GENETİK ALGORİTMALARA GİRİŞ (V)
|
|
- Nesrin Gözde Ince
- 5 yıl önce
- İzleme sayısı:
Transkript
1 GENETİK ALGORİTMALARA GİRİŞ (V) Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü Düzce Üniversitesi Elektrik&Elektronik Mühendisliği Bölümü Konuralp Düzce
2 Bölüm Konu Başlıkları Seçim Yöntemleri Rulet Çemberi Turnuva Sıralama Caprazlama Yöntemleri Tek Noktalı Çift Noktalı / n Noktalı Üniform Mutasyon Yöntemleri Değer Değiştirmeli Yer Değiştirmeli 2
3 Uygunluk Orantılı Seçim/Rulet Çemberi Algoritmanın Tanımı: Adım 1: Popülasyondaki bütün üyelerin uygunluk değerlerini toplayın. f sum = N i f i Adım 2: 0 ila f sum arasında rastgele bir sayı üretin. (R s ) Adım 3: Popülasyon üyelerinin uygunluk değerlerini birbirine ekleyin. Eğer birikmeli toplam R s den büyük olduğunda hemen durun. Son eklenen üyeyi seçilmiş üye olarak alın ve kopyasını bir sonraki jenerasyona geçirin. 3
4 Rulet Çemberi Uygunluk orantılı veya rulet çemberi seçimi en uygun birey dahi olsa her hangi bireyin seçimi garanti etmez. En uygun birey diğerlerine göre çok çok daha iyi olmadıkça nadiren seçilmeyebilir. Seçilmeyen birey atılır. Bu şekilde uygunluk orantılı seçim ile çözülmesi düşünülen problem için muhtemel en iyi çözüm atılmış olur. Bu durum dezavantajlı gibi görünse de algoritmayı yavaşlattığı ve erken yakınsama yapmadan önce arama uzayında daha çok keşif imkanı sağladığından bazı problemlerin çözümü için avantajlı olabilir. Arama uzayının keşfi ile bulunanların kullanılması arasındaki denge Genetik Algoritma teorisinde devam edegelen bir tartışma konudur. 4
5 Turnuva Seçimi Algoritmanın Tanımı: Adım 1: Turnuva büyüklüğünü ( t ) belirleyin. Adım 2: Popülasyon içinden (tekrar yerine koymak kaydıyla) rastgele t adet birey seçin. Adım 3: Seçilenler içinden en iyi uygunluğa sahip bireyi alıp eşleşme havuzuna koyun. Adım 4: Bu şekilde popülasyon büyüklüğü (N) kadar birey seçilene kadar seçim işlemine devam edin. 5
6 Lineer Sıralama Seçimi Algoritmanın Tanımı: Adım 1: Kromozomlar büyükten küçüğe doğru sıralanır. Adım 2: Bir ile iki arasında seçim baskısı değeri belirlenir. Adım 3: En büyük uygunluk değeri popülasyon sayısı (N) alınırken en küçük uygunluk değeri ise 1 alınır. Buna göre her bir bireyin uygunluk değeri aşağıdaki eşitlik ile bulunur. f i = 2 SP + 2 (SP 1) i 1 N 1 SP : Seçim baskısı olup değeri 1 ile 2 arasındadır. i : Popülasyondaki bireyin durumu. 6
7 Çaprazlama İşlemi Çaprazlama, arama uzayında yeni parçaların keşfini mümkün kılan farklı çözümlere ait bilginin bir araya gelmesine olanak sağlayan bir yöntemdir. Tek nokta çaprazlama seçilen string çiftleri rastgele bir yerden kesilir (1 ile L -1 arasında rasgele bir sayı olan R L ) ve 2 yavru string oluşturmak için parçaları değiştirilir. Yeni popülasyon yapılan seçim ve çaprazlama ile N bireyden oluşur (başlangıç popülasyonu ile aynı sayıda olur). Daha sonra elit üye dışında tüm popülasyon üzerinde mutasyon işlemi yapılır (eğer elitizm seçeneği uygulandı ise). Bu işlem yapıldıktan sonra, eski topluluk yenisi ile değiştirilir ve üretim sayacı olan g bir artırılır. 7
8 Çaprazlama İşlemi Temel Genetik Algoritma, rekombinasyon işlemi için tek nokta çaprazlama kullanır (doğal hayatta, 1 ilâ 8 arasında çaprazlama noktası olduğu bildirilmiştir. Seçilen çiftler P c olasılığı ile çaprazlama işlemine tabi tutulurlar. Burada ilk olarak 0-1 aralığında rastgele bir sayı olan R c, üretilir ve bireyler, ancak ve ancak R c P c olduğunda çaprazlanırlar. Aksi durumda çift, çaprazlama yapılmadan onaylanır. Genelde P c değerleri 0.4 ila 0.9 aralığındadır. (Eğer P c = 0.5 ise, yeni popülasyonun yarısı seçim ve çaprazlama ile diğer yarısı ise çaprazlamasız oluşturulur.) Çaprazlama olmaksızın popülasyonun ortalama uygunluk değeri ƒ ave, en uygun üyenin ƒ max uygunluk değerine eşit olmasına kadar artacaktır. 8
9 Tek Nokta Binari Çaprazlama Tek nokta çaprazlama için 1 ila L-1 arasında rastgele bir tamsayı üretilir. (R L =4) EBEVEYN L=11 YAVRU
10 Tek Nokta Binari Çaprazlama String üzerinde rastgele bir nokta seçilir. Ebeveyn bu çaprazlama noktasından ayrılır. Ayrılan parçalar yer değiştirerek yavrular meydana getirilir. 10
11 İki Nokta Binari Çaprazlama Stringler içinde 2 adet çaprazlama noktası seçin. Bu noktalar arasında parçaları ayırın. Ayrılan parçaları eşler arasında karşılıklı yer değiştirin. 11
12 Üniform Binari Çaprazlama Bir madeni para düşünün ve bu parada yazı tarafı bir eşle tura tarafı diğer eşle eşleştirin İlk yavrudaki her bir bitin tayini için parayı havaya atın. Bunun tersini ikinci yavrunun bitini tayin etmek için yapın. 12
13 Mutasyon İşlemi Doğada birçok süreç mutasyona neden olur ve en basit olanı replikasyon sırasında olan hatadır. Basit bir binari gösterimde mutasyonu uygulamak kısmen kolaydır. Her bir yeni jenerasyon ile her ziyaret edilen stringdeki her bit pozisyonu ile tüm popülasyon taranır ve çok nadiren 1 değeri 0 değerine döndürülür veya tam tersi yapılır. Mutasyon olasılığı, P m binde bir mertebesindedir. Yani her bin bitten sadece bir tanesi mutasyona maruz kalır. Ancak Genetik Algoritma ile ilgili her şeyde olduğu gibi P m değerinin doğru ayarlanması probleme bağlıdır. Birçok araştırmacı P m değerini stringin bit uzunluğunun tersi P m = 1 L, bazıları ise P m = 1 almaktadır. N L olarak 13
14 Mutasyon İşlemi Literatürde pek çok mutasyon türü önerilmektedir. Bazı çalışmalarda her bir bit pozisyonu ziyaret edilmekte, pozisyondaki bit rastgele 0 veya 1 yapılmakta ve mevcut değer yeni değerle değiştirilmektedir. Mutasyon problemin herhangi bir yerel optimum noktaya yakınsamayı engelleyebilmek için tercih edilmektedir. Mutasyon oranları genellikle düşük tutulmaktadır. Bunun nedeni çaprazlama sonucu elde edilen uyum değeri yüksek dizileri kaybetmemektir. Değer değiştirme en basit mutasyon yöntemi olarak bilir. Burada stringdeki herhangi bir bitin değeri 1 iken 0 ya da tersi yapılarak uygulanır. Kaydırma, Yerleştirme ve Karşılıklı Değişim yöntemleri diğer bilinen mutasyon çeşitleridir. 14
15 Değer Değiştirme Değer değiştirmeli mutasyonda 1 ile L arasında rastgele bir tamsayı üretilir (R L =6) ve bu noktada bit değeri 0 ise 1, 1 ise 0 yapılır. EBEVEYN L=11 YAVRU
16 Yer Değiştirmeli Mutasyon Değer değiştirmeli mutasyonda 1 ile L arasında rastgele iki tamsayı üretilir (R 1 =4 ve R 1 =8) ve bu noktadaki değerler karşılıklı yer değiştirilir. EBEVEYN L=11 YAVRU
17 Elitizm Elit üyenin her bir jenerasyonda tutulması elitizm olarak adlandırılır ve sadece seçilmesi yeterli olmayıp aynı zamanda kopyasının çaprazlama ya da mutasyon ile bozulumaması gerekir. Elitizm ne kadar fazla kullanırsa algoritmada o kadar iyileşme sağlanabilir. Ancak işin sonunda gerçek optimum değeri bulmak için algoritmanın başarısız olma ihtimali söz konusu olabilir. Çoğu uygulamada jenerasyonlar arasında en iyiyi veya elit üyeyi kaybetmeyerek arama hızı büyük ölçüde arttırılabilir. Burada, elitizm έ ile gösterilir (yalnızca 0 ya da 1 değerini alabilir); eğer έ=1 ise elitizm uygulanır, eğer έ=0 ise elitizm uygulanmaz. 17
18 Diğer Kodlamalar Burada daha çok binari kodlu GA'lar üzerinde durulmuştur. Ancak bazı araştırmacılar kodlama problem uzayına mümkün olduğu kadar yakın olduğunda GA'ların daha etkili olduklarını belirtmişlerdir. Bilim ve mühendislikteki pek çok problem 10 tabanlı sayıların kullanılmasını gerektirir. Ne yazık ki, gerçek değerli bir kodlama kullanmak için çaprazlama ve mutasyon operatörleri olarak neyin kullanılacağına dair çok sayıda soru mevcuttur. Bu konuda birçok olasılık tanıtılmış ve bazı araştırmalarda bu detaylıca tartışılmıştır. Mesela, Reeves binari olmayan alfabe kullanan popülasyon boyutlarının etkileri hakkında değerlendirmelerde bulunmuştur. 18
19 Diğer Kodlamalar İkili olan ve ikili olmayan gösterimlerin karşılaştırması. x f C (binari) C (binari olmayan) a b c m 19
20 Gray Kodlama Problem uzayına mümkün olduğunca en yakın kodlama kullanıldığında GA nın en başarılı olabileceği yukarıdaki bölümde önerilmişti. Bu nedenle fenotipteki "küçük" bir değişiklik, genotipte benzer bir "küçük" değişikliği göstermelidir. İkili bir kodlama için bu böyle değildir. Fenotipi r olup 0 r 63 aralığında olan ve genotipi l = 6 olduğunda = 31 olur. Fenotipin değerini bir arttırmak için altı bitten birinde değişiklik yapması gerekecektir, =32. Diğer taraftan genotipteki küçük bir değişiklik fenotipte çok büyük bir değişime neden de olabilir. Gray ikili kodlama, problem uzayında herhangi bir çift bitişik noktanın, gösterim uzayındaki tek bir bit ile farklı olmasını sağlayarak bunu azaltır. 20
21 Gray Kodlama Birçok problem için bu komşuluk özelliğinin performansı arttırdığı bilinmektedir ve tam sayı, gerçek veya karmaşık değerli bilinmeyenlerle ilgili çoğu problem için Gray kodlamanın kullanılması uygun görülmektedir. Aşağıdaki Tablo l = 4 için binari ve Gray eşdeğer listesini göstermektedir. Ayrıca Gray i standart binariye dönüştürmek için BASIC kodu verilmektedir. 21
22 Gray Kodlama Binari ve Gray kodlama karşılaştırması. Binari Gray Binari Gray I
23 Gray Kodlama Gray'i standart ikiliğe dönüştürmek için BASIC kodu. Bin (1) = Gray (1) FOR i = 2 TO L IF Bin(i - 1) = Gray(i) THEN ELSE NEXT i END IF Bin(i) = 0 Bin(i) = 1 Not: Gray ve binari stringler, Gray ve Bin (her biri L uzunluğunda) ilk öğenin en önemli olduğu dizilerde tutulduğu varsayılır. 23
24 GA optimal çözümleri bulmada en iyi bazen zorlanır. Ancak geniş karmaşık arama uzayında optimal çözümüne yakın çözümleri bulma konusunda iyidirler. Yeterli zaman verildiğinde, GA genellikle optimal çözüme yakınsar, ancak uygulamada bunun hızlı bir süreç olması olası değildir. Global optimuma biraz daha yaklaşmak için birçok etkili geleneksel algoritma bulunur. Bu durum tepeleri bulmak için GA nın çok güçlü bir optimizasyon tekniği olduğunu ve bunlara tırmanmak için ise geleneksel yöntemleri kullanmayı ifade eder. Algoritmanın son hali elimizdeki probleme ve mevcut kaynaklara bağlıdır. Bu hibrit çözüme en basit yaklaşım, son popülasyondaki en uygun birey tarafından temsil edilen gerçek değerli çözüm vektörünü geleneksel bir aramanın başlangıç noktası olarak kullanmaktır. 24 Hibrit Algoritmalar
25 Hibrit Algoritmalar Geleneksel arama algoritması bir NAG (nümerik algoritma grubu) rutini gibi ticari olarak derlenmiş ya da sayısal yöntemler ile ilgili bir metinden alınmış olabilir. Başka bir yaklaşım, GA tarafından kullanılan string gösteriminde kalmak ve bitleri doğrudan yapıcı bir şekilde değiştirmeye çalışmaktır. Bunu gerçekleştirmenin bir yolu eğirme camının zemin durumunun değerlendirildiği bir örnek üzerinde gösterilmiştir. Bu örnekte, stringdeki her bit ziyaret edilerek, değeri mutasyona uğratılarak ve popülasyondaki bireyin uygunluğu yeniden hesaplanarak yerel tepelere tırmanılır. Eğer uygunlukta bir iyileşme sağlanırsa mutasyona devam edilir. 25
26 Hibrit Algoritmalar Çok basit başka bir olasılık ise ilk bilinmeyen parametredeki elit stringe 1 ekleyerek veya çıkararak (örneğin = 1110), tekrar uygunluk değerini hesaplayarak ve eğer iyileşme olursa ekleme ve çıkarmaya devam ederek tepeye tırmanmaktır. Ekleme (çıkarma) işlemi ilk bilinmeyen parametrenin ayarlanması herhangi bir fayda sağlamayana kadar bu işlem tekrar edilir. Diğer parametreler de daha sonra benzer şekilde ele alınır. GA stringleri ile çalışma GA nın koşturulması sırasında böyle tekniklerin herhangi bir zamanda uygulanması gibi bir avantaja sahiptir. Bu çalışma daha çok kısıtlanmış GA temelli arama için başlangıç noktası olarak nihai çözüm vektörünün kullanılmasının etkili olduğu bulunmuştur. 26
27 Hibrit Algoritmalar Gerçek kodlamaya geçilince GA string gösteriminin binari şekline geri dönüştürülmesi zor olduğundan bazı parametrelerin almış olduğu değerler doğrudan string olarak gösterilemez. Bununla birlikte, bu gibi gerçek değerli yöntemler genellikle çok etkilidir. Diğer bir yöntem daha önceden açıklandığı üzere GA da binari sayı kullanmamaktır. Arama uzayının birçok skalada karmaşık olduğuna inanılırsa, hemen GA dan vazgeçerek başka bir yöntemi kullanmak hatalı bir çözüme yol açabilir. Daha önce bir örnekte verilen likit kristal problemi, böyle bir uzayı içermektedir. 27
28 Hibrit Algoritmalar Performansı ve yakınsama hızını artırmanın diğer yolu sezgisel yöntemlerden faydalanmaktır. Bu şekilde başka bir örnek ise GSP deki (gezgin satıcı problemi) şehirler arası mesafelerin kullanılmasıdır. Bu bilgi iyileştirilmiş üniform çaprazlama operatör tipini üretmek için kullanmıştır. Her bir eşten değişik şehirler alarak yavru stringleri oluşturmaktan ziyade yavru, coğrafi olarak mevcut şehre en yakın şehri miras alır. Alternatif olarak uygunluk hesaplamaları -genellikle algoritmanın en çok zaman alan işidir- başlangıçta yaklaşık biçimde yapılabilir. Örneğin, deneysel verilerle en küçük kareler minimizasyonunu kullanan problemlerde, GA'nın rasgele, düzenli veya diğer veri alt kümesi kullanarak ve belirli sayıda jenerasyon koşturarak gerçekleştirilebilir. Daha sonra başlangıçtaki alt küme, daha fazla veriyi ve diğer nesilleri işleyecek şekilde genişletilir. Bu işlem, tüm veriler dikkate alınana kadar tekrarlanır. 28
GENETİK 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
DetaylıGENETİK ALGORİTMALARA GİRİŞ (VII)
GENETİK ALGORİTMALARA GİRİŞ (VII) Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği Bölümü Konuralp 81620
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
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 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
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
DetaylıGENETİK ALGORİTMALAR. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ
GENETİK ALGORİTMALAR Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ GENETİK ALGORİTMALAR Genetik algoritmalar, Darwin in doğal seçim ve evrim teorisi ilkelerine dayanan bir arama ve optimizasyon yöntemidir.
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
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
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
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
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
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
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
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.
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
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
DetaylıEv Tipi Yenilenebilir Hibrit Sistem İçin Mikro-Genetik Algoritma ile Optimal Yük Planlaması
Ev Tipi Yenilenebilir Hibrit Sistem İçin Mikro-Genetik Algoritma ile Optimal Yük Planlaması Özay CAN, Nedim TUTKUN Düzce Üniversitesi Elektrik/Elektronik Mühendisliği Kapsam Giriş Hibrit Sistem ve Güç
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:
DetaylıAlgoritmalar. 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
DetaylıOPTİMİZASYON TEKNİKLERİ. Kısıtsız Optimizasyon
OPTİMİZASYON TEKNİKLERİ Kısıtsız Optimizasyon Giriş Klasik optimizasyon yöntemleri minimum veya maksimum değerlerini bulmak için türev gerektiren ve gerektirmeyen teknikler olarak bilinirler. Bu yöntemler
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.
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
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
DetaylıGENETİK ALGORİTMALARA GİRİŞ (I)
Bu notlar D. Coley ve S. Haupt ın Kitaplarından Yararlanarak Hazırlanmıştır. GENETİK ALGORİTMALARA GİRİŞ (I) Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr
DetaylıMETASEZGİSEL YÖNTEMLER
METASEZGİSEL YÖNTEMLER Ara sınav - 30% Ödev (Haftalık) - 20% Final (Proje Sunumu) - 50% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn: Zaman çizelgeleme, en kısa yol bulunması,
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
DetaylıFonksiyon Minimizasyonunda Simulated Annealing Yöntemi
07-04-006 Ümit Akıncı Fonksiyon Minimizasyonunda Simulated Annealing Yöntemi İçindekiler Fonksiyon Minimizasyonu Metropolis Algoritması. Algoritma.......................................... Bir boyutlu
DetaylıBMB204. Veri Yapıları Ders 12. Dizgi Eşleme (String Matching) Algoritmaları İleri Veri Yapıları
BMB204. Veri Yapıları Ders 12. Dizgi Eşleme (String Matching) Algoritmaları İleri Veri Yapıları Erdinç Uzun NKÜ Çorlu Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü Dersin Planı Dizgi Eşleme Algoritmaları
DetaylıGENETİK ALGORİTMALARA GİRİŞ (VI)
GENETİK ALGORİTMALARA GİRİŞ (VI) Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği Bölümü Konuralp 81620
DetaylıBir işaretli büyüklük sayısında en soldaki basamak bir işaret içerir. Diğer basamaklarda ise sayısal değerin büyüklüğü (mutlak değeri) gösterilir.
İşaretli Tamsayı Gösterimi 1. İşaretli Büyüklük Bir işaretli büyüklük sayısında en soldaki basamak bir işaret içerir. Diğer basamaklarda ise sayısal değerin büyüklüğü (mutlak değeri) gösterilir. Örnek
DetaylıSAYISAL ELEKTRONİK. Ege Ü. Ege MYO Mekatronik Programı
SAYISAL ELEKTRONİK Ege Ü. Ege MYO Mekatronik Programı BÖLÜM 2 Sayı Sistemleri İkilik, Onaltılık ve İKO Sayılar İkilik Sayı Sistemi 3 Çoğu dijital sistemler 8, 16, 32, ve 64 bit gibi, 2 nin çift kuvvetleri
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
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:
DetaylıGENETİK ALGORİTMALARA GİRİŞ (IV)
GENETİK ALGORİTMALARA GİRİŞ (IV) Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği Bölümü Konuralp 81620
DetaylıGEZGİN 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.
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
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
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
DetaylıGEZGİN SATICI PROBLEMİ İÇİN BİR MEMETİK ALGORİTMA ÖNERİSİ
GEZGİN SATICI PROBLEMİ İÇİN BİR MEMETİK ALGORİTMA ÖNERİSİ Engin Sansarcı İ.T.Ü. İşletme Fakültesi, İSTANBUL enginsansarci@gmail.com Abdullah Aktel İ.T.Ü. İşletmeFakültesi, İSTANBUL abdullahaktel@gmail.com
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
DetaylıEV TİPİ YENİLENEBİLİR HİBRİT SİSTEM İÇİN MİKRO-GENETİK ALGORİTMA İLE OPTİMAL YÜK PLANLAMASI
EV TİPİ YENİLENEBİLİR HİBRİT SİSTEM İÇİN MİKRO-GENETİK ALGORİTMA İLE OPTİMAL YÜK PLANLAMASI Özay CAN Düzce Üniversitesi Elektrik Elektronik Müh. ozaycan28@hotmail.com Nedim TUTKUN Düzce Üniversitesi Elektrik
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
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
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
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
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,
DetaylıAlgoritma Geliştirme ve Veri Yapıları 3 Veri Yapıları. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 3 Veri Yapıları Veri yapısı, bilginin anlamlı sırada bellekte veya disk, çubuk bellek gibi saklama birimlerinde tutulması veya saklanması şeklini gösterir. Bilgisayar
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
DetaylıGENETİK ALGORİTMA İLE RÜZGAR TÜRBİNİ KANAT SAYISI SEÇİMİ
VI. Ulusal Temiz Enerji Sempozyumu UTES 2006 25 27 Mayıs 2006, Isparta Sf.756 764 GENETİK ALGORİTMA İLE RÜZGAR TÜRBİNİ KANAT SAYISI SEÇİMİ Nida Nurbay ve Ali Çınar Kocaeli Üniversitesi Tek. Eğt. Fak. Makine
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
DetaylıBÖLÜM 24 PAULI SPİN MATRİSLERİ
BÖLÜM 24 PAULI SPİN MATRİSLERİ Elektron spini için dalga fonksiyonlarını tanımlamak biraz kullanışsız görünüyor. Çünkü elektron, 3B uzayda dönmek yerine sadece kendi berlirlediği bir rotada dönüyor. Elektron
DetaylıSAYI VE KODLAMA SİSTEMLERİ. Teknoloji Fakültesi/Bilgisayar Mühendisliği
SAYI VE KODLAMA SİSTEMLERİ Teknoloji Fakültesi/Bilgisayar Mühendisliği Neler Var? Sayısal Kodlar BCD Kodu (Binary Coded Decimal Code) - 8421 Kodu Gray Kodu Artı 3 (Excess 3) Kodu 5 de 2 Kodu Eşitlik (Parity)
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
DetaylıRasgele Sayı Üretme. Rasgele Sayıların Özellikleri. İki önemli istaiksel özelliği var :
Rasgele Sayı Üretme Rasgele Sayıların Özellikleri İki önemli istaiksel özelliği var : Düzgünlük (Uniformity) Bağımsızlık R i, rasgele sayısı olasılık yoğunluk fonksiyonu aşağıdaki gibi olan uniform bir
DetaylıİSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUVARI LİNEER KRİPTANALİZ
İSTANBUL TİCARET ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR SİSTEMLERİ LABORATUVARI LİNEER KRİPTANALİZ 1. DENEYİN AMACI Bu deney, simetrik şifreleme algoritması kullanılarak şifrelenmiş bir
DetaylıTek Değişkenli Optimizasyon OPTİMİZASYON. Gradient Tabanlı Yöntemler. Bisection (İkiye Bölme) Yöntemi
OPTİMİZASYON Gerçek hayatta, çok değişkenli optimizasyon problemleri karmaşıktır ve nadir olarak problem tek değişkenli olur. Bununla birlikte, tek değişkenli optimizasyon algoritmaları çok değişkenli
DetaylıAlgoritma ve Akış Diyagramları
Algoritma ve Akış Diyagramları Bir problemin çözümüne ulaşabilmek için izlenecek ardışık mantık ve işlem dizisine ALGORİTMA, algoritmanın çizimsel gösterimine ise AKIŞ DİYAGRAMI adı verilir 1 Akış diyagramları
DetaylıGenetik Algoritmalar. Prof.Dr.Adem KALINLI
Genetik Algoritmalar Erciyes Üniversitesi Ekim 2012 Sunum İçeriği Giriş Evrimsel Hesaplama Genetik Algoritmalar Maliyet fonksiyonu Bilgi temsil mekanizması Başlangıç popülasyonu oluşturma Uygunluk veya
DetaylıDr. Fatih AY Tel: 0 388 225 22 55 fatihay@fatihay.net www.fatihay.net
Bilgisayar Programlama Ders 6 Dr. Fatih AY Tel: 0 388 225 22 55 fatihay@fatihay.net www.fatihay.net Fonksiyon Prototipleri Fonksiyon Prototipleri Derleyici, fonksiyonların ilk hallerini (prototiplerini)
DetaylıKİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI
KİNETİK MODEL PARAMETRELERİNİN BELİRLENMESİNDE KULLANILAN OPTİMİZASYON TEKNİKLERİNİN KIYASLANMASI Hatice YANIKOĞLU a, Ezgi ÖZKARA a, Mehmet YÜCEER a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği
DetaylıAST416 Astronomide Sayısal Çözümleme - II. 6. Monte Carlo
AST416 Astronomide Sayısal Çözümleme - II 6. Monte Carlo Bu derste neler öğreneceksiniz? Monte Carlo Yöntemleri Markov Zinciri (Markov Chain) Rastgele Yürüyüş (Random Walk) Markov Chain Monte Carlo, MCMC
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.
Detaylı3.3. İki Tabanlı Sayı Sisteminde Dört İşlem
3.3. İki Tabanlı Sayı Sisteminde Dört İşlem A + B = 2 0 2 1 (Elde) A * B = Sonuç A B = 2 0 2 1 (Borç) A / B = Sonuç 0 + 0 = 0 0 0 * 0 = 0 0 0 = 0 0 0 / 0 = 0 0 + 1 = 1 0 0 * 1 = 0 0 1 = 1 1 0 / 1 = 0 1
DetaylıRasgele Sayıların Özellikleri
Rasgele Sayı Üretme Rasgele Sayıların Özellikleri İki önemli istaiksel özelliği var : Düzgünlük (Uniformity) Bağımsızlık R i, rasgele sayısı olasılık yoğunluk fonksiyonu aşağıdaki gibi olan uniform bir
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)
DetaylıKONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I
KONU 4: DOĞRUSAL PROGRAMLAMA MODELİ İÇİN ÇÖZÜM YÖNTEMLERİ I 4.1. Dışbükeylik ve Uç Nokta Bir d.p.p. de model kısıtlarını aynı anda sağlayan X X X karar değişkenleri... n vektörüne çözüm denir. Eğer bu
DetaylıKompozit Malzemeler ve Mekaniği. Yrd.Doç.Dr. Akın Ataş
Kompozit Malzemeler ve Mekaniği Yrd.Doç.Dr. Akın Ataş Bölüm 4 Laminatların Makromekanik Analizi Kaynak: Kompozit Malzeme Mekaniği, Autar K. Kaw, Çevirenler: B. Okutan Baba, R. Karakuzu. 4 Laminatların
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
Detaylı2.3. MATRİSLER Matris Tanımlama
2.3. MATRİSLER 2.3.1. Matris Tanımlama Matrisler girilirken köşeli parantez kullanılarak ( [ ] ) ve aşağıdaki yollardan biri kullanılarak girilir: 1. Elemanları bir tam liste olarak girmek Buna göre matris
DetaylıAlgoritmalar. 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
DetaylıMAT223 AYRIK MATEMATİK
MAT223 AYRIK MATEMATİK Kombinatoryal Olasılık 5. Bölüm Emrah Akyar Anadolu Üniversitesi Fen Fakültesi Matematik Bölümü, ESKİŞEHİR 2014 2015 Öğretim Yılı Olaylar ve Olasılıklar Kombinatoryal Olasılık Olaylar
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
DetaylıNesne Yönelimli Programlama
1 Nesne Yönelimli Programlama Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Not: Bu dersin sunumları, Java Programlama Dili ve Yazılım Tasarımı, Altuğ B. Altıntaş, Papatya
DetaylıMendel Genetiği, Kalıtım, Gen Mühendisliği ve Biyoteknoloji
Mendel Genetiği, Kalıtım, Gen Mühendisliği ve Biyoteknoloji MENDEL GENETİĞİ Ebeveyn (ana-baba) ile oğul bireyler arasındaki benzerlik ve farklılıkların nasıl veya hangi oranlarda ortaya çıkabileceğini
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıTAMSAYILI PROGRAMLAMA
TAMSAYILI PROGRAMLAMA Doğrusal programlama problemlerinde sık sık çözümün tamsayı olması gereken durumlar ile karşılaşılır. Örneğin ele alınan problem masa, sandalye, otomobil vb. üretimlerinin optimum
DetaylıKısıtsız Optimizasyon OPTİMİZASYON Kısıtsız Optimizasyon
OPTİMİZASYON Bu bölümde çok değişkenli kısıtsız optimizasyon problemlerinin çözüm yöntemleri incelenecektir. Bu bölümde anlatılacak yöntemler, kısıtlı optimizasyon problemlerini de çözebilmektedir. Bunun
DetaylıGEZGİN SATICI PROBLEMİ TABANLI BİR SİSTEMİN DİNAMİK BULANIK GENETİK ALGORİTMALAR İLE OPTİMİZASYONU
YILDIZ TEKNİK ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ GEZGİN SATICI PROBLEMİ TABANLI BİR SİSTEMİN DİNAMİK BULANIK GENETİK ALGORİTMALAR İLE OPTİMİZASYONU Erdinç KURUCA FBE Endüstri Mühendisliği Anabilim Dalı
DetaylıSayı sistemleri iki ana gruba ayrılır. 1. Sabit Noktalı Sayı Sistemleri. 2. Kayan Noktalı Sayı Sistemleri
2. SAYI SİSTEMLERİ VE KODLAR Sayı sistemleri iki ana gruba ayrılır. 1. Sabit Noktalı Sayı Sistemleri 2. Kayan Noktalı Sayı Sistemleri 2.1. Sabit Noktalı Sayı Sistemleri 2.1.1. Ondalık Sayı Sistemi Günlük
DetaylıİSTATİSTİKSEL TAHMİNLEME. Örneklem istatistiklerinden hareketle ana kütle parametreleri hakkında genelleme yapmaya istatistiksel tahminleme denir.
İSTATİSTİKSEL TAHMİNLEME Örneklem istatistiklerinden hareketle ana kütle parametreleri hakkında genelleme yapmaya istatistiksel tahminleme denir. 1 ŞEKİL: Evren uzay-örneklem uzay İstatistiksel tahmin
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 Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
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
DetaylıSanal Bellek (Virtual Memory)
Sanal Bellek (Virtual Memory) Bellek yönetim tekniklerinde belleğin zaman içinde parçalanması ve işlemlerin boyutunun fiziksel belleğin boyutuyla sınırlı olması sorunları vardır. Ana belleğin yetersiz
DetaylıİLERİ ALGORİTMA ANALİZİ TABU ARAMA ALGORİTMASI (TABU SEARCH)
İLERİ ALGORİTMA ANALİZİ TABU ARAMA ALGORİTMASI (TABU SEARCH) Tabu Arama Algoritması, optimizasyon problemlerinin çözümü için F.Glover tarafından geliştirilmiş iteratif bir araştırma algoritmasıdır. Temel
DetaylıBİLGİSAYAR PROGRAMLAMA Araş. Gör. Ahmet ARDAHANLI. Kafkas Üniversitesi Mühendislik Fakültesi
BİLGİSAYAR PROGRAMLAMA Araş. Gör. Ahmet ARDAHANLI Kafkas Üniversitesi Mühendislik Fakültesi Bu hafta? İki değişken değerinin yer değiştirilmesi (swapping) selection sort sıralama algoritması bubble sort
Detaylı10.Sınıf Biyoloji. Genetik. cevap anahtarı
10.Sınıf Biyoloji 4 Genetik cevap anahtarı 4 1 KALITIM Canlı bireylere ait olan özelliklerin, yavru bireylere aktarılmasını inceleyen bilim dalına kalıtım denir. Aristo m.ö. 350 yılında kalıtımın kan yoluyla
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
DetaylıSayı sistemleri-hesaplamalar. Sakarya Üniversitesi
Sayı sistemleri-hesaplamalar Sakarya Üniversitesi Sayı Sistemleri - Hesaplamalar Tüm sayı sistemlerinde sayılarda işaret kullanılabilir. Yani pozitif ve negatif sayılarla hesaplama yapılabilir. Bu gerçek
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani
DetaylıMATEMATİK MÜHENDİSLİĞİ BÖLÜMÜ
İSTANBUL TEKNİK ÜNİVERSİTESİ FEN EDEBİYAT FAKÜLTESİ MATEMATİK MÜHENDİSLİĞİ BÖLÜMÜ K-MEANS KÜMELEME ALGORİTMASININ GENETİK ALGORİTMA KULLANILARAK GELİŞTİRİLMESİ BİTİRME ÖDEVİ Yunus YÜNEL Tez Danışmanı:
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 8: Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır. Bu anlamda, anakütleden çekilen
DetaylıCebir 1. MIT Açık Ders Malzemeleri
MIT Açık Ders Malzemeleri http://ocw.mit.edu 18.701 Cebir 1 2007 Güz Bu malzemeden alıntı yapmak veya Kullanım Şartları hakkında bilgi almak için http://ocw.mit.edu/terms ve http://tuba.acikders.org.tr
DetaylıADIM ADIM YGS LYS Adım EKOLOJİ 15 POPÜLASYON GENETİĞİ
ADIM ADIM YGS LYS 108. Adım EKOLOJİ 15 POPÜLASYON GENETİĞİ Belirli bir bölgede yaşayan aynı türlerin oluşturduğu topluluğa popülasyon denir. Popülasyon genetiği, popülasyonu temel alan genetik koludur.
DetaylıUzaktan Eğitim Uygulama ve Araştırma Merkezi
JAVA PROGRAMLAMA Öğr. Gör. Utku SOBUTAY İÇERİK 2 Java Kodlarına Yorum Satırı Eklemek Java Paket Kavramı Java Kütüphane Kavramı Konsoldan Veri Çıkışı ve JOPtionPane Kütüphanesi JOptionPane Kütüphanesi Kullanarak
DetaylıBLM-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
Detaylı18.034 İleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıKompozit Malzemeler ve Mekaniği. Yrd.Doç.Dr. Akın Ataş
Kompozit Malzemeler ve Mekaniği Yrd.Doç.Dr. Akın Ataş Bölüm 4 Laminatların Makromekanik Analizi Kaynak: Kompozit Malzeme Mekaniği, Autar K. Kaw, Çevirenler: B. Okutan Baba, R. Karakuzu. 4 Laminatların
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
Detaylı