DÜZENLİ DİZAYNLI GENETİK ALGORİTMALAR İLE ÇOK AMAÇLI PROGRAMLAMA MULTIOBJECTIVE PROGRAMMING VIA UNIFORM DESIGNED GENETIC ALGORITHMS
|
|
- Direnç Poyraz
- 6 yıl önce
- İzleme sayısı:
Transkript
1 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 ALGORITHMS Barış GÜRSU a, * ve Melh Cevdet İNCE b a, * TEİAŞ 3.İletm Tess Ve İşletme Grup Müdürlüğü, Elazığ, Türkye, E-posta: gursubars@hotmal.com b Fırat Ünverstes Elektrk-Elektronk Mühendslğ Bölümü, Elazığ, Türkye, E-posta: mcnce@frat.edu.tr Özet Pareto optmaltes, çok amaçlı programlamanın başlıca yaklaşımlarından brdr. Daha çok Pareto-optmal çözümler bulmak stenldğnde, karar vercye çeştl uzlaşılmış çözümler sunmak amacıyla Pareto sınırları üzernde düzgün olarak dağılmışları bulmak ta stenlr. Bu çalışmada bu amaç çn dzayn edlen Genetk Algortma(GA) da düzenl dzlern referansında çözüm uzayına düzgün dağılmış başlangıç populasyonu üretlmştr. Ayrıca Pareto optmal çözümler aramak çn GA da kullanılan yen br çaprazlama operatörü de tanıtılmıştır. Pareto sınırları üzernde düzgün dağılmış çözümler bulmak çn, çoklu uygunluk fonksyonları da tanımlanmış, her br uygunluk fonksyonu ağırlıklar verlerek normalze edlmştr. Böylece amaç uzayında yönlendrme yapılmıştır. Düzenl dzaynın rehberlğnde oluşturulan GA nın çok amaçlı programlama problemlerne uygulama örnekler verlmş, standart rassal GA le karşılaştırılarak lteratürde sunulan yöntemn başarısı gösterlmştr. Anahtar kelmeler: Genetk Algortmalar, Çok Amaçlı Programlama, Pareto-Optmal Çözümü, Unform Dz, Düzenl Dzayn. Abstract Pareto-optmalty s one of the major approaches to multobjectve programmng. Whle t s desrable to fnd more Pareto-optmal solutons, t s also desrable to fnd the ones scattered unformly over the Pareto fronter n order to provde a varety of compromse solutons to the decson maker. In order to realze ths am, an ntal populaton that s unformly scattered n soluton space wth the referaton of unform arrays s produced va GA. A new crossover operator that s used n GA s also presented to search Pareto-optmal solutons. To fnd the solutons scattered unformly over the Pareto fronter, multple ftness functons are defned and each of ftness functons are normalzed by usng weghts. Thus, drectng s made n the objectve space. We gve the applcaton examples of multple programmng problems of GA by gudng of unform desgn and show the success of the method n lterature by comparng standard random GA. Keywords: Genetc Algorthms, Multobjectve Programmng, Pareto-Optmal Soluton, Unform Array, Unform Desgn.. Grş Çok amaçlı matematksel programlama, çoklu amaçların aynı zamanda gerçekleşmesnn düşünüldüğü br yoldur. Gerçek hayattak problemler çoğunlukla brden çok amaç çerr[]. Günümüz koşullarında tek br amacı optmze etmek yetmemekte, aynı anda brçok amacın optmzasyonu gerekmektedr. Çelşen amaçları optmum kılan tek br çözüm bulmak olanaksız olablr. Bunun yerne her amacın önem derecesn temel alan uzlaşık çözümler bulunmaktadır[]. Tek amaçlı optmzasyon problemlernde amaç fonksyonunun optmum değer tektr. Dğer yandan, çok amaçlı optmzasyon problemler çok sayıda maksmzasyon ve mnmzasyon karmaşık yönlü amaçların her ksne de sahp olablrler. Çok amaçlı programlamada en y çözümlerden oluşan Pareto-optmal çözümlerden bahsedlr. Pareto optmaltes, çok amaçlı programlamanın başlıca yaklaşımlarından brdr[3-7]. Çok amaçlı problemlerde amaçlar brbrleryle zıt ya da çok farklı, amaçların sınırları da brbrnden çok farklı olması sebebyle optmal çözüme genellkle ulaşılmaz. Çünkü, bütün amaç fonksyonlarının eşzamanlı olarak optmum durumu hemen hemen mkansızdır[8]. Çok amaçlı programlama problemlernde, Pareto sınırları üzerndek her çözüm, uzlaşık br çözümdür. Karar verc, Pareto sınırları üzerndek, gereksnmler yerne getrecek kabul edleblr uygun çözümü seçer[9].. Düzenl Dzayn Düzenl dzaynın temel amacı, verlen noktalar kümesnden küçük br noktalar kümes örneklemektr. Elektrksel br olayın, 4 ncelğe bağlı olduğunu farz edelm. Bu 4 ncelk, deneyn faktörler olarak adlandırılır. Eğer her faktör olası değere sahpse, her faktörün sevyes var demektr. Bu durumda, 4 =6 tane sevyelern kombnasyonu vardır. Burada en y kombnasyonu bulablmek çn 6 tane deney yapmak gerekecektr. Tüm bu deneyler yapmak mümkün olmadığından ya da çok pahalı olacağından, deneylern küçük fakat temsl br örneğ seçmek stenlr. Düzenl dzayn bu amaç çn gelştrlmştr. U(n,q)=[U,j ] qxn, U,j,.kombnasyonda j.faktörün sevyesdr[]... Düzenl Dzler Düzenl dz, n sütun sayılı, q satır sayılıdır. U,j aşağıdak denklem () dek gb kurulur. n faktör, q sevyey temsl eder.her faktörde q sevyeler vardır. j U = ( σ ) + (),j mod(q) IATS 9, Karabük Ünverstes, Karabük, Türkye
2 Tablo. Farklı Faktör ve Sevye Sayıları İçn σ Parametres Her Faktörün Sevyelernn Faktör Sayısı σ Sayısı , 3-4, , , , 5-, , 3-9 Örnek. 3 faktörlü ve 5 sevyel düzenl br dz aşağıdak gb kurulur. σ = dr. U, =( - ) mod(5) += U, =( - ) mod(5) +=3 U, =( - ) mod(5) +=3 U, =( - ) mod(5) +=5 U,3 =( 3- ) mod(5) +=5 U,3 =( 3- ) mod(5) +=4 U 3, =(3 - ) mod(5) +=4 U 4, =(4 - ) mod(5) +=5 U 3, =(3 - ) mod(5) += U 4, =(4 - ) mod(5) +=4 U 3,3 =(3 3- ) mod(5) +=3 U 4,3 =(4 3- ) mod(5) += U 5, =(5 - ) mod(5) += U 5, =(5 - ) mod(5) += U 5,3 =(5 3- ) mod(5) += U (3,5) = () Çok Amaçlı Programlama İçn Düzenl Dzaynlı Genetk Algortma Mn f (x), f (x), f 3 (x), f M (x) çok amaçlı programlama problemn ele alalım. Burada x=(x, x, x 3,..x N ) çözümler br kromozom olarak alınır. x, [l,u ] çözüm uzayında aranır. l=(l, l,.l N ) ve u=(u, u,.u N ) dr. M amaç fonksyonu sayısı, N problemn boyutudur. Çok amaçlı programlamada, amaç uzayında, Pareto sınırları üzernde düzgün olarak dağılmış kromozomlar kümesn GA yardımıyla bulmak hedefmzdr. 3.. Düzenl Dz İle Ağırlıklandırılmış Çoklu Uygunluk Fonksyonları Amaç uzayında Pareto sınırları üzernde düzgün dağılımlı çözüm kümesn bulablmek çn, çoklu uygunluk fonksyonları tanımlanmış ve bu uygunluk fonksyonlarına düzenl dzayn uygulanmıştır. Öncelkle, her br amaç fonksyonu aşağıdak gb normalze edlr. f (x) h (x) = (3) max {f (y)} yεψ Ψ,o ank populasyondak noktalar kümesdr ve h (x) normalze edlmş amaç fonksyonudur. Bu çalışmada çoklu uygunluk fonksyonları kullanılmıştır ve her br uygunluk fonksyonunda ağırlıklandırılma yapılır. Ağırlıklar düzenl dzlerden elde edlr.w=(w, w, w M ) olmak üzere w + w + w M = dr. w, ağırlık vektörüdür. U, j w, j = U + U +... U (4),,,M uygunluk = w h (x) + w h (x) w h (x) (5),,,M M Örnek. M(faktör)=3 ve D(sevye)=5 alınarak U(3,5); () de hesaplanmıştır. Ağırlıklar ve 5 adet uygunluk fonksyonu (4) ve (5) denklemlerne göre aşağıdak gb bulunur. 3 5 uygunluk = h (x) + h (x) + h (x) uygunluk = h (x) + h (x) + h (x) uygunluk 3 = h (x) + h (x) + h (x) uygunluk 4 = h (x) + h (x) + h (x) 3 uygunluk 5 = h (x) + h (x) + h (x) Düzenl Dz İle Başlangıç Populasyonu Üretm Sevye sayısı arttıkça düzenl dzy hesaplamak fazla zaman almaktadır. Ayrıca lteratürde en fazla 37 sevyel düzenl dz hesaplanablmektedr. Hem bu sebepten hem de zamandan kazanmak çn, çözüm uzayı küçük alt uzaylara bölünür ve her alt uzayda düzenl dz uygulanır. S alt uzay sayısı olmak üzere,,, 3, gb seçlr. [l,u] çözüm uzayı, [l(),u()], [l(),u()], [l(s),u(s)] alt uzaylarına bölünür. Algortma. Çözüm Uzayının Bölünmes Adım. a=l ve z= u alalım. log S adet en büyük çözüm uzayı sınırları, zs=(a s +z s )/ şlemne tab tutulur. Adım. Δ = z a ve n = (u l ) / Δ tüm =,,.N çn hesaplanır. N, problemn boyutudur. j n olmak üzere; l(k) = l + ((j ) Δ,(j ) Δ,...(j ) Δ ) N N u(k) = l + (j Δ, j Δ,...j Δ ) N N (6) alt uzayları hesaplanır. Her br alt uzay Q sevyeler çnde kuantalanır. l (k) j = u (k) l (k) α ( k) = l (k) + (j ) j Q, j Q u (k) j = Q (7) Kuantalamadan sonra tekrar düzenl dz formu uygulanır. (j=, Q ) Her br uygunluk fonksyonunda S Q adet
3 nokta değerlendrlr ve en y / D G veya G / D noktaları seçlr. Toplamda G sayıda nokta seçlmş olur. Algortma. Başlangıç Populasyonu Üretlmes Adım.Algortma e göre [l,u] çözüm uzayı, [l(),u()], [l(),u()], [l(s),u(s)] S alt uzaylarına bölünür. Adım.(7) denklemne dayanarak her br alt uzay kuantalanır ve sonra Q noktalarını örneklemek çn U(N,Q ) düzenl dzs uygulanır. Adım 3.Her br uygunluk fonksyonuna dayanarak Adım de üretlen S Q noktalarının her brnn kaltes değerlendrlerek en y G / D veya G / D noktaları seçlr. Başlangıç populasyonunu oluşturmak çn S Q noktaları arasından toplam G sayıda nokta seçlmş olunur. Örnek 3. 3 boyutlu br problem düşünelm. x 4, x 8, 3 x 3 olsun. Çözüm uzayı, [l,u]=[(,,3),(4,8,)] olur. S=4, Q =5, D =5, G=6 seçelm. Algortma uygulanarak çözüm uzayı aşağıdak gb 4 alt uzaya bölünür. Adım. log 4 = dr. z=(8+)/=5 ve z 3 =(+3)/=65 olarak hesaplanır. a=l=(,,3) ve z=(4,5,65) olur. Adım. Δ = (4 ) = 3, Δ = (5 ) = 3, Δ = (65 3) = 35 3 n = (4 ) / 3 =, n = (8 ) / 3 = n 3 = ( 3) / 35 = j = j =, j 3 =, l()=(,,3)+((-) 3,(-) 3,(-) 35)=(,,3); u()=(,,3)+( 3, 3, 35)=(4,5,65) l()=(,,3)+((-) 3,(-) 3,(-) 35)=(,,65); u()=(,,3)+( 3, 3, 35)=(4,5,) l(3)=(,,3)+((-) 3,(-) 3,(-) 35)=(,5,3); u(3)=(,,3)+( 3, 3, 35)=(4,8,65) l(4)=(,,3)+((-) 3,(-) 3,(-) 35)=(,5,65); u(4)=(,,3)+( 3, 3, 35)=(4,8,) Her br alt uzay denklem (7) ye göre kuantalanır. Burada [l(),u()] n kuantalamasını örnekleyelm. Dğer alt uzayların da kuantalaması benzer şeklde yapılır. α, =l ()= α, =+(-)(4-)/(5-)=7.5 α,3 =+(3-)(4-)/(5-)=5 α,4 =+(4-)(4-)/(5-)=3.5 α,5 =4 α, =l ()= α, =+(-)(5-)/(5-)=7.5 α,3 =+(3-)(5-)/(5-)=35 α,4 =+(4-)(5-)/(5-)=4.5 α,5 =5 α 3, =l 3 ()=3 α 3, =3+(-)(65-3)/(5-)=38.75 α 3,3 =3+(3-)(65-3)/(5-)=47.5 α 3,4 =3+(4-)(65-3)/(5-)=56.5 α 3,5 =65 Problem, 3 boyutlu(faktör) ve seçlen Q =5 olduğundan 5 sevyeldr. Kuantalamadan sonra () de elde edlen düzenl dz formu uygulanır. Her br alt uzayın kuantalamasından sonra 3 (N) boyutlu 5 (Q ) adet kromozom elde edlr..alt uzayın kuantalamasından elde edlen kromozomlar aşağıdak gbdr:.kromozom kromozom kromozom = kromozom kromozom 3 Her br alt uzaydan Q kadar kromozom elde edlr. Başlangıçtak toplam kromozom sayısı=s Q =4 5= dr. Adım 3. Örnek de elde edlen uygunluk fonksyonlarının brncsnden G / D =, dğer 4 uygunluk fonksyonundan G / D = er olmak üzere toplam G=6 nokta başlangıç populasyonunu oluşturmak çn seçlr. Her br uygunluk fonksyonunda, tüm kromozomlar(bu örnek çn ) arasından en y noktalar( G /D ya da G / D adet) seçlr Düzenl Dz İle Çaprazlama Herhang k ebeveyn p =(p,, p,,.p,n ) ve p =(p,, p,, p,n ) olarak alalım. [l ebeveyn, u ebeveyn ] denklem (8) dek gb tanımlanır. l = [mn(p,p ),mn(p,p )...mn(p,p )] ebeveyn,,,,,n,n (8) u = [max(p,p ),max(p,p )...max(p,p )] ebeveyn,,,,,n,n [l ebeveyn, u ebeveyn ], Q sevyeler çnde denklem (9) dak gb kuantalanır. mn(p, p ) j =,, p p,, β = mn(p, p ) + (j ) j Q (9),j,, Q max(p, p ) j = Q,, Kuantalamadan sonra problem boyutuna eşt ya da ondan küçük br F faktör sayısı seçlr. <k <k <.<k F- olacak şeklde k, k, k F- sayıları seçlr. f = (x,...x ) k f = (x,...x ) k + k ()... f = (x,..., x ) F k + N F Kuantalanan noktalar, f, f,.f F e göre, U(F,Q ) düzenl dzs formuna uygulanır. Algortma 3. Çaprazlama Adım. [l ebeveyn, u ebeveyn ] denklem (8) e göre oluşturulur ve denklem (9) a göre kuantalanır. Adım. <k <k <.<k F- olacak şeklde k, k, k F- sayıları seçlr ve denklem () a göre F faktörler oluşturulur. Adım 3.Muhtemel Q yavruları oluşturmak çn U(F,Q ) düzenl dzs uygulanır. Örnek 4. 5 boyutlu çok amaçlı programlama problemn ele alalım. ebeveyn brey; p =(7.5, 4.7,.3,.5, ) ve p =(.7,., -., 7.5, 6.7) olsun. Bu ebeveylern çözüm uzayı (8) denklemne dayanarak;[l ebeveyn, u ebeveyn ]=[(.7,., -.,.5, ), (7.5, 4.7,.3, 7.5, 6.7)] şeklnde bulunur. Denklem (9) a dayanarak; β =(.7, 3.9, 5., 6.3, 7.5);
4 β =(.,.35,.45, 3.575, 4.7); β 3 =(-., -.35,.55,.45,.3); β 4 =(.5, 3.75, 5, 6.5, 7.5); β 5 =(,.45, 3.85, 5.75, 6.7) bulunur.k =, k =3, k 3 =5 alırsak, f =(x ), f =(x, x 3 ), f 3 =(x 4, x 5 ) şeklnde 3 faktör elde edlr. () de elde edlen U(3,5) dzs β lara uygulanarak çaprazlama netcesnde yen yavrular elde edlr..yavru yavru yavru = yavru yavru Düzenl Dzaynlı Genetk Algortma Çalışma Adımları Adım.Başlangıç Populasyonu Üretm Adım. () denklemne dayanarak U(M,D ) ve U(N,Q ) düzenl dzlern kur. Adım. (4) ve (5) denklemlerne ve U(M,D ) a dayanarak D uygunluk fonksyonlarını oluştur. Adım.3 Başlangıç Populasyonunu üretmek çn Algortma y uygula. Adım.Populasyon Evrm Durdurma şartı sağlanmıyorsa alttak adıma geç, durdurma şartı sağlanıyorsa dur. Adım. Çaprazlama:.uygulamada,.uygunluk fonksyonuna dayananarak seçlen en y br ebeveyn le rasgele seçlen başka br ebeveyne Algortma 3 ü uygulayarak çaprazlama yap. Çaprazlama şlem D kez yapılır. Adım. Mutasyon: P gen de her br kromozom p m olasılığı le mutasyona uğratılır. Br kromozoma mutasyon uygulamak çn, rasgele, br j [, N] tamsayısı ve r [lj,u j] reel sayısı üretlr. Sonra yen br kromozom elde etmek çn, seçlen kromozomun j.bleşen r le yer değştrr. Adım.3 Seçme: P gen dek kromozomları ve çaprazlama ve mutasyonla üretlen kromozomlar arasından br sonrak generasyon çn en y G/ D ya da G / D kromozomlarını seçmek çn D uygunluk fonksyonlarının her br ele alınır. Seçlen kromozomların toplam sayısı G dr. Adım 3.4. Generasyon sayısını artır. Adım 3.5 Adım ye gt[]. 4. Uygulamalar Burada test problem çn hem düzenl dzaynlı GA, hem de standart rassal GA nın pareto optmal çözümlern bulma başarıları gösterlecektr. Rassal GA da populasyon, maksmum generasyon ve mutasyon olasılığı düzenl dzaynlı GA le aynıdır. 4 ar kez çalıştırılan programlarda 3 er sonuç gösterlmştr. Test Problem. Tablo. Düzenl Dzaynlı GA Grş Parametreler Grş Parametre Değerler Populasyon sayısı Maks. Generasyon say. 5 M, F S 8 D, Q, Q 5 D 7 Mutasyon Olasılığı. Program cra sayısı (a) f(x) (b) Mnmze Mnmze aralk aralk f (x) = f (x) = x ( x x 4 x x ) f(x) (c) Şekl.Brnc Test Problem İçn Düzenl Dzaynlı GA le Pareto-Optmal Çözümler(a-b-c)
5 Mnmze Test Problem. Mnmze aralk aralk f(x) = x f (x) = x 3 x 5 x x + 3x + + (d) (a) (e) (b) Şekl.Brnc Test Problem İçn Rassal GA le Pareto- Optmal Çözümler(d-e-f) (f) Brnc test problem çn, Şekl. düzenl dzaynlı GA le, Şekl. de rassal GA le bulunan Pareto optmal çözümlern göstermektedr. Standart rassal GA le karşılaştırıldığında, lteratürde önerlen düzenl dzaynlı GA nın daha anlamlı Pareto-optmal çözümler bulduğu ve bu çözümlern Pareto sınırlarında daha düzgün dağıldığı görülmektedr. Önerlen ağırlıklandırılmış çoklu uygunluk fonksyonları tüm Pareto sınırlarına doğru arama rehberlğ yapmıştır. Düzenl dzaynlı GA le ortalama 4 ( ) Pareto-optmal çözüm bulunmuşken, Standart rassal GA le ortalama 3 (35-3-3) Pareto-optmal çözüm bulunmuştur. Hem Pareto optmal çözüm sayısının fazla olması hem de bu çözümlern Pareto sınırlarında daha düzgün dağılması düzenl dzaynlı GA yı üstün kılmaktadır. (c) Şekl 3.İknc Test Problem İçn Düzenl Dzaynlı GA le Pareto-Optmal Çözümler(a-b-c) Şekl 3. knc test problem çn düzenl dzaynlı GA le, amaç uzayında bulunan Pareto optmal çözümlern göstermektedr. Ortalama 98 ( ) Pareto optmal çözüm bulunmuştur. Bu çözümler, Pareto sınırları üzernde düzgün dağılımlıdır. Görüldüğü gb, çok amaçlı programlamada, amaçların sınırları da brbrnden farklı olablmektedr. Tüm amaçları, kend sınırları çersnde ve
6 brlkte sağlayan tek br çözüm yerne, uzlaşık çözüm denlen Pareto-optmal çözümler, düzgün dağılımlı olarak ve sayıca daha çok olarak bulablmek stenendr. Amaç, karar vercye en y ve en çok alternatf çözümler sunmaktır. (d) 5. Sonuçlar Bu çalışmada, çok amaçlı programlamada Pareto sınırları üzernde düzgün dağılmış Pareto-optmal çözümlern bulmak çn dzayn edlen br GA tanıtılmıştır. Düzenl dzlerden faydalanılarak şleyş mantığı oluşturulan bu GA da çoklu uygunluk fonksyonları kullanılmıştır. Böylece Pareto sınırları üzernde düzgün dağılımlı çözümler bulablmek çn yönlendrme yapılmıştır. Ayrıca Paretooptmal çözümlern aramak çn y br başlangıç populasyonu ve yen br çaprazlama operatörü de düzenl dzayn mantığıyla tanımlanmıştır. Düzenl dzaynlı GA ve standart rassal GA, k test problemnn çözümü çn sınanmıştır. Düzenl dzaynlı GA le hem çok daha fazla sayıda hem de Pareto sınırları üzernde çok daha düzgün dağılımlı çözümler bulunduğu sonuçlardan görülmüştür. Böylece karar vercye, hem daha fazla sayıda hem de daha çeştl uzlaşılmış çözümler sunulmuştur. Çeştllğn artmasıyla karar vercnn terchn belrlemes kolaylaşacaktır. Yöntemn, her alandak çok amaçlı programlama problemlerne uygulanableceğ ve y br performans sergleyeceğ dkkatlere sunulmuştur. Kaynaklar (e) (f) Şekl 4.İknc Test Problem İçn Rassal GA le Pareto- Optmal Çözümler(d-e-f) Şekl 4 knc test problem çn standart rassal GA le, amaç uzayında bulunan Pareto optmal çözümlern göstermektedr. Standart rassal GA le ortalama 3 (6-3- ) Pareto optmal çözüm bulunmuştur. Şekl 3 ve Şekl 4 karşılaştırıldığında düzenl dzaynlı GA le Pareto sınırları üzernde daha düzgün dağılımlı ve sayıca da yaklaşık 5 kat daha fazla Pareto-optmal çözümler elde edlmştr. Böylece karar vercye, daha fazla sayıda ve daha düzgün dağılımlı alternatf çözümler sunulmuştur. [] Kuşbeyz,İ.,Çok Amaçlı Lneer Programlamada Dualte Teors, Y.T.Ü.,Fen Blmler Ensttüsü,49 syf., 6. [] Uğur, B.G., Çok Amaçlı Bulanık Transport Problemnn Genşleme Prensbyle Çözülmes, Y.T.Ü.,Fen Blmler Ensttüsü, 4 syf., 6. [3] Chan, T.M., Man, K.F., Kwong, S., Tang, K.S., A Jumpng Gene Paradgm for Evolutonary Multobjectve Optmzaton, IEEE Transactons on Evolutonary Computaton, Vol.,No.,43-59, 8. [4] Grosan, C., Abraham, A., Exploraton of Pareto Fronter Usng a Fuzzy Controlled Hybrd Lne Search, IEEE Seventh Internatonal Conference on Hybrd Intellgent Systems, , 7. [5] Ho, S.L., Yang, S., N, G., Incorporatng A Pror Preferences n a Vector PSD Algorthm to fnd Arbtrary Fractons of the Pareto Front of Multobjectve Desgn Problems, IEEE Transactons on Magnetcs, Vol.44, No.6, 38-4, 8. [6] Yong, Y., Yong-Quan, L., Mult-Issue Negotaton Research Based on Nched Co-Evolutonary Genetc Algorthm, Eght ACIS Internatonal Conference on Software Engneerng, Artfcal Intellgence, Networkng, and Parallel/Dstrbuted Computng, , 7. [7] Zhang, L.B., Zhou, C.G., Xu, X.L., Sun, C.T., Lu, M., Mult-Objectve Evolutonary Algorthm Based on Max- Mn Dstance Densty, IEEE, 3-35, 6. [8] Umarusman, N., Çok Amaçlı Karar Problemlernde Duyarlılık Analz ve Bulanık Mantık İlşks:De Novo Programlama Uygulaması, Dokuz Eylül Ünverstes, 7. [9] Köksoy, O., Hocaoğlu, G.,Mult-Objectve Optmzaton Solutons to the Taguch s Problem, G.U., Journal of Scence, 8/(4):63-66, 5. [] Gürsu, B., İnce, M.C.,Başlangıç Populasyonu Düzgün Dağılımlı Br Genetk Algortma,Galatasaray Ünverstes,8.YA/EM Ulusal Kongres,İstanbul, 8. [] Leung, Y.W., Wang, Y., Multobjectve Programmng Usng Unform Desgn and Genetc Algorthm, IEEE Transactons on Systems, Man and Cybernetcs-Part- C:Applcatons and Revews, Vol.3, No:3,.
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.,
DetaylıMIT 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
DetaylıPamukkale 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
DetaylıBULANIK 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
DetaylıÖZET 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
DetaylıPROJE 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
Detaylı5.3. 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
DetaylıGenetik 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,
DetaylıÇELİK 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
DetaylıKafes 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:
DetaylıÇarpımsal 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,
DetaylıDeney 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
DetaylıDETERMINATION 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
DetaylıSistemde 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.
DetaylıMakine Öğrenmesi 10. hafta
Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en
DetaylıTRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI
Yönetm, Yl 9, Say 28, Ekm - 1997,5.20-25 TRANSPORT PROBLEMI ÇIN GELIsTIRILMIs VAM YÖNTEMI Dr. Erhan ÖZDEMIR I.Ü. Teknk Blmler M.Y.O. L.GIRIs V AM transport problemlerne en düsük malyetl baslangç çözüm
DetaylıDEÜ 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
DetaylıŞiddet-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)
DetaylıSürekli 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
DetaylıBULANIK ÇOK AMAÇLI HÜCRESELTASARIM PROBLEMİNİN İKİ AŞAMALI BULANIK PROGRAMLAMA YAKLAŞIMI İLE ÇÖZÜMÜ
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 25-27 Kasım 25 BULANIK ÇOK AMAÇLI HÜCRESELTASARIM PROBLEMİNİN İKİ AŞAMALI BULANIK PROGRAMLAMA YAKLAŞIMI İLE ÇÖZÜMÜ Feyzan ARIKAN Gaz
DetaylıKAFES 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
DetaylıUYUM 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
DetaylıTürk 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
DetaylıÇOK AMAÇLI DOĞRUSAL PROGRAMLAMADAN SİSTEM TASARIMINA: DE NOVO. Özet
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Yayın Gelş Tarh: 0.0.00 Clt:, Sayı: 4, Yıl: 00, Sayfa: -74 Yayına Kabul Tarh: 7.0.0 ISSN: 0-84 ÇOK AMAÇLI DOĞRUSAL PROGRAMLAMADAN SİSTEM TASARIMINA: DE
DetaylıAli 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
DetaylıCilt:11 Sayı: 4 s , 2008 Vol: 11 No: 4 pp , M. Yasin ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET
Polteknk Dergs Journal of Polytechnc Clt: Sayı: 4 s.99-305, 008 Vol: No: 4 pp.99-305, 008 Optmzasyon Problemlernn Çözümü çn Parçaçık Sürü Optmzasyonu Algortması M. Yasn ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET Optmzasyon
DetaylıARAŞTIRMA 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,
DetaylıTEDAR K Z NC R ULA TIRMA PROBLEM Ç N B R SEZG SEL ÇÖZÜM: GENET K ALGOR TMA YAKLA IM
TEDAR K Z NC R ULA TIRMA PROBLEM Ç N B R SEZG SEL ÇÖZÜM: GENET K ALGOR TMA YAKLA IM Yrd. Doç. Dr. Al hsan ÖZDEM R Ercyes Ünverstes,..B.F., letme Bölümü, Kayser e-mal: ozdemr@ercyes.edu.tr Ara. Gör. Gökhan
Detaylıbir 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
Detaylıdir. 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)
DetaylıFLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ
FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ 1 Nasır Çoruh, Tarık Erfdan, 3 Satılmış Ürgün, 4 Semra Öztürk 1,,4 Kocael Ünverstes Elektrk Mühendslğ Bölümü 3 Kocael Ünverstes Svl Havacılık Yüksekokulu ncoruh@kocael.edu.tr,
DetaylıBilgisayarla 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
DetaylıFilled 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
Detaylıkadar ( 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
DetaylıSERMAYE KISITLARI ALTINDA HEDEF PROGRAMLAMA VE BULANIK HEDEF PROGRAMLAMANIN EN İYİ FİYAT BELİRLEME SÜREÇLERİNDE KULLANILMASI VE BİR UYGULAMA
SERMAYE KISITLARI ALTINDA HEDEF PROGRAMLAMA VE BULANIK HEDEF PROGRAMLAMANIN EN İYİ FİYAT BELLEME SÜREÇLERİNDE KULLANILMASI VE B UYGULAMA Melke Güngör Dokuz Eylül Ünverstes Ekonometr ABD Y.Lsans melkegungorr@gmal.com
DetaylıFARKSAL 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,
Detaylıa 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
DetaylıKAFES 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
DetaylıKaraciğer 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
DetaylıX, 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
DetaylıŞehiriçi 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
DetaylıÇOKLU 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
DetaylıDOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre
1 DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cnemre 2 BİRİNCİ BÖLÜM HEDEF PROGRAMLAMA 1.1 Grş Karar problemler amaç sayısına göre tek amaçlı ve çok amaçlı
DetaylıKalıcı 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
DetaylıKIRIKKALE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ENDÜSTRİ MÜHENDİSLİĞİ ÇOK KRİTERLİ KARAR VERME YÖNTEMLERİNDEN AHP VE TOPSIS İLE KAMP YERİ SEÇİMİ
KIRIKKALE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ENDÜSTRİ MÜHENDİSLİĞİ ÇOK KRİTERLİ KARAR VERME YÖNTEMLERİNDEN AHP VE TOPSIS İLE KAMP YERİ SEÇİMİ Burak KARAHAN Burak PEKEL Neşet BEDİR Cavt CAN Kırıkkale -2014-
DetaylıBasel II Geçiş Süreci Sıkça Sorulan Sorular
Basel II Geçş Sürec Sıkça Sorulan Sorular Soru No: 71 Cevaplanma Tarh: 06.03.2012 İlgl Hüküm: --- Konu: Gayrmenkul İpoteğyle Temnatlandırılmış Alacaklar İçn KR510AS Formunun Doldurulmasına İlşkn Örnek
DetaylıYAPAY 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
DetaylıBÖLÜM 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
DetaylıELEKTRİK DEVRE TEMELLERİ
ELEKTRİK DEVRE TEMELLERİ Öğretm üyes: Doç. Dr. S. Özoğuz Tel: 85 36 9 e-posta: serdar@ehb.tu.edu.tr Ders saat: Pazartes,.-3. / D-4 İçndekler. Dere teors, toplu parametrel dereler, Krchhoff un gerlm e akım
DetaylıEMG 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
DetaylıTÜRKİYE 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
DetaylıTAŞIMACILIK SEKTÖRÜNÜN İŞLEYİŞ SÜRECİ, BULANIK DAĞITIM PROBLEMİNİN TAMSAYILI DOĞRUSAL PROGRAMLAMA MODEL DENEMESİ
ZKÜ Sosyal Blmler Dergs, Clt 3, Sayı 6, 2007, ss. 109 125. TAŞIMACILIK SEKTÖRÜNÜN İŞLEYİŞ SÜRECİ, BULANIK DAĞITIM PROBLEMİNİN TAMSAYILI DOĞRUSAL PROGRAMLAMA MODEL DENEMESİ Yrd.Doç.Dr. Ahmet ERGÜLEN Nğde
DetaylıTitresimli 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,
DetaylıOptimal 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
DetaylıDenklem 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.
DetaylıBulanık TOPSIS ve Bulanık VIKOR Yöntemleriyle Alışveriş Merkezi Kuruluş Yeri Seçimi ve Bir Uygulama
EGE AKADEMİK BAKIŞ / EGE ACADEMIC REVIEW Clt: 14 Sayı: 3 Temmuz 2014 ss. 463-479 Bulanık TOPSIS ve Bulanık VIKOR Yöntemleryle Alışverş Merkez Kuruluş Yer Seçm ve Br Uygulama Selecton of Shoppng Center
DetaylıB 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
DetaylıEmrah 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
DetaylıTEKNOLOJİ, PİYASA REKABETİ VE REFAH
TEKNOLOJİ, PİYASA REKABETİ VE REFAH Dr Türkmen Göksel Ankara Ünverstes Syasal Blgler Fakültes Özet Bu makalede teknoloj sevyesnn pyasa rekabet ve refah sevyes üzerndek etkler matematksel br model le ncelenecektr
DetaylıFırat 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,
Detaylı4.5. 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,
DetaylıTAVLAMA 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
DetaylıGRİ İLİŞKİSEL ANALİZ YÖNTEMİNE GÖRE FARKLI SERTLİKLERDE OPTİMUM TAKIM TUTUCUSUNUN BELİRLENMESİ
2. Ulusal Tasarım İmalat ve Analz Kongres 11-12 Kasım 21- Balıkesr GRİ İLİŞKİSEL ANALİZ YÖNTEMİNE GÖRE FARKLI SERTLİKLERDE OPTİMUM TAKIM TUTUCUSUNUN BELİRLENMESİ Esra YILMAZ*, Ferhat GÜNGÖR** *ylmazesraa@gmal.com
DetaylıENDÜSTRİNİN 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
DetaylıPARÇACIK 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
DetaylıZaman 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
DetaylıGenetik Algoritmalar (GA) Genetik Algoritmalar Đçerik Nesin Matematik Köyü E rim Ç lı l ş ı ta t yı Nisan, 2012 Mustafa Suphi Erden
Genetik Algoritmalar Nesin Matematik Köyü Evrim Çalıştayı 20-23 Nisan, 202 Genetik Algoritmalar (GA Đçerik Biyolojiden esinlenme GA nın özellikleri GA nın unsurları uygulama Algoritma Şema teoremi Mustafa
DetaylıBALİ KHO BİLİM DERGİSİ CİLT:23 SAYI:2 YIL:2013. BULANIK BOYUT ANALİZİ ve BULANIK VIKOR İLE BİR ÇNKV MODELİ: PERSONEL SEÇİMİ PROBLEMİ.
BULANIK BOYUT ANALİZİ ve BULANIK VIKOR İLE BİR ÇNKV MODELİ: PERSONEL SEÇİMİ PROBLEMİ Özkan BALİ ÖZET Personel seçm organzasyonların başarısını etkleyen en öneml problemlerden brdr. Bu seçm, belrszlk çeren
DetaylıTRAFİK 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
DetaylıPORTFÖY 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
DetaylıTOPSIS ÇOK KRİTERLİ KARAR VERME SİSTEMİ: TÜRKİYE DEKİ KAMU BANKALARI ÜZERİNE BİR UYGULAMA
Araştırma Makaleler TOPSIS ÇOK KRİTERLİ KARAR VERME SİSTEMİ: TÜRKİYE DEKİ KAMU BANKALARI ÜZERİNE BİR UYGULAMA Dr., Dokuz Eylül Ünverstes, İİBF İşletme Bölümü erhan.demrel@deu.edu.tr ÖZET Ekonomk faalyetlern
DetaylıMESLEK 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
DetaylıFonksiyon 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
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
DetaylıMerkezi Eğilim (Yer) Ölçüleri
Merkez Eğlm (Yer) Ölçüler Ver setn tanımlamak üzere kullanılan ve genellkle tüm elemanları dkkate alarak ver setn özetlemek çn kullanılan ölçülerdr. Ver setndek tüm elemanları temsl edeblecek merkez noktasına
DetaylıROBİNSON 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
DetaylıALTERNATİF AKIM DEVRE YÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ
BÖLÜM 6 ALTERNATİF AKIM DEVRE ÖNTEM VE TEOREMLER İLE ÇÖZÜMÜ 6. ÇEVRE AKIMLAR ÖNTEMİ 6. SÜPERPOZİSON TEOREMİ 6. DÜĞÜM GERİLİMLER ÖNTEMİ 6.4 THEVENİN TEOREMİ 6.5 NORTON TEOREMİ Tpak GİRİŞ Alternatf akımın
Detaylı( ) 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
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
DetaylıANADOLU 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
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
DetaylıTÜRKİYE DEKİ 22 BARALI 380 kv LUK GÜÇ SİSTEMİ İÇİN EKONOMİK DAĞITIM VE OPTİMAL GÜÇ AKIŞI YÖNTEMLERİNİN KARŞILAŞTIRMALI ANALİZİ
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING FACULTY MÜHENDİ SLİ K B İ L İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 7 : 3 : 3 : 369-378
DetaylıCalculating the Index of Refraction of Air
Ankara Unversty Faculty o Engneerng Optcs Lab IV Sprng 2009 Calculatng the Index o Reracton o Ar Lab Group: 1 Teoman Soygül Snan Tarakçı Seval Cbcel Muhammed Karakaya March 3, 2009 Havanın Kırılma Đndsnn
DetaylıSera İklimlendirme Kontrolü İçin Etkin Bir Gömülü Sistem Tasarımı
Sera İklmlendrme Kontrolü İçn Etkn Br Gömülü Sstem Tasarımı Nurullah Öztürk, Selçuk Ökdem, Serkan Öztürk Ercyes Ünverstes, Blgsayar Mühendslğ Bölümü, Kayser ozturk.nurullah@yahoo.com.tr,okdem@ercyes.edu.tr,
DetaylıRasgele Değişken Üretme Teknikleri
Rasgele Değşken Üretme Teknkler Amaç Smülasyon modelnn grdlern oluşturacak örneklern üretlmes Yaygın olarak kullanılan ayrık veya sürekl dağılımların örneklenmes sürecn anlamak Yaygın olarak kullanılan
Detaylıİstanbul Ünverstes İşletme Fakültes Dergs Istanbul Unversty Journal of the School of Busness Admnstraton Clt/Vol:39, Sayı/No:2,, 310-334 ISSN: 1303-1732 www.fdergs.org Stokastk envanter model kullanılarak
DetaylıRANKI İKİ OLAN SERBEST METABELYEN LİE CEBİRLERİ İÇİN BİR KOMUTATÖR TESTİ
ANKI İKİ OLAN SEBEST METABELYEN LİE CEBİLEİ İÇİN Bİ KOMUTATÖ TESTİ Zerrn ESMELİGİL Çukurova Ünverstes, Matematk Bölümü, Adana, 033386084-45, 033386070, e-zerrn@cu.edu.tr ÖZET. Bu çalışmada rankı k olan
DetaylıEVRİMSEL 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
DetaylıKarasal, 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
DetaylıTEDARİKÇİ SEÇİMİNDE ANALİTİK HİYERARŞİ PROSESİ VE HEDEF PROGRAMLAMA YÖNTEMLERİNİN KOMBİNASYONU: OTEL İŞLETMELERİNDE BİR UYGULAMA
TEDARİKÇİ SEÇİMİNDE ANALİTİK HİYERARŞİ PROSESİ VE HEDEF PROGRAMLAMA YÖNTEMLERİNİN KOMBİNASYONU: OTEL İŞLETMELERİNDE BİR UYGULAMA Yrd. Doç. Dr. Meltem KARAATLI * Yrd. Doç. Dr. Gonca DAVRAS ** ÖZ Otel şletmelernde,
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.
DetaylıBİR UN FABRİKASINDA HEDEF PROGRAMLAMA UYGULAMASI
BİR UN FABRİKASINDA HEDEF PROGRAMLAMA UYGULAMASI Abdullah Oktay DÜNDAR * Muammer ZERENLER ** ÖZET İşletmeler günümüz rekabet ortamının çalkantılı doğasında faalyetlern sürdürürken, sahp oldukları kıt kaynakları
DetaylıHaluk 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
DetaylıYAYILI 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
DetaylıPARABOLİK 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
DetaylıPORTFÖY OPTİMİZASYONU. Doç.Dr.Aydın ULUCAN
PORTFÖY OPTİMİZASYOU Doç.Dr.Aydın ULUCA KARAR VERME Karar verme, ş dünyasının çalışmasını sağlayan temel unsurlardandır. Tüm yönetcler, bulundukları faalyet alanı ve kademelernden bağımsız olarak stratejk
DetaylıGENETİK ALGORİTMALARA GİRİŞ (III)
GENETİK ALGORİTMALARA GİRİŞ (III) Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği Bölümü Konuralp 81620
DetaylıBulanık 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
DetaylıEskşehr Osmangaz Ünverstes Müh.Mm.Fak.Dergs C.XX, S.2, 2007 Eng&Arch.Fac. Eskşehr Osmangaz Unversty, Vol..XX, No2, 2007 Makalenn Gelş Tarh.2.2006 Makalenn Kabul Tarh 08.06.2007 YENİDEN ÜRETİM SİSTEMLERİNDE
DetaylıTek Yönlü Varyans Analizi (ANOVA)
VARYANS ANALİZİ İ örne ortalaması arasında farın önem ontrolü, örne büyülüğüne göre z veya testlernden bryle yapılır. Bu testlerle, den fazla örne ortalamasını brlte test etme ve aralarında farın önem
Detaylı