GEZGİN SATICI PROBLEMİ İÇİN BİR MEMETİK ALGORİTMA ÖNERİSİ
|
|
- Umut Ocak
- 6 yıl önce
- İzleme sayısı:
Transkript
1 GEZGİN SATICI PROBLEMİ İÇİN BİR MEMETİK ALGORİTMA ÖNERİSİ Engin Sansarcı İ.T.Ü. İşletme Fakültesi, İSTANBUL Abdullah Aktel İ.T.Ü. İşletmeFakültesi, İSTANBUL Dilay ÇELEBİ İ.T.Ü. İşletmeFakültesi, İSTANBUL ÖZET Demet BAYRAKTAR İ.T.Ü. İşletme Fakültesi, İSTANBUL Gezgin Satıcı Problemi (GSP), verilen belirli sayıda şehrin tümünü en az maliyetle dolaşmayı sağlayan turu belirlemeyi hedefleyen bir eniyileme problemidir. Birçok gerçek hayat probleminin temelini oluşturan Gezgin Satıcı Problemi, NP-zor bir problem olması nedeniyle, özellikle büyük ölçekli problemlerde etkin çözümler elde etmek için sezgisel yaklaşımların kullanımı oldukça yaygındır. Bu çalışmada, düzlemsel gezgin satıcı probleminin çözümü için bir memetik yaklaşım önerisi sunulmaktadır. Önerilen yaklaşımda genetik algoritmalar ile yapay sinir ağları birleştirilerek, genetik algoritma ile yapılan genel arama etkinliğinin, yapay sinir ağları ile yapılan yerel arama ile arttırılması hedeflenmiştir. Bütünleşik sistem, önceden belirlenmiş deney kümesi üzerinde denenmiş ve bulgular işlem zamanı ve çözüm kalitesi açısından incelenmiştir. Anahtar Kelimeler: Düzlemsel Gezgin Satıcı Problemi, Memetik Algoritma, Yapay Sinir Ağları 1. GİRİŞ Gezgin satıcı problemi üzerinde sıkça çalışılan bir kombinatoryal optimizasyon problemidir. Gezgin satıcı probleminin amacı kısaca n tane şehrin her birini yalnızca bir defa ziyaret edip başlangıç noktasına geri dönerek en kısa toplam mesafeyi kat eden turu belirlemektir. Düzlemsel gezgin satıcı probleminde ise bu şehirler iki boyutlu bir düzlem üzerinde dağılmışlardır ve aralarındaki mesafeler Öklid uzaklıkları temel alınarak hesaplanır. Düzlemsel gezgin satıcı problemi, NP-zor bir problem olup, çoğunlukla sezgisel yöntemlerle çözülmeye çalışılan bir problemdir. Önerilen yöntemler çözümü sıfırdan üreten yöntemler olabildiği gibi, herhangi bir başlangıç çözümünü adım adım iyileştiren yöntemler de olabilir. Bu kapsama giren etkili bir çözüm yöntemi de Lin ve Kernighan (1973) ın önerdiği algoritmadır [2]. Referans. Problemin çözümü için çok sayıda farklı yapılarda yapay sinir ağı modelleri bulunmaktadır. Bunlardan biri de, kendi kendini örgütleyen yapay sinir ağlarıdır. Kendi kendini örgütleyen ağlar nöronların arasında hem bir rekabet hem de bir çeşit işbirliğinin olduğu ağlardır. Yazında kendi kendini örgütleyen ağlar yardımıyla düzlemsel gezgin satıcı problemini çözmeyi amaçlayan çalışmalar bulunmaktadır [3]. Bu çalışmalardan biri Masutti ve Castro (2009) tarafından gerçekleştirilmiştir [3]. Bu çalışmalarında yazarlar geleneksel kendi kendini örgütleyen yapay sinir ağlarından farklı bir yapay sinir ağı oluşturmuştur. Bu ağ başlangıçta tek bir nörondan oluşmakta, ve her yinelemede nöronlar klonlanarak ağ büyütülmektedir. Eğer bir nöron şehirlerden hiçbiri için yarışı kazanamazsa (herhangi bir şehre en yakın nöron olamazsa) imha edilmektedir. Farklı sezgisel yöntemlerin bir optimizasyon probleminin çözümünde bir arada kullanılması da yaygın bir şekilde uygulanmaktadır. Örneğin, popülasyon temelli genetik algoritmayla bir
2 yerel arama yöntemi bir arada kullanılabilmektedir. Bu tip algoritmalara melez genetik algoritma, genetik yerel arama ya da memetik algoritma denilmektedir [1]. Creput ve Koukam (2009) ın çalışmasında, düzlemsel gezgin satıcı problemi için, kendi kendini örgütleyen ağlar ile popülasyon temelli genetik algoritma yaklaşımı birleştirilmiştir [1]. Böylece, arama sürecü boyunca kötü sonuçların elenip iyi sonuçların ödüllendirilmesi genetik algoritma ile sağlanırken, popülasyon içerisindeki bir çözümü temsil eden her bir yapay sinir ağı sürekli bir iyileşme sağlayarak bir çeşit yerel arama gerçekleştirmektedir. Creput ve Koukam (2009) ın çalışmasında kullanılan genetik algoritma her nesilde kötü sonuçların elenmesi ve iyi sonuçların kopyalanmasını içermektedir [1]. Buna karşın, herhangi iki sonucun çapraz eşlemesiyle başka bir sonuç elde edilmesi yöntemi kullanılmamaktadır. Bu çalışmada ise, benzer şekilde bir memetik yaklaşım kullanılacak, ayrıca iki sonucun birleştirilmesiyle elde edilen yeni sonuçlar popülasyona dahil edilecektir. Bu şekilde yapılan çapraz eşleme ve sonuçlar üzerinde rassal değişimler yaratan mutasyon operatörünün algoritmanın başarımını nasıl etkileyeceği analiz edilecektir. Çalışmanın ikinci bölümünde kendi kendini örgütleyen ağların düzlemsel gezgin satıcı probleminin çözümünde kullanılması anlatılmıştır. Üçüncü bölümde kullanılan memetik algoritmanın tasarımı açıklanmıştır. Dördüncü bölümde parametre seçimi, algoritmanın eil51 test problemi üzerinde yapılan uygulamasının sonuçları ve farklı operatörlerin algoritma başarımına etkisi incelenmiştir. Beşinci bölümde ise bu çalışmadan elde edilen sonuçlar ve ileride yapılacak çalışmalar için öneriler sunulmuştur. 2. KENDİ KENDİNİ ÖRGÜTLEYEN AĞLAR Kendi kendini örgütleyen ağlar, gözetimsiz eğitilen yapay sinir ağları sınıfına girer [1]. Gezgin satıcı problemine uygulanan yapay sinir ağı modellerinde genellikle ağ üzerindeki nöronlar şehirlerle aynı iki boyutlu düzlem üzerinde dağılmışlardır. Uygulama temel olarak aşağıdaki evreleri içerir: i) Rekabet: Problemdeki şehir kümesi içerisinden seçilen bir şehir, ağa girdi olarak verilir. Ağdaki nöronlar bu girdiyle eşleşmek için birbirleriyle rekabet ederler. Girdiye en yakın olan nöron kazanan nöron olarak seçilir. ii) İşbirliği: Nöronlar bir çember oluşturacak biçimde birbirleriyle bağlantılıdır. Bağlantılar nöronlar arasında bir komşuluk tanımlar. Rekabet aşamasında kazanan nöron ile komşuluğu içerisinde bulunan diğer nöronlar arasında bir işbirliği vardır. iii) Öğrenme: Kazanan nöron ve işbirliği yaptığı diğer nöronlar girdi olarak verilen şehirle aralarındaki mesafeyle doğru orantılı olarak bu şehre yaklaşırlar [1]. Ağın eğitilmesi, bu aşamaların ardı ardına tekrarlanmasıyla olur. Her hangi bir anda ağdaki nöronların konumlarını ve birbirleriyle bağlantılarını kullanarak geçerli bir çözüm oluşturulabilir. Başlangıçta, n tane şehirden oluşan bir problemin çözümünde, k bir parametre olmak üzere, k x n tane nöron bir çember oluşturacak şekilde birbiriyle bağlantılı hale getirilir ve rastsal bir konuma yerleştirilir. Rastsal bir sırayla, problemdeki n şehrin her biri için yukarıda bahsedilen rekabet, işbirliği ve öğrenme aşamaları uygulanır. Her bir nöron, yalnızca bir şehir için rekabeti kazanabilir.
3 İşbirliği aşamasında ise, rekabet aşamasında kazanan nöronun en fazla r bağlantı uzağında bulunan nöronlar ele alınır. Kazanan nöron ve komşuluğundaki nöronlar belirli bir öğrenme hızıyla öğrenme aşamasından geçerler. Öğrenme formülü (1) ve (2) numaralı denklemlerde gösterilmiştir [1]. Bu denklemlerde öğrenme hızını, w i,t i nöronunun t anındaki konumunu, girdi olarak kullanılan şehrin konumu, d(i,i*) ise i nöronunun kazanan nöronla bağlantı uzaklığını gösterir. w * 2 ( d ( i, i ) / r) i / e (1) * i, t 1 ( 1 i ) wi, t in (2) 3. ALGORİTMA TASARIMI Bu çalışmada popülasyon temelli genetik algoritma ile kendi kendini örgütleyen yapay sinir ağları birlikte ele alınıp bir memetik algoritma oluşturulmuştur. Popülasyon sayısı (POP) kadar çözüm rastsal olarak yaratıldıktan sonra nesil sayısı (GEN) kadar nesil boyunca her bir nesilde, öncelikle eğitim sayısı (L) kadar her bir çözüm eğitilir, ardından popülasyonun yenilenme oranı (p) kadar yeni çözüm yaratılıp aynı sayıda kötü çözümle değiştirilir. Son olarak da her bir çözüm mutasyon olasılığı (m) kadar bir olasılıkla mutasyona uğratılır. Algoritmanın aşamaları aşağıda özetlenmiştir. Adım I: Başlangıç Çözümlerinin Üretilmesi POP defa k x n defa o g tane şehir rastsal olarak seçilir o Konumu bu şehirlerin ağırlık merkezi olan bir nöron yaratılır. k x n tane nöronun ağırlık merkezi bulunur Nöronlar, ağırlık merkezi etrafında saat yönünde çember oluşturacak şekilde sıralanır. Adım II : GEN defa Öğrenme Aşaması: L defa o Popülasyondaki her bir çözüm için Şehirler rastsal olarak sıralanır Her bir şehir için Herhangi bir şehirle eşleşmemiş en yakındaki nöron ve en fazla r bağlantı uzağındaki tüm nöronlar için Şekil 1 deki formül uygulanır. En yakındaki nöron bu şehirle eşleştirilir. Evrim Aşaması: p x POP defa (0 < p < 1) o s x POP tane çözüm rassal olarak seçilir, en iyi çözüm alınır. Bu çözüme birinci ebeveyn denir. o s x POP tane çözüm rassal olarak seçilir, en iyi çözüm alınır. Bu çözüme ikinci ebeveyn denir.
4 o Birinci ebeveynin aynısı olan bir çözüm yaratılır. Bu çözüm ikinci ebeveynin nöronlarıyla ve öğrenme hızı = 0.5 olacak şekilde eğitilir. o s x POP tane çözüm rastsal olarak seçilir, en kötü çözüm popülasyondan çıkartılır. Mutasyon Aşaması: Eğer k > 1 ise, popülasyondaki her bir çözüm için; o m olasılıkla Herhangi bir şehirle eşleşmemiş nöronlar arasından rastsal olarak bir tanesi seçilir, ve herhangi bağlantılı iki nöron arasında yeni bir nöron yaratılır. Parametre Düzeltme: r = r x c İlk adımda her bir başlangıç çözümü rastsal olarak seçilmiş g adet şehrin ağırlık merkezi hesaplanarak yaratılır. Bunun amacı nöronların şehirlerin ağırlık merkezi etrafında dağılmalarını sağlamaktır. g parametresi ne kadar büyük seçilirse, nöronlar o kadar merkeze ve birbirine yakın olacaklardır. Öğrenme aşamasının tasarımında Creput ve Koukam (2009) ın çalışmasından faydalanılmıştır [1]. Fakat bu çalışmada, Creput ve Koukam (2009) ın çalışmasındaki öğrenme aşamasının aksine, sonuç oluşturma ve iyileştirme şeklinde iki farklı öğrenme yöntemi yoktur. Çalışmadaki amacımız çapraz eşleme ve mutasyon operatörlerinin başarıma etkisini göstermek olduğu için öğrenme aşamasında yalnızca standart öğrenme yöntemi kullanılmış, değişiklikler uygulanmamıştır. 4. UYGULAMA Bölüm 3 te anlatılan algoritma POP = 100 ve GEN = 100 olacak şekilde kodlanmıştır. Diğer parametreler için 3 farklı değer seçilmiş ve eil51 test problemi üzerinde çalıştırılmıştır. Bu test problemi, TSPLIB problem kütüphanesindeki test problemlerinden biridir [4]. Tüm testler 2.17 GHz hızında işlemci ve 3GB kapasitede belleğe sahip aynı bilgisayar üzerinde ve aynı tohumdan üretilmiş rassal sayılarla yapılmıştır. Tüm parametreler bu üç değerden ortadaki değere eşitlendiğinde bulunan en iyi sonuç dir ve bu problemin bilinen optimum sonucu 426 dır. Parametreleri, diğerlerini sabit tutarak, teker teker değiştirdiğimizde elde edilen sonuçlar ve farklı parametre değerleri Tablo 1 de verilmiştir. Sembollerin açıklamaları ise Tablo 2 de verilmiştir. Tablo 1: Parametre Değerleri ve Sonuçlar Düşük İçin Sonuçlar Sembol Düşük Orta Yüksek Yüksek İçin s r c k m l p g
5 Tablo 2 : Sembollerin Açıklamaları Sembol Öğrenme Hızı s Seçim Oranı r Komşuluk Derecesi c Komşuluk Daraltma Oranı k Nöron Çarpanı m Mutasyon Oranı L Öğrenme Sayısı p Popülasyon Yenilenme Oranı g Başlangıç Sonucu Yaratma Parametresi Yapılan 19 test sonucunda bulunan en iyi sonuç dir ve işlem süresi 240 sn.dir. Temel olarak seçilen bu parametre kombinasyonu ile yapılan deneyler sonucu öğrenme, evrim ve mutasyon operatörlerinin başarıma katkısı Tablo 3 de gösterildiği şekilde hesaplanmıştır. 5. SONUÇ Tablo 3: Evrim ve Mutasyon Aşamalarının Sonuca Katkısı İşlem Yöntem Sonuç Süresi (sn) Öğrenme Öğrenme + Mutasyon Öğrenme + Evrim Öğrenme + Evrim + Mutasyon Bu çalışmada düzlemsel gezgin satıcı problemi için bir memetik algoritma oluşturulmuştur. Bu amaçla popülasyon temelli genetik algoritma ile kendi kendini örgütleyen yapay sinir ağları birlikte ele alınmıştır. Algoritmanın temel amacı, popülasyon doğal seleksiyona benzer bir şekilde evrim geçirirken popülasyonu oluşturan ve her biri kendi kendini örgütleyen bir yapay sinir ağı olan çözümlerin yerel aramaya benzer şekilde zaman içerisinde farklılaşmasına izin vermektir. Algoritmanın tasarımında Creput ve Koukam (2009) ın çalışmasından esinlenilmiştir [1]. Farklı olarak çapraz eşleme operatörü kullanılmıştır. Bu sayede iki farklı çözüm kullanılarak üçüncü bir çözüm oluşturulmuş ve popülasyona katılmıştır. Yeni bir çözüm üretme yöntemi kısaca bir çözümün nöronlarının diğer çözümün nöronlarıyla eğitilmesi şeklindedir. Algoritma eil51 test problemine 19 farklı parametre birleşimi için uygulanmıştır. Bulunan en iyi sonuç optimum sonuçtan %0.67 oranında uzaktır. En iyi sonucu veren parametre birleşimi bir defa da evrim aşaması, yani çapraz eşleme operatörü olmaksızın, yalnızca öğrenme ve mutasyon aşamalarıyla çalıştırılmış ve optimumdan %2.74 oranında uzak bir sonuç elde edilmiştir. Bununla birlikte, algoritmanın çalışma süresi, evrim aşaması eklendiğinde 196 sn.den 240 sn.ye çıkmaktadır. Çalışma süresi 196 sn. ile sınırlandığında dahi, evrim aşamasının algoritmaya eklenmesi sonucu %0.37 oranında iyileştirmektedir.
6 Genetik algoritmadaki çapraz eşleme operatörünün temel dayanağı, iyi çözümlerin bazı ortak özelliklerinin olduğu ve bu nedenle birden fazla iyi çözüm yardımıyla daha iyi bir çözüm oluşturulabileceği düşüncesidir. Bu çalışmada kullanılan test problemi üzerinde yapılan testler bu operatörün algoritmanın başarımını artıracağı görüşünü artırmıştır. Bu eğilimin daha kapsamlı sınanması için ileriki çalışmalarda test kümesinin genişletilmesi ve farklı çapraz eşleme yöntemlerinin denenmesi amaçlanmaktadır. 6. KAYNAKÇA [1] J. Creput, A. Koukam, 2009, A memetic neural network for the Euclidean traveling salesman problem, Neurocomputing 72 / [2] S. Lin, B. W. Kernighan, 1973, An effective heuristic algorithm for the traveling - salesman problem, Oper. Res., 21 / [3] T. A. S. Masutti, L. N. Castro, 2009, Neuro-immune approach to solve routing problems, Neurocomputing, 72 / [4] G. Reinelt, 1991, TSPLIB A traveling salesman problem library, ORSA J. Comput. 3 /
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.
DetaylıGENETİK ALGORİTMALAR BÜŞRA GÜRACAR
GENETİK ALGORİTMALAR BÜŞRA GÜRACAR 201420404036 İÇERİK Genetik Algoritmanın, Amacı Kullanım Alanları Kavramları Uygulama Adımları Parametreler Genetik Algoritma Kodlama Türleri Genetik Algoritma Genetik
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
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
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
DetaylıMETASEZGİSEL YÖNTEMLER. Genetik Algoritmalar
METASEZGİSEL YÖNTEMLER Genetik Algoritmalar 1970 li yıllarda John Holland tarafından geliştirilmiştir. 1989 yılında David E. Goldberg Genetik Genetik Algoritma Algoritma Uygulamaları üzerine klasik eser
DetaylıGENETİK ALGORİTMA ÖZNUR CENGİZ HİLAL KOCA
GENETİK ALGORİTMA ÖZNUR CENGİZ 201410306014 HİLAL KOCA 150306024 GENETİK ALGORİTMA Genetik Algoritma yaklaşımının ortaya çıkışı 1970 lerin başında olmuştur. 1975 te John Holland ın makine öğrenmesi üzerine
DetaylıGezgin Satıcı Probleminin Karınca Kolonisi ve Genetik Algoritmalarla Eniyilemesi ve Karşılaştırılması
Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi Suleyman Demirel University Journal of Natural andappliedscience 18(1), 8-13, 2014 Gezgin Satıcı Probleminin Karınca Kolonisi ve Genetik Algoritmalarla
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıMAT223 AYRIK MATEMATİK
MAT223 AYRIK MATEMATİK Gezgin Satıcı Problemi 9. Bölüm Emrah Akyar Anadolu Üniversitesi Fen Fakültesi Matematik Bölümü, ESKİŞEHİR 2014 2015 Öğretim Yılı Gezgin Satıcı Problemi Soru n tane şehri olan bir
DetaylıYapay Bağışık Sistemler ve Klonal Seçim. Bmü-579 Meta Sezgisel Yöntemler Yrd. Doç. Dr. İlhan AYDIN
Yapay Bağışık Sistemler ve Klonal Seçim Bmü-579 Meta Sezgisel Yöntemler Yrd. Doç. Dr. İlhan AYDIN Bağışık Sistemler Bağışıklık sistemi insan vücudunun hastalıklara karşı savunma mekanizmasını oluşturan
DetaylıİLERİ ALGORİTMA ANALİZİ GENETİK ALGORİTMA
İLERİ ALGORİTMA ANALİZİ 1. Giriş GENETİK ALGORİTMA Geniş çözüm uzaylarının klasik yöntemlerle taranması hesaplama zamanını artırmaktadır. Genetik algoritma ile kabul edilebilir doğrulukta kısa sürede bir
DetaylıMAT223 AYRIK MATEMATİK
MAT223 AYRIK MATEMATİK Gezgin Satıcı Problemi 9. Bölüm Emrah Akyar Anadolu Üniversitesi Fen Fakültesi Matematik Bölümü, ESKİŞEHİR 2014 2015 Öğretim Yılı Gezgin Satıcı Problemi Soru n tane şehri olan bir
DetaylıPARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN
PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN 1995 yılında Dr.Eberhart ve Dr.Kennedy tarafından geliştirilmiş popülasyon temelli sezgisel bir optimizasyon tekniğidir.
DetaylıGENETİK ALGORİTMALARA GİRİŞ (V)
GENETİK ALGORİTMALARA GİRİŞ (V) Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği Bölümü Konuralp 81620
DetaylıKarınca Koloni Algoritması 2
Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ Web: http://ikucukkoc.baun.edu.tr Karınca Koloni Algoritması 2 7 TSP ve ACO Algoritması Gezgin satıcı problemi (travelling salesman problem-tsp) yöneylem araştırması ve teorik
DetaylıGenetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:
Genetik Algoritmalar Bölüm 1 Optimizasyon Yrd. Doç. Dr. Adem Tuncer E-posta: adem.tuncer@yalova.edu.tr Optimizasyon? Optimizasyon Nedir? Eldeki kısıtlı kaynakları en iyi biçimde kullanmak olarak tanımlanabilir.
DetaylıGridAE: Yapay Evrim Uygulamaları için Grid Tabanlı bir Altyapı
GridAE: Yapay Evrim Uygulamaları için Grid Tabanlı bir Altyapı Erol Şahin Bilgisayar Mühendisliği Bölümü, Orta Doğu Teknik Üniversitesi Ankara, Türkiye 2. ULUSAL GRİD ÇALIŞTAYI, 1-2 Mart 2007, TÜBİTAK,
Detaylı2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics
2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics Özet: Bulanık bir denetleyici tasarlanırken karşılaşılan en önemli sıkıntı, bulanık giriş çıkış üyelik fonksiyonlarının
DetaylıGENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA
GENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği
DetaylıGoogle Maps ve Genetik Algoritmalarla GSP Çözümü İçin Öneri
Google Maps ve Genetik Algoritmalarla GSP Çözümü İçin Öneri Onur KARASOY 1, Serkan BALLI 2 1 Muğla Sıtkı Koçman Üniversitesi Bilgi İşlem Dairesi Başkanlığı 2 Muğla Sıtkı Koçman Üniversitesi Bilişim Sistemleri
DetaylıKARINCA KOLONİ ALGORİTMASI BMÜ-579 Meta Sezgisel Yöntemler. Yrd. Doç. Dr. İlhan AYDIN Fırat Üniversitesi, Bilgisayar Mühendisliği Bölümü
KARINCA KOLONİ ALGORİTMASI BMÜ-579 Meta Sezgisel Yöntemler Yrd. Doç. Dr. İlhan AYDIN Fırat Üniversitesi, Bilgisayar Mühendisliği Bölümü Karınca Koloni Algoritması Bilim adamları, böcek davranışlarını inceleyerek
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
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
DetaylıGENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA
GENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği
DetaylıAlgoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması Ağaç, verilerin birbirine sanki bir ağaç yapısı oluşturuyormuş gibi sanal olarak bağlanmasıyla elde edilen hiyararşik yapıya sahip
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri (nt lgorithm) Doç.Dr. M. li kcayol 996 yılında Marco Dorigo tarafından ortaya atılmıştır. Temel olarak karıncaların yiyecek madde ile yuvaları arasındaki en kısa yolu bulmalarından
DetaylıEMM4131 Popülasyon Temelli Algoritmalar (Population-based Algorithms) Genetik Algoritma
2017-2018 Güz Yarıyılı Balıkesir Üniversitesi, Endüstri Mühendisliği Bölümü EMM4131 Popülasyon Temelli Algoritmalar (Population-based Algorithms) 3 Genetik Algoritma Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ Web:
DetaylıDoç.Dr.Erkan ÜLKER, Selçuk Üniversitesi Mühendislik F, Bilgisayar Mühendisliği Bölümü
17.05.2014 Sayfa 1 Curve Fitting with RBS Functional Networks RBS fonksiyonel ağı ile eğri uygunluğu Andr es Iglesias, Akemi G alvez Department of Applied Mathematics and Computational Sciences, University
DetaylıGENETĠK ALGORĠTMALAR ĠLE HAFTALIK DERS PROGRAMININ HAZIRLANMASI
ÖZEL EGE LĠSESĠ GENETĠK ALGORĠTMALAR ĠLE HAFTALIK DERS PROGRAMININ HAZIRLANMASI HAZIRLAYAN ÖĞRENCĠLER: Berkin ĠNAN Doğa YÜKSEL DANIġMAN ÖĞRETMEN: Aslı ÇAKIR ĠZMĠR 2014 ĠÇĠNDEKĠLER 1. PROJENĠN AMACI. 3
DetaylıGezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması
Gezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması Emrullah SONUÇ1, Baha ŞEN2,Şafak BAYIR3 1 Karabük Üniversitesi, Bilgisayar Mühendisliği Bölümü, Karabük
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıMekatronik Mühendisliği Uygulamalarında Yapay Zekâ. Ders 1- Yapay Zekâya Giriş. Erhan AKDOĞAN, Ph.D.
Mekatronik Mühendisliği Uygulamalarında Yapay Zekâ Ders 1- Yapay Zekâya Giriş Erhan AKDOĞAN, Ph.D. Yapay Zekâ nedir?! İnsanın düşünme ve karar verme yeteneğini bilgisayarlar aracılığı ile taklit etmeye
DetaylıEsnek Hesaplamaya Giriş
Esnek Hesaplamaya Giriş J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Esnek Hesaplama Nedir? Esnek hesaplamanın temelinde yatan
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıKarar Destek Sistemi
Karar Destek Sistemi Müşteri Seçimi ve Rut Optimizasyonu Üretilen bir mamülün/hizmetin üretici firma ya da pazarlama şirketlerince, satış noktalarına verimli olarak yapılan müşteri ziyaretlerine rut diyebiliriz.
DetaylıÇekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme
Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme Adjusting Transient Attributes of Outdoor Images using Generative Adversarial Networks Levent Karacan, Aykut Erdem,
DetaylıGezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması
Gezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması E M R U L L A H S O N U Ç A K A D E M I K B I L I Ş I M Ş U B A T 2 0 1 5 E M R U L L A H S O N U Ç,
DetaylıKavramsal Tasarım - I
Kavramsal Tasarım - I 25.12.2017 1 Kavramsal Tasarımlar Geliştirme ve Geçerli Kılma 6. Kavramsal Tasarım a. Fonksiyon yapısı b. Metodik kısmi çözümler geliştirme i. Etkileşimli yöntemler ii. Sezgisel (Heuristik)
DetaylıPopülasyon Ortalamasının Tahmin Edilmesi
Güven Aralıkları Popülasyon Ortalamasının Tahmin Edilmesi Tanımlar: Nokta Tahmini Popülasyon parametresi hakkında tek bir rakamdan oluşan tahmindir. Popülasyon ortalaması ile ilgili en iyi nokta tahmini
DetaylıYZM ALGORİTMA ANALİZİ VE TASARIM DERS#6: AZALT VE FETHET YÖNTEMİ
YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#6: AZALT VE FETHET YÖNTEMİ Azalt ve Fethet Algoritmaları Problemi daha küçük bir örneğine çevir: Küçük örneği çöz Çözümü asıl probleme genişlet 3 tipi vardır:
DetaylıPARALEL MAKĠNALARIN GENETĠK ALGORĠTMA ĠLE ÇĠZELGELENMESĠNDE MUTASYON ORANININ ETKĠNLĠĞĠ
Ege Akademik BakıĢ / Ege Academic Review 10 (1) 2010: 199-210 PARALEL MAKĠNALARIN GENETĠK ALGORĠTMA ĠLE ÇĠZELGELENMESĠNDE MUTASYON ORANININ ETKĠNLĠĞĠ EFFICIENCY OF MUTATION RATE FOR PARALLEL MACHINE SCHEDULING
DetaylıProgramlama Dilleri 1. Ders 3: Rastgele sayı üretimi ve uygulamaları
Ders 3: Rastgele sayı üretimi ve uygulamaları Ders 3 Genel Bakış Giriş Rastgele Sayı Rastgele Sayı Üreteci rand Fonksiyonunun İşlevi srand Fonksiyonunun İşlevi Monte Carlo Yöntemi Uygulama 1: Yazı-Tura
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
DetaylıGENETİK ALGORİTMALARA GİRİŞ
GENETİK ALGORİTMALARA GİRİŞ Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği Bölümü Konuralp 81620 Düzce
Detaylı0.04.03 Standart Hata İstatistikte hesaplanan her istatistik değerin mutlaka hatası da hesaplanmalıdır. Çünkü hesaplanan istatistikler, tahmini bir değer olduğu için mutlaka hataları da vardır. Standart
DetaylıKOMBİNATORYAL OPTİMİZASYON
KOMBİNATORYAL OPTİMİZASYON İnsanların, daha iyi nasıl olabilir ya da nasıl elde edilebilir?, sorusuna cevap aramaları, teknolojinin gelişmesini sağlayan en önemli etken olmuştur. Gerçek hayatı daha kolay
DetaylıTürkçe Dokümanlar Ġçin Yazar Tanıma
Türkçe Dokümanlar Ġçin Yazar Tanıma Özcan KOLYĠĞĠT, Rıfat AġLIYAN, Korhan GÜNEL Adnan Menderes Üniversitesi, Matematik Bölümü Bölümü, Aydın okolyigit@gmail.com, rasliyan@adu.edu.tr, kgunel@adu.edu.tr Özet:
DetaylıİZMİR İN GEZGİN SATICISI
ÖZEL EGE LİSESİ İZMİR İN GEZGİN SATICISI HAZIRLAYAN ÖĞRENCİLER: Aylin RAMYAR Doruk ÇAKMAKÇI DANIŞMAN ÖĞRETMEN: Serenay YILMAZ İZMİR 2014 İÇİNDEKİLER 1. PROJENİN AMACI... 3 2. GİRİŞ... 3 3. ÖN BİLGİLER...
Detaylıbitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ
bitık MOBİL TİCARET UYGULAMASI ABDULLAH ÇİÇEKCİ - 150110046 İÇERİK Uygulama ve uygulamaya ilişkin temel kavramların tanıtımı Uygulamanın yapısı Ön yüz Veritabanı Web Servisler K-Means Algoritması ile kategori
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıBÖLÜM III: Şebeke Modelleri. Şebeke Kavramları. Şebeke Kavramları. Şebeke Kavramları. Yönlü Şebeke (Directed Network) Dal / ok
8.0.0 Şebeke Kavramları BÖLÜM III: Şebeke Modelleri Şebeke (Network) Sonlu sayıdaki düğümler kümesiyle, bunlarla bağlantılı oklar (veya dallar) kümesinin oluşturduğu yapı şeklinde tanımlanabilir ve (N,A)
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıYapay Sinir Ağları. (Artificial Neural Networks) DOÇ. DR. ERSAN KABALCI
Yapay Sinir Ağları (Artificial Neural Networks) J E O L O J İ M Ü H E N D İ S L İ Ğ İ A. B. D. E S N E K H E S A P L A M A Y Ö N T E M L E R İ - I DOÇ. DR. ERSAN KABALCI Yapay Sinir Ağları Tarihçe Biyolojik
DetaylıSÜREKLİ RASSAL DEĞİŞKENLER
SÜREKLİ RASSAL DEĞİŞKENLER Sürekli Rassal Değişkenler Sürekli Rassal Değişken: Değerleriölçümyadatartımla elde edilen, bir başka anlatımla sayımla elde edilemeyen, değişkene sürekli rassal değişken denir.
DetaylıULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ
ULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ Özlem AYDIN Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü ULAŞTıRMA MODELININ TANıMı Ulaştırma modeli, doğrusal programlama probleminin özel bir şeklidir.
DetaylıERCİYES ÜNİVERSİTESİ KİMYA ANABİLİM DALI
İlaç Tasarımında Yeni Yazılımların Geliştirilmesi: Elektron Konformasyonel-Genetik Algoritma Metodu ile Triaminotriazin Bileşiklerinde Farmakofor Belirlenmesi ve Nicel Biyoaktivite Hesabı; ERCİYES ÜNİVERSİTESİ
DetaylıZeki Optimizasyon Teknikleri. Karınca Algoritması (Ant Algorithm)
Zeki Optimizasyon Teknikleri Karınca Algoritması (Ant Algorithm) Karınca Algoritması 1996 yılında Marco Dorigo tarafından ortaya atılmıştır. Temel olarak karıncaların yiyecek madde ile yuvaları arasındaki
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
DetaylıSerdar BİROĞUL YÜKSEK LİSANS TEZİ (ELEKTRİK EĞİTİMİ) GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ANKARA
i GENETİK ALGORİTMA YAKLAŞIMIYLA ATÖLYE ÇİZELGELEME Serdar BİROĞUL YÜKSEK LİSANS TEZİ (ELEKTRİK EĞİTİMİ) GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ OCAK 2005 ANKARA ii Serdar BİROĞUL tarafından hazırlanan
DetaylıBİRİNCİ BASIMA ÖN SÖZ
BİRİNCİ BASIMA ÖN SÖZ Varlıkların kendilerinde cereyan eden olayları ve varlıklar arasındaki ilişkileri inceleyerek anlamak ve bunları bilgi formuna dökmek kimya, biyoloji, fizik ve astronomi gibi temel
DetaylıÇok-öbekli Veri için Aradeğerlemeci Ayrışım
Interpolative Decomposition for Data with Multiple Clusters Çok-öbekli Veri için Aradeğerlemeci Ayrışım İsmail Arı, A. Taylan Cemgil, Lale Akarun. Boğaziçi Üniversitesi, Bilgisayar Mühendisliği 25 Nisan
DetaylıDOĞAL GAZ & ENERJİ YÖNETİMİ BİLDİRİLER KİTABI
TMMOB MAKİNA MÜHENDİSLERİ ODASI İİ DOĞAL GAZ & ENERJİ YÖNETİMİ KONGRE ve SERGİSİ BİLDİRİLER KİTABI GAZİANTEP EYLÜL 2001 TMMOB MAKİNA MÜHENDİSLERİ ODASİ Sümer Sok. 36/1-A Uemirtepc /ANKARA Tel : 0(312)231
DetaylıSİMPLEKS ALGORİTMASI Yapay değişken kullanımı
Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı ENM53 Doğrusal Programlamada İleri Teknikler SİMPLEKS ALGORİTMASI Yapay değişken kullanımı Hazırlayan: Doç. Dr. Nil ARAS, 6 AÇIKLAMA Bu sununun
DetaylıGEMİYE KONUŞLU İNSANSIZ HAVA ARACININ HEDEFLERE ROTALANMASININ OPTİMİZASYONU
GEMİYE KONUŞLU İNSANSIZ HAVA ARACININ HEDEFLERE ROTALANMASININ OPTİMİZASYONU Halil SAVURAN (a), Hamdi DEMİREL (b), Murat KARAKAYA (c) (a) Atılım Üniversitesi, Yazılım Müh. Böl., Ankara, halil.savuran@atilim.edu.tr
DetaylıGraf Veri Modeli. Düğümler kümesi. Kenarlar kümesi
Graf Veri Modeli Graf, bir olay veya ifadenin düğüm ve çizgiler kullanılarak gösterilme şeklidir. Fizik, Kimya gibi temel bilimlerde ve mühendislik uygulamalarında ve tıp biliminde pek çok problemin çözümü
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
DetaylıBilgisayar programlamanın üç temel mantık yapısından biridir. Diğer ikisi ise Seçilim(Selection) ve Döngü(Loop, Iteration)dür.
SEQUENCE ALGORİTMASI Bilgisayar programlamanın üç temel mantık yapısından biridir. Diğer ikisi ise Seçilim(Selection) ve Döngü(Loop, Iteration)dür. Bir dizi yapısı içinde, bir eylem ya da bir olay, geçmiş
DetaylıEM302 Yöneylem Araştırması 2. Dr. Özgür Kabak
EM302 Yöneylem Araştırması 2 Dr. Özgür Kabak TP Çözümü TP problemlerinin çözümü için başlıca iki yaklaşım vardır kesme düzlemleri (cutting planes) dal sınır (branch and bound) tüm yaklaşımlar tekrarlı
Detaylıİşletim Sistemlerine Giriş
İşletim Sistemlerine Giriş Bellek Yönetimi (Memory Management) İşletim Sistemlerine Giriş - Ders10_02 1 Yazılım ile LRU Benzetimi Donanım kullanmadan LRU algoritmasının yazılım ile gerçekleştirimidir.
DetaylıEMM4131 Popülasyon Temelli Algoritmalar (Population-based Algorithms)
2017-2018 Güz Yarıyılı EMM4131 Popülasyon Temelli Algoritmalar (Population-based Algorithms) 4 Genetik Algoritma Örnek Uygulamalar (Sırt Çantası Problemi, Sınav Programı Çizelgeleme) Yrd. Doç. Dr. İbrahim
DetaylıKÂRLI GEZGIN SATICI PROBLEMİ
KÂRLI GEZGIN SATICI PROBLEMİ İÇİN N SEZGİSEL SEL YÖNTEMLER Necati Aras Burak Boyacı Deniz Koşucuo ucuoğlu Boğaziçi Üniversitesi, Endüstri Mühendisliği Bölümü Deniz Aksen Koç Üniversitesi İktisadi ve İdari
DetaylıA GRUBU Her bir yüzü düzgün beşgen olan düzgün 12-yüzlünün kaç ayrıtı vardır? A) 30 B) 24 C) 12 D) 36 E) 48
Numarası : Adı Soyadı : SINAV YÖNERGESİ 2. K 5 tam çizgesinin bir kenarı çıkarılarak elde edilen çizgenin köşe noktaları en az kaç renk ile boyanabilir? A) 3 B) 4 C) 2 D) 5 E) 6 İşaretlemelerinizde kurşun
DetaylıAlgoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri Veri modelleri, veriler arasında ilişkisel ve sırasal düzeni gösteren kavramsal tanımlardır. Her program en azından bir veri modeline dayanır. Uygun
Detaylı2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.
ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği
DetaylıOLASILIĞA GİRİŞ P( )= =
OLASILIĞA GİRİŞ - Bugün yağmur yağma olasılığı % 75 dir. - X marka bilgisayarın hiç servis gerektirmeden 100000 saat çalışması olasılığı %85 dir. Olasılık modelleri; Sıvı içindeki moleküllerin davranışlarını
DetaylıDİZGE TABANLI BİLEŞEN DENEMELERİNİN TASARIMINDA BEKLENEN DİZGE YAŞAM SÜRESİNİN MODELLENMESİ 1
DİZGE TABANLI BİLEŞEN DENEMELERİNİN TASARIMINDA BEKLENEN DİZGE YAŞAM SÜRESİNİN MODELLENMESİ 1 Emre YAMANGİL Orhan FEYZİOĞLU Süleyman ÖZEKİCİ Galatasaray Üniversitesi Galatasaray Üniversitesi Koç Üniversitesi
DetaylıAlgoritma Geliştirme ve Veri Yapıları 10 Graf Veri Modeli. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 10 Graf Veri Modeli Graf, matematiksel anlamda, düğümler ve bu düğümler arasındaki ilişkiyi gösteren kenarlardan oluşan bir kümedir; mantıksal ilişki düğüm ile düğüm
DetaylıANADOLU ÜNİVERSİTESİ OLASILIĞA GİRİŞ
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ OLASILIĞA GİRİŞ DOÇ. DR. NİHAL ERGİNEL OLASILIĞA GİRİŞ - Bugün yağmur yağma olasılığı % 75 dir. - X marka bilgisayarın hiç servis gerektirmeden 100000 saat çalışması
DetaylıSINAV YÖNERGESİ. Numarası : CEVAP. Adı Soyadı : ANAHTARI A) 512 B) 513 C) 256 D) 1024 E) 1025 A) 252 B) 256 C) 3024 D) 126 E) =?
Ayrık Hesaplama Yapıları A GRUBU 0.0.01 Numarası Adı Soyadı : CEVAP : ANAHTARI SINAV YÖNERGESİ İşaretlemelerinizde kurşun kalem kullanınız. Soru ve cevap kağıtlarına numaranızı ve isminizi mürekkepli kalem
DetaylıYapay Sinir Ağları ve Uygulamaları (EE 505) Ders Detayları
Yapay Sinir Ağları ve Uygulamaları (EE 505) Ders Detayları Ders Adı Ders Dönemi Ders Uygulama Laboratuar Kredi AKTS Kodu Saati Saati Saati Yapay Sinir Ağları ve Uygulamaları EE 505 Her İkisi 3 0 0 3 7.5
DetaylıKarınca Koloni Algoritması 1
Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ Web: http://ikucukkoc.baun.edu.tr Karınca Koloni Algoritması 1 6 Ders Planı (Vize Sonrası) 11. Hafta (H7312): Sürü Zekası, Doğada Karıncalar, ACO Giriş 12. Hafta (H7312):
DetaylıKARINCA OPTİMİZASYONU. Harun Kayıkçı
KARINCA OPTİMİZASYONU Harun Kayıkçı Ö Z E T : Karınca kolonisi optimizasyonu algoritması, kombinasyonel (kombinasyon hesapları içeren) optimizasyon problemlerinde, optimuma en yakın çözümü üretmek için
DetaylıKANGURU ALGORİTMASI ve GEZGİN SATICI PROBLEMİNE UYGULANMASI
İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi Yıl:10 Sayı 19 Bahar 2011 s.51-63 KANGURU ALGORİTMASI ve GEZGİN SATICI PROBLEMİNE UYGULANMASI Yonca ERDEM 1, Timur KESKİNTÜRK 2 Geliş: 23.12.2010 Kabul:
DetaylıVeri Modelleri. Ağaç Veri Modeli. Ağaç Veri Modeli
Veri Modelleri Ağaç Veri Modeli Ağaç Veri Modeli Verilerin birbirine sanki bir ağaç yapısı oluşturuyormuş gibi sanal olarak bağlanmasıyla elde edilen bir veri modelidir. Ağaç veri modeli daha fazla bellek
DetaylıEAGLE KÜTÜPHANE OLUŞTURMA
1 EAGLE mühendislik EAGLE KÜTÜPHANE OLUŞTURMA Merhaba Arkadaşlar, sizlerle bu yazımda bir PCB-Dizayn programı olan EAGLE da sıfırdan kütüphane oluşturmayı anlatmaya çalışacağım. Eagle bilindiği üzere iki
DetaylıRASTGELE SAYI ÜRETİMİ VE UYGULANAN TESTLER HAZIRLAYAN: ÖZLEM AYDIN
RASTGELE SAYI ÜRETİMİ VE UYGULANAN TESTLER HAZIRLAYAN: ÖZLEM AYDIN RASTGELE SAYILARIN ÜRETİLMESİ Rastgele değişimler yapay tablolardan veya parametreleri verilen teorik dağılım fonksiyonlarından elde edilir.
DetaylıSOBA BORUSU AÇINIM LEVHALARININ KESİLMESİNDE MALİYETLERİN ENKÜÇÜKLENMESİ
SOBA BORUSU AÇINIM LEVHALARININ KESİLMESİNDE MALİYETLERİN ENKÜÇÜKLENMESİ Doğan EROL Anadolu Üniversitesi Endüstri Mühendisliği Bölümü 1. PROBLEMİN TANIMLANMASI Şekil - 1'de 5 değişik soba borusu için açınım
Detaylıİnsansız Hava Sistemleri için Güzergâh Optimizasyonu Route Optimization for Unmanned Aerial Systems
International Artificial Intelligence and Data Processing Symposium (IDAP'6) İnsansız Hava Sistemleri için Güzergâh Optimizasyonu Route Optimization for Unmanned Aerial Systems Hicran Yılmaz Mekatronik
DetaylıVERİ YAPILARI. GRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi ÖĞR.GÖR.GÜNAY TEMÜR 1
VERİ YAPILARI GRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi ÖĞR.GÖR.GÜNAY TEMÜR 1 GRAPH (ÇİZGE - GRAF) Terminoloji Çizge Kullanım Alanları Çizge Gösterimi Komşuluk Matrisi Komşuluk Listesi Çizge Üzerinde
Detaylı{ x,y x y + 19 = 0, x, y R} = 3 tir. = sonlu kümesinin 32 tane alt kümesinde
1. Aşağıdaki kümelerden hangisi sonsuz küme belirtir? A) A = { x 4 < x < 36,x N} B) B = { x 19 < x,x asal sayı} C) C = { x x = 5k,0 < x < 100,k Z} D) D = { x x = 5, x Z} E) E = { x x < 19,x N}. A, B ve
DetaylıAlıştırmalar 1. 1) Aşağıdaki diferansiyel denklemlerin mertebesini ve derecesini bulunuz. Bağımlı ve bağımsız değişkenleri belirtiniz.
Alıştırmalar 1 1) Aşağıdaki diferansiyel denklemlerin mertebesini ve derecesini bulunuz. Bağımlı ve bağımsız değişkenleri belirtiniz. Denklem Mertebe Derece a) 2 1 ( ) 4 6 c) 2 1 d) 2 2 e) 3 1 f) 2 4 g)
Detaylı4. ÜRÜN GELİSTİRME İŞLEMİ
4. ÜRÜN GELİSTİRME İŞLEMİ Genel Problem Çözme İşlemi Adım adım analiz / sentezi içerir Önerilen işlemsel adımlar: - Fonksiyon yapıları geliştirilir - Çözümler geliştirilir - Sıralı / esnek olarak uygulanır
DetaylıTabakalı Kompozit Bir Malzemenin Genetik Algoritma Yöntemiyle Rijitlik Optimizasyonu
th International Adanced Technologies Symposium (IATS ), -8 May 20, Elazığ, Turkey Tabakalı Kompozit Bir Malzemenin Genetik Algoritma Yöntemiyle Rijitlik Optimizasyonu Ö. Soykasap e K. B. Sugözü Afyon
DetaylıULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ
ULAŞTIRMA MODELİ VE ÇEŞİTLİ ULAŞTIRMA MODELLERİ Özlem AYDIN Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü ULAŞTIRMA MODELİNİN TANIMI Ulaştırma modeli, doğrusal programlama probleminin özel bir şeklidir.
DetaylıDoku ve Hastalıklara Özgü Büyük Ölçekli Biyolojik Ağları Oluşturul ası ve Analizi
Boğaz da Yapay Öğre e İs ail Arı Yaz Okulu 2-5 Temmuz 2018 Doku ve Hastalıklara Özgü Büyük Ölçekli Biyolojik Ağları Oluşturul ası ve Analizi Tolga Can Bilgisayar Mühe disliği Bölümü ODTÜ İçerik Genom ölçeği
DetaylıGeniş Bantlı Log-Periyodik Anten Dizgelerinin Genetik Algoritmalar Kullanılarak Tasarlanması
Geniş Bantlı Log-Periyodik Anten Dizgelerinin Genetik Algoritmalar Kullanılarak Tasarlanması Levent Gürel ve Özgür Ergül Elektrik ve Elektronik Mühendisliği Bölümü Bilkent Üniversitesi, Ankara lgurel@bilkent.edu.tr
DetaylıGraflar bilgi parçaları arasındaki ilişkileri gösterirler.
Graflar (Graphs) Graf gösterimi Uygulama alanları Graf terminolojisi Depth first dolaşma Breadth first dolaşma Topolojik sıralama Yrd.Doç.Dr. M. Ali Akcayol Graflar Graflar bilgi parçaları arasındaki ilişkileri
Detaylı