Zeki Optimizasyon Teknikleri. Karınca Algoritması (Ant Algorithm)
|
|
- Ömer Ahmad
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Zeki Optimizasyon Teknikleri Karınca Algoritması (Ant Algorithm)
2 Karınca Algoritması 1996 yılında Marco Dorigo tarafından ortaya atılmıştır. Temel olarak karıncaların yiyecek madde ile yuvaları arasındaki en kısa yolu bulmalarından esinlenilmiştir. Karınca algoritması genetik algoritma gibi popülasyon tabanlı yaklaşıma sahiptir. Karınca popülasyonu içindeki herbir karınca bir çözüm oluşturur ve daha sonra diğer karıncaların hareketini etkiler.
3 Karınca Algoritması B B Engel A A
4 Karınca Algoritması d=1 D d=1 F d=1 E B d=1 A d=0.5 C d=0.5
5 Karınca Algoritması Algoritmanın çalışmasında kesikli (discrete) zaman (t) kullanılır. Her zaman aralığında her bir karınca bir birim yer değiştirir. Her yer değiştirmede 1 birim feromen maddesi bırakır. Başlangıçta (t=0) hiçbir yolda (kenarda) feromen maddesi yoktur.
6 Karınca Algoritması D 1 1 F E B A C 0.5 t=1 iken 16 karınca B noktasında ve 16 karınca E noktasındadır. t=2 iken 8 karınca E noktasında 8 karınca B noktasındadır. D noktasında 16 karınca vardır. Kenarlardan geçen karınca yoğunlukları ise FE=16, AB=16, BC=16, CE=16, BD=8, ED=8 olur. 16 karınca A-F arasında 16 karınca F-A arasında hareket ediyor.
7 Karınca Algoritması Karınca algoritmaları sadece yol problemi çözümünde değil başka problemlerin çözümünde de kullanılır. Sadece feromen maddesi çokluğuna göre algoritma çalışırsa alt-optimal çözüme düşülür (lokal minimum). Global minimumu bulmak için yol seçiminde bazı olasılık seçimleri yapılır. Feromen birikmesi sınırsız ve sürekli değildir. Zamana bağlı olarak buharlaşma (yok olma) söz konusudur ve her t zamanında belirli bir oranda azalır.
8 Karınca Algoritması (Yol problemi) Şehirler arasındaki en kısa yolu bulmak için her şehre bir karınca yerleştirilir. Başlangıç (t=0) için feromen miktarı tüm yollar için 0 olarak alınır. Her t+1 zamanında her karınca yeni bir şehre hareket eder. Yeni şehrin belirlenmesinde bulunulan noktaya uzaklığı ile yoldaki feromen miktarına bağlı bir seçim kullanılır. Her zaman aralığında feromen miktarı için buharlaşma hesaplanır. Buharlaşma 0 ile 1 arasında bir değerdir. Bir karıncanın bir şehre iki sefer gitmesi tabu listesi ile engellenir. Her hareketten sonra her karıncanın gittiği şehirler güncellenir.
9 Karınca Algoritması (Yol problemi) - devam Her bir hareketten sonra feromen miktarı aşağıdaki formülle güncellenir. Fij(t+1) = b.fij(t) + ΔFij ΔFij = Q / Kn (Her turdan sonraki güncelleme içinde kullanılır) Burada Fij i. İle j. şehirler arasındaki yolda biriken feromen miktarı, b buharlaşma oranıdır. Q sabit katsayı ve Kn karıncanın kullandığı toplam yol uzunluğudur. Bir sonraki şehre geçiş oranı aşağıdaki formülle belirlenir. Pij = Fij(t) α. Nij β / Σ Fik(t) α. Nik β (k izin verilen yollar) Burada Nij i. ile j. şehirler arasındaki yol uzunluğu, α ve β kontrol parametreleridir.
10 Karınca Algoritması (Uygulamalar ve Araştırma) Gezgin satıcı problemi. Araç yol problemi. Daha kapsamlı araştırma için Marco Dorigo nun bu konuyla ilgili Web sayfası kullanılabilir. Sitede şu ana kadar yapılmış olan çalışmalar ve yayınlarla ilgili bilgiler bulunmaktadır.
11 Zeki Optimizasyon Teknikleri Tavlama Benzetimi (Simulated Annealing)
12 Tavlama Benzetimi Optimizasyon problemleri için iyi çözümler veren olasıklı bir arama tekniğidir. Kirkpatrick ve arkadaşları tarafından 1983 yılında önerilmiştir. Katıların ısıtılması ve sonra kristalleşmeye kadar yavaş yavaş soğutulması esasına dayanır. Sıcaklık değeri elde edilen en iyi çözümden daha kötü bir çözümün kabul edilme olasılığını belirlemek için kullanılır.
13 Tavlama Benzetimi Tavlama benzetimi yüksek bir sıcaklık değeriyle başlar. Her bir hesaplama adımında mevcut çözümün komşuları arasından çok sayıda çözüm üretilir. Yeni çözümler belirlenen kriterlere göre kabul edilir veya reddedilir. Her bir hesaplama adımından sonra sıcaklık belirlenen bir fonksiyona göre azaltılır. Algoritma istenen iterasyona ulaşıldığında yada sıcaklık minimum değerine ulaştığında veya istenen çözüme ulaşıldığında sonlandırılır.
14 Tavlama Benzetimi (Akış şeması) Başlangıç çözümü Çözümü değerlendir Kabul et H E Çözümü güncelle Yeni çözüm oluştur H Isı değiş E Isı azalt H Aramayı bitir E Son çözüm
15 Tavlama Benzetimi (Algoritma) Begin Başlangıç çözümü seç Başlangıç sıcaklığı seç (t=100) Sıcaklık azaltım fonksiyonu belirle repeat repeat Yeni bir komşu çözüm üret if (yeni - eski) < 0 then yeni çözümü seç else begin [0,1] aralığında rassal sayı üret (r) if r < ( 1 / (exp(abs(yeni - eski)/t) ) then yeni çözümü seç end until iterasyon sayısına kadar t = f(t); until (t < 0) veya uygun çözüm bulununcaya kadar End e 1 r yeni eski t
16 Tavlama Benzetimi (Parametreler) Başlangıç sıcaklığı Her sıcaklıkta üretilecek çözüm sayısı fonksiyonu Sıcaklık azaltma fonksiyonu Algoritmayı durdurma şartı
17 Her sıcaklıkta üretilecek çözüm sayısı N k = C (Sabit) N k = N k-1 + C (Aritmetik) N k = N k-1 / a ( a<1 ) (Geometrik) N k = C / Log(T k ) (Logaritmik) N k = (N k-1 ) (1/a) ( a<1 ) (Üstel)
18 Sıcaklık azaltma fonksiyonu T k = T k-1 - C (Aritmetik) T k = T k-1 * a ( a<1 ve 1 yakın) (Geometrik) T k = C / (1+k) (Ters fonksiyon) T k = C / (Log(1+k)) (Logaritmik)
19 Algoritmanın durdurulması Belirlenen maksimum iterasyona ulaşılması Belirlenmiş minimum sıcaklığa ulaşılması İstenen kriterleri sağlayan çözüme ulaşılması
20 Tavlama Benzetimi (Uygulamalar ve Araştırma) Daha kapsamlı araştırma için bu konuyla ilgili Web sayfası kullanılabilir. Sitede şu ana kadar yapılmış olan çalışmalar ve yayınlarla ilgili bilgiler bulunmaktadır.
21 Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search)
22 Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme (Evaluation) fonksiyonu kullanarak her iterasyon için en iyi komşu çözümü bulur. Tabu listesi kullanılarak kabul edilebilir değişimler kısıtlanır. Böylece mevcut çözümden hangi komşu çözümlere geçiş yapılabileceği belirlenir. Tabu listesi kullanılarak daha önceki çözümlerin tekrar edilmesi (cycling problem) engellenir. Tabu listesi her iterasyonda güncellenir.
23 Parametreler Başlangıç çözümü - Rastsal seçilebilir veya bir algoritmayla seçilebilir. Yeni çözüm oluşturma fonksiyonu - Problem yapısına bağlıdır ve performansı doğrudan etkiler. - Bir değişkende değişiklik yapılarak yeni çözüm kümesi oluşturulur. Kısa dönem hafıza (Tabu Listesi) - Arama sırasında karşılaşılan durumları tutar ve tekrarını önler. - Belirli süre sonra tabu olan olaylar listeden çıkarılır. - Listeye ilk giren ilk çıkar stratejisi uygulanır.
24 Parametreler (devam) Uzun dönem hafıza - Bulunan en iyi çözümü tutar. - Bulunmuş olan elit çözümleri tutar. Tabu yıkma kriterleri - Belirlenen kriterler sağlandığında bir komşu çözüm tabu listesinden çıkarılır ve yeni çözüm olarak alınır. Algoritmayı durdurma şartları - Belirli bir iterasyona ulaşıldığında algoritma durdurulur. - Daha iyi çözüm bulunamadığında algoritma durdurulur.
25 Yeni çözüm oluşturma Mevcut çözümden daha iyi bir çözüme geçiş yapılır Yeni çözümü oluşturan olası değişimler; d1- Seçilen bir x j değişkeninin 0 değerinden 1 değerine değişmesi d2- Seçilen bir x k değişkeninin 1 değerinden 0 değerine değişmesi d3- d1 ve d2 nin birlikte gerçekleşmesi d4- f(x) amaç değerinden f(x ) amaç değerine değişim d5- Tanımlanan bir g fonksiyonuna göre g(x) den g(x ) değerine değişim
26 Kısa dönem hafıza Daha önce karşılaşılan bilgileri tutar. Önceki çözümlere dönüşü engeller. Her iterasyonda yenilenir. Kısa dönemli hafıza kaydı tutulur. Yeni yapılan çözüm geçişlerinin tersini tabu yapar. Her yeni tabu için tabu süresi (t) atanır ve i. iterasyonda verilen tabu durumu i+t süresi sonunda kaldırılır.
27 Uzun dönemli hafıza Aramayı iyileştirir ve aşağıdaki özelliklere sahiptir; Elit çözümlerin ve niteliklerin bir listesini tutar. İlerde bu elit çözümleri oluşturan niteliklere yeniden dönüş yaparak bu bölgelerin daha detaylı araştırılmasını sağlar.
28 Tabu kısıtlamaları İstenmeyen çözüm değişimi ve yasakları uygulamak için kullanılır Herhangi bir iterasyonda, x k çözümünden x k+1 çözümüne geçildiğinde bu çözümün tersi tabu yapılır. Örnek kısıtlamalar: k1- xj değişkeninin 1 değerinden 0 değerine değişmesi (daha önce 0 değerinden 1 değerine değişmişse) k2- xj değişkeninin 0 değerinden 1 değerine değişmesi (daha önce 1 değerinden 0 değerine değişmişse) k3- Tanımlanmış bir g(x) fonksiyonunun y k değerinden y n değerine değişmesi (daha önce y n değerinden y k değerine değişmişse)
29 Tabu süresi belirleme Tabu süresi çok kısaysa arama sürekli yerel optimumlarda gerçekleşir. Tabu süresi çok uzunsa hareketlerin çoğu tabu olduğundan bulunan çözümlerin kalitesi düşer. Statik : Sabit bir değer seçilir (t = 7 veya t = n gibi. n problem boyutunun bir ölçüsüdür). Basit dinamik : t-min ve t-max sınırları arasında sistematik veya rassal bir sayı seçilerek t değeri belirlenir. t-min ve t-max statik değer ataması ile seçilebilir. Niteliğe bağlı : t-min ve t-max niteliğin kalitesine bağlı olarak dinamik olarak belirlenir. t değeri ise basit dinamik kuraldaki gibi seçilebilir.
30 Tabu yıkma kriterleri Tabu olan bir geçişin yapılması sağlanır. Yokluğa göre tabu kaldırma - Tüm mümkün hareketler tabu ise, tabu süresinin bitmesi en yakın olan alınır. Amaca göre tabu kaldırma - En iyi çözümden daha iyi çözüm veren hareket tabu olsa da alınır. Etkiye göre tabu kaldırma - Düşük etkili bir hareket, yüksek etkili bir harekete yol açacaksa tabu olsa da seçilir.
31 Tabu Arama Algoritmayı sonlandırma şartları; Optimum çözümü bilinen problemlerde optimum sonucun bulunması Belirlenmiş olan maksimum iterasyona ulaşılması Mevcut en iyi çözümde daha fazla iyileştirme yapılamaması
32 Tabu Arama (Algoritma) Adım 1. Bir başlangıç çözümü seç, onu mevcut çözüm ve en iyi çözüm olarak kaydet. Adım 2. Mevcut çözümün komşularını bir komşuluk yapısıyla üret. Tabu olmayan veya tabu olsa bile tabu yıkma ölçütünü sağlayan bir komşu çözüm seç ve onu yeni çözüm olarak al. Mevcut çözümden yeni çözüme geçiş özelliğini tabu listesine ekleyerek listeyi güncelle. Eğer yeni çözüm o ana kadarki en iyi çözümden daha iyi ise onu yeni en iyi çözüm olarak kaydet. Adım3. Bir durdurma ölçütü sağlanıncaya kadar Adım 2`yi tekrarla.
33 Tabu Arama (Akış şeması) Başlangıç çözümü Çözüm aday listesi oluştur Çözümleri değerlendir En iyi kabul edilebilir çözümü seç Hafızayı güncelle H Aramayı bitir E Son çözüm
34 Tabu Arama (Algoritma) Function Tabu_Search(Problem) returns a solution state Begin Şimdiki (Current), Sonraki (Next) ve En iyi (Best) değişkenlerini belirle Önceden geçilmiş çözümlerin listesini oluştur (H) Şimdiki durum değişkenine rastgele değer ata repeat Next = En yüksek değerli komşu çözüm if ((not move(h, Next)) or (Aspiration(Next)) then Current= Next Update Best H = Recency(H + Current) end until sonlandırma şartları oluşuncaya kadar return Best End
35 Tabu Arama (Araştırma) Kaynaklar: 1. Glover, F Tabu Search Part I. ORSA Journal on Computing, Vol. 1, No. 3, pp Glover, F Tabu Search Part II. ORSA Journal on Computing, Vol. 2, No. 1, pp Glover, F., Laguna, M Tabu Search. Kluwer Academic Publishers 4. Rayward-Smith, V.J., Osman, I.H., Reeves, C.R., Smith, G.D Modern Heuristic Search Methods, John Wiley & Sons. 5. Russell, S., Norvig, P Artificial Intelligence A Modern Approach. Prentice-Hall
Zeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Tabu Arama (Tabu Search) Doç.Dr. M. Ali Akcayol Tabu Arama 1986 yılında Glover tarafından geliştirilmiştir. Lokal minimum u elimine edebilir ve global minimum u bulur. Değerlendirme
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri (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
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:
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
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
DetaylıKarınca Koloni Algoritması 2
Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ Web: http://ikucukkoc.baun.edu.tr Karınca Koloni Algoritması 2 7 TSP ve ACO Algoritması Gezgin satıcı problemi (travelling salesman problem-tsp) yöneylem araştırması ve teorik
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
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
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,
DetaylıFonksiyon Minimizasyonunda Simulated Annealing Yöntemi
07-04-006 Ümit Akıncı Fonksiyon Minimizasyonunda Simulated Annealing Yöntemi İçindekiler Fonksiyon Minimizasyonu Metropolis Algoritması. Algoritma.......................................... Bir boyutlu
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.
DetaylıDGridSim Gerçek Zamanlı Veri Grid Simülatörü. Gerçek-Zamanlı Veri Dağıtımı Dokümanı v 1.0.1 01.08.2011
DGridSim Gerçek Zamanlı Veri Grid Simülatörü Gerçek-Zamanlı Veri Dağıtımı Dokümanı v 1.0.1 01.08.2011 Mustafa Atanak Sefai Tandoğan Doç. Dr. Atakan Doğan 1. Tek Rotadan Veri Dağıtımı 1.1 Gerçek-Zamanlı
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.
DetaylıBÖLÜM 3: TEK-ÇÖZÜM TABANLI METASEZGİSELLER. Bölüm Hedefi
BÖLÜM 3: TEK-ÇÖZÜM TABANLI METASEZGİSELLER Bölüm Hedefi Tek-çözüm tabanlı metasezgiseller (S-metasezgiseller) optimizasyon problemlerini çözerlerken belirli bir anda sadece bir çözümü değerlendirirler
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
Detaylı4. HAFTA BLM323 SAYISAL ANALİZ. Okt. Yasin ORTAKCI.
4. HAFTA BLM33 SAYISAL ANALİZ Okt. Yasin ORTAKCI yasinortakci@karabuk.edu.tr Karabük Üniversitesi Uzaktan Eğitim Uygulama ve Araştırma Merkezi BLM33 DOĞRUSAL OLMAYAN (NONLINEAR) DENKLEM SİSTEMLERİ Mühendisliğin
DetaylıKOMBİNATORYAL OPTİMİZASYON
KOMBİNATORYAL OPTİMİZASYON İnsanların, daha iyi nasıl olabilir ya da nasıl elde edilebilir?, sorusuna cevap aramaları, teknolojinin gelişmesini sağlayan en önemli etken olmuştur. Gerçek hayatı daha kolay
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
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıKarınca Koloni Algoritması 1
Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ Web: http://ikucukkoc.baun.edu.tr Karınca Koloni Algoritması 1 6 Ders Planı (Vize Sonrası) 11. Hafta (H7312): Sürü Zekası, Doğada Karıncalar, ACO Giriş 12. Hafta (H7312):
DetaylıYZM 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,
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
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
DetaylıYerel Arama Teknikleri ve Optimizasyon (Local Search and Optimisation)
Yerel Arama Teknikleri ve Optimizasyon (Local Search and Optimisation) Yerel Arama Teknikleri Tepe Tırmanma (Hill Climbing) Benzetimli Tavlama (Simulated Annealing) Yerel Arama Algoritmaları (Local Search
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
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
DetaylıALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU
ALTIN ORAN ARAMA (GOLDEN SECTION SEARCH) METODU Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f (x) bulunamayabilir.] Aşağıdaki DOP modelini çözmek istediğimizi var sayalım. Max f(x)
DetaylıİLERİ ALGORİTMA ANALİZİ KARINCA KOLONİ ALGORİTMASI
İLERİ ALGORİTMA ANALİZİ 1. Gerçek Karıncaların Davranışları KARINCA KOLONİ ALGORİTMASI Gerçek karıncalar, yuvaları ile yiyecek kaynağı arasındaki en kısa yolu bulma kabiliyetine sahiptirler ve ayrıca çevredeki
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
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
DetaylıGezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması
Gezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması Emrullah SONUÇ1, Baha ŞEN2,Şafak BAYIR3 1 Karabük Üniversitesi, Bilgisayar Mühendisliği Bölümü, Karabük
DetaylıMontaj Hatti Tasarımı ve Analizi - 5
Balıkesir Universitesi, Endustri Muhendisligi Bolumu 2017-2018 Bahar Yariyili Montaj Hatti Tasarımı ve Analizi - 5 Yrd. Doç. Dr. Ibrahim Kucukkoc http://ikucukkoc.baun.edu.tr 2 En Erken ve En Gec Istasyon
DetaylıYÖNEYLEM ARAŞTIRMASI - III
YÖNEYLEM ARAŞTIRMASI - III Prof. Dr. Cemalettin KUBAT Yrd. Doç. Dr. Özer UYGUN İçerik Altın Oran (Golden Section Search) Arama Metodu Tek değişkenli bir f(x) fonksiyonunu ele alalım. [Bazı x ler için f
DetaylıVeri Yapıları ve Algoritmalar
1 Ders Not Sistemi Vize : % 40 Final : % 60 Kaynaklar Kitap : Veri Yapıları ve Algoritma Temelleri Yazar: Dr. Sefer KURNAZ Internet Konularla ilgili web siteleri 2 Algoritma : «Belirli bir problemin çözümünde
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.
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıBLM-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
DetaylıAltın Oran Arama Metodu(Golden Search)
Altın Oran Arama Metodu(Golden Search) Bir f(x) (tek değişkenli) fonksiyonunu ele alalım. [Bazı x ler için f (x) bulunamayabilir.] Aşağıdaki DOP modelini çözmek istediğimizi var sayalım. Max f(x) a x b
Detaylı10.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
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
DetaylıKablosuz Sensör Ağlar ve Eniyileme. Tahir Emre KALAYCI. 21 Mart 2008
Kablosuz Sensör Ağlar ve Eniyileme Tahir Emre KALAYCI 21 Mart 2008 Gündem Genel Bilgi Alınan Dersler Üretilen Yayınlar Yapılması Planlanan Doktora Çalışması Kablosuz Sensör Ağlar Yapay Zeka Teknikleri
DetaylıHülya Özdağ (YTÜ Matematik Bölümü Ö.Ü.) Nilgün Aygör (YTÜ Matematik Bölümü Ö.Ü.) Aykut Parlak (YTÜ Matematik Mühendisliği)
Karınca Kolonisi Algoritmasının Zaman Çizelgelemesi Üzerine: Bir Modellemesi ve Uygulaması Hülya Özdağ (YTÜ Matematik Bölümü Ö.Ü.) Nilgün Aygör (YTÜ Matematik Bölümü Ö.Ü.) Aykut Parlak (YTÜ Matematik Mühendisliği)
DetaylıMONTE CARLO BENZETİMİ
MONTE CARLO BENZETİMİ U(0,1) rassal değişkenler kullanılarak (zamanın önemli bir rolü olmadığı) stokastik ya da deterministik problemlerin çözümünde kullanılan bir tekniktir. Monte Carlo simülasyonu, genellikle
DetaylıSelf Organising Migrating Algorithm
OPTİMİZASYON TEKNİKLERİ Self Organising Migrating Algorithm Kendini Organize Eden Göç/Geçiş Algoritması MELİH HİLMİ ULUDAĞ Fırat Üniversitesi Teknoloji Fakültesi Yazılım Mühendisliği Bölümü İletişim: www.melihhilmiuludag.com
DetaylıYZM ALGORİTMA ANALİZİ VE TASARIM DERS#6: AZALT VE FETHET YÖNTEMİ
YZM 3207- ALGORİTMA ANALİZİ VE TASARIM DERS#6: AZALT VE FETHET YÖNTEMİ Azalt ve Fethet Algoritmaları Problemi daha küçük bir örneğine çevir: Küçük örneği çöz Çözümü asıl probleme genişlet 3 tipi vardır:
DetaylıOPTİMİZASYON TEKNİKLERİ-2. Hafta
GİRİŞ OPTİMİZASYON TEKNİKLERİ-2. Hafta Mühendislik açısından bir işin tasarlanıp, gerçekleştirilmesi yeterli değildir. İşin en iyi çözüm yöntemiyle en verimli bir şekilde yapılması bir anlam ifade eder.
DetaylıAlgoritma Analizi ve Büyük O Notasyonu. Şadi Evren ŞEKER YouTube: Bilgisayar Kavramları
Algoritma Analizi ve Büyük O Notasyonu Şadi Evren ŞEKER YouTube: Bilgisayar Kavramları Algoritmaların Özellikleri Algoritmalar Input Girdi, bir kümedir, Output ÇıkF, bir kümedir (çözümdür) Definiteness
DetaylıSEZGİSEL ALGORİTMA KULLANILARAK RÜZGÂR ÇİFTLİKLERİNİN GÜÇ SİSTEMİNE ETKİSİNİN İNCELENMESİ. Öğr. Gör. Mehmet Fatih Tefek Doç. Dr.
SEZGİSEL ALGORİTMA KULLANILARAK RÜZGÂR ÇİFTLİKLERİNİN GÜÇ SİSTEMİNE ETKİSİNİN İNCELENMESİ Öğr. Gör. Mehmet Fatih Tefek Doç. Dr. Harun Uğuz * Rüzgâr kaynaklı enerji üretimi, yenilenebilir enerji kaynakları
DetaylıTemel ve Uygulamalı Araştırmalar için Araştırma Süreci
BÖLÜM 8 ÖRNEKLEME Temel ve Uygulamalı Araştırmalar için Araştırma Süreci 1.Gözlem Genel araştırma alanı 3.Sorunun Belirlenmesi Sorun taslağının hazırlanması 4.Kuramsal Çatı Değişkenlerin açıkça saptanması
DetaylıSİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN
SİMÜLASYON ÇEŞİTLERİ HAZIRLAYAN: ÖZLEM AYDIN SİMÜLASYON ÇEŞİTLERİ Günümüz simülasyonları gerçek sistem davranışlarını, zamanın bir fonksiyonu olduğu düşüncesine dayanan Monte Carlo yöntemine dayanır. 1.
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
DetaylıKaotik Tabanlı Diferansiyel (Farksal) Gelişim Algoritması
Kaotik Tabanlı Diferansiyel (Farksal) Gelişim Algoritması 1 Mehmet Eser * 1 Uğur Yüzgeç 1 Bilecik Şeyh Edebali Üniversitesi, Bilgisayar Mühendisliği Bölümü, 111, Gülümbe, Bilecik 1. Giriş Abstract Differential
DetaylıGenel 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
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
DetaylıBMÜ-421 Benzetim ve Modelleme Kesikli Olay Benzetimi. İlhan AYDIN
BMÜ-421 Benzetim ve Modelleme Kesikli Olay Benzetimi İlhan AYDIN KESİKLİ-OLAY BENZETİMİ Kesikli olay benzetimi, durum değişkenlerinin zaman içinde belirli noktalarda değiştiği sistemlerin modellenmesi
DetaylıEŞİTLİK KISITLI TÜREVLİ YÖNTEMLER
EŞİTLİK KISITLI TÜREVLİ YÖNTEMLER LAGRANGE YÖNTEMİ Bu metodu incelemek için Amaç fonksiyonu Min.z= f(x) Kısıtı g(x)=0 olan problemde değişkenler ve kısıtlar genel olarak şeklinde gösterilir. fonksiyonlarının
DetaylıGENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA
GENETİK ALGORİTMALARA GİRİŞ (II) BİNARİ KODLANMIŞ GA Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği
DetaylıGüz Yarıyılı Balıkesir Üniversitesi, Endüstri Mühendisliği Bölümü EMM4129 ÇİZELGELEME
2017-2018 Güz Yarıyılı Balıkesir Üniversitesi, Endüstri Mühendisliği Bölümü EMM4129 ÇİZELGELEME (WSPT, Öncelik Kısıtları, Lawler Algoritması, Johnson Algoritması) Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ Web: http://ikucukkoc.baun.edu.tr
DetaylıEM302 Yöneylem Araştırması 2 Çok değişkenli DOP ların çözümü. Dr. Özgür Kabak
EM302 Yöneylem Araştırması 2 Çok değişkenli DOP ların çözümü Dr. Özgür Kabak Doğrusal olmayan programlama Tek değişkenli DOP ların çözümü Uç noktaların analizi Altın kesit Araması Çok değişkenli DOP ların
DetaylıIE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R
IE 303T Sistem Benzetimi DERS 4 : O L A S I L I K T E K R A R Geçen Ders Envanter yonetımı: Gazetecı problemı Rastsal Rakamlar Üret Talebi hesapla Geliri hesapla Toplam maliyeti hesapla Günlük ve aylık
Detaylıx e göre türev y sabit kabul edilir. y ye göre türev x sabit kabul edilir.
TÜREV y= f(x) fonksiyonu [a,b] aralığında tanımlı olsun. Bu aralıktaki bağımsız x değişkenini h kadar arttırdığımızda fonksiyon değeri de buna bağlı olarak değişecektir. Fonksiyondaki artma miktarını değişkendeki
DetaylıRASSAL SAYI ÜRETİLMESİ
Dr. Mehmet AKSARAYLI Ekonometri Böl. Simülasyon Ders Notları Rassal Sayı Üretilmesi RASSAL SAYI ÜRETİLMESİ Simülasyon analizinde kullanılacak az sayıda rassal sayı üretimi için ilkel yöntemler kullanılabilir.
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
DetaylıGüz Yarıyılı Balıkesir Üniversitesi, Endüstri Mühendisliği Bölümü EMM4129 ÇİZELGELEME
2017-2018 Güz Yarıyılı Balıkesir Üniversitesi, Endüstri Mühendisliği Bölümü EMM4129 ÇİZELGELEME (Moore Algoritması, Öncelik Kısıtları, Lawler Algoritması, Öne Geçmeli Durum) Yrd. Doç. Dr. İbrahim KÜÇÜKKOÇ
DetaylıRD lerin Fonksiyonları
RD lerin Fonksiyonları Diğer değişkenler gibi rastgele değişkenlerin de fonksiyonları olur Örneğin 0 ile 1 arasında rastgele seçilmiş bir çap uzunluğu ile oluşturulan dairenin alanı bir RD olarak çap uzunluğunun
DetaylıSÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım
SÜREKLİ ŞANS DEĞİŞKENLERİ Üstel Dağılım Normal Dağılım 1 Üstel Dağılım Meydana gelen iki olay arasındaki geçen süre veya bir başka ifadeyle ilgilenilen olayın ilk defa ortaya çıkması için geçen sürenin
DetaylıVERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr
VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma
Detaylı3.2. DP Modellerinin Simpleks Yöntem ile Çözümü Primal Simpleks Yöntem
3.2. DP Modellerinin Simpleks Yöntem ile Çözümü 3.2.1. Primal Simpleks Yöntem Grafik çözüm yönteminde gördüğümüz gibi optimal çözüm noktası, her zaman uygun çözüm alanının bir köşe noktası ya da uç noktası
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
DetaylıEM302 Yöneylem Araştırması 2 Doğrusal Olmayan Programlamaya Giriş. Dr. Özgür Kabak
EM302 Yöneylem Araştırması 2 Doğrusal Olmayan Programlamaya Giriş Dr. Özgür Kabak Doğrusal Olmayan Programlama Eğer bir Matematiksel Programlama modelinin amaç fonksiyonu ve/veya kısıtları doğrusal değil
DetaylıGENETİK ALGORİTMALARA GİRİŞ (V)
GENETİK ALGORİTMALARA GİRİŞ (V) Nedim TUTKUN Düzce Üniversitesi Elektrik Elektronik Mühendisliği Bölümü nedimtutkun@duzce.edu.tr Düzce Üniversitesi Elektrik&Elektronik Mühendisliği Bölümü Konuralp 81620
DetaylıYZM 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
Detaylıdoğrusal programlama DOĞRUSAL PROGRAMLAMA (GENEL)
DOĞRUSAL PROGRAMLAMA (GENEL) Belirli bir amacın gerçekleşmesini etkileyen bazı kısıtlayıcı koşulların ve bu kısıtlayıcı koşulların doğrusal eşitlik ya da eşitsizlik biçiminde verilmesi durumunda amaca
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)
DetaylıSÜREKLİ OLASILIK DAĞILIŞLARI
SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla
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
DetaylıKISITLI OPTİMİZASYON
KISITLI OPTİMİZASYON SİMPLEKS YÖNTEMİ Simpleks Yöntemi Simpleks yöntemi iteratif bir prosedürü gerektirir. Bu iterasyonlar ile gerçekçi çözümlerin olduğu bölgenin (S) bir köşesinden başlayarak amaç fonksiyonunun
DetaylıDoğal Hesaplama (COMPE 564) Ders Detayları
Doğal Hesaplama (COMPE 564) Ders Detayları Ders Adı Doğal Hesaplama Ders Kodu COMPE 564 Dönemi Ders Uygulama Laboratuar Kredi AKTS Saati Saati Saati Güz 3 0 0 3 7.5 Ön Koşul Ders(ler)i Öğretim üyesinin
DetaylıKarınca Kolonisi Algoritmasının Zaman Çizelgelemesi Üzerine: Bir Modellemesi ve Uygulaması
Karınca Kolonisi Algoritmasının Zaman Çizelgelemesi Üzerine: Bir Modellemesi ve Uygulaması Hülya Özdağ 1, Nilgün Aygör 1, Aykut Parlak 2 1 Yıldız Teknik Üniversitesi Matematik Bölümü, İstanbul 2 Yıldız
DetaylıEME 3117 SİSTEM SİMÜLASYONU. Rassal Sayı ve Rassal Değer. Üretimi. Rassal Sayı Üretimi
..4 EME 7 Rassal Sayı ve Rassal Değer Üretimi SİSTEM SİMÜLASYONU Rassal Sayı ve Rassal Değer Üretimi Ders Girdi Analizi bölümünde gözlemlerden elde edilen verilere en uygun dağılımı uydurmuştuk. Bu günkü
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
DetaylıKARINCA OPTİMİZASYONU. Harun Kayıkçı
KARINCA OPTİMİZASYONU Harun Kayıkçı Ö Z E T : Karınca kolonisi optimizasyonu algoritması, kombinasyonel (kombinasyon hesapları içeren) optimizasyon problemlerinde, optimuma en yakın çözümü üretmek için
DetaylıAlgoritmalar. 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
DetaylıGörüntü Segmentasyonu (Bölütleme)
Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 20 Aralık 2014 Cumartesi 1 Görüntü Segmentasyonu 20 Aralık 2014 Cumartesi 2 Gestalt kanunları Görüntü
DetaylıGezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması
Gezgin Satıcı Probleminin Benzetilmiş Tavlama Yöntemiyle Çözümünde Paralel Hesaplamanın Kullanılması E M R U L L A H S O N U Ç A K A D E M I K B I L I Ş I M Ş U B A T 2 0 1 5 E M R U L L A H S O N U Ç,
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
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
DetaylıBLM-112 PROGRAMLAMA DİLLERİ II. Ders-3 İşaretçiler (Pointer) (Kısım-2)
BLM-112 PROGRAMLAMA DİLLERİ II Ders-3 İşaretçiler (Pointer) (Kısım-2) Yrd. Doç. Dr. Ümit ATİLA umitatila@karabuk.edu.tr http://web.karabuk.edu.tr/umitatilla/ Dinamik Bellek Yönetimi Bir program çalıştırıldığında
DetaylıKavramsal Tasarım - I
Kavramsal Tasarım - I 25.12.2017 1 Kavramsal Tasarımlar Geliştirme ve Geçerli Kılma 6. Kavramsal Tasarım a. Fonksiyon yapısı b. Metodik kısmi çözümler geliştirme i. Etkileşimli yöntemler ii. Sezgisel (Heuristik)
DetaylıDOĞRUSAL PROGRAMLAMADA DUALİTE (DUALITY)
DOĞRUSAL PROGRAMLAMADA DUALİTE (DUALITY) 1 DOĞRUSAL PROGRAMLAMADA İKİLİK (DUALİTE-DUALITY) Doğrusal programlama modelleri olarak adlandırılır. Aynı modelin değişik bir düzende oluşturulmasıyla Dual (İkilik)
DetaylıBaşlangıç Temel Programının Bilinmemesi Durumu
aşlangıç Temel Programının ilinmemesi Durumu İlgili kısıtlarda şartlar ( ) ise bunlara gevşek (slack) değişkenler eklenerek eşitliklere dönüştürülmektedir. Ancak sınırlayıcı şartlar ( ) veya ( = ) olduğu
DetaylıCBS ve Coğrafi Hesaplama
Yıldız Teknik Üniversitesi CBS ve Coğrafi Hesaplama 2. Bölüm Yrd. Doç. Dr. Alper ŞEN Harita Mühendisliği Bölümü Kartografya Anabilim Dalı web: http://www.yarbis.yildiz.edu.tr/alpersen/ E mail: alpersen@yildiz.edu.tr
DetaylıRASTGELE SAYI ÜRETİMİ VE UYGULANAN TESTLER HAZIRLAYAN: ÖZLEM AYDIN
RASTGELE SAYI ÜRETİMİ VE UYGULANAN TESTLER HAZIRLAYAN: ÖZLEM AYDIN RASTGELE SAYILARIN ÜRETİLMESİ Rastgele değişimler yapay tablolardan veya parametreleri verilen teorik dağılım fonksiyonlarından elde edilir.
DetaylıBİL-142 Bilgisayar Programlama II
BİL-142 Bilgisayar Programlama II (C/C++) Hazırlayan: M.Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Giriş math Kütüphane Fonksiyonları Çok Parametreyle Fonksiyon Tanımı Fonksiyon
DetaylıDoğrusal Programlama. Prof. Dr. Ferit Kemal Sönmez
Doğrusal Programlama Prof. Dr. Ferit Kemal Sönmez Doğrusal Programlama Belirli bir amacın gerçekleşmesini etkileyen bazı kısıtlayıcı koşulların ve bu kısıtlayıcı koşulların doğrusal eşitlik ya da eşitsizlik
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
DetaylıANADOLU ÜNİVERSİTESİ. ENM 317 Prof. Dr. Nihal ERGİNEL
ANADOLU ÜNİVERSİTESİ ENM 317 Prof. Dr. Nihal ERGİNEL 2 ÖRNEKLEME Anakütleden n birimlik örnek alınması ve anakütle parametrelerinin örnekten tahmin edilmesidir. 3 ÖRNEKLEME ALMANIN NEDENLERİ Anakütleye
DetaylıFABRİKA ORGANİZASYONU Üretim Planlama ve Yönetimi 2. Uygulama: Sipariş ve Parti Büyüklüğü Hesaplama
FABRİKA ORGANİZASYONU Üretim Planlama ve Yönetimi 2. Uygulama: Sipariş ve Parti Büyüklüğü Hesaplama Uygulamalar 1. İhtiyaç Hesaplama 2. Sipariş ve Parti Büyüklüğü Hesaplama 3. Dolaşım Akış Çizelgeleme/Terminleme
DetaylıBLGM BÖLÜM. Problem Çözme Kavramları (Algoritma ve Akış Şemaları)
BLGM108 1. BÖLÜM Problem Çözme Kavramları (Algoritma ve Akış Şemaları) 1 Yazılım Geliştirme Adımları 1. Gereksinimlerin belirlenmesi Problemin ne olduğunu anlama: sorunu çözmek için ne gereklidir, çözüm
Detaylı