Sezgisel-Bilgili Arama (Heuristic-Informed Search)

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Sezgisel-Bilgili Arama (Heuristic-Informed Search)"

Transkript

1 Sezgisel-Bilgili rama (Heuristic-Informed Search) 1

2 Sezgisel-Bilgili rama (Heuristic-Informed Search) Kör arama yöntemleri basittir, fakat çoğu zaman pratik değildir. Kör arama yöntemleri bilgisiz yöntemlerdir. Yani, bu yöntemlerle arama, durum uzayı hakkında bilgi olmadan gerçekleştirilir. Sezgisel arama yöntemleri, önce en umut verici yolu aramanın etkisini yükseltir. incelemekle 2

3 SZGİSL YKLŞIM (Heuristic pproach) Sezgisellik, gerçeğin deneye veya akla vurmadan, doğrudan doğruya kavranmasıdır. Sezgisellik (sezgisel kurallar, sezgisel yöntem) problemin durum uzayı çok büyük olduğunda çözümün aranmasını kesin biçimde sınırlayan herhangi kural, strateji, hile, sadeleştirme ve diğer etmenler kullanımıdır. 3

4 SZGİSL YKLŞIM (Heuristic pproach) Sezgisellik, problem karmaşıklık içerdiğinde, çözüm için yolun bulunmasındaki yardımcı anahtardır. İyi seçilmiş anahtarla tek bir kapıyı açıp amaca ulaşmak mümkün olduğu gibi, kötü seçilmiş anahtarlarla bu yolu zora sokmak da mümkündür. 4

5 SZGİSL YKLŞIM (Heuristic pproach) Yuri Gagarin, 1961 de uzaya giden ilk insan olduktan sonra İngiltere Kraliçesi lizabeth II tarafından kabul edilmiştir. Yemek sırasında masaya 5 çatal, 5 kaşık ve 5 bıçak getirilmiştir. Bir köylü çocuğu olan kozmonot rastgele aldığı çatal ve bıçaklarla yemeye başlamış ve sonunda ilginç bir durumla karşılaşmıştır. Yemek sonunda çay karıştırmak için kaşıklardan en büyüğü kalmıştır. Menü önceden bilinseydi, olay algoritmik özellik taşıyacaktı. Öte yandan yemek süresinin sınırlı olması deneme yapmaya imkan vermemektedir. Fakat tekrar benzeri durumla karşılaşıldığında tecrübeye göre en iyi yaklaşım yapılmaktadır. Yine de kötü bir tahmin rol oynayabilir. 5

6 SZGİSL PROBLM ÇÖZÜMLM (Heuristic Problem Solution) Sezgisel algoritmalar sonucun doğruluğunun kanıtlanabilir olup olmadığını önemsememektedir fakat genelde iyiye yakın çözüm yolları elde eder. Sezgisel algoritmalar en iyi sonucu bulacaklarını garanti etmezler fakat en iyi çözümü aramaktan vazgeçerek makul bir süre içerisinde bir çözüm elde edeceklerini garanti ederler. Genellikle en iyiye yakın olan çözüm yoluna hızlı ve kolay bir şekilde ulaşırlar. 6

7 SZGİSL PROBLM ÇÖZÜMLM (Heuristic Problem Solution) Sezgisel lgoritmaların kullanım yerleri : Rota bulma Network paketlerinin yönlendirilmesi sırasında izleyeceği en uygun yolun belirlenmesi Oyunlarda karakterin hedefe doğru izleyeceği yolların tespiti Gezgin satıcı probleminin çözümü Labirentten en kısa çıkışı bulma n kısa yolu bulma işlemi, düğüm ve kenar sayısına bağlı olarak çok fazla zaman alabilir. Bu sebeple, en kısa yolu bulduğundan emin olunan algoritmalar değil de, sezgisel algoritmalar daha çok kullanılır. Sezgisel algoritmalar ile hesaplanan yol gerçekte en kısa ve optimum yol olmayabilir ama bulunan yolun hesaplaması diğer algoritmalara göre çok daha kısa sürer. 7

8 SZGİSL PROBLM ÇÖZÜMLM (Heuristic Problem Solution) Sezgisellik bir tahmindir, fakat aramayı gerçekleştirmek için yararlı bir yoldur. Temel düşünce Tüm mümkün arama yollarını denemek yerine, hedefe/amaca yaklaştırdığı düşünülen yolların denenmesi. 8

9 SZGİSL PROBLM ÇÖZÜMLM (Heuristic Problem Solution) Örneğin, arama uzayında kentler arasındaki kuş uçuşu mesafeleri sezgisel değerlendirme için kullanılabilir. Üstünlük verilen yollar SG ye daha yakın olan yollardır. SG ye kuş uçuşu yolların uzunlukları F CS R 7 6 L 6 4 SG SR S SC W CG 9

10 Sezgisel rama Stratejileri (Heuristic-Informed Search Strategies) n İyi Öncelikli rama lgoritması (Best-First Search BFS) ç gözlü rama lgoritması (Gready Search- GBFS) Yıldız rama lgoritması(* Search) Tepe Tırmanma rama lgoritması (Hill Climbing Search - HCS) 10

11 n İyi Öncelikli rama lgoritması (Best-First Search) 1. Her durum-düğüm için, o durumun-düğümün istenebilirliğini (desirability) tarif edecek bir tahmin fonksiyonu f(n) kullanılır. Bu fonksiyon hedef/amaç durumuna arama ağacında düğümleri inceler. yakınlığı değerlendirmek için 1. n çok istenen-arzu edilen düğüm genişletilir. 2. Düğümler istenebilirlikleri azalacak şekilde sıralanır. 11

12 n İyi Öncelikli rama lgoritması (Best-First Search) Bazı hallerde amaca doğru her hangi bir yolun bulunması yeterli olsa da, bazı zamanlarda en iyi yolun bulunması gerekebilir. n hızlı, en düşük maliyetle ve en kolay yolla amaca ulaşılması için optimal arama yapılmalıdır. Mantıklı bir zaman diliminde en iyi çözümün bulunması yöntemleri: ç gözlü rama (Greedy Search- GBFS) Yıldız rama (* Search) 12

13 ç Gözlü rama (Greedy Search) Değerlendirme fonksiyonu, f(n) = h(n) f(n): n. düğümden hedef düğüme kadar hesaplanmış sezgisel fonksiyon. h(n) : sezgisel tahmin n. düğümden hedef düğüme kadar. Örn., h(n) = İki şehir arası kuş uçuşu mesafesi, gerçek yol maliyetinin tahmin edilmesinde bir sezgisel (heuristic) bilgi olarak kullanılabilir. lgoritma, amaca en yakın olduğu tahmin edilen/düşünülen düğüme doğru genişleme yapar. Varsayım : h(n) = 0 ise n hedef düğümdür. 13

14 ç Gözlü rama (Greedy Search) Bütünlük : Yok. (Bir döngüye saplanıp kalabilir. Tekrarlı bir alanda sınırlı arama yapar.) Zaman Karmaşıklığı : O(b m ), iyi bir sezgisel ile yeterli ölçüde gelişme sağlanabilir lan Karmaşıklığı : O(b m ) (Bütün düğümleri bellekte tutar.) Optimallik : Yok 14

15 ç Gözlü rama (Greedy Search) lgoritma öncelikle düğümlerden ve ağırlıklı kenarlardan oluşan bir graf oluşturur ve bu grafdaki kenarları ağırlıklarına göre sıralar. Daha sonra algoritma hedefe kuş uçuşu en kısa kenarı seçerek işlemeye devam eder; bu sırada da döngülerin oluşmasını önler. Greedy algoritması makul zamanda çözüm üretmektedir ancak her zaman iyi sonuçlar verememektedir. 15

16 ç Gözlü rama (Greedy Search) Örnek S başlangıç, G hedef durumdur. 16

17 ç Gözlü rama (Greedy Search) Örnek S başlangıç, G hedef durumdur. 17

18 ç Gözlü rama (Greedy Search) Örnek Start 75 State Heuristic: h(n) D C B B 374 C 329 D G F 253 F 178 G 193 H 211 H I Goal I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi 18

19 ç Gözlü rama (Greedy Search) Örnek Start 75 State Heuristic: h(n) D C B B 374 C 329 D G F 253 F 178 G 193 H 211 H I Goal I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi 19

20 ç Gözlü rama (Greedy Search) Örnek Start 75 State Heuristic: h(n) D C B B 374 C 329 D G F 253 F 178 G 193 H 211 H I Goal I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi 20

21 ç Gözlü rama (Greedy Search) Örnek Start 75 State Heuristic: h(n) D C B B 374 C 329 D G F 253 F 178 G 193 H 211 H I Goal I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi 21

22 ç Gözlü rama (Greedy Search) Örnek Start 75 State Heuristic: h(n) D C B B 374 C 329 D G F 253 F 178 G 193 H 211 H I Goal I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi 22

23 ç Gözlü rama (Greedy Search) Örnek Start 75 State Heuristic: h(n) D C B B 374 C 329 D G F 253 F 178 G 193 H 211 H I Goal I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi 23

24 ç Gözlü rama (Greedy Search) Örnek Start 75 State Heuristic: h(n) D C B B 374 C 329 D G F 253 F 178 G 193 H 211 H I Goal I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi 24

25 ç Gözlü rama (Greedy Search) Örnek Start 75 State Heuristic: h(n) D C B B 374 C 329 D G F 253 F 178 G 193 H 211 H I Goal I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi 25

26 ç Gözlü rama (Greedy Search) Örnek Start 75 State Heuristic: h(n) D C B B 374 C 329 D G F 253 F 178 G 193 H 211 H I Goal I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi 26

27 ç Gözlü rama (Greedy Search) Örnek Start 75 State Heuristic: h(n) D C B B 374 C 329 D G F 253 F 178 G 193 H 211 H I Goal I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi 27

28 ç Gözlü rama (Greedy Search) Örnek-1 Start 28

29 ç Gözlü rama (Greedy Search) Örnek Start 75 [329 C 140 [374 B [253 29

30 ç Gözlü rama (Greedy Search) Örnek Start 75 [329 C 140 [374 B 80 [ [193 G F [178 30

31 ç Gözlü rama (Greedy Search) Örnek Start 75 [329 C 140 [374 B 80 [ [193 G F [ I [0 Goal 31

32 ç Gözlü rama (Greedy Search) Örnek-1 [329 C 118 Start [374 B 80 [ [193 G F [ Yol maliyeti (Path cost) (--F-I) = = 431 I [0 Mesafe (Distance) Goal (--F-I) = =

33 Örnek-1 Optimum Çözüm Start C 111 D B State Heuristic: h(n) 366 B 374 C 329 D 244 Yol maliyeti (Path cost) (--G-H-I) = = 544 Mesafe (Distance) G 97 H 101 I F 211 Goal 253 F 178 G 193 H 98 I 0 f(n) = h (n) = sezgisel kuş uçuşu mesafesi (--G-H-I) = =

34 ç Gözlü rama (Greedy Search) Romanya Haritası, maç: rad dan Bükreş e gitmek 34

35 ç Gözlü rama (Greedy Search) Romanya Haritası, maç: rad dan Bükreş e gitmek 35

36 ç Gözlü rama (Greedy Search) Romanya Haritası, maç: rad dan Bükreş e gitmek 36

37 ç Gözlü rama (Greedy Search) Romanya Haritası, maç: rad dan Bükreş e gitmek 37

38 ç Gözlü rama (Greedy Search) Romanya Haritası, maç: rad dan Bükreş e gitmek 38

39 ç Gözlü rama (Greedy Search) Romanya Haritası, maç: rad dan Bükreş e gitmek Optimum Çözüm Mesafe (Distance) (rad - Sibiu - Rimnicu Vilcea Pitesti - Bucharest) = = 418 ç Gözlü rama (Greedy Search) Çözümü Mesafe (Distance) (rad - Sibiu - Fagaras - Bucharest) = =

40 Yıldız rama lgoritması (* Search lgorithm) ğırlıklı olarak "nesnelerin hedefledikleri noktaya olan en kısa yollarını bulması" amacıyla kullanılmaktadır. Örneğin seyyar tüccar problemi (travelling salesman problem) gibi bir problemin çözümünde kullanılabilir. Benzer şekilde oyun programlamada, oyunda bulunan oyuncuların en kısa yolu bularak hedefe gitmeleri için de sıklıkla kullanılan algoritmadır. Kısaca bir düğümden hedef bir düğüme en kısa hangi düğümler üzerinden gidileceğini bulmaya yarayan bir algoritmadır. 40

41 Yıldız rama lgoritması (* Search lgorithm) Başlangıç düğümünden n. düğüme kadar olan yolu g(n) ile n. düğümden ise hedef düğümüne olan yol değeri h(n) ile ifade edilirse bu algoritma için aşağıdaki bağıntı elde edilir. f(n) = g(n) + h(n) f(n) : n. düğümden hedef düğüme kadar hesaplama yapan sezgisel (heuristic) fonksiyon. g(n) : Başlangıç düğümünden mevcut düğüme kadar olan gerçek mesafe. h(n) : Mevcut düğümden hedef düğüme varmak için tahmin edilen mesafe (sezgisel mesafe). f(n) fonksiyonunun sezgisel olma sebebi, bu fonksiyon içerisinde bulunan ve tahmine dayalı olan h(n) sezgisel fonksiyonudur. 41

42 Yıldız rama lgoritması (* Search lgorithm) Maliyeti fazla olan yolların genişletilmesini engeller, sadece en faydalı olabilecek yolları genişletir. Veri yapısı olarak bir öncelik sırası (priority queue) kullanan algoritmada, en öncelikli olan düğüm f(n) değeri en düşük olan düğümdür. 42

43 Yıldız rama lgoritması (* Search lgorithm) Tamlık-Bütünlük (Completeness):Tam bir algoritmadır. Sonuçta, çözüm varsa bulunur. Zaman Karmaşıklığı (Time Complexity): çok büyük graflar için kötüdür. üstel b d lan Karmaşıklığı (Space Complexity): çok büyük graflar için kötüdür. üstel b d niyileme (Optimality): vet Zaman ve alan karmaşıklıkları kötü olsa da iyi bir sezgi ile, düzelecektir. 43

44 Yıldız rama lgoritması (* Search lgorithm) lgoritmanın çalışması: 1. Öncelikle kök düğüm kuyruğa atılır. Kök düğümün komşularına ait f(n) sezgisel fonksiyon değerleri hesaplanır. 2. lgoritma, her adımda f(n) değeri düşük düğüme gider ve bu düğümü kuyruktan (queue) çıkarır. Daha sonra döngü oluşturmayan komşu düğümler kuyruğa eklenir ve bu düğümlerin de f(n) sezgisel fonksiyon değerleri hesaplanır. 3. Hedef duruma ulaşılana kadar f(n) değeri en az olan düğümün seçilmesi ve alt düğümlerinin kuyruğa eklenilmesine devam edilir. 44

45 Yıldız rama lgoritması (* Search lgorithm) Örnek-1 Verilen grafın düğümünden, G düğümüne gidilmek isteniyor. Sezgisel fonksiyon olarak, bir düğümün hedefe olan kuş uçuşu mesafesi alınır. Sezgisel mesafe, örneğin iki düğüm arasındaki mesafenin cetvel ile ölçülen değeri olarak kabul edilebilir. Start 4 C 3 6 B F D 4 G Goal State Heuristic: h(n) - B 8 C 9 D 4 4 F 8 G 0 h (n) = sezgisel kuş uçuşu mesafesi 45

46 Yıldız rama lgoritması (* Search lgorithm) Örnek-1 Başlangıç düğümünden başlayarak komşu iki düğümün değeri hesaplanırsa: C düğümü için h(n) = 9 ve g(n) = 4 B düğümü için h(n) = 8 ve g(n) = 3 f(c) = h(n)+g(n)=9+4 = 13 f(b) = h(n)+g(n)=8 +3 = 11 olarak bulunmaktadır. lgoritma bu seçimler arasından değeri küçük olan B düğümüne gitmeyi tercih eder. Start 4 C 3 6 B F D 4 G Goal State Heuristic: h(n) - B 8 C 9 D 4 4 F 8 G 0 46

47 Yıldız rama lgoritması (* Search lgorithm) Örnek-1 Bu anda kuyrukta (queue) iki düğüm bulunmakta (C ve ) B düğümünün komşusu düğümün değeri hesaplanırsa: f() = h(n)+g(n)=7 +4 = 11 f(c) = h(n)+g(n)=9+4 = 13 olarak bulunmaktadır. lgoritma bu seçimler arasından değeri küçük olan düğümüne gitmeyi tercih eder. Start F 3 B C 8 f(c) =9+4 = 13 6 f() =7+4 = 11 D 4 G Goal State Heuristic: h(n) - B 8 C 9 D 4 4 F 8 G 0 47

48 Yıldız rama lgoritması (* Search lgorithm) Örnek-1 Bu anda kuyrukta (queue) iki düğüm bulunmakta (C ve F) düğümünün komşusu F düğümün değeri hesaplanırsa: f(f) = h(n)+g(n)=13 +8 = 21 f(c) = h(n)+g(n)=9+4 = 13 olarak bulunmaktadır. lgoritma bu aşamada geldiği yoldan vaz geçerek en kısa yolun C düğümü olabileceğini düşünür ve bu düğüme gitmeyi tercih eder. Start 4 C f(c) =9+4 = B f(f) =13+8 = 21 F D 4 G Goal State Heuristic: h(n) - B 8 C 9 D 4 4 F 8 G 0 48

49 Yıldız rama lgoritması (* Search lgorithm) Örnek-1 Bu anda kuyrukta (queue) iki düğüm bulunmakta (F ve D) C düğümünün komşusu D düğümün değeri hesaplanırsa: f(d) = h(n)+g(n)=10 +4 = 14 f(f) = h(n)+g(n)=13+8 = 21 olarak bulunmaktadır. lgoritma bu seçimler arasından değeri küçük olan D düğümüne gitmeyi tercih eder. Start 4 C f(f) =13+8 = 21 F 3 B D 4 f(d) =10+4 = 14 G Goal State Heuristic: h(n) - B 8 C 9 D 4 4 F 8 G 0 49

50 Yıldız rama lgoritması (* Search lgorithm) Örnek-1 Bu anda kuyrukta (queue) iki düğüm bulunmakta (F ve G) D düğümünün komşusu G düğümün değeri hesaplanırsa: f(g) = h(n)+g(n)= = 14 f(f) = h(n)+g(n)=13+8 = 21 olarak bulunmaktadır. lgoritma bu seçimler arasından değeri küçük olan G düğümüne gitmeyi tercih eder. Start 4 C 3 6 f(f) =13+8 = 21 F B D 4 G f(g) =14+0 = 14 Goal State Heuristic: h(n) - B 8 C 9 D 4 4 F 8 G 0 50

51 Yıldız rama lgoritması (* Search lgorithm) Örnek-1 Son durumda hedefe ulaşılmış ve -C-D-G yolu kullanılmıştır. Sonuçta ulaşım için mesafe toplandığında; 4+6+4=14 mesafesi (-C-D-G yolu), diğer alternatif olan =21 değerine göre daha kısadır. * algoritması sezgisel bir algoritma olduğu için bu durumu bilmemektedir. Start 4 C 3 6 B f(f) =13+8 = 21 F D 4 G Goal State Heuristic: h(n) - B 8 C 9 D 4 4 F 8 G 0 51

52 f(n)= g(n)+h(n) Yıldız rama lgoritması (* Search lgorithm) Örnek-2 f(c)= = 447 f()= = 393 f(b)= = 449 lgoritma değeri küçük olan düğümüne gitmeyi tercih eder. 111 D C 97 H 118 G I Start h (n) = sezgisel kuş uçuşu mesafesi F 211 Goal B State Heuristic: h(n) 366 B 374 C 329 D F 178 G 193 H 98 I 0 52

53 Yıldız rama lgoritması (* Search lgorithm) Örnek-2 f(c)= = 447 f(b)= = 449 f(g)= = 413 f(f)= = 417 lgoritma değeri küçük olan G düğümüne gitmeyi tercih eder. 111 D C 97 H 118 G I Start h (n) = sezgisel kuş uçuşu mesafesi F 211 Goal B State Heuristic: h(n) 366 B 374 C 329 D F 178 G 193 H 98 I 0 53

54 Yıldız rama lgoritması (* Search lgorithm) Örnek-2 f(c)= = 447 f(b)= = 449 f(f)= = 417 f(h)= = 415 lgoritma değeri küçük olan H düğümüne gitmeyi tercih eder. 111 D C 97 H 118 G I Start h (n) = sezgisel kuş uçuşu mesafesi F 211 Goal B State Heuristic: h(n) 366 B 374 C 329 D F 178 G 193 H 98 I 0 54

55 Yıldız rama lgoritması (* Search lgorithm) Örnek-2 f(c)= = 447 f(b)= = 449 f(f)= = 417 f(i)= = 418 * arama algoritması bu aşamada geldiği yoldan vaz geçerek en kısa yolun F düğümünden devam edebileceğini düşünür ve bu yola gitmeyi tercih eder. 111 D C 97 H 118 G I Start h (n) = sezgisel kuş uçuşu mesafesi F 211 Goal B State Heuristic: h(n) 366 B 374 C 329 D F 178 G 193 H 98 I 0 55

56 Yıldız rama lgoritması (* Search lgorithm) Örnek-2 f(c)= = 447 f(b)= = 449 f(i)= = 418 f(i1)= = 450 * arama algoritması bu aşamada geldiği yoldan vaz geçerek en kısa yolun I düğümünden devam edebileceğini düşünür ve hedefe ulaşılır. 111 D C 97 H 118 G I Start h (n) = sezgisel kuş uçuşu mesafesi F 211 Goal B State Heuristic: h(n) 366 B 374 C 329 D F 178 G 193 H 98 I 0 56

57 * rama Romanya Haritası, maç: rad dan Bükreş e gitmek 57

58 * rama Romanya Haritası, maç: rad dan Bükreş e gitmek 58

59 * rama Romanya Haritası, maç: rad dan Bükreş e gitmek 59

60 * rama Romanya Haritası, maç: rad dan Bükreş e gitmek 60

61 * rama Romanya Haritası, maç: rad dan Bükreş e gitmek 61

62 * rama Romanya Haritası, maç: rad dan Bükreş e gitmek 62

63 * rama Romanya Haritası, maç: rad dan Bükreş e gitmek 63

64 Hedef: S şehrinden G şehrine gitmek Şekil-1 Farklı şehirler arasındaki yol bağlantısı. Bağlantılardaki değerler Şehirler arasındaki gerçek mesafe Şekil-2 Farklı şehirlerin G şehrine olan kuş uçuşu uzaklığı (sezgisel değer) Hedef S şehrinden G şehrine gitmek 64

65 Hedef: S şehrinden G şehrine gitmek Durum uzayı rama ağacı 65

66 [S [ 1,D 2 [D 2,B 3,D 4 [B 3,D 4, 5, 6 [D 4, 5, 6,C 7, 8 [ 5, 6,C 7, 8, 9 [ 6,C 7, 8, 9,B 10 [C 7, 8, 9,B 10,B 11,F 12 [ 8, 9,B 10,B 11,F 12 [ 9,B 10,B 11,F 12,D 13,F 14 [B 10,B 11,F 12,D 13,F 14,B 15, F 16 [B 11,F 12,D 13,F 14,B 15, F 16,C 17, 18 [F 12,D 13,F 14, B 15, F 16,C 17, 18, 19,C 20 [D 13,F 14, B 15, F 16,C 17, 18, 19,C 20,G 21 [F 14,B 15, F 16,C 17, 18, 19,C 20,G 21 [B 15, F 16,C 17, 18, 19,C 20,G 21,G 22 [F 16,C 17, 18, 19,C 20,G 21,G 22,C 23 [C 17, 18, 19,C 20,G 21,G 22,C 23,G 24 [ 18, 19,C 20,G 21,G 22,C 23,G 24 [ 19,C 20,G 21,G 22,C 23,G 24 [C 20,G 21,G 22,C 23,G 24, F 25 [G 21,G 22,C 23,G 24, F 25 BFS={S,D,,F,G} Hedef: S şehrinden G şehrine gitmek nine Öncelikli rama (Breadth-First Search) Harflerin altlarındaki sayılar, indisleri göstermektedir. 66

67 Hedef: S şehrinden G şehrine gitmek [S [ 1,D 2 [B 3,D 4,D 2, [C 7, 8,D 4,D 2 [ 8,D 4,D 2 [D 13,F 14,D 4,D 2 [F 14,D 4,D 2 [G 22,D 4,D 2 Derinine Öncelikli rama (Depth-first search) DFS={S,,B,,F,G} Harflerin altlarındaki sayılar, indisleri göstermektedir. 67

68 Hedef: S şehrinden G şehrine gitmek [S 0 [ 3,D 4 [D 4,B 7,D 8 [ 6,B 7,D 8, 9 [B 7, D 8, 9,F 10,B 11 [D 8, 9,F 10,B 11,C 11, 12 [ 9,F 10, 10,B 11,C 11, 12 [F 10, 10, B 11,C 11, 12,B 13 [ 10, B 11,C 11, 12,B 13,G 13 [B 11,C 11, 12,B 13,G 13,F 14,B 15 [C 11, 12,B 13,G 13,F 14,B 15, 15,C 15 [ 12,B 13,G 13,F 14,B 15, 15,C 15 [B 13,G 13,F 14,D 14, B 15, 15,C 15,F 16 [G 13, F 14,D 14, B 15, 15,C 15,F 16,C 17, 18 UCS={S,D,,F,G} Düşük Maliyetli rama (Uniform Cost Search) Harflerin altlarındaki sayılar, S den uzaklıklarını göstermektedir. 68

69 Hedef: S şehrinden G şehrine gitmek f(n)=g(n)+h(n) * rama [S 0 [D 12.9, 13.4 [ 12.9, 13.4, 19.4 [F 13.0, 13.4,B 17.7, 19.4 [G 13.0, 13.4,B 17.7, 19.4 *={S,D,,F,G} Harflerin altlarındaki sayılar, S den uzaklıkları + G ye uzaklıklarını göstermektedir. 69

70 S 11+0 S SD D S SDS S 11+8 SD SD SDS S 11+8 SD SD SS S 11+6 SD D SB B SDS S 11+8 SD SD SS S 11+6 SD D SB SB SBC C 4+11 SDS S 11+8 SD SD SS S 11+6 SD D SB SBC C 4+11 SBD D SBB B SBF F 3+12 SDS S 11+8 SD SD SS S 11+6 SD D SB SBD D SBB B SBF F 3+12 SBCB B SDS S 11+8 SD SD SS S 11+6 SD D SB SBCB B SBD D SBB B SBF SBFG G Hedef: S şehrinden G şehrine gitmek * rama

BLM-431 YAPAY ZEKA. Ders-5 Bilgili Arama Yöntemleri. Yrd. Doç. Dr. Ümit ATİLA

BLM-431 YAPAY ZEKA. Ders-5 Bilgili Arama Yöntemleri. Yrd. Doç. Dr. Ümit ATİLA BLM-431 YAPAY ZEKA Ders-5 Bilgili Arama Yöntemleri Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Arama Grafları Eğer arama uzayı ağaç yapısından değil de graf

Detaylı

YZM 3217 YAPAY ZEKA DERS#5: BİLGİLİ ARAMA YÖNTEMLERİ

YZM 3217 YAPAY ZEKA DERS#5: BİLGİLİ ARAMA YÖNTEMLERİ YZM 3217 YPY ZEK ER#5: İLGİLİ RM YÖNTEMLERİ Hatırlatma ilgisiz rama Yöntemleri Genişlik-öncelikli (readth-first) Eşit-maliyetli (Uniform-cost) erinlik-öncelikli (epth-first) erinlik-sınırlı (epth-limited)

Detaylı

YZM YAPAY ZEKA DERS#4: BİLGİSİZ ARAMA YÖNTEMLERİ

YZM YAPAY ZEKA DERS#4: BİLGİSİZ ARAMA YÖNTEMLERİ YZM 327 - YAPAY ZEKA DERS#4: BİLGİSİZ ARAMA YÖNTEMLERİ Bilgisiz Arama Stratejisi Sadece problem formülasyonundaki mevcut bilgiyi kullanır Durum bilgisinden yararlanmazlar Çözüme ulaşmak için hiçbir bilgi

Detaylı

Arama Algoritmaları ile Gerçek Dünya Örnekleri

Arama Algoritmaları ile Gerçek Dünya Örnekleri Arama Algoritmaları Arama Algoritmaları ile Gerçek Dünya Örnekleri Rota Bulma bilgisayar ağları, otomatik seyahat tavsiye sistemleri, havayolu seyahat planlama sistemleri gibi değişik alanlarda kullanılmaktadır

Detaylı

BLM-431 YAPAY ZEKA. Ders-4 Bilgisiz Arama Yöntemleri. Yrd. Doç. Dr. Ümit ATİLA

BLM-431 YAPAY ZEKA. Ders-4 Bilgisiz Arama Yöntemleri. Yrd. Doç. Dr. Ümit ATİLA BLM-431 YAPAY ZEKA Ders-4 Bilgisiz Arama Yöntemleri Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Dersin Hedefleri Aşağıda verilen arama stratejilerini anlamak

Detaylı

BLM-431 YAPAY ZEKA. Ders-3 Durum Uzayında Arama. Yrd. Doç. Dr. Ümit ATİLA

BLM-431 YAPAY ZEKA. Ders-3 Durum Uzayında Arama. Yrd. Doç. Dr. Ümit ATİLA BLM-431 YAPAY ZEKA Ders-3 Durum Uzayında Arama Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Dersin Hedefleri Durum uzayı temsilini öğrenmek ve durum uzayında

Detaylı

Algoritmalar. Çizge Algoritmaları. Bahar 2017 Doç. Dr. Suat Özdemir 1

Algoritmalar. Çizge Algoritmaları. Bahar 2017 Doç. Dr. Suat Özdemir 1 Algoritmalar Çizge Algoritmaları Bahar 201 Doç. Dr. Suat Özdemir 1 En Kısa Yol Problemi Çizgelerdeki bir diğer önemli problem de bir düğümden diğer bir düğüme olan en kısa yolun bulunmasıdır. Bu problem

Detaylı

YZM 3217 YAPAY ZEKA DERS#3: PROBLEM ÇÖZME VE ARAMA

YZM 3217 YAPAY ZEKA DERS#3: PROBLEM ÇÖZME VE ARAMA YZM 3217 YAPAY ZEKA DERS#3: PROBLEM ÇÖZME VE ARAMA Problem çözme ve arama Problem çözmeye giriş Karmaşıklık Bilgisiz arama Problem formülasyonu Arama stratejileri: derinlik-önce, genişlik-önce Bilgili

Detaylı

YZM ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR

YZM ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR Aç Gözlü (Hırslı) Algoritmalar (Greedy ) Bozuk para verme problemi Bir kasiyer 48 kuruş para üstünü nasıl verir? 25 kuruş, 10 kuruş,

Detaylı

Örnek Arasınav Soruları Güz 2017

Örnek Arasınav Soruları Güz 2017 Sayfa#1 Manisa Celal Bayar Üniversitesi Yazılım Mühendisliği Bölümü YZM 3217- Yapay Zekâ Dersi Örnek Arasınav Soruları Güz 2017 Süre: 75 Dakika Adı ve Soyadı YANIT ANAHTARI Öğrenci Numarası Grubu İmza

Detaylı

GRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi VERİ YAPILARI. Bilgisayar Mühendisliği ÖĞR.GÖR.GÜNAY TEMÜR 1

GRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi VERİ YAPILARI. Bilgisayar Mühendisliği ÖĞR.GÖR.GÜNAY TEMÜR 1 VERİ YAPILARI GRAPH LAR Düzce Üniversitesi Teknoloji Fakültesi Bilgisayar Mühendisliği ÖĞR.GÖR.GÜNAY TEMÜR 1 GRAPH (ÇİZGE - GRAF) Terminoloji Çizge Kullanım Alanları Çizge Gösterimi Komşuluk Matrisi Komşuluk

Detaylı

Algoritma Geliştirme ve Veri Yapıları 10 Graf Veri Modeli. Mustafa Kemal Üniversitesi

Algoritma 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

Detaylı

VERİ 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 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

10.Hafta Minimum kapsayan ağaçlar Minimum spanning trees (MST)

10.Hafta Minimum kapsayan ağaçlar Minimum spanning trees (MST) 1 10.Hafta Minimum kapsayan ağaçlar Minimum spanning trees (MST) Kapsayan ağaç Spanning Tree (ST) Bir Kapsayan Ağaç (ST); G, grafındaki bir alt graftır ve aşağıdaki özelliklere sahiptir. G grafındaki tüm

Detaylı

Graflar bilgi parçaları arasındaki ilişkileri gösterirler.

Graflar 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

Çizgeler (Graphs) Doç. Dr. Aybars UĞUR

Çizgeler (Graphs) Doç. Dr. Aybars UĞUR Çizgeler (Graphs) ve Uygulamaları Doç. Dr. Aybars UĞUR Giriş Şekil 12.1 : Çizge (Graph) Çizge (Graph) : Köşe (vertex) adı verilen düğümlerden ve kenar (edge) adı verilip köşeleri birbirine bağlayan bağlantılardan

Detaylı

YZM ALGORİTMA ANALİZİ VE TASARIM DERS#6: AZALT VE FETHET YÖNTEMİ

YZM 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:

Detaylı

MAT223 AYRIK MATEMATİK

MAT223 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

Detaylı

MAT223 AYRIK MATEMATİK

MAT223 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

Detaylı

GENETİK ALGORİTMALAR BÜŞRA GÜRACAR

GENETİK ALGORİTMALAR BÜŞRA GÜRACAR GENETİK ALGORİTMALAR BÜŞRA GÜRACAR 201420404036 İÇERİK Genetik Algoritmanın, Amacı Kullanım Alanları Kavramları Uygulama Adımları Parametreler Genetik Algoritma Kodlama Türleri Genetik Algoritma Genetik

Detaylı

EM302 Yöneylem Araştırması 2. Dr. Özgür Kabak

EM302 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

Detaylı

BÖLÜM III: Şebeke Modelleri. Şebeke Kavramları. Şebeke Kavramları. Şebeke Kavramları. Yönlü Şebeke (Directed Network) Dal / ok

BÖLÜM 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)

Detaylı

YZM 3217 YAPAY ZEKA DERS#3: PROBLEM ÇÖZME VE ARAMA

YZM 3217 YAPAY ZEKA DERS#3: PROBLEM ÇÖZME VE ARAMA YZM 3217 YAPAY ZEKA DERS#3: PROBLEM ÇÖZME VE ARAMA Geçen Haftalar: Özet YZ nin Tanımı ve Tarihçesi Turing Testi Zeki Ajanlar: Ajan Tipleri: Basit Tepki, model tabanlı, hedef tabanlı, fayda tabanlı Rasyonel

Detaylı

GEZGİN SATICI PROBLEMİ. Feasible Çözümler? Optimal Çözüm?

GEZGİN SATICI PROBLEMİ. Feasible Çözümler? Optimal Çözüm? 7..07 ÖRNEK : Bir ilaç satış temsilcisi no lu şehirde yaşamaktadır ve mevcut programında ziyaret etmesi gereken farklı şehirde yaşayan müşterileri mevcuttur. Şehirler arasındaki mesafeler tabloda verilmiştir.

Detaylı

Zeki Optimizasyon Teknikleri

Zeki 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

Detaylı

YZM 2116 Veri Yapıları

YZM 2116 Veri Yapıları YZM 2116 Veri Yapıları Yrd. Doç. Dr. Deniz KILINÇ Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Yazılım Mühendisliği BÖLÜM - 11 Bu bölümde, Graph (Çizge - Graf) Terminoloji Çizge Kullanım

Detaylı

İçerik: Graflar. Tanım. Gösterim. Dolaşma Algoritmaları. Yönlü ve yönsüz graflar Ağırlıklı graflar. Komşuluk Matrisi Komşuluk Listesi

İçerik: Graflar. Tanım. Gösterim. Dolaşma Algoritmaları. Yönlü ve yönsüz graflar Ağırlıklı graflar. Komşuluk Matrisi Komşuluk Listesi Tanım Yönlü ve yönsüz graflar ğırlıklı graflar İçerik: Graflar Gösterim Komşuluk Matrisi Komşuluk Listesi olaşma lgoritmaları BS (Breath irst Search) S (epth-irst Search) 1 Graflar Graf, matematiksel anlamda,

Detaylı

Azalt ve Fethet Algoritmaları

Azalt ve Fethet Algoritmaları Azalt ve Fethet Algoritmaları Problemi daha küçük bir örneğine çevir: Küçük örneği çöz Çözümü asıl probleme genişlet 3 tipi vardır: Bir sabitle azalt (Genellikle 1) Eklemeli Sıralama (Insertion Sort) Topolojik

Detaylı

İZMİR İN GEZGİN SATICISI

İZMİR 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...

Detaylı

ALGORİTMA ANALİZİ. Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü

ALGORİTMA ANALİZİ. Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü ALGORİTMA ANALİZİ Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü 2 Temel Kavramlar Algoritma: Bir problemin çözümünü belirli bir zamanda çözmek için sonlu sayıdaki adım-adım birbirini takip eden

Detaylı

METASEZGİSEL YÖNTEMLER

METASEZGİSEL YÖNTEMLER METASEZGİSEL YÖNTEMLER Ara sınav - 30% Ödev (Haftalık) - 20% Final (Proje Sunumu) - 50% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn: Zaman çizelgeleme, en kısa yol bulunması,

Detaylı

BİL-341 ALGORİTMALAR BÜYÜK O NOTASYONU AHMET ATAKAN 0904.01036. atakanahmet@hotmail.com KIRGIZİSTAN-TÜRKİYE MANAS ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ

BİL-341 ALGORİTMALAR BÜYÜK O NOTASYONU AHMET ATAKAN 0904.01036. atakanahmet@hotmail.com KIRGIZİSTAN-TÜRKİYE MANAS ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİL-341 ALGORİTMALAR BÜYÜK O NOTASYONU AHMET ATAKAN 0904.01036 atakanahmet@hotmail.com KIRGIZİSTAN-TÜRKİYE MANAS ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİŞKEK 2012 Ahmet Atakan

Detaylı

11.Hafta En kısa yollar I-II-III Devam. Negatif Ağırlıklı En Kısa Yollar Doğruluk Çözümleme

11.Hafta En kısa yollar I-II-III Devam. Negatif Ağırlıklı En Kısa Yollar Doğruluk Çözümleme 11.Hafta En kısa yollar I-II-III Devam Negatif Ağırlıklı En Kısa Yollar Doğruluk Çözümleme 1 En Kısa Yollar II Bellman-Ford algoritması 2 3 Negatif Maliyetli Çember Eğer graf negatif maliyetli çember içeriyorsa,

Detaylı

YAPAY ZEKA KISIM - II. 10.09.2008 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 1

YAPAY ZEKA KISIM - II. 10.09.2008 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 1 YAPAY ZEKA KISIM - II 10.09.2008 Y. Doç. Dr. Aybars UĞUR (517 Yapay Zeka Dersi) 1 Ders İçeriği 1. Prolog 2. Etmenler 3. Aramayla Problem Çözme 4. Sezgisel Arama ve Dolaşma 5. Kısıt Sağlama Problemleri

Detaylı

DENİZ HARP OKULU BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ

DENİZ HARP OKULU BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ DENİZ HARP OKULU BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf/Y.Y. Ders Saati (T+U+L) Kredi AKTS Yapay Zeka BİM-433 4/II 2+2+0 3 4,5 Dersin Dili Dersin Seviyesi

Detaylı

YZM YAPAY ZEKA DERS#6: REKABET ORTAMINDA ARAMA

YZM YAPAY ZEKA DERS#6: REKABET ORTAMINDA ARAMA YZM 3217- YAPAY ZEKA DERS#6: REKABET ORTAMINDA ARAMA Oyun Oynama Çoklu vekil ortamı-her bir vekil karar verirken diğer vekillerin de hareketlerini dikkate almalı ve bu vekillerin onun durumunu nasıl etkileyeceğini

Detaylı

Akıllı Satranç Uygulaması HAZIRLAYAN: BERKAY ATAMAN DANIŞMAN: DOÇ. DR. FEZA BUZLUCA

Akıllı Satranç Uygulaması HAZIRLAYAN: BERKAY ATAMAN DANIŞMAN: DOÇ. DR. FEZA BUZLUCA Akıllı Satranç Uygulaması HAZIRLAYAN: BERKAY ATAMAN - 150120037 DANIŞMAN: DOÇ. DR. FEZA BUZLUCA İÇERİK 1. Giriş 2. Analiz 3. Modelleme ve Gerçekleme 4. Yapılan Testler 5. Sonuç 6. Demo 1. GİRİŞ Satranç

Detaylı

TOPSIS yönteminin adımları 5 Adım 1. Normalize karar matrisinin oluşturulması 6 Karar matrisinin normalizasyonu aşağıdaki formül kullanılarak yapılır:

TOPSIS yönteminin adımları 5 Adım 1. Normalize karar matrisinin oluşturulması 6 Karar matrisinin normalizasyonu aşağıdaki formül kullanılarak yapılır: Giriş 2 TOPSIS Bölüm 5 TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) 1981 yılında Hwang ve Yoon tarafından geliştirilmiştir. Uygulanması basit, ulaşılan sonuçlar çok gerçekçidir.

Detaylı

9.Hafta Veri sıkıştırma ve Aç gözlü algoritmalar

9.Hafta Veri sıkıştırma ve Aç gözlü algoritmalar 1 9.Hafta Veri sıkıştırma ve Aç gözlü algoritmalar 2 Veri Sıkıştırma (Compression) Kayıplı-Kayıpsız Veri Sıkıştırma Sabit ve Değişken Genişlikli Kodlama Huffman Algortiması (Greedy Algoithms) Veri Sıkıştırma

Detaylı

YZM ALGORİTMA ANALİZİ VE TASARIM DERS#2: ALGORİTMA ANALİZİ

YZM ALGORİTMA ANALİZİ VE TASARIM DERS#2: ALGORİTMA ANALİZİ YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#2: ALGORİTMA ANALİZİ Algoritma Analizi Çerçevesi Algoritma Analizinde Göz Önünde Bulundurulması Gerekenler Neler? Algoritmanın Doğruluğu (Correctness) Zaman

Detaylı

KARINCA 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 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

Detaylı

BMT 206 Ayrık Matematik. Yük. Müh. Köksal GÜNDOĞDU 1

BMT 206 Ayrık Matematik. Yük. Müh. Köksal GÜNDOĞDU 1 BMT 206 Ayrık Matematik Yük. Müh. Köksal GÜNDOĞDU 1 Graph (Çizge) Yük. Müh. Köksal GÜNDOĞDU 2 Graph (Çizge) Köşe (vertex) adı verilen düğümlerden ve kenar (edge) adı verilip köşeleri birbirine bağlayan

Detaylı

Fonksiyon Minimizasyonunda Simulated Annealing Yöntemi

Fonksiyon Minimizasyonunda Simulated Annealing Yöntemi 07-04-006 Ümit Akıncı Fonksiyon Minimizasyonunda Simulated Annealing Yöntemi İçindekiler Fonksiyon Minimizasyonu Metropolis Algoritması. Algoritma.......................................... Bir boyutlu

Detaylı

Genel Graf Üzerinde Mutlak 1-merkez

Genel Graf Üzerinde Mutlak 1-merkez Genel Graf Üzerinde Mutlak 1-merkez Çözüm yöntemine geçmeden önce bazı tanımlara ihtiyaç vardır. Dikkate alınan G grafındaki düğümleri 1 den n e kadar numaralandırın. Uzunluğu a(i, j)>0 olarak verilen

Detaylı

VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ 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

Detaylı

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN

VERİ 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

Detaylı

ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX

ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX XI İÇİNDEKİLER ÖZET...V ABSTRACT...VII TEŞEKKÜR... IX ŞEKİLLER DİZİNİ... XIV SÖZLÜK... XIX 1. GİRİŞ... 1 2. PLANLAMANIN TARİHÇESİ... 7 2.1 Literatürdeki Planlayıcılar ve Kullandıkları Problem... Gösterimi

Detaylı

Graf Veri Modeli. Düğümler kümesi. Kenarlar kümesi

Graf 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

Detaylı

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:

Detaylı

Yapay Zeka. BM437, Bahar 2014-1015. Öğretim Üyesi: Yrd. Doç. Dr. Mehmet ŞİMŞEK

Yapay Zeka. BM437, Bahar 2014-1015. Öğretim Üyesi: Yrd. Doç. Dr. Mehmet ŞİMŞEK Yapay Zeka BM437, Bahar 2014-1015 Öğretim Üyesi: Yrd. Doç. Dr. Mehmet ŞİMŞEK Günün Dersi Arama Algoritmaları Problem çözme ajanları Problem tipleri Problem formülasyonu Örnek problemler Temel arama algoritmaları

Detaylı

İLERİ ALGORİTMA ANALİZİ TABU ARAMA ALGORİTMASI (TABU SEARCH)

İLERİ ALGORİTMA ANALİZİ TABU ARAMA ALGORİTMASI (TABU SEARCH) İLERİ ALGORİTMA ANALİZİ TABU ARAMA ALGORİTMASI (TABU SEARCH) Tabu Arama Algoritması, optimizasyon problemlerinin çözümü için F.Glover tarafından geliştirilmiş iteratif bir araştırma algoritmasıdır. Temel

Detaylı

KOMBİNATORYAL OPTİMİZASYON

KOMBİNATORYAL 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

Detaylı

GENETİK ALGORİTMA ÖZNUR CENGİZ HİLAL KOCA

GENETİK 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

Detaylı

ALGORİTMA ANALİZİ. Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü

ALGORİTMA ANALİZİ. Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü ALGORİTMA ANALİZİ Cumhuriyet Üniversitesi Bilgisayar Mühendisliği Bölümü 2 Yürütme Zamanı (Running Time) Algoritmanın belirli bir işleme veya eyleme kaç kez gereksinim duyulduğunu gösteren bağıntıdır ve

Detaylı

ALP OĞUZ ANADOLU LİSESİ EĞİTİM ÖĞRETİM YILI BİLGİSAYAR BİLİMİ DERSİ 2.DÖNEM 2.SINAV ÖNCESİ ÇALIŞMA SORULARI VE YANITLARI

ALP OĞUZ ANADOLU LİSESİ EĞİTİM ÖĞRETİM YILI BİLGİSAYAR BİLİMİ DERSİ 2.DÖNEM 2.SINAV ÖNCESİ ÇALIŞMA SORULARI VE YANITLARI ALP OĞUZ ANADOLU LİSESİ 2017-2018 EĞİTİM ÖĞRETİM YILI BİLGİSAYAR BİLİMİ DERSİ 2.DÖNEM 2.SINAV ÖNCESİ ÇALIŞMA SORULARI VE YANITLARI Doğru yanıtlar kırmızı renkte verilmiştir. 1. Problemlerin her zaman sıradan

Detaylı

Algoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması. Mustafa Kemal Üniversitesi

Algoritma 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

Detaylı

Algoritmalara Giriş Ekim 17, 2005 Massachusetts Institute of Technology Profesörler Erik D. Demaine ve Charles E. Leiserson Dağıtım 15.

Algoritmalara Giriş Ekim 17, 2005 Massachusetts Institute of Technology Profesörler Erik D. Demaine ve Charles E. Leiserson Dağıtım 15. Algoritmalara Giriş Ekim 17, 2005 Massachusetts Institute of Technology 6.046J/18.410J Profesörler Erik D. Demaine ve Charles E. Leiserson Dağıtım 15 Problem Seti 4 Okumalar: Bölüm 12 13 ve 18 Hem egzersizler

Detaylı

Algoritmalar. Heap Sort. Bahar 2017 Doç. Dr. Suat Özdemir 1

Algoritmalar. Heap Sort. Bahar 2017 Doç. Dr. Suat Özdemir 1 Algoritmalar Heap Sort Bahar 2017 Doç. Dr. Suat Özdemir 1 Heap Sort Heap Sort algoritması Merge Sort ve Insertion Sort algoritmalarının iyi özelliklerini bir arada toplar. Algoritma Insertion Sort gibi

Detaylı

f(x) ve g(x) reel sayılarda tanımlı iki fonksiyon olmak üzere, x > k olacak şekilde bir k vardır öyle ki,

f(x) ve g(x) reel sayılarda tanımlı iki fonksiyon olmak üzere, x > k olacak şekilde bir k vardır öyle ki, Algoritma Karmaşıklığı ve Büyük O Gösterimi (Big O Notation) Yazdığımız bir algoritmanın doğru çalıştığından emin olmakla birlikte bu algoritmayı, daha önce yazılmış ve aynı sonucu veren başka algoritmalarla

Detaylı

Algoritma Geliştirme ve Veri Yapıları 2 Veri Modelleri. Mustafa Kemal Üniversitesi

Algoritma 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

Detaylı

YÖNEYLEM ARAŞTIRMASI - I

YÖNEYLEM ARAŞTIRMASI - I YÖNEYLEM ARAŞTIRMASI - I 1/19 İçerik Yöneylem Araştırmasının Dalları Kullanım Alanları Yöneylem Araştırmasında Bazı Yöntemler Doğrusal (Lineer) Programlama, Oyun Teorisi, Dinamik Programlama, Tam Sayılı

Detaylı

Algoritmalara Giriş 6.046J/18.401J

Algoritmalara Giriş 6.046J/18.401J Algoritmalara Giriş 6.046J/18.401J Ders 17 En kısa yollar I En kısa yolların özellikleri Dijkstra algoritması Doğruluk Çözümleme Enine arama Prof. Erik Demaine November 14, 005 Copyright 001-5 by Erik

Detaylı

Ağaç (Tree) Veri Modeli

Ağaç (Tree) Veri Modeli Ağaç (Tree) Veri Modeli 1 2 Ağaç Veri Modeli Temel Kavramları Ağaç, bir kök işaretçisi, sonlu sayıda düğümleri ve onları birbirine bağlayan dalları olan bir veri modelidir; aynı aile soyağacında olduğu

Detaylı

ş şşş ş ç ş şş ş ş çş Ç Ğ Ü Ü ş ç ç Ü ç ç ç Ü ç Ş Ü ş ç ş Ü Ş Ü ç ç ş Ş ş Ş Ü ş ş ş ş ş ş ş ş ş ç Ç Ş ş Ş ş ş Ü Ş ş ş ş Ü Ü ş ş Ü ş ş Ö ş ç ş ç Ç ç ç ş ş ç Ğ Ğ ş ç ş Ğ ş ş Ş Ğ ş ş ş ş ş ş ş ç Ç ç Ü ş ç

Detaylı

YAPAY ZEKA Mesleki Terminoloji II

YAPAY ZEKA Mesleki Terminoloji II YAPAY ZEKA Mesleki Terminoloji II Murat Baki Yücel - 13011035 Ozan Tepe - 14011082 Sunum İçeriği 1. Yapay Zeka Tanımlar 2. Tarihçe 3. Yapay Zeka ve Doğal Zeka 4. Arama Kör Sezgisel 5. Bilgi Gösterimi 6.

Detaylı

Tarih Saat Modül Adı Öğretim Üyesi. 01/05/2018 Salı 3 Bilgisayar Bilimlerine Giriş Doç. Dr. Hacer Karacan

Tarih Saat Modül Adı Öğretim Üyesi. 01/05/2018 Salı 3 Bilgisayar Bilimlerine Giriş Doç. Dr. Hacer Karacan BİLGİ TEKNOLOJİLERİ YÖNETİMİ EĞİTİM MODÜLLERİ Tarih Saat Modül Adı Öğretim Üyesi 01/05/2018 Salı Bilgisayar Bilimlerine Giriş Doç. Dr. Hacer Karacan Bu dersin amacı, bilgisayar bilimlerinin temel kavramlarını

Detaylı

Algoritmalar ve Karmaşıklık

Algoritmalar ve Karmaşıklık Algoritmalar ve Karmaşıklık Ders 11 Algoritma Ayrık matematikte karşılaşılan bir çok problem sınıfı mevcuttur. Örneğin, verilen tamsayı grubu içindeki en büyük olanının bulunması, verilen bir kümenin bütün

Detaylı

LABİRENTTEN ÇIKIŞ YOLUNU BULAN ROBOT

LABİRENTTEN ÇIKIŞ YOLUNU BULAN ROBOT ELEKTRİK MÜHENDİSLERİ ODASI İSTANBUL ŞUBESİ 2006-2007 ÖĞRETİM YILI PROJE YARIŞMASI LABİRENTTEN ÇIKIŞ YOLUNU BULAN ROBOT HAZIRLAYANLAR Hamdi Ertan YAŞAR Duygu ÇULUM Süleyman ÇİÇEK PROJE YÖNETİCİSİ Yrd.

Detaylı

Gezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması

Gezgin 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

Detaylı

NAVİGASYON KULLANIM KILAVUZU.

NAVİGASYON KULLANIM KILAVUZU. NAVİGASYON KULLANIM KILAVUZU www.fiatnavigation.com www.daiichi.com.tr Başlarken Araç navigasyon yazılımını ilk kez kullanırken, bir başlangıç ayarı süreci otomatik olarak başlar. Aşağıdaki adımları takip

Detaylı

Algoritmaların Karşılaştırılması. Doç. Dr. Aybars UĞUR

Algoritmaların Karşılaştırılması. Doç. Dr. Aybars UĞUR Algoritmaların Karşılaştırılması Doç. Dr. Aybars UĞUR Giriş Bir programın performansı genel olarak programın işletimi için gerekli olan bilgisayar zamanı ve belleğidir. Bir programın zaman karmaşıklığı

Detaylı

YZM 2116 Veri Yapıları

YZM 2116 Veri Yapıları YZM 2116 Veri Yapıları Yrd. Doç. Dr. Deniz KILINÇ Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Yazılım Mühendisliği Bu bölümde, BÖLÜM - 7 Ağaç (Tree) Veri Yapısı Giriş Ağaç VY Temel

Detaylı

F(A, N, K) // A dizi; N, K integer if N<0 then return K; if A[N]>K then K = A[N]; return F(A, N-1, K);

F(A, N, K) // A dizi; N, K integer if N<0 then return K; if A[N]>K then K = A[N]; return F(A, N-1, K); 2009-2010 BAHAR DÖNEMİ MC 689 ALGORİTMA TASARIMI ve ANALİZİ I. VİZE ÇÖZÜMLERİ 1. a) Böl ve yönet (divide & conquer) tarzındaki algoritmaların genel özelliklerini (çalışma mantıklarını) ve aşamalarını kısaca

Detaylı

Makine Öğrenmesi 2. hafta

Makine 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

Detaylı

Microsoft Excel in Performansını Etkileyen Faktörler Microsoft Excel, hiç şüphesiz milyonlarca kullanıcının kullandığı bir yazılım. İşletim sistemi ayarları, yüklü yazılımlar, Excel dosyaların kullanım

Detaylı

BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ

BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜM BAŞKANLIĞI DERS TANITIM BİLGİLERİ Dersin Adı Kodu Sınıf / Y.Y. ALGORİTMA ANALİZİ VE TASARIMI Ders Saati (T+U+L) Kredi AKTS BG-315 3/1 3+0+0 3+0 5 Dersin Dili : TÜRKÇE Dersin

Detaylı

BIP116-H14-1 BTP104-H014-1

BIP116-H14-1 BTP104-H014-1 VERİ YAPILARI VE PROGRAMLAMA (BIP116) Yazar: Doç.Dr.İ.Hakkı.Cedimoğlu SAKARYA ÜNİVERSİTESİ Adapazarı Meslek Yüksekokulu Bu ders içeriğinin basım, yayım ve satış hakları Sakarya Üniversitesi ne aittir.

Detaylı

YÖNEYLEM ARAŞTIRMASI - II

YÖNEYLEM ARAŞTIRMASI - II YÖNEYLEM ARAŞTIRMASI - II Araş. Gör. Murat SARI 1/35 I Giriş Biri diğerini izleyen ve karşılıklı etkileri olan bir dizi kararın bütünüyle ele alındığı problemler için geliştirilen karar modelleri ve bunların

Detaylı

BMB204. Veri Yapıları Ders 11. Çizgeler (Graph) Erdinç Uzun NKÜ Çorlu Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü

BMB204. Veri Yapıları Ders 11. Çizgeler (Graph) Erdinç Uzun NKÜ Çorlu Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü BMB204. Veri Yapıları Ders 11. Çizgeler (Graph) Erdinç Uzun NKÜ Çorlu Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Dersin Planı Çizgeler Çizge Tanım Çeşitleri Çizge Üzerinde Arama Önce derinliğine

Detaylı

DOSYA ORGANİZASYONU. Çarpışma çözümleme yöntemleri ÖZLEM AYDIN TRAKYA ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ

DOSYA ORGANİZASYONU. Çarpışma çözümleme yöntemleri ÖZLEM AYDIN TRAKYA ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ DOSYA ORGANİZASYONU ÖZLEM AYDIN TRAKYA ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ Çarpışma çözümleme yöntemleri Sunum planı Bağlantıları kullanarak çarpışmaların çözümlenmesi. Coalesced Hashing (Birleştirilmiş

Detaylı

MATLAB PARALEL HESAPLAMA ARACI İLE A* ALGORİTMASININ ROTA PLANLAMA İÇİN ANALİZİ

MATLAB PARALEL HESAPLAMA ARACI İLE A* ALGORİTMASININ ROTA PLANLAMA İÇİN ANALİZİ MATLAB PARALEL HESAPLAMA ARACI İLE A* ALGORİTMASININ ROTA PLANLAMA İÇİN ANALİZİ Sercan Aygün 1, Muammer Akçay 2 1 Yıldız Teknik Üniversitesi sercan@ce.yildiz.edu.tr 2 Dumlupınar Üniversitesi muammer.akcay@dpu.edu.tr

Detaylı

Algoritmalar. Arama Problemi ve Analizi. Bahar 2016 Doç. Dr. Suat Özdemir 1

Algoritmalar. Arama Problemi ve Analizi. Bahar 2016 Doç. Dr. Suat Özdemir 1 Algoritmalar Arama Problemi ve Analizi Bahar 2016 Doç. Dr. Suat Özdemir 1 Arama Problemi Sıralama algoritmaları gibi arama algoritmaları da gerçek hayat bilgisayar mühendisliği problemlerinin çözümünde

Detaylı

Doku ve Hastalıklara Özgü Büyük Ölçekli Biyolojik Ağları Oluşturul ası ve Analizi

Doku 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

Detaylı

YZM 2116 Veri Yapıları

YZM 2116 Veri Yapıları YZM 2116 Veri Yapıları Yrd. Doç. Dr. Deniz KILINÇ Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Yazılım Mühendisliği Bu bölümde, BÖLÜM - 9 Hatırlatmalar Tam İkili Ağaç Eksiksiz İkili

Detaylı

Algoritmalara Giriş 6.046J/18.401J

Algoritmalara Giriş 6.046J/18.401J Algoritmalara Giriş 6.046J/18.401J DERS 12 Atlama Listeleri Veri Yapısı Rastgele Araya Yerleştirme Yüksek olasılıkla" sınırı Analiz (Çözümleme) Yazı Tura Atma Prof. Erik D. Demaine Atlama Listeleri Basit

Detaylı

Gezgin Satıcı Probleminin Karınca Kolonisi ve Genetik Algoritmalarla Eniyilemesi ve Karşılaştırılması

Gezgin 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

Detaylı

PARÇACIK SÜRÜ OPTİMİZASYONU BMÜ-579 METASEZGİSEL YÖNTEMLER YRD. DOÇ. DR. İLHAN AYDIN

PARÇACIK 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.

Detaylı

TAMSAYILI PROGRAMLAMA

TAMSAYILI PROGRAMLAMA TAMSAYILI PROGRAMLAMA Doğrusal programlama problemlerinde sık sık çözümün tamsayı olması gereken durumlar ile karşılaşılır. Örneğin ele alınan problem masa, sandalye, otomobil vb. üretimlerinin optimum

Detaylı

Yapay Zekada Problem Çözme

Yapay Zekada Problem Çözme Yapay Zekada Problem Çözme Yapay Zekada Problem Çözme Yapay zeka teknolojileri her şeyden önce problem çözme işlemini arama ve değerlendirmeye dayalı olarak gerçekleştirir. Probleme Çözüm Arama ve Değerlendirme:

Detaylı

YZM 2116 Veri Yapıları

YZM 2116 Veri Yapıları YZM 2116 Veri Yapıları Yrd. Doç. Dr. Deniz KILINÇ Celal Bayar Üniversitesi Hasan Ferdi Turgutlu Teknoloji Fakültesi Yazılım Mühendisliği Bu bölümde, BÖLÜM - 8 Problem Tanımı Arama Ağaçları İkili Arama

Detaylı

Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir

Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt

Detaylı

Fonksiyon Optimizasyonunda Genetik Algoritmalar

Fonksiyon Optimizasyonunda Genetik Algoritmalar 01-12-06 Ümit Akıncı Fonksiyon Optimizasyonunda Genetik Algoritmalar 1 Fonksiyon Optimizasyonu Fonksiyon optimizasyonu fizikte karşımıza sık çıkan bir problemdir. Örneğin incelenen sistemin kararlı durumu

Detaylı

SAYISAL ÇÖZÜMLEME. Yrd.Doç.Dr.Esra Tunç Görmüş. 1.Hafta

SAYISAL ÇÖZÜMLEME. Yrd.Doç.Dr.Esra Tunç Görmüş. 1.Hafta SAYISAL ÇÖZÜMLEME Yrd.Doç.Dr.Esra Tunç Görmüş 1.Hafta Sayısal çözümleme nümerik analiz nümerik çözümleme, approximate computation mühendislikte sayısal yöntemler Computational mathematics Numerical analysis

Detaylı

Algoritma Analizi. Özelliklerinin analizi Algoritmanın çalışma zamanı Hafızada kapladığı alan

Algoritma Analizi. Özelliklerinin analizi Algoritmanın çalışma zamanı Hafızada kapladığı alan Karmaşıklık Giriş 1 Algoritma Analizi Neden algoritmayı analiz ederiz? Algoritmanın performansını ölçmek için Farklı algoritmalarla karşılaştırmak için Daha iyisi mümkün mü? Olabileceklerin en iyisi mi?

Detaylı

YZM ALGORİTMA ANALİZİ VE TASARIM DERS#1: ALGORİTMA KAVRAMI

YZM ALGORİTMA ANALİZİ VE TASARIM DERS#1: ALGORİTMA KAVRAMI YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#1: ALGORİTMA KAVRAMI Algoritma Nedir? Algoritma Bir problemin çözümü için geliştirilmiş özel metot Girdileri çıktılara dönüştüren sıralı hesaplama adımları Tanımlanmış

Detaylı

Web Madenciliği (Web Mining)

Web Madenciliği (Web Mining) Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan

Detaylı

HF TELSİZ AĞLARDA DSR TABANLI ROTALAMA UYGULAMASI

HF TELSİZ AĞLARDA DSR TABANLI ROTALAMA UYGULAMASI HF TELSİZ AĞLARDA DSR TABANLI ROTALAMA UYGULAMASI Makbule Gülçin ÖZSOY Özgür ÖZUĞUR TÜBİTAK/BİLGEM Gündem Kablosuz Tasarsız Ağlarda Rotalama Proak@f Algoritmalar Reak@f Algoritmalar HF Ağlarda Rotalama

Detaylı

GPS NAVIGATION SYSTEM QUICK START USER MANUAL

GPS NAVIGATION SYSTEM QUICK START USER MANUAL GPS NAVIGATION SYSTEM QUICK START USER MANUAL TURKISH Başlarken Araç navigasyon yazılımını ilk kez kullanırken, bir başlangıç ayarı süreci otomatik olarak başlar. Aşağıdaki adımları takip edin: Program

Detaylı

Algoritma Geliştirme ve Veri Yapıları 1 Temel Algoritma Kavramları. Mustafa Kemal Üniversitesi

Algoritma Geliştirme ve Veri Yapıları 1 Temel Algoritma Kavramları. Mustafa Kemal Üniversitesi Algoritma Geliştirme ve Veri Yapıları 1 Temel Algoritma Kavramları Giriş 1) Algoritma geliştirme üzerine temel kavramlar 2) Veri modelleri 3) Veri yapıları 4) Algoritma veya yazılım şekilsel gösterimi

Detaylı

Gezgin 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 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

Detaylı