Unversty Journal of Engneerng Scences PREFABRİK ENDÜSTRİ YAPIARININ ARMONİ

Detaylı

Genetik Algoritma ile İki Boyutlu Şekil Yerleştirme ÖZET

Genetik Algoritma ile İki Boyutlu Şekil Yerleştirme ÖZET Genetk Algortma le İk Boyutlu Şekl Yerleştrme Metn Özşahn 1 ve Mustafa Oral 2 1) Çukurova Ünverstes Fen Blmler Ensttüsü Endüstr Mühendslğ Bölümü, Adana, Turkey 2 Çukurova Ünverstes Blgsayar Mühendslğ Bölümü,

Detaylı

FARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU

FARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU Dumlupınar Ünverstes Fen Blmler Ensttüsü Dergs ISSN 1302 3055 FARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU *Yaşar YAŞAR 1, Burhanettn DURMUŞ 2 1 Dumlupınar Ünverstes, Mühendslk Fakültes,

Detaylı

DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME

DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Clt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME (JOB SHOP SCHEDULING WITH KRILL HERD ALGORITHM) İlker GÖLCÜK

Detaylı

Ali Öztürk Accepted: January 2010. ISSN : 1308-7231 serhatduman@duzce.edu.tr 2010 www.newwsa.com Duzce-Turkey

Ali Öztürk Accepted: January 2010. ISSN : 1308-7231 serhatduman@duzce.edu.tr 2010 www.newwsa.com Duzce-Turkey ISS:1306-3111 e-journal of ew World Scences Academy 2010, Volume: 5, umber: 1, Artcle umber: 1A0066 Serhat Duman EGIEERIG SCIECES M. Kenan Döşoğlu Receved: March 2009 Al Öztürk Accepted: January 2010 Pakze

Detaylı

5.3. Tekne Yüzeylerinin Matematiksel Temsili

5.3. Tekne Yüzeylerinin Matematiksel Temsili 5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn

Detaylı

Şiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği *

Şiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği * İMO Teknk Derg, 28 4393-447, Yazı 29 Şddet-Süre-Frekans Bağıntısının Genetk Algortma le Belrlenmes: GAP Örneğ * Hall KARAHAN* M. Tamer AYVAZ** Gürhan GÜRARSLAN*** ÖZ Bu çalışmada, Genetk Algortma (GA)

Detaylı

EVRİMSEL ALGORİTMA İLE SINIRLANDIRMALI DİNAMİK OPTİMİZASYON

EVRİMSEL ALGORİTMA İLE SINIRLANDIRMALI DİNAMİK OPTİMİZASYON EVRİMEL ALGORİTMA İLE INIRLANDIRMALI DİNAMİK OPTİMİZAYON Ş. BALKU, R. BERBER Ankara Ünvetes Mühendslk Fakültes, Kmya Mühendslğ Bölümü Tandoğan, 06100 Ankara ÖZET Aktf çamur proses atıksu arıtımında kullanılan

Detaylı

kadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.

kadar ( i. kaynağın gölge fiyatı kadar) olmalıdır. KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X

Detaylı

ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ

ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,

Detaylı

BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA

BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 22, No 4, 855-862, 2007 Vol 22, No 4, 855-862, 2007 BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA İzzettn TEMİZ ve

Detaylı

DETERMINATION OF THE ECONOMIC DISPATCH IN ELECTRIC POWER SYSTEMS USING SIMULATED ANNEALING(SA) ALGORITHM

DETERMINATION OF THE ECONOMIC DISPATCH IN ELECTRIC POWER SYSTEMS USING SIMULATED ANNEALING(SA) ALGORITHM 5 Uluslararası İler Teknolojler Sempozyumu (IATS 09), 3-5 Mayıs 2009, Karabük, Türkye ELEKTRİK GÜÇ SİSTEMİNDE OPTİMAL YAKIT MALİYETİNİN BENZETİM TAVLAMA (BT) ALGORİTMASI İLE BELİRLENMESİ DETERMINATION

Detaylı

Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi

Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Ayon Kocatepe Ünverstes Fen ve Mühendslk Blmler Dergs Ayon Kocatepe Unversty Journal o Scence and Engneerng AKÜ FEMÜBİD 7 (07) 0350 (9-937) AKU J. Sc. Eng. 7 (07) 0350 (9-937) DOİ : 0.5578/mbd.6695 Nümerk

Detaylı

B R AFET YARDIM MERKEZ N N SEZG SEL ALGOR TMALAR YARDIMIYLA KONUMLANDIRILMASI

B R AFET YARDIM MERKEZ N N SEZG SEL ALGOR TMALAR YARDIMIYLA KONUMLANDIRILMASI B R AFET YARDIM MERKEZ N N SEZG SEL ALGOR TMALAR YARDIMIYLA KONUMLANDIRILMASI Numan ÇELEB stanbul Ünverstes ÖZET Dünyada her y l deprem, sel ve tusunam gb çok say da afet meydana gelmektedr. Son y llarda

Detaylı

PROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING

PROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt 3, Sayı:2, 2001 PROJE SEÇİMİ VE KAYAK PLALAMASI İÇİ BİR ALGORİTMA lgün MORALI 1 C. Cengz ÇELİKOĞLU 2 ÖZ Kaynak tahss problemler koşullara bağlı olarak

Detaylı

Çarpımsal Ceza Modeli İle Tamsayılı Programlama

Çarpımsal Ceza Modeli İle Tamsayılı Programlama Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt: 10, Sayı:3, 2008 Çarpımsal Ceza Model İle Tamsayılı Programlama Sabr Erdem Özet Doğrusal olmayan optmzasyon problemlernn çözüm yöntemlernden brs,

Detaylı

KAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU

KAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU XVIII ULUSAL MEKANİK KONGRESİ 26-30 Ağustos 2013, Celal Bayar Ünverstes, Mansa KAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU S Özgür Değertekn 1, Mehmet Ülker 2, M Sedat

Detaylı

Kafes Yapıların Öğretme-Öğrenme Esaslı Optimizasyon Yöntemiyle Boyutlandırılması

Kafes Yapıların Öğretme-Öğrenme Esaslı Optimizasyon Yöntemiyle Boyutlandırılması Kafes Yapıların Öğretme-Öğrenme Esaslı Optmzasyon Yöntemyle Boyutlandırılması S. Özgür Değertekn, M. Sedat Hayaloğlu Dcle Ünverstes, İnşaat Mühendslğ Bölümü, 21280, Dyarbakır Tel: (412) 241 10 00 E-Posta:

Detaylı

YÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA

YÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,

Detaylı

BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler

BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda

Detaylı

X, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının

X, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının 1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell

Detaylı

Emrah 70 Ekim 2011. kat edilen mesafenin en. mizasyonu (PSO) sezgisel. (PSO), Genetik Algoritma (GA), Optimizasyon, Meta-Sezgisel

Emrah 70 Ekim 2011. kat edilen mesafenin en. mizasyonu (PSO) sezgisel. (PSO), Genetik Algoritma (GA), Optimizasyon, Meta-Sezgisel METAplam kat edlen mesafenn en mzasyonu (PSO) sezgsel k (PSO), Genetk Algortma (GA), Optmzasyon, Meta-Sezgsel 74 OPTIMIZATION OF MULTI- PROBLEM OF ISTANBUL HALK EKMEK A.S. (IHE) BY USING META-HEURISTIC

Detaylı

Şehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı *

Şehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı * İMO Teknk Derg, 2013 6211-6231, Yazı 392 Şehrç Karayolu Ağlarının Sezgsel Harmon Araştırması Optmzasyon Yöntem le Ayrık Tasarımı * Hüseyn CEYLAN* Halm CEYLAN** ÖZ Bu çalışmada, şehrç ulaştırma ağlarının

Detaylı

YAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE

YAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE BAÜ Fen Bl. Enst. Dergs (6).8. YAYII YÜK İE YÜKENİŞ YAPI KİRİŞERİNDE GÖÇE YÜKÜ HESABI Perhan (Karakulak) EFE Balıkesr Ünverstes ühendslk marlık Fakültes İnşaat üh. Bölümü Balıkesr, TÜRKİYE ÖZET Yapılar

Detaylı

TAVLAMA BENZEŞİMİ YÖNTEMİYLE UZAY ÇELİK ÇERÇEVE SİSTEMLERİN OPTİMUM TASARIMI

TAVLAMA BENZEŞİMİ YÖNTEMİYLE UZAY ÇELİK ÇERÇEVE SİSTEMLERİN OPTİMUM TASARIMI XV. Ulusal Mekank Kongres,03-07 Eylül 2007,ISPARTA TAVLAMA BENZEŞİMİ YÖNTEMİYLE UZAY ÇELİK ÇERÇEVE SİSTEMLERİN OPTİMUM TASARIMI S. Özgür DEĞERTEKİN, M. Sedat HAYALİOĞLU Dcle Ünverstes, Mühendslk-Mmarlık

Detaylı

Filled fonksiyon kullanarak vana etkili ekonomik yük dağıtımı probleminin çözülmesi

Filled fonksiyon kullanarak vana etkili ekonomik yük dağıtımı probleminin çözülmesi Journal of the Faculty of Engneerng and Archtecture of Gaz Unversty 32:2 (2017) 429-438 Flled fonksyon kullanarak vana etkl ekonomk yük dağıtımı problemnn çözülmes İbrahm Eke 1*, Süleyman Sungur Tezcan

Detaylı

Optimal Güç Akışı Probleminin Çözümü İçin GA, MA ve YAK Algoritmalarının Karşılaştırılması

Optimal Güç Akışı Probleminin Çözümü İçin GA, MA ve YAK Algoritmalarının Karşılaştırılması 6 th Internatonal Advanced echnologes Symposm (IAS 11), 16-18 May 2011, Elazığ, rkey Comparson of GA, MA and ABC Algorthm for Solton of Optmal ower Flow Abstract In ths stdy, tree dfferent herstc methods

Detaylı

Türk Dilinin Biçimbilim Yapısından Yararlanarak Türkçe Metinlerin Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması

Türk Dilinin Biçimbilim Yapısından Yararlanarak Türkçe Metinlerin Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması Türk Dlnn Bçmblm Yapısından Yararlanarak Türkçe Metnlern Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması Banu DİRİ, M.Yahya KARSLIGİL Yıldız Teknk Ünverstes Elektrk Elektronk Fakültes - Blgsayar

Detaylı

DÜZENLİ DİZAYNLI GENETİK ALGORİTMALAR İLE ÇOK AMAÇLI PROGRAMLAMA MULTIOBJECTIVE PROGRAMMING VIA UNIFORM DESIGNED GENETIC ALGORITHMS

DÜZENLİ DİZAYNLI GENETİK ALGORİTMALAR İLE ÇOK AMAÇLI PROGRAMLAMA MULTIOBJECTIVE PROGRAMMING VIA UNIFORM DESIGNED GENETIC ALGORITHMS 5. Uluslararası İler Teknolojler Sempozyumu (İATS 9), 3-5 Mayıs 9, Karabük, Türkye DÜZENLİ DİZAYNLI GENETİK ALGORİTMALAR İLE ÇOK AMAÇLI PROGRAMLAMA MULTIOBJECTIVE PROGRAMMING VIA UNIFORM DESIGNED GENETIC

Detaylı

GENETİK ALGORİTMALAR. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ

GENETİK 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.

Detaylı

Kalıcı Durum Evrimsel Algoritmalarda Yerine Koyma Tekniklerinin Deneysel İncelenmesi

Kalıcı Durum Evrimsel Algoritmalarda Yerine Koyma Tekniklerinin Deneysel İncelenmesi Kalıcı Durum Evrmsel Algortmalarda Yerne Koyma Teknklernn Deneysel İncelenmes Alper Çftç Şma Etaner-Uyar 2 Blgsayar Mühendslğ Bölümü, İstanbul Teknk Ünverstes, İstanbul cftcal@tu.edu.tr, etaner@cs.tu.edu.tr

Detaylı

TEKNOLOJĐK ARAŞTIRMALAR

TEKNOLOJĐK ARAŞTIRMALAR www.teknolojkarastrmalar.com ISSN:134-4141 Makne Teknolojler Elektronk Dergs 28 (1) 61-68 TEKNOLOJĐK ARAŞTIRMALAR Kısa Makale Tabakalı Br Dskn Termal Gerlme Analz Hasan ÇALLIOĞLU 1, Şükrü KARAKAYA 2 1

Detaylı

ADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR.

ADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR. ADIYAMAN ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ MATEMATİK ANABİLİM DALI YÜKSEK LİSANS TEZİ SOFT KÜMELER VE BAZI SOFT CEBİRSEL YAPILAR Ebubekr İNAN DANIŞMAN Yrd. Doç. Dr. Mehmet Al ÖZTÜRK ADIYAMAN 2011 Her

Detaylı

OLASILIĞA GİRİŞ. Biyoistatistik (Ders 7: Olasılık) OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI

OLASILIĞA GİRİŞ. Biyoistatistik (Ders 7: Olasılık) OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI OLASILIĞA GİRİŞ Yrd. Doç. Dr. Ünal ERKORKMAZ Sakarya Ünverstes Tıp Fakültes Byostatstk Anablm Dalı uerkorkmaz@sakarya.edu.tr OLASILIK, TIP ve GÜNLÜK YAŞAMDA KULLANIMI Br olayındoğal koşullar altında toplumda

Detaylı

TÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ

TÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ TÜRİYE DEİ 38 kv LU 4 BARALI GÜÇ SİSTEMİDE EOOMİ YÜLEME AALİZİ Mehmet URBA Ümmühan BAŞARA 2,2 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlık Fakültes Anadolu Ünverstes İk Eylül ampüsü, 2647, ESİŞEHİR

Detaylı

Bulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi

Bulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale

Detaylı

T.C. İNÖNÜ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ CIRCIR BÖCEĞİ ALGORİTMASI: YENİ BİR META-SEZGİSEL YAKLAŞIM VE UYGULAMALARI MURAT CANAYAZ

T.C. İNÖNÜ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ CIRCIR BÖCEĞİ ALGORİTMASI: YENİ BİR META-SEZGİSEL YAKLAŞIM VE UYGULAMALARI MURAT CANAYAZ T.C. İNÖNÜ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ CIRCIR BÖCEĞİ ALGORİTMASI: YENİ BİR META-SEZGİSEL YAKLAŞIM VE UYGULAMALARI MURAT CANAYAZ DOKTORA TEZİ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI AĞUSTOS 2015

Detaylı

Zeki Optimizasyon Teknikleri

Zeki 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

Detaylı

GRUPLARDA VE YARIGRUPLARDA ETKİNLİK(EFFICIENCY) The Efficiency Of Groups And Semigroups *

GRUPLARDA VE YARIGRUPLARDA ETKİNLİK(EFFICIENCY) The Efficiency Of Groups And Semigroups * GRUPLARDA VE YARIGRUPLARDA ETKİNLİK(EFFICIENCY The Effcency Of Groups And Semgroups * Özer CAN Matematk Ana Blm Dalı Blal VATANSEVER Matematk Ana Blm Dalı ÖZET Bu çalışmada öncelkle gruplarda, yarıgruplarda,

Detaylı

Sistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir :

Sistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir : 5 9. BÖLÜM YÜK AKIŞI (GÜÇ AKIŞI) 9.. Grş İletm sstemlernn analzlernde, bara sayısı arttıkça artan karmaşıklıkları yenmek çn sstemn matematksel modellenmesnde kolaylık getrc bazı yöntemler gelştrlmştr.

Detaylı

Karasal, Hava ve Uzay Tabanlı Haberleşme Sistemleri Arasındaki Girişimin Minimizasyonu İçin Optimizasyon Yaklaşımı

Karasal, Hava ve Uzay Tabanlı Haberleşme Sistemleri Arasındaki Girişimin Minimizasyonu İçin Optimizasyon Yaklaşımı Karasal, Hava ve Uzay Tabanlı Haberleşme stemler Arasındak rşmn nmzasyonu çn Optmzasyon Yaklaşımı Optmzaton Approach to the nmzaton of Interference Between Terrestral, Ar and pace Based Communcaton ystems

Detaylı

Atölye tipi çizelgeleme problemleri için parçacık sürü optimizasyonu yöntemi

Atölye tipi çizelgeleme problemleri için parçacık sürü optimizasyonu yöntemi tüdergs/d mühendsl Clt:5, Sayı:2, Kısım:1, 58-68 Nsan 2006 Atölye tp çzelgeleme problemler çn parçacı sürü optmzasyonu yöntem Mehmet ŞEVKLİ *, M. Mutlu YENİSEY İTÜ İşletme Faültes, Endüstr Mühendslğ Bölümü,

Detaylı

Denklem Çözümünde Açık Yöntemler

Denklem Çözümünde Açık Yöntemler Denklem Çözümünde Bu yöntem, n yalnızca başlangıç değer kullanılan ya da kökü kapsayan br aralık kullanılması gerekmez. Açık yöntemler hızlı sonuç vermesne karşın, başlangıç değer uygun seçlmedğnde ıraksayablr.

Detaylı

ROBİNSON PROJEKSİYONU

ROBİNSON PROJEKSİYONU ROBİNSON PROJEKSİYONU Cengzhan İPBÜKER ÖZET Tüm yerkürey kapsayan dünya hartalarının yapımı çn, kartografk lteratürde özel br öneme sahp olan Robnson projeksyonu dk koordnatlarının hesabı brçok araştırmacı

Detaylı

4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ

4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ Ünsal M.; Varol, A.: Soğutma Kulelernn Boyutlandırılması İçn Br Kuramsal 8 Mayıs 990, S: 8-85, Adana 4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ Asaf Varol Fırat Ünverstes, Teknk Eğtm Fakültes,

Detaylı

PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ

PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ 1 Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda

Detaylı

MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI

MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI MESLEK SEÇİMİ PROBLEMİNDE ÇOK ÖZELLİKLİ KARAR VERME VE ÇÖZÜME YÖNELİK GELİŞTİRİLEN BİREYSEL KARİYER PLANLAMA PROGRAMI Fath ÇİL GAZİ ÜNİVERSİTESİ Mühendslk Mmarlık Fakültes Endüstr Mühendslğ Bölümü 4. Sınıf

Detaylı

Fırat Üniversitesi, Mühendislik Fakültesi, Makine Bölümü, ELAZIĞ

Fırat Üniversitesi, Mühendislik Fakültesi, Makine Bölümü, ELAZIĞ GENETİK ALGORİTMA İLE PARAMETRELERİ OPTİMİZE EDİLMİŞ AĞ TABANLI BULANIK DENETİM SİSTEMİNİN SİSMİK İZOLASYONA UYGULANMASI VE MATLAB İLE SİMÜLASYONU Doç Dr. Hasan ALLİ ve Arş. Gör. Oğuz YAKUT Fırat Ünverstes,

Detaylı

PORTFÖY SEÇİMİNDE MARKOWITZ MODELİ İÇİN YENİ BİR GENETİK ALGORİTMA YAKLAŞIMI

PORTFÖY SEÇİMİNDE MARKOWITZ MODELİ İÇİN YENİ BİR GENETİK ALGORİTMA YAKLAŞIMI Yönetm, Yıl: 18, Sayı: 56, Şubat 2007 PORTFÖY SEÇİMİDE MARKOWITZ MODELİ İÇİ YEİ BİR GEETİK ALGORİTMA YAKLAŞIMI Arş. Grv. Tmur KESKİTÜRK İstanbul Ünverstes - İşletme Fakültes Sayısal Yöntemler Anablm Dalı

Detaylı

YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR

YZM 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

Detaylı

UYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.

UYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır. UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres

Detaylı

Deney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı

Deney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı SRY ÜNİVERSİESİ Djtal ontrol Laboratuvar Deney Föyü Deney No: 2 Sıvı Sevye ontrol Deney 2.. Deneyn macı Bu deneyn amacı, doğrusal olmayan sıvı sevye sstemnn belrlenen br çalışma noktası cvarında doğrusallaştırılmış

Detaylı

dir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.

dir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır. BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)

Detaylı

Soğutucu Akışkan Karışımlarının Kullanıldığı Soğutma Sistemlerinin Termoekonomik Optimizasyonu

Soğutucu Akışkan Karışımlarının Kullanıldığı Soğutma Sistemlerinin Termoekonomik Optimizasyonu Soğutucu Akışkan arışımlarının ullanıldığı Soğutma Sstemlernn ermoekonomk Optmzasyonu * 1 Hüseyn aya, 2 ehmet Özkaymak ve 3 rol Arcaklıoğlu 1 Bartın Ünverstes akne ühendslğ Bölümü, Bartın, ürkye 2 arabük

Detaylı

YERALTI SUYU POMPAJ MALİYETİ MİNİMİZASYON PROBLEMLERİNİN PSOLVER OPTİMİZASYON TEKNİĞİ İLE ÇÖZÜMÜ: TAHTALI HAVZASI ÖRNEĞİ

YERALTI SUYU POMPAJ MALİYETİ MİNİMİZASYON PROBLEMLERİNİN PSOLVER OPTİMİZASYON TEKNİĞİ İLE ÇÖZÜMÜ: TAHTALI HAVZASI ÖRNEĞİ VII. Ulusal Hdroloj Kongres 26-27 Eylül 2012, Süleyman Demrel Ünverstes, Isparta YERALTI SUYU POMPAJ MALİYETİ MİNİMİZASYON PROBLEMLERİNİN PSOLVER OPTİMİZASYON TEKNİĞİ İLE ÇÖZÜMÜ: TAHTALI HAVZASI ÖRNEĞİ

Detaylı

Tuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi

Tuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), 133-141, 2006 18 (1), 133-141, 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem

Detaylı

YAPAY SİNİR AĞI İLE GÜÇLENDİRİLMİŞ GENETİK ALGORİTMA VE TERSTEN KANAT PROFİLİ DİZAYNI

YAPAY SİNİR AĞI İLE GÜÇLENDİRİLMİŞ GENETİK ALGORİTMA VE TERSTEN KANAT PROFİLİ DİZAYNI HAVACILIK VE UZAY TEKNOLOİLERİ DERGİSİ OCAK 4 CİLT SAYI 3 (-7) YAPAY SİNİR AĞI İLE GÜÇLENDİRİLMİŞ GENETİK ALGORİTMA VE TERSTEN KANAT PROFİLİ DİZAYNI Abdurrahman Hava Harp Okulu Komutanlığı Dekanlık Havacılık

Detaylı

Sıklık Tabloları ve Tek Değişkenli Grafikler

Sıklık Tabloları ve Tek Değişkenli Grafikler Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.

Detaylı

Haluk Gözde 1, İlhan Kocaarslan 2, M.Cengiz Taplamacıoğlu 3, Ertuğrul ÇAM 4. Gazi Üniversitesi

Haluk Gözde 1, İlhan Kocaarslan 2, M.Cengiz Taplamacıoğlu 3, Ertuğrul ÇAM 4. Gazi Üniversitesi İk Bölgel Güç Sstemnde Parçacık Sürüsü Algortması İle Yük-Frekans Kontrolü Optmzasyonu The Optmzaton Of Load-Frequency Control Wth Partcle Swarm Algorthm In A Two Area Power System Haluk Gözde, İlhan Kocaarslan

Detaylı

NİTEL TERCİH MODELLERİ

NİTEL TERCİH MODELLERİ NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:

Detaylı

Karaciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi

Karaciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Bülent Haznedar 1*, Mustafa Turan Arslan 2, Adem Kalınlı 3 ÖZ 21.06.2016 Gelş/Receved, 30.11.2016 Kabul/Accepted

Detaylı

EMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering

EMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk

Detaylı

Dört Ayaklı Robotun Bir Bacağı İçin PID Kontrolcü Tasarımı ve Arı Algoritması Kullanarak Optimizasyonu

Dört Ayaklı Robotun Bir Bacağı İçin PID Kontrolcü Tasarımı ve Arı Algoritması Kullanarak Optimizasyonu Uluslararası Katılımlı 17. Makna Teors Sempozyumu, İzmr, 14-17 Hazran 2015 Dört Ayaklı Robotun Br Bacağı İçn PID Kontrolcü Tasarımı ve Arı Algortması Kullanarak Optmzasyonu V. Bakırcıoğlu M. A. Şen M.

Detaylı

GM-220 MÜH. ÇALIŞ. İSTATİSTİKSEL. Frekans Dağılımı Oluşturma Adımları VERİLERİN SUNUMU. Verilerin Özetlenmesi ve Grafikle Gösterilmesi

GM-220 MÜH. ÇALIŞ. İSTATİSTİKSEL. Frekans Dağılımı Oluşturma Adımları VERİLERİN SUNUMU. Verilerin Özetlenmesi ve Grafikle Gösterilmesi VERİLERİN SUNUMU GM-0 MÜH. ÇALIŞ. İSTATİSTİKSEL YÖNTEMLER Br çalışadan elde edlen verler ha ver ntelğndedr. Ha verlerden blg ednek zor ve zaan alıcıdır. Ha verler çok karaşık durudadır. Verlern düzenlenes

Detaylı

Titresimli Genetik Algoritma ile Hizlandirilmis Kanat Profili Optimizasyonu

Titresimli Genetik Algoritma ile Hizlandirilmis Kanat Profili Optimizasyonu HAVACILIK VE UZAY TEKNOLOJILERI DERGISI OCAK 2003 CILT 1 SAYI 1 (1-10) Ttresml Genetk Algortma le Hzlandrlms Kanat Profl Optmzasyonu Abdurrahman HACIOGLU HHO Dekanlg Havaclk Mühendslg Bölümü, 34806, Yeslyurt,

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Blgsayarla Görüye Grş Ders 8 Görüntü Eşleme Alp Ertürk alp.erturk@kocael.edu.tr Panorama Oluşturma Görüntüler eşlememz / çakıştırmamız gerekmektedr Panorama Oluşturma İk görüntüden özntelkler çıkar Panorama

Detaylı

Doğrusal Korelasyon ve Regresyon

Doğrusal Korelasyon ve Regresyon Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan

Detaylı

BBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm

BBO 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

Detaylı

Makine Öğrenmesi 6. hafta

Makine Öğrenmesi 6. hafta Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,

Detaylı

Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ

Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp

Detaylı

bir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre

bir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak

Detaylı

TEKNOLOJĐK ARAŞTIRMALAR

TEKNOLOJĐK ARAŞTIRMALAR www.teknolojkarastrmalar.com ISSN:305-63X Yapı Teknolojler Elektronk Dergs 008 () - TEKNOLOJĐK ARAŞTIRMALAR Makale Başlığın Boru Hattı Etrafındak Akıma Etks Ahmet Alper ÖNER Aksaray Ünverstes, Mühendslk

Detaylı

Kİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür.

Kİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür. Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk

Detaylı

MIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için

MIT Açık Ders Malzemeleri   Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için MIT Açık Ders Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102

Detaylı

ÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU

ÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU 6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız

Detaylı

ANADOLU ÜNivERSiTESi BiliM VE TEKNOLOJi DERGiSi ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY CiltNol.:2 - Sayı/No: 2 : 413-417 (2001)

ANADOLU ÜNivERSiTESi BiliM VE TEKNOLOJi DERGiSi ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY CiltNol.:2 - Sayı/No: 2 : 413-417 (2001) ANADOLU ÜNvERSTES BlM VE TEKNOLOJ DERGS ANADOLU UNIVERSITY JOURNAL OF SCIENCE AND TECHNOLOGY CltNol.:2 - Sayı/No: 2 : 413-417 (1) TEKNK NOTrrECHNICAL NOTE ELEKTRK ARK FıRıNıNDA TERMODNAMGN KNC YASASıNıN

Detaylı

TRİSTÖR VE TRİYAK HARMONİKLERİNİN 3 BOYUTLU GÖSTERİMİ VE TOPLAM HARMONİK BOZUNUMA EĞRİ UYDURMA

TRİSTÖR VE TRİYAK HARMONİKLERİNİN 3 BOYUTLU GÖSTERİMİ VE TOPLAM HARMONİK BOZUNUMA EĞRİ UYDURMA PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİL İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : : : : 5- TRİSTÖR VE TRİYAK

Detaylı

Zaman pencereli çok araçlı dağıtım toplamalı rotalama problemi için gerçek değerli genetik algoritma yaklaşımı

Zaman pencereli çok araçlı dağıtım toplamalı rotalama problemi için gerçek değerli genetik algoritma yaklaşımı İstanbul Ünverstes İşletme Fakültes Dergs Istanbul Unversty Journal of the School of Busness Clt/Vol:43, Sayı/No:2, 2014, 391-403 ISSN: 1303-1732 www.fdergs.org Zaman pencerel çok araçlı dağıtım toplamalı

Detaylı

Öğretim planındaki AKTS TASARIM STÜDYOSU IV 214058100001312 2 4 0 4 9

Öğretim planındaki AKTS TASARIM STÜDYOSU IV 214058100001312 2 4 0 4 9 Ders Kodu Teork Uygulama Lab. Ulusal Kred Öğretm planındak AKTS TASARIM STÜDYOSU IV 214058100001312 2 4 0 4 9 Ön Koşullar : Grafk İletşm I ve II, Tasarım Stüdyosu I, II, III derslern almış ve başarmış

Detaylı

EGE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ (DOKTORA TEZİ) MİNİMAL AĞIRLIKLI DOMİNANT ALT KÜME PROBLEMİ (MADAK) ÜZERİNE

EGE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ (DOKTORA TEZİ) MİNİMAL AĞIRLIKLI DOMİNANT ALT KÜME PROBLEMİ (MADAK) ÜZERİNE V EGE ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ (DOKTORA TEZİ) MİNİMAL AĞIRLIKLI DOMİNANT ALT KÜME PROBLEMİ (MADAK) ÜZERİNE Burak ORDİN Matematk Ana Blm Dalı Blm Dalı Kodu: 69.03.03 Sunuş Tarh: 28. 0. 2004

Detaylı

PARABOLİK YOĞUNLUK FONKSİYONUNU KULLANARAK SEDİMANTER TEMEL DERİNLİKLERİNİN KESTİRİMİ

PARABOLİK YOĞUNLUK FONKSİYONUNU KULLANARAK SEDİMANTER TEMEL DERİNLİKLERİNİN KESTİRİMİ Uygulamalı Yerblmler Sayı: (Mayıs-Hazran ) -9 PARABOLİK YOĞUNLUK FONKSİYONUNU KULLANARAK SEDİMANTER TEMEL DERİNLİKLERİNİN KESTİRİMİ Estmaton of Sedmentary Basement Depths By Usng Parabolc Densty Functon

Detaylı

Üç Boyutlu Yapı-Zemin Etkileşimi Problemlerinin Kuadratik Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak Çözümü

Üç Boyutlu Yapı-Zemin Etkileşimi Problemlerinin Kuadratik Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak Çözümü ECAS Uluslararası Yapı ve Deprem Mühendslğ Sempozyumu, Ekm, Orta Doğu Teknk Ünverstes, Ankara, Türkye Üç Boyutlu Yapı-Zemn Etkleşm Problemlernn Kuadratk Sonlu Elemanlar ve Sonsuz Elemanlar Kullanılarak

Detaylı

Bulanık Mantık ve Yapay Sinir Ağları ile bir 3-3 Stewart Platformu nun Pozisyon Kontrolü

Bulanık Mantık ve Yapay Sinir Ağları ile bir 3-3 Stewart Platformu nun Pozisyon Kontrolü Bulanık Mantık ve Yapay Snr Ağları le br 3-3 Stewart Platformu nun Pozsyon Kontrolü İbrahm Yıldız 1, V.Emre Ömürlü 2, Ş.Nac Engn 3 1 Makne Mühendslğ Bölümü Yıldız Teknk Ünverstes, Beşktaş yldz@yldz.edu.tr

Detaylı

( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3

( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3 Yıldız Teknk Ünverstes Elektrk Mühendslğ Bölümü Deneyn Amacı İşlemsel kuvvetlendrcnn çalışma prensbnn anlaşılması le çeştl OP AMP devrelernn uygulanması ve ncelenmes. Özet ve Motvasyon.. Operasyonel Amplfkatör

Detaylı

Kİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri

Kİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI  Ki-Kare Analizleri Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.

Detaylı

Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI

Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI C.Ü. İktsad ve İdar Blmler Dergs, Clt 4, Sayı 1, 3 6 Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI H. BİRCAN, Y. KARAGÖZ ve Y. KASAPOĞLU

Detaylı

GÜNEŞ ENERJİLİ BİR SULAMA SİSTEMİNDE BOOST KONVERTERDEN BESLENEN ARM SÜRÜCÜ SİSTEMİNİN ANALİZİ

GÜNEŞ ENERJİLİ BİR SULAMA SİSTEMİNDE BOOST KONVERTERDEN BESLENEN ARM SÜRÜCÜ SİSTEMİNİN ANALİZİ GÜNEŞ ENERJİLİ BİR SULAMA SİSTEMİNDE BOOST KONERTERDEN BESLENEN ARM SÜRÜÜ SİSTEMİNİN ANALİZİ Mahr Dursun, Al Saygın Gaz Ünverstes Teknk Eğtm Fakültes Elektrk Eğtm Bölümü Teknkokullar, Ankara mdursun@gaz.edu.tr,

Detaylı

TRAFİK İŞARETLERİNİN HOUGH DÖNÜŞÜMÜ VE DVM KULLANILARAK SINIFLANDIRILMASI TRAFFIC SIGN CLASSIFICATION USING HOUGH TRANSFORM AND SVM

TRAFİK İŞARETLERİNİN HOUGH DÖNÜŞÜMÜ VE DVM KULLANILARAK SINIFLANDIRILMASI TRAFFIC SIGN CLASSIFICATION USING HOUGH TRANSFORM AND SVM TRAFİK İŞARETLERİNİN HOUGH DÖNÜŞÜMÜ VE DVM KULLANILARAK SINIFLANDIRILMASI TRAFFIC SIGN CLASSIFICATION USING HOUGH TRANSFORM AND SVM Emrah ONAT SDT - Space & Defence Technologes A.Ş. emrahonat@yahoo.com

Detaylı

ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI

ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN

Detaylı

Çok Katlı Kompozit Çelik Çerçevelerin Genetik Algoritma ile Dinamik Sınırlayıcılı Optimizasyonu *

Çok Katlı Kompozit Çelik Çerçevelerin Genetik Algoritma ile Dinamik Sınırlayıcılı Optimizasyonu * İMO Teknk Derg, 2015 7077-7098, Yazı 434 Çok Katlı Kompozt Çelk Çerçevelern Genetk Algortma le Dnamk Sınırlayıcılı Optmzasyonu * Musa ARTAR* Ayşe DALOĞLU** ÖZ Yapı sstemlernn mnmum ağırlık olacak şeklde,

Detaylı

TESADÜFİ DEĞİŞKENLERLE İLGİLİ BAZI YAKINSAKLIK ÇEŞİTLERİNİN KARŞILAŞTIRILMASI

TESADÜFİ DEĞİŞKENLERLE İLGİLİ BAZI YAKINSAKLIK ÇEŞİTLERİNİN KARŞILAŞTIRILMASI ISSN:1306-3111 e-journal of New Worl Scences Acaemy 2008, Volume: 3, Number: 4 Artcle Number: A0108 NATURAL AND APPLIED SCIENCES MATHEMATICS APPLIED MATHEMATICS Receve: March 2008 Accepte: September 2008

Detaylı

Sürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK

Sürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak

Detaylı

Metin Madenciliği ile Soru Cevaplama Sistemi

Metin Madenciliği ile Soru Cevaplama Sistemi Metn Madenclğ le Soru Cevaplama Sstem Sevnç İlhan 1, Nevchan Duru 2, Şenol Karagöz 3, Merve Sağır 4 1 Mühendslk Fakültes Blgsayar Mühendslğ Bölümü Kocael Ünverstes slhan@kocael.edu.tr, nduru@kocael.edu.tr,

Detaylı

İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ

İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Türkye İnşaat Mühendslğ, XVII. Teknk Kongre, İstanbul, 2004 İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Nur MERZİ 1, Metn NOHUTCU, Evren YILDIZ 1 Orta Doğu Teknk Ünverstes, İnşaat Mühendslğ Bölümü, 06531 Ankara

Detaylı

ATIK POLİMERİK MALZEME KATKILI BETONUN YALITIM ÖZELLİĞİNİN DENEYSEL OLARAK İNCELENMESİ

ATIK POLİMERİK MALZEME KATKILI BETONUN YALITIM ÖZELLİĞİNİN DENEYSEL OLARAK İNCELENMESİ Isı Blm ve Teknğ Dergs, 26,, 5-20, 2006 J. of Thermal Scence and Technology 2006 TIBTD Prnted n Turkey ISSN 300-365 ATIK POLİMERİK MALZEME KATKILI BETONUN YALITIM ÖZELLİĞİNİN DENEYSEL OLARAK İNCELENMESİ

Detaylı