PARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI VE BENZETİM ÖRNEKLERİ
|
|
- Yonca Onarıcı
- 7 yıl önce
- İzleme sayısı:
Transkript
1 PARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI VE BENZETİM ÖRNEKLERİ Seçkn TAMER, Chan KARAKUZU Kocael Ünverstes, Müh. Fak., Elektronk ve Haberleşme Mühendslğ Bölümü İzmt/KOCAELİ ÖZET Bu bldrde kuş sürülernn davranışlarından esnlenlerek ortaya çıkarılmış, populasyon tabanlı br optmzasyon teknğ olan Parçacık Sürüsü Optmzasyon Algortması anlatılmıştır. Sürü davranışlarının benzetm, algortmanın yapısı ve çeştl uygulamaları sunulmuştur. Yapılan benzetmlerde algortmanın fonksyon optmzasyonunda ve yapay snr ağlarının eğtmnde kullanılableceğ görülmüştür. Anahtar Kelmeler: parçacık sürüsü, optmzasyon algortmaları, yapay snr ağı eğtm. GİRİŞ Günümüzde byolojk sstemlerden esnlenlerek ortaya çıkarılmış brçok yöntem hesaplama problemlernn çözümünde kullanılmaktadır. Örneğn yapay snr ağları nsan beynnn bastleştrlmş br modeldr, genetk algortma se nsan evrmnden esnlenlerek ortaya çıkarılmıştır. Byolojk sstemlern başka br çeşd olan sosyal sstemler, özellkle breyn çevresyle ve dğer breylerle olan etkleşmn ve kollektf (ortak) davranışlarını ncelemektedr. Bu davranışlar sürü zekası olarak adlandırılmaktadırlar. Hesaplama alanında kullanılan ve sürülerden esnlenlerek ortaya konulan k popular metot vardır. Bunlar "karınca kolon optmzasyonu"(kko) ve "parçacık sürü optmzasyonu" (PSO) dur. KKO karıncaların davranışlarından esnlenlerek ortaya konmuş br yöntemdr ve ayrık optmzasyon problemlernde başarılı uygulamaları vardır [. PSO kavramı esasında sosyal yaşamın bastleştrlmş br benzetmdr. Daha sonra bu benzetm br optmzasyon yöntem olarak kullanılmaya başlanmıştır. Parçacık Sürüsü (partcle swarm) Optmzasyonu (PSO); 995 yılında J.Kennedy ve R.C.Eberhart tarafından; kuş sürülernn davranışlarından esnlenlerek gelştrlmş populasyon tabanlı stokastk optmzasyon teknğdr [. Doğrusal olmayan problemlern çözümü çn tasarlanmıştır. Çok parametrel ve çok değşkenl optmzasyon problemlerne çözüm bulmak çn kullanılmaktadır. PSO, genetk algortmalar gb evrmsel hesaplama teknkleryle br çok benzerlk gösterr. Sstem rasgele çözümler çeren br populasyonla başlatılır ve nesller güncelleyerek en optmum çözümü araştırır. PSO da parçacık olarak adlandırılan olası muhtemel çözümler, o andak optmum parçacığı zleyerek problem uzayında dolaşırlar. PSO nun klask optmzasyon teknklernden en öneml farklılığı türev blgsne htyaç duymamasıdır. PSO yu uygulamak, algortmasında ayarlanması gereken parametre sayısının az olması sebebyle oldukça basttr. PSO; fonksyon optmzasyonu, bulanık sstem kontrolü, yapay snr ağı eğtm gb br çok alanda başarıyla uygulanablmektedr [3, 4, 5, 6.. PARÇACIK SÜRÜSÜ OPTİMİZASYON ALGORİTMASI Öncek bölümde de bahsedldğ gb PSO kuş sürülernn davranışlarının br benzetmdr. Kuşların uzayda, yern blmedkler yyeceğ aramaları, br probleme çözüm aramaya benzetlr. Kuşlar yyecek ararken yyeceğe en yakın olan kuşu takp ederler. Parçacık olarak adlandırılan her tekl çözüm, arama uzayındak br kuştur. Parçacık hareket ettğnde, kend koordnatlarını br fonksyona gönderr ve böylece parçacığın uygunluk değer ölçülmüş olur. (Yan yyeceğe ne kadar uzaklıkta olduğu ölçülmüş olur.) Br parçacık, koordnatlarını, hızını (çözüm uzayındak her boyutta ne kadar hızla lerledğ), şmdye kadar elde ettğ en y uygunluk değern ve bu değer elde ettğ koordnatları hatırlamalıdır. Çözüm uzayındak her boyuttak hızının ve yönünün her sefernde nasıl değşeceğ, komşularının en y koordnatları ve kend kşsel en y koordnatlarının br brleşm olacaktır. Çözüm uzayı problemdek değşken veya blnmeyen sayısına bağlı olarak çok boyutta olablr. Örneğn; y ( z w ) + 4 fonksyonunun çözüm uzayı, y, z ve w blnmeyenlernden dolayı 4 boyutludur. Bu problemn çözüm uzayında tanımlanan br parçacığın pozsyonu 4 koordnat le P=[, y, z, w şeklnde belrtlmektedr. Görsel olarak nsanların resmedemedğ 4 veya daha fazla boyutlu karmaşık problemlerde çalışmanın PSO çn herhang br zorluğu bulunmamaktadır. Örneğn PSO, br yapay snr ağının eğtmnde kullanılacaksa ve ağda 50 tane bağlantı ağırlığı mevcutsa problem 50 boyutlu br uzayda çözülecektr.
2 PSO, br grup rasgele çözümle (parçacık sürüsü) başlatılır ve güncellemelerle optmum çözüm bulunmaya çalışılır. Her tekrarlamada (terasyonda), parçacık konumları, k en y değere göre güncellenr. İlk; o ana kadar parçacığın elde ettğ en y çözümü sağlayan koordnatlardır. Bu değer pbest olarak adlandırılır ve hafızada saklanmalıdır. Dğer en y değer se, populasyonda o ana kadar tüm parçacıklar tarafından elde edlen en y çözümü sağlayan koordnatlardır. Bu değer global en ydr ve gbest le gösterlr. Örneğn D adet parametreden oluşan n adet parçacık olduğunu varsayalım. Bu durumda populasyon parçacık matrs eştlk () dek gbdr. = n n D D nd n D () Yukarıdak matrste, nnc parçacık =,,.. olarak fade edlr. Öncek en [ D y uygunluk değern veren nnc parçacığın pozsyonu pbest = [ p, p,.. pd olarak fade edlr. gbest se her terasyonda tüm parçacıklar çn tektr ve gbest = [ p, p,.. pd şeklnde gösterlr. nnc parçacığın hızı (her boyuttak konumunun değşm mktarı) v = [ v, v,.. vd olarak fade edlr. İk en y değern bulunmasından sonra parçacık hızları ve konumları aşağıda verlen () ve (3) nolu denklemlere göre güncellenr. ( ) ( ) v = v + c.rand. pbest k + k k k k + c.rand. gbest k + k k + k k k () = + v (3) Denklem () de, c ve c öğrenme faktörlerdr. c ve c, her parçacığı pbest ve gbest pozsyonlarına doğru çeken, stokastk hızlanma termlern fade eden sabtlerdr. c, parçacığın kend tecrübelerne göre hareket etmesn, c se sürüdek dğer parçacıkların tecrübelerne göre hareket etmesn sağlar. Düşük değerler seçlmes parçacıkların hedef bölgeye doğru çeklmeden önce, bu bölgeden uzak yerlerde dolaşmalarına mkan verr. Ancak hedefe ulaşma süres uzayablr. Dğer yandan, yüksek değerler seçlmes, hedefe ulaşmayı hızlandırırken, beklenmedk hareketlern oluşmasına ve hedef bölgenn es geçlmesne sebep olablr. Bu algortma üzernde araştırmacıların yaptığı denemelerde c =c = olarak almanın y sonuçlar verdğ belrtlmştr. Denklemdek rand ve rand, [0, arasında düzgün dağılımlı rasgele sayılardır. k se terasyon sayısını belrtmektedr. Aşağıda PSO algortması çn gerekl olan prosedür özetlenmştr. For her parçacık çn başlangıç koşullamaları Do For her parçacık çn uygunluk değern hesapla eğer uygunluk değer, pbest ten daha y se; şmdk değer yen pbest olarak ayarla Tüm parçacıkların bulduğu pbest değerlernn en ysn, tüm parçacıkların gbest' olarak ayarla For her parçacık çn () denklemne göre parçacık hızını hesapla (3)denklemne göre parçacık pozsyonunu güncelle Whle maksmum terasyon sayısına veya mnmum hata koşulu sağlanana kadar devem et. PSO Parametre Kontrolü PSO da ayarlanması gereken çok fazla sayıda parametre yoktur. Aşağıda parametrelern lstes ve tpk değerler verlmştr. Parçacık sayısı: 0 le 40 arasındadır. Brçok problem çn 0 parçacık kullanmak yeterldr. Bazı zor veya özel problemlerde se 00 veya 00 parçacık kullanılması gerekeblr. Parçacık boyutu: Optmze edlecek probleme göre değşmektedr. Parçacık aralığı: Optmze edlecek probleme göre değşmekle brlkte farklı boyutlarda ve aralıklarda parçacıklar tanımlanablr. Vma: Br terasyonda, br parçacıkta meydana gelecek maksmum değşklğ (hız) belrler. Genellkle parçacık aralığına göre belrlenr. Örneğn X parçacığı (-0,0) aralığında se Vma=0 sınırlandırılablr. Öğrenme Faktörler: c ve c genellkle olarak seçlr. Fakat farklı da seçleblr. Genellkle c, c ye eşt ve [0, 4 aralığında seçlr. Durma Koşulu: Maksmum terasyon sayısına ulaşıldığında veya değer fonksyonu stenlen sevyeye ulaştığında algortma durdurulablr. PSO nun şu andak güncel versyonu elde edlmeden önce çeştl denemeler yapılmış ve br çok yöntem ortaya atılmıştır. Algortmanın başarımını arttırmak çn Yuhu Sh ve R.C. Eberhart tarafından yapılan çalışmalar sonucunda 998 yılında Gelştrlmş PSO algortması ortaya çıkarılmıştır[7, 8.. Gelştrlmş PSO Bu versyonun en öneml farklılığı; parçacığın, komşularının ve kendsnn geçmştek en y pozsyonları arasında arama yapmamasıdır. Komşularının geçmş en y pozsyonu (gbest) le tüm
3 parçacıkların en y orta pozsyonu arasında arama yapılır. Yan elde edlen pbest değerlernn ortalaması alınır. * * * * p = [ p, p,.. p olmak üzere; breyn en y D değer aşağıdak gb hesaplanır. * p = p + p +.. p ) n (j=,,.,d) yan j ( j j nj / n adet paçacığın her boyuttak en y (pbest) değerlernn ortalaması alınmakta ve yen p vektörü elde edlmektedr. Buna göre () denklem aşağıdak denklem (4) e dönüşmektedr. v k + = w. v k + c. rand + c. rand k k * k k.( p ) k k ( gbest ). * (4) Denklemde w eylemszlk ağırlığıdır, w< olarak seçlmel ve her terasyonda doğrusal olarak azaltılmalıdır. PSO da eylemszlk ağırlığı global ve yerel arama yeteneğn dengelemek çn kullanılır. Büyük eylemszlk ağırlığı global arama, küçük ağırlık se yerel arama yapılmasını kolaylaştırır. Eylemszlk ağırlığı yerel ve global araştırma arasındak dengey sağlar ve bunun sonucunda yeterl optmal sonuca daha az terasyonda ulaşılır. Buradak her parçacık; sürüdek sadece en y parçacığın değl sürüdek dğer tüm parçacıkların tecrübelernden de yararlanmış olur. 3. BENZETİM ÖRNEKLERİ PSO algortmasının başarımını test edeblmek çn; Matlab programı yardımıyla çeştl benzetmler yapılmıştır. Yapılan benzetmlerde Gelştrlmş PSO algortması kullanılmıştır. İlk olarak matematksel fades blnen ve brçok yerel maksmum ve mnmum çeren peaks fonksyonu tarafından tanımlanan yüzeyde küresel mnmum ve maksmum noktası çözümü gerçekleştrlmştr. Bu problemde y fonksyonu k değşkene bağlı olduğundan parçacıklar P=[, şeklnde alınmıştır. Peaks fonksyonunun matematksel fades eştlk (5) te verlmştr. [ ( + ) y = 3 ( ). e [ ( + ). e 3 5 [. e (5) Uygulamada 0 adet parçacık kullanılmış olup PSO nun mnmum noktası çn bulduğu çözüm eştlk (6) de, ma noktası çn bulduğu çözüm eştlk (7) da verlmştr. Bu sonuçların fonksyonun gerçek mn/ma noktalarına çok yakın olduğu Şekl ve den görüleblr. 0,83 = Mn y = 6,55 (6),655 0,0093 =,584 Ma y = 8,06 (7) Şekl. Peaks fonksyonunun tanımladığı yüzey Tablo de parçacıkların rasgele seçlen başlangıç konumları ve küresel çözümü ararken geldkler en son konumları görülmektedr. Görüleceğ üzere parçacıkların heps sürü mantığına uygun olarak global çözümün etrafında toplanmışlardır. Tablo. Brnc örnek çn başlangıç ve sonuç parçacık konumları P0 (başlangıç) P (mn) P (ma) X X X X X X Şekl de fonksyon yüzeynn ve parçacık pozsyonlarının düzlemnden yan görünüşü verlmştr. Yıldızla şaretller parçacıkların başlangıç konumlarını göstermektedr. Yuvarlakla şaretl konum parçacıkların küresel mnmum çözümünde son adımda geldkler yer (Şekl b), kare se parçacıkların küresel maksmum çözümünde son adımda geldkler yer göstermektedr (Şekl c). Şekl (a). Fonksyonun yüzey, (b) Global mnmum çözümündek parçacıkların başlangıç ve son konumları (c) Global maksmum çözümündek parçacıkların başlangıç ve son konumları
4 PSO nun başarımını daha detaylı test etmek çn başlangıçta tüm parçacıklar yerel mnmuma yerleştrlmş (Şekl 3b yıldızla gösterlenler) ve bu durum çn algortma küresel mnmumu bulmak çn koşturulmuştur. Sonuç olarak bu başlangıç durumu çn ble parçacıklar global mnmuma çok yakın br bölge etrafında toplanmışlardır (Şekl 3b yuvarlakla gösterlenler). [ w w w w e e w w P = (9) e Şekl 4. Eğtlecek ağ yapısı Şekl 5 te PSO koşturulurken değer fonksyonunun terasyonla değşm görülmektedr. PSO le ağ eğtmnde 5 terasyon sonucunda değer fonksyonu 3.37e-005 e kadar düşmüştür. EXOR problem çn elde edlen sonuçlar Tablo de özetlenmştr. Şekl 3(a) Fonksyonun yüzey, (b) Global mnmum çözümündek parçacıkların başlangıç (yerel mnmuma yerleştrlmş ) ve son konumları Uygulamada en y çözüme ulaşmak çn tüm parçacıkların br araya toplanmasını beklemek gerekmez. Her terasyon sonucunda bulunan gbest değer stedğmz değer fonksyonunu sağlıyorsa, bu gbest değern bulan parçacık çözüm olarak alınablr. PSO algortmasının başarımını test etmek çn yapılan knc benzetmde se katmanlı br yapay snr ağının eğtm gerçekleştrlmştr. PSO algortmasıyla eğtlen ağ le mantıksal EXOR problem çözülmeye çalışılmış ve elde edlen sonuç, ağ eğtmnde kullanılan klask ger yayılım öğrenme algortması le karşılaştırılmıştır. EXOR problemnde grş, çıkış ve 4 adet örnek bulunmaktadır. Bu problem Şekl 4 de verlen ağın parametrelernn PSO le belrlenmes sonucunda çözülmüştür. PSO algortması gradyen blgsne htyaç duymadığı çn hücre aktvasyon fonksyonu seçmnde esneklk sağlar. Bu uygulamada 0- aralığında çıkış veren sgmodal aktvasyon fonksyonu kullanılmıştır. Sonlandırma krter; değer fonksyonunun bnde e nmes veya maksmum terasyon sayısına (00) ulaşılması olarak seçlmştr. Değer fonksyonu se toplam karesel hata olarak denklem (7) de verldğ gb tanımlanmıştır. t = E = cos (7) e Denklem (7) dek hata (e ) denklem (8) le tanımlıdır. e = yd y (8) se örnek sayısını göstermektedr. Uygulamada 00 adet parçacık kullanılmıştır. Ağda ayarlanması gereken eştlk (9) da verlen 9 adet parametre bulunduğundan, problem 9 boyutlu br uzayda çözülecektr. Parçacıklar (9) yapısında aşağıdak gb düzenlenmştr. Şekl 5. PSO le ağ eğtm sırasında değer fonksyonunun terasyonla değşm Tablo. PSO algortması le eğtlen ağın başarım göstergeler X X Yd Y Hata Parçacıkların yan ağ parametrelernn başlangıçtak rasgele değerlerne bağlı olarak terasyon sayısı değşeblmektedr. Genel olarak Şekl 6 dek eğtm seyr le sonuçlanan ger yayılım algortması le kıyaslandığında PSO algortmasının başlangıç parametreler ne olursa olsun oldukça hızlı sonuç verdğ görülmektedr. Gerye yayılım le ağ eğtmnde 6635 terasyon sonucunda değer fonksyonu e-004 olarak elde edlmştr. Bu eğtm le elde edlen başarım Tablo 3 de özetlenmştr. Tablo 3. Gerye yayılım algortması le eğtlen ağın başarım göstergeler X X Yd Y Hata
5 [4 Jaln Zhou, Zhengcheng Duan, Yong L, Janchun Deng and Daoyuan Yu, PSO-based neural network optmzaton and ts utlzaton n a borng machne, Journal of Materals Processng Technology, In Press, Corrected Proof, Avalable onlne 8 June 006 [5 Cosmn Danut Bocanala and Jose Sa da Costa, Applcaton of a novel fuzzy classfer to fault detecton and solaton of the DAMADICS benchmark problem, Control Engneerng Practce, Volume 4, Issue 6, June 006, Pages Şekl 6. Ger yayılım algortması le ağ eğtm sırasında değer fonksyonunun terasyonla değşm 4. SONUÇLAR Parçacık sürüsü optmzasyon algortması kullanılan en yen akıllı hesap teknklerden brdr. Çok boyutlu problemlere oldukça hızlı ve yeterl sonuçlar verdğ bu bldrde verlen benzetm çalışmalarında gösterlmştr. İşlem yükü ve gerekl hafıza mktarı parçacık sayısına ve problemnn boyutuna bağlıdır. Ancak algortma; herhang br dferansyel denklem çözümü ve gradyen hesabı gerektrmedğnden, ayrıca ayarlanması gereken az sayıda parametre bulunduğundan yürütülmes kolaydır. PSO nun; fonksyon optmzasyonunda, global çözüme kolayca ulaştığı yapılan benzetmlerde görülmüştür. [6 S. P. Ghoshal, Optmzatons of PID gans by partcle swarm optmzatons n fuzzy based automatc generaton control, Electrc Power Systems Research, Volume 7, Issue 3, 5 December 004, Pages 03- [7 Sh, Y. and Eberhart, R. C. A modfed partcle swarm optmzer. Proceedngs of the IEEE Internatonal Conference on Evolutonary Computaton pp IEEE Press, Pscataway, NJ, 998 [8 Sh, Y. and Eberhart, R. C. Parameter selecton n partcle swarm optmzaton., Evolutonary Programmng VII: Proc. EP 98 pp Sprnger- Verlag, New York, 998. Yukarıda verlen sonuçlardan da görüleceğ üzere, EXOR problemn çözeblmek çn gerekl ağ parametreler PSO algortması le ger yayılım algortmasından oldukça hızlı br şeklde belrlenmştr. Bu sonuç, yapay snr ağlarının eğtm çn kullanılan en popüler yöntem olan ger yayılım öğrenme algortması yerne PSO nun kullanılableceğn göstermektedr. KAYNAKÇA [ Kalınlı A., Karaboğa N., Karaboğa D.; A Modfed Tourng Ant Colony Optmzaton Algorthm for Contounous Functons, 6 th Internatonal Symposum on Computer and Informatıon Scence (ISCIS XVI), Işık Unversty, Antalya (00) s: [ Kennedy, J. and Eberhart, R. C. Partcle swarm optmzaton Proc. IEEE nt'l conf. on neural networks Vol. IV, pp IEEE servce center, Pscataway, NJ, 995. [3 Fábo A. Guerra and Leandro dos S. Coelho, Mult-step ahead nonlnear dentfcaton of Lorenz s chaotc system usng radal bass neural network wth learnng by clusterng and partcle swarm optmzaton, Chaos, Soltons & Fractals, In Press, Corrected Proof, Avalable onlne 7 July 006,
Cilt:11 Sayı: 4 s , 2008 Vol: 11 No: 4 pp , M. Yasin ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET
Polteknk Dergs Journal of Polytechnc Clt: Sayı: 4 s.99-305, 008 Vol: No: 4 pp.99-305, 008 Optmzasyon Problemlernn Çözümü çn Parçaçık Sürü Optmzasyonu Algortması M. Yasn ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET Optmzasyon
Detaylıkadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.
KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X
Detaylı5.3. Tekne Yüzeylerinin Matematiksel Temsili
5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn
DetaylıYÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA
YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,
DetaylıPROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt 3, Sayı:2, 2001 PROJE SEÇİMİ VE KAYAK PLALAMASI İÇİ BİR ALGORİTMA lgün MORALI 1 C. Cengz ÇELİKOĞLU 2 ÖZ Kaynak tahss problemler koşullara bağlı olarak
Detaylıa IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI
Fırat Ünverstes-Elazığ MİTRAL KAPAK İŞARETİ ÜZERİNDEKİ ANATOMİK VE ELEKTRONİK GÜRÜLTÜLERİN ABC ALGORİTMASI İLE TASARLANAN IIR SÜZGEÇLERLE SÜZÜLMESİ N. Karaboğa 1, E. Uzunhsarcıklı, F.Latfoğlu 3, T. Koza
DetaylıMakine Öğrenmesi 10. hafta
Makne Öğrenmes 0. hafta Lagrange Optmzasonu Destek Vektör Maknes (SVM) Karesel (Quadratc) Programlama Optmzason Blmsel term olarak dlmze geçmş olsa da bazen en leme termle karşılık bulur. Matematktek en
DetaylıARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
DetaylıÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
DetaylıB R AFET YARDIM MERKEZ N N SEZG SEL ALGOR TMALAR YARDIMIYLA KONUMLANDIRILMASI
B R AFET YARDIM MERKEZ N N SEZG SEL ALGOR TMALAR YARDIMIYLA KONUMLANDIRILMASI Numan ÇELEB stanbul Ünverstes ÖZET Dünyada her y l deprem, sel ve tusunam gb çok say da afet meydana gelmektedr. Son y llarda
DetaylıPamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences
Pamukkale Ünverstes Mühendslk Blmler Dergs, Clt 0, Sayı 3, 04, Sayfalar 85-9 Pamukkale Ünverstes Mühendslk Blmler Dergs Pamukkale Unversty Journal of Engneerng Scences PREFABRİK ENDÜSTRİ YAPIARININ ARMONİ
DetaylıTÜRKİYE DEKİ 380 kv LUK 14 BARALI GÜÇ SİSTEMİNDE EKONOMİK YÜKLENME ANALİZİ
TÜRİYE DEİ 38 kv LU 4 BARALI GÜÇ SİSTEMİDE EOOMİ YÜLEME AALİZİ Mehmet URBA Ümmühan BAŞARA 2,2 Elektrk-Elektronk Mühendslğ Bölümü Mühendslk-Mmarlık Fakültes Anadolu Ünverstes İk Eylül ampüsü, 2647, ESİŞEHİR
DetaylıŞiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği *
İMO Teknk Derg, 28 4393-447, Yazı 29 Şddet-Süre-Frekans Bağıntısının Genetk Algortma le Belrlenmes: GAP Örneğ * Hall KARAHAN* M. Tamer AYVAZ** Gürhan GÜRARSLAN*** ÖZ Bu çalışmada, Genetk Algortma (GA)
DetaylıX, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının
1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME
DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Clt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME (JOB SHOP SCHEDULING WITH KRILL HERD ALGORITHM) İlker GÖLCÜK
DetaylıDeney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı
SRY ÜNİVERSİESİ Djtal ontrol Laboratuvar Deney Föyü Deney No: 2 Sıvı Sevye ontrol Deney 2.. Deneyn macı Bu deneyn amacı, doğrusal olmayan sıvı sevye sstemnn belrlenen br çalışma noktası cvarında doğrusallaştırılmış
Detaylıbir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre
Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak
DetaylıBÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler
BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102
DetaylıBulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi
Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale
DetaylıKAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU
XVIII ULUSAL MEKANİK KONGRESİ 26-30 Ağustos 2013, Celal Bayar Ünverstes, Mansa KAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU S Özgür Değertekn 1, Mehmet Ülker 2, M Sedat
DetaylıHaluk Gözde 1, İlhan Kocaarslan 2, M.Cengiz Taplamacıoğlu 3, Ertuğrul ÇAM 4. Gazi Üniversitesi
İk Bölgel Güç Sstemnde Parçacık Sürüsü Algortması İle Yük-Frekans Kontrolü Optmzasyonu The Optmzaton Of Load-Frequency Control Wth Partcle Swarm Algorthm In A Two Area Power System Haluk Gözde, İlhan Kocaarslan
DetaylıEmrah 70 Ekim 2011. kat edilen mesafenin en. mizasyonu (PSO) sezgisel. (PSO), Genetik Algoritma (GA), Optimizasyon, Meta-Sezgisel
METAplam kat edlen mesafenn en mzasyonu (PSO) sezgsel k (PSO), Genetk Algortma (GA), Optmzasyon, Meta-Sezgsel 74 OPTIMIZATION OF MULTI- PROBLEM OF ISTANBUL HALK EKMEK A.S. (IHE) BY USING META-HEURISTIC
DetaylıSistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir :
5 9. BÖLÜM YÜK AKIŞI (GÜÇ AKIŞI) 9.. Grş İletm sstemlernn analzlernde, bara sayısı arttıkça artan karmaşıklıkları yenmek çn sstemn matematksel modellenmesnde kolaylık getrc bazı yöntemler gelştrlmştr.
DetaylıGeriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı. Mehmet Ali Çavuşlu
Geriye Yayılım ve Levenberg Marquardt Algoritmalarının YSA Eğitimlerindeki Başarımlarının Dinamik Sistemler Üzerindeki Başarımı Mehmet Ali Çavuşlu Özet Yapay sinir ağlarının eğitiminde genellikle geriye
DetaylıBilgisayarla Görüye Giriş
Blgsayarla Görüye Grş Ders 8 Görüntü Eşleme Alp Ertürk alp.erturk@kocael.edu.tr Panorama Oluşturma Görüntüler eşlememz / çakıştırmamız gerekmektedr Panorama Oluşturma İk görüntüden özntelkler çıkar Panorama
DetaylıSürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak
DetaylıUYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.
UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres
DetaylıEVRİMSEL ALGORİTMA İLE SINIRLANDIRMALI DİNAMİK OPTİMİZASYON
EVRİMEL ALGORİTMA İLE INIRLANDIRMALI DİNAMİK OPTİMİZAYON Ş. BALKU, R. BERBER Ankara Ünvetes Mühendslk Fakültes, Kmya Mühendslğ Bölümü Tandoğan, 06100 Ankara ÖZET Aktf çamur proses atıksu arıtımında kullanılan
DetaylıDört Ayaklı Robotun Bir Bacağı İçin PID Kontrolcü Tasarımı ve Arı Algoritması Kullanarak Optimizasyonu
Uluslararası Katılımlı 17. Makna Teors Sempozyumu, İzmr, 14-17 Hazran 2015 Dört Ayaklı Robotun Br Bacağı İçn PID Kontrolcü Tasarımı ve Arı Algortması Kullanarak Optmzasyonu V. Bakırcıoğlu M. A. Şen M.
DetaylıBBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm
BBO Algoritmasının Optimizasyon Başarımının İncelenmesi Optimization Performance Investigation of BBO Algorithm Tufan İNAÇ 1, Cihan KARAKUZU 2 1 Bilgisayar Mühendisliği Anabilim Dalı Bilecik Şeyh Edebali
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
DetaylıYERALTI SUYU POMPAJ MALİYETİ MİNİMİZASYON PROBLEMLERİNİN PSOLVER OPTİMİZASYON TEKNİĞİ İLE ÇÖZÜMÜ: TAHTALI HAVZASI ÖRNEĞİ
VII. Ulusal Hdroloj Kongres 26-27 Eylül 2012, Süleyman Demrel Ünverstes, Isparta YERALTI SUYU POMPAJ MALİYETİ MİNİMİZASYON PROBLEMLERİNİN PSOLVER OPTİMİZASYON TEKNİĞİ İLE ÇÖZÜMÜ: TAHTALI HAVZASI ÖRNEĞİ
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.
DetaylıDOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre
1 DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cnemre 2 BİRİNCİ BÖLÜM HEDEF PROGRAMLAMA 1.1 Grş Karar problemler amaç sayısına göre tek amaçlı ve çok amaçlı
DetaylıAli Öztürk Accepted: January 2010. ISSN : 1308-7231 serhatduman@duzce.edu.tr 2010 www.newwsa.com Duzce-Turkey
ISS:1306-3111 e-journal of ew World Scences Academy 2010, Volume: 5, umber: 1, Artcle umber: 1A0066 Serhat Duman EGIEERIG SCIECES M. Kenan Döşoğlu Receved: March 2009 Al Öztürk Accepted: January 2010 Pakze
DetaylıFırat Üniversitesi, Mühendislik Fakültesi, Makine Bölümü, ELAZIĞ
GENETİK ALGORİTMA İLE PARAMETRELERİ OPTİMİZE EDİLMİŞ AĞ TABANLI BULANIK DENETİM SİSTEMİNİN SİSMİK İZOLASYONA UYGULANMASI VE MATLAB İLE SİMÜLASYONU Doç Dr. Hasan ALLİ ve Arş. Gör. Oğuz YAKUT Fırat Ünverstes,
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
DetaylıTürk Dilinin Biçimbilim Yapısından Yararlanarak Türkçe Metinlerin Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması
Türk Dlnn Bçmblm Yapısından Yararlanarak Türkçe Metnlern Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması Banu DİRİ, M.Yahya KARSLIGİL Yıldız Teknk Ünverstes Elektrk Elektronk Fakültes - Blgsayar
DetaylıMakine Öğrenmesi 6. hafta
Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,
DetaylıKarasal, Hava ve Uzay Tabanlı Haberleşme Sistemleri Arasındaki Girişimin Minimizasyonu İçin Optimizasyon Yaklaşımı
Karasal, Hava ve Uzay Tabanlı Haberleşme stemler Arasındak rşmn nmzasyonu çn Optmzasyon Yaklaşımı Optmzaton Approach to the nmzaton of Interference Between Terrestral, Ar and pace Based Communcaton ystems
DetaylıYAPILARIN ENERJİ ESASLI TASARIMI İÇİN BİR HESAP YÖNTEMİ
YAPILARI EERJİ ESASLI TASARIMI İÇİ BİR HESAP YÖTEMİ Araş. Gör. Onur MERTER Araş. Gör. Özgür BOZDAĞ Prof. Dr. Mustafa DÜZGÜ Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Fen Blmler Ensttüsü
DetaylıSAYISAL ÇÖZÜMLEME. Sayısal Çözümleme
SAYISAL ÇÖZÜMLEME Syısl Çözümleme SAYISAL ÇÖZÜMLEME 7. Hft LİNEER DENKLEM SİSTEMLERİ (Devm) Syısl Çözümleme İÇİNDEKİLER Doğrusl Denklem Sstemlernn Çözümü İtertf Yöntemler Jcob Yöntem Guss-Sedel Yöntem
DetaylıÖZET Anahtar Kelimeler: ABSTARCT Keywords: 1. GİRİŞ
olteknk Dergs Journal of olytechnc Clt: Sayı: 3 s67-7, 009 Vol: o: 3 pp67-7, 009 Genetk Algortma Kullanarak Ekonomk Dağıtım Analz: Türkye Uygulaması M Kenan DÖŞOĞU, Serhat DUMA, Al ÖZTÜRK ÖZET Dünyada
DetaylıTRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI
Yönetm, Yl 9, Say 28, Ekm - 1997,5.20-25 TRANSPORT PROBLEMI ÇIN GELIsTIRILMIs VAM YÖNTEMI Dr. Erhan ÖZDEMIR I.Ü. Teknk Blmler M.Y.O. L.GIRIs V AM transport problemlerne en düsük malyetl baslangç çözüm
DetaylıJFM316 Elektrik Yöntemler ( Doğru Akım Özdirenç Yöntemi)
JFM316 Elektrk Yöntemler ( Doğru Akım Özdrenç Yöntem) yeryüzünde oluşturacağı gerlm değerler hesaplanablr. Daha sonra aşağıdak formül kullanılarak görünür özdrenç hesaplanır. a K I K 2 1 1 1 1 AM BM AN
DetaylıÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI
ÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI M. Sedat HAYALİOĞLU *, S. Özgür DEĞERTEKİN * * Dcle Ünverstes, Müh.-Mm. Fak., İnşaat Müh. Böl., Dyarbakır ÖZET Bu çalışmada çelk uzay çerçevelern, Amerkan
DetaylıGenetik Algoritma ile İki Boyutlu Şekil Yerleştirme ÖZET
Genetk Algortma le İk Boyutlu Şekl Yerleştrme Metn Özşahn 1 ve Mustafa Oral 2 1) Çukurova Ünverstes Fen Blmler Ensttüsü Endüstr Mühendslğ Bölümü, Adana, Turkey 2 Çukurova Ünverstes Blgsayar Mühendslğ Bölümü,
DetaylıŞehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı *
İMO Teknk Derg, 2013 6211-6231, Yazı 392 Şehrç Karayolu Ağlarının Sezgsel Harmon Araştırması Optmzasyon Yöntem le Ayrık Tasarımı * Hüseyn CEYLAN* Halm CEYLAN** ÖZ Bu çalışmada, şehrç ulaştırma ağlarının
DetaylıKafes Yapıların Öğretme-Öğrenme Esaslı Optimizasyon Yöntemiyle Boyutlandırılması
Kafes Yapıların Öğretme-Öğrenme Esaslı Optmzasyon Yöntemyle Boyutlandırılması S. Özgür Değertekn, M. Sedat Hayaloğlu Dcle Ünverstes, İnşaat Mühendslğ Bölümü, 21280, Dyarbakır Tel: (412) 241 10 00 E-Posta:
DetaylıKAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİLİMLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 1999 : 5 : 1 : 951-957
DetaylıENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN
DetaylıBulanık Mantık ve Yapay Sinir Ağları ile bir 3-3 Stewart Platformu nun Pozisyon Kontrolü
Bulanık Mantık ve Yapay Snr Ağları le br 3-3 Stewart Platformu nun Pozsyon Kontrolü İbrahm Yıldız 1, V.Emre Ömürlü 2, Ş.Nac Engn 3 1 Makne Mühendslğ Bölümü Yıldız Teknk Ünverstes, Beşktaş yldz@yldz.edu.tr
DetaylıDÜZENLİ DİZAYNLI GENETİK ALGORİTMALAR İLE ÇOK AMAÇLI PROGRAMLAMA MULTIOBJECTIVE PROGRAMMING VIA UNIFORM DESIGNED GENETIC ALGORITHMS
5. Uluslararası İler Teknolojler Sempozyumu (İATS 9), 3-5 Mayıs 9, Karabük, Türkye DÜZENLİ DİZAYNLI GENETİK ALGORİTMALAR İLE ÇOK AMAÇLI PROGRAMLAMA MULTIOBJECTIVE PROGRAMMING VIA UNIFORM DESIGNED GENETIC
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ 1 Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda
DetaylıDENEY 4: SERİ VE PARALEL DEVRELER,VOLTAJ VE AKIM BÖLÜCÜ KURALLARI, KIRCHOFF KANUNLARI
A. DNYİN AMACI : Bast ser ve bast paralel drenç devrelern analz edp kavramak. Voltaj ve akım bölücü kurallarını kavramak. Krchoff kanunlarını deneysel olarak uygulamak. B. KULLANILACAK AAÇ V MALZML : 1.
DetaylıSıklık Tabloları ve Tek Değişkenli Grafikler
Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.
DetaylıAdi Diferansiyel Denklemler NÜMERİK ANALİZ. Adi Diferansiyel Denklemler. Adi Diferansiyel Denklemler
6.4.7 NÜMERİK ANALİZ Yrd. Doç. Dr. Hatce ÇITAKOĞLU 6 Müendslk sstemlernn analznde ve ugulamalı dsplnlerde türev çeren dferansel denklemlern analtk çözümü büük öneme saptr. Sınır değer ve/vea başlangıç
DetaylıÇOK AMAÇLI DOĞRUSAL PROGRAMLAMADAN SİSTEM TASARIMINA: DE NOVO. Özet
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Yayın Gelş Tarh: 0.0.00 Clt:, Sayı: 4, Yıl: 00, Sayfa: -74 Yayına Kabul Tarh: 7.0.0 ISSN: 0-84 ÇOK AMAÇLI DOĞRUSAL PROGRAMLAMADAN SİSTEM TASARIMINA: DE
DetaylıEnerji Sistemlerinde Yapay Arı Kolonisi (YAK) Algoritması Kullanarak Yük Akışı Optimizasyonu
Enerj Sstemlernde Yapay Arı Kolons (YAK) Algortması Kullanarak Yük Akışı Optmzasyonu Nhat Pamuk Türkye Elektrk İletm Anonm Şrket (TEİAŞ), 5. İletm Tess ve İşletme Grup Müdürlüğü, Sakarya nhatpamuk@gmal.com.tr
DetaylıYAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE
BAÜ Fen Bl. Enst. Dergs (6).8. YAYII YÜK İE YÜKENİŞ YAPI KİRİŞERİNDE GÖÇE YÜKÜ HESABI Perhan (Karakulak) EFE Balıkesr Ünverstes ühendslk marlık Fakültes İnşaat üh. Bölümü Balıkesr, TÜRKİYE ÖZET Yapılar
DetaylıDETERMINATION OF THE ECONOMIC DISPATCH IN ELECTRIC POWER SYSTEMS USING SIMULATED ANNEALING(SA) ALGORITHM
5 Uluslararası İler Teknolojler Sempozyumu (IATS 09), 3-5 Mayıs 2009, Karabük, Türkye ELEKTRİK GÜÇ SİSTEMİNDE OPTİMAL YAKIT MALİYETİNİN BENZETİM TAVLAMA (BT) ALGORİTMASI İLE BELİRLENMESİ DETERMINATION
Detaylı( ) 3.1 Özet ve Motivasyon. v = G v v Operasyonel Amplifikatör (Op-Amp) Deneyin Amacı. deney 3
Yıldız Teknk Ünverstes Elektrk Mühendslğ Bölümü Deneyn Amacı İşlemsel kuvvetlendrcnn çalışma prensbnn anlaşılması le çeştl OP AMP devrelernn uygulanması ve ncelenmes. Özet ve Motvasyon.. Operasyonel Amplfkatör
DetaylıFARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU
Dumlupınar Ünverstes Fen Blmler Ensttüsü Dergs ISSN 1302 3055 FARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU *Yaşar YAŞAR 1, Burhanettn DURMUŞ 2 1 Dumlupınar Ünverstes, Mühendslk Fakültes,
DetaylıFilled fonksiyon kullanarak vana etkili ekonomik yük dağıtımı probleminin çözülmesi
Journal of the Faculty of Engneerng and Archtecture of Gaz Unversty 32:2 (2017) 429-438 Flled fonksyon kullanarak vana etkl ekonomk yük dağıtımı problemnn çözülmes İbrahm Eke 1*, Süleyman Sungur Tezcan
Detaylıdir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.
BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)
DetaylıT.C. İNÖNÜ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ CIRCIR BÖCEĞİ ALGORİTMASI: YENİ BİR META-SEZGİSEL YAKLAŞIM VE UYGULAMALARI MURAT CANAYAZ
T.C. İNÖNÜ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ CIRCIR BÖCEĞİ ALGORİTMASI: YENİ BİR META-SEZGİSEL YAKLAŞIM VE UYGULAMALARI MURAT CANAYAZ DOKTORA TEZİ BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI AĞUSTOS 2015
DetaylıEMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering
KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk
DetaylıEnerji Sistemlerinde Yapay Arı Kolonisi (YAK) Algoritması Kullanarak Yük Akışı Optimizasyonu
Akademk Blşm 2013 XV. Akademk Blşm Konferansı Bldrler 23-25 Ocak 2013 Akdenz Ünverstes, Antalya Enerj Sstemlernde Yapay Arı Kolons (YAK) Algortması Kullanarak Yük Akışı Optmzasyonu Nhat Pamuk Türkye Elektrk
DetaylıÇarpımsal Ceza Modeli İle Tamsayılı Programlama
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt: 10, Sayı:3, 2008 Çarpımsal Ceza Model İle Tamsayılı Programlama Sabr Erdem Özet Doğrusal olmayan optmzasyon problemlernn çözüm yöntemlernden brs,
DetaylıÇok Katlı Kompozit Çelik Çerçevelerin Genetik Algoritma ile Dinamik Sınırlayıcılı Optimizasyonu *
İMO Teknk Derg, 2015 7077-7098, Yazı 434 Çok Katlı Kompozt Çelk Çerçevelern Genetk Algortma le Dnamk Sınırlayıcılı Optmzasyonu * Musa ARTAR* Ayşe DALOĞLU** ÖZ Yapı sstemlernn mnmum ağırlık olacak şeklde,
DetaylıKaraciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi
Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Bülent Haznedar 1*, Mustafa Turan Arslan 2, Adem Kalınlı 3 ÖZ 21.06.2016 Gelş/Receved, 30.11.2016 Kabul/Accepted
DetaylıStandart Model (SM) Lagrange Yoğunluğu. u, d, c, s, t, b. e,, Şimdilik nötrinoları kütlesiz Kabul edeceğiz. Kuark çiftlerini gösterelim.
SM de yer alacak fermyonlar Standart Model (SM) agrange Yoğunluğu u s t d c b u, d, c, s, t, b e e e,, Şmdlk nötrnoları kütlesz Kabul edeceğz. Kuark çftlern gösterelm. u, c ve t y u (=1,,) olarak gösterelm.
DetaylıMATLAB GUI İLE DA MOTOR İÇİN PID DENETLEYİCİLİ ARAYÜZ TASARIMI INTERFACE DESING WITH PID CONTROLLER FOR DC MOTOR BY MATLAB GUI
İler Teknoloj Blmler Dergs Clt 2, Sayı 3, 10-18, 2013 Journal of Advanced Technology Scences Vol 2, No 3, 10-18, 2013 MATLAB GUI İLE DA MOTOR İÇİN PID DENETLEYİCİLİ ARAYÜZ TASARIMI M. Fath ÖZLÜK 1*, H.
DetaylıİÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ
Türkye İnşaat Mühendslğ, XVII. Teknk Kongre, İstanbul, 2004 İÇME SUYU ŞEBEKELERİNİN GÜVENİLİRLİĞİ Nur MERZİ 1, Metn NOHUTCU, Evren YILDIZ 1 Orta Doğu Teknk Ünverstes, İnşaat Mühendslğ Bölümü, 06531 Ankara
DetaylıTuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi
Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), 133-141, 2006 18 (1), 133-141, 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
DetaylıKİ-KARE TESTLERİ. şeklinde karesi alındığında, Z i. değerlerinin dağılımı ki-kare dağılımına dönüşür.
Kİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk
DetaylıFLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ
FLYBACK DÖNÜŞTÜRÜCÜ TASARIMI VE ANALİZİ 1 Nasır Çoruh, Tarık Erfdan, 3 Satılmış Ürgün, 4 Semra Öztürk 1,,4 Kocael Ünverstes Elektrk Mühendslğ Bölümü 3 Kocael Ünverstes Svl Havacılık Yüksekokulu ncoruh@kocael.edu.tr,
DetaylıBULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 22, No 4, 855-862, 2007 Vol 22, No 4, 855-862, 2007 BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA İzzettn TEMİZ ve
Detaylı2.4GHz ISM Bandı Alıcı Verici Sistemleri için ANFIS Kullanılarak 280MHz Band Geçiren Aktif Filtre Tasarımı ve Analizi
Fırat Ünverstes-Elazığ 2.4GHz ISM Bandı Alıcı Verc Sstemler çn ANFIS Kullanılarak 280MHz Band Geçren Aktf Fltre Tasarımı ve Analz Mehmet Al BELEN, Adnan KAYA 2.2 Elektronk-Haberleşme Mühendslğ Bölümü Süleyman
DetaylıENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ
ENDÜSTRİYEL BİR ATIK SUYUN BİYOLOJİK ARITIMI VE ARITIM KİNETİĞİNİN İNCELENMESİ Emel KOCADAYI EGE ÜNİVERSİTESİ MÜH. FAK., KİMYA MÜH. BÖLÜMÜ, 35100-BORNOVA-İZMİR ÖZET Bu projede, Afyon Alkalot Fabrkasından
DetaylıCalculating the Index of Refraction of Air
Ankara Unversty Faculty o Engneerng Optcs Lab IV Sprng 2009 Calculatng the Index o Reracton o Ar Lab Group: 1 Teoman Soygül Snan Tarakçı Seval Cbcel Muhammed Karakaya March 3, 2009 Havanın Kırılma Đndsnn
DetaylıTEKNOLOJĐK ARAŞTIRMALAR
www.teknolojkarastrmalar.com ISSN:134-4141 Makne Teknolojler Elektronk Dergs 28 (1) 61-68 TEKNOLOJĐK ARAŞTIRMALAR Kısa Makale Tabakalı Br Dskn Termal Gerlme Analz Hasan ÇALLIOĞLU 1, Şükrü KARAKAYA 2 1
DetaylıG.1. : Y.Kutlu, M.Kuntalp, D.Kuntalp. : Öz Düzenleyici Haritalar Kullanilarak Diken Dalgalarin Analizi. Yay nlanan Kitapç k.
G.1 Yazarlar : Y.Kutlu, M.Kuntalp, D.Kuntalp Ba l k : Öz Düzenley Hartalar Kullanlarak Dken Dalgalarn Analz Yay nlanan Ktapç k : Genç Blm nsanlar le Beyn Byofz II. Çal tay, Izmr / Turkey, 21-23 ubat2008
Detaylı4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ
Ünsal M.; Varol, A.: Soğutma Kulelernn Boyutlandırılması İçn Br Kuramsal 8 Mayıs 990, S: 8-85, Adana 4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ Asaf Varol Fırat Ünverstes, Teknk Eğtm Fakültes,
DetaylıKİ-KARE TESTLERİ A) Kİ-KARE DAĞILIMI VE ÖZELLİKLERİ
Kİ-KAR TSTLRİ A) Kİ-KAR DAĞILIMI V ÖZLLİKLRİ Örnekleme yoluyla elde edlen rakamların, anakütle rakamlarına uygun olup olmadığı; br başka fadeyle gözlenen değerlern teork( beklenen) değerlere uygunluk gösterp
DetaylıNİTEL TERCİH MODELLERİ
NİTEL TERCİH MODELLERİ 2300 gözlem sayısı le verlen değşkenler aşağıdak gbdr: calsma: çocuk çalışıyorsa 1, çalışmıyorsa 0 (bağımlı değşken) Anne_egts: Anne eğtm sevyes Baba_egts: Baba eğtm sevyes Kent:
DetaylıOptimal Güç Akışı Probleminin Çözümü İçin GA, MA ve YAK Algoritmalarının Karşılaştırılması
6 th Internatonal Advanced echnologes Symposm (IAS 11), 16-18 May 2011, Elazığ, rkey Comparson of GA, MA and ABC Algorthm for Solton of Optmal ower Flow Abstract In ths stdy, tree dfferent herstc methods
DetaylıTEMEL DEVRE KAVRAMLARI VE KANUNLARI
TDK Temel Devre Kavramları ve Kanunları /0 TEMEL DEVRE KAVRAMLARI VE KANUNLARI GĐRĐŞ: Devre analz gerçek hayatta var olan fzksel elemanların matematksel olarak modellenerek gerçekte olması gereken sonuçların
DetaylıTÜRKİYE DEKİ 22 BARALI 380 kv LUK GÜÇ SİSTEMİ İÇİN EKONOMİK DAĞITIM VE OPTİMAL GÜÇ AKIŞI YÖNTEMLERİNİN KARŞILAŞTIRMALI ANALİZİ
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING FACULTY MÜHENDİ SLİ K B İ L İ MLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 7 : 3 : 3 : 369-378
DetaylıRasgele Değişken Üretme Teknikleri
Rasgele Değşken Üretme Teknkler Amaç Smülasyon modelnn grdlern oluşturacak örneklern üretlmes Yaygın olarak kullanılan ayrık veya sürekl dağılımların örneklenmes sürecn anlamak Yaygın olarak kullanılan
DetaylıKİ KARE ANALİZİ. Doç. Dr. Mehmet AKSARAYLI Ki-Kare Analizleri
Kİ KAR ANALİZİ 1 Doç. Dr. Mehmet AKSARAYLI www.mehmetaksarayl K-Kare Analzler OLAY 1: Genelde br statstk sınıfında, öğrenclern %60 ının devamlı, %30 unun bazen, %10 unun se çok az derse geldkler düşünülmektedr.
DetaylıBÖLÜM II D. YENİ YIĞMA BİNALARIN TASARIM, DEĞERLENDİRME VE GÜÇLENDİRME ÖRNEKLERİ ÖRNEK 20 İKİ KATLI YIĞMA KONUT BİNASININ TASARIMI
BÖLÜM II D ÖRNEK 0 BÖLÜM II D. YENİ YIĞMA BİNALARIN TASARIM, DEĞERLENDİRME VE GÜÇLENDİRME ÖRNEKLERİ ÖRNEK 0 İKİ KATLI YIĞMA KONUT BİNASININ TASARIMI 0.1. BİNANIN GENEL ÖZELLİKLERİ...II.0/ 0.. TAŞIYICI
DetaylıYapay Sinir Ağı ve Bulanık-Yapay Sinir Ağı Yöntemleri Kullanılarak Tava Buharlaşma Tahmini
Tarım Blmler Araştırma Dergs 3 (): 45-5, 00 ISSN: 308-3945, E-ISSN: 308-07X, www.nobel.gen.tr Yapay Snr Ağı ve Bulanık-Yapay Snr Ağı Yöntemler Kullanılarak Tava Buharlaşma Tahmn Özgür KIŞI Selcan AFŞA
DetaylıKonveks Sınıf Modelleri Kullanarak Dijital İmgelerdeki Nesne Görüntülerinin Konumlarının Bulunması. Proje No: 109E279
Konveks Sınıf Modeller Kullanarak Djtal İmgelerdek Nesne Görüntülernn Konumlarının Bulunması Proje No: 109E279 Doç. Dr. Hakan Çevkalp Hüseyn Gündüz Musa Aydın Güvenç Usanmaz Onur Akyüz ŞUBAT 2013 ESKİŞEHİR
DetaylıDİNAMİK ANALİZ PROBLEMLERİ İÇİN YENİ BİR ADIM ADIM SAYISAL ÇÖZÜMLEME YÖNTEMİ
. Türkye Deprem Mühendslğ ve Ssmoloj Konferansı 5-7 Eylül 0 MKÜ HATAY DİNAMİK ANALİZ PROBLEMLERİ İÇİN YENİ BİR ADIM ADIM SAYISAL ÇÖZÜMLEME YÖNTEMİ ÖZET: H. Çlsalar ve K. Aydın Yüksek Lsans Öğrencs, İnşaat
Detaylı1. KEYNESÇİ PARA TALEBİ TEORİSİ
DERS NOTU 07 KEYNESÇİ PARA TALEBİ TEORİSİ, LM EĞRİSİ VE PARA TALEBİ FAİZ ESNEKLİĞİ Bugünk dersn çerğ: 1. KEYNESÇİ PARA TALEBİ TEORİSİ... 1 1.1 İŞLEMLER (MUAMELELER) TALEBİ... 2 1.2 ÖNLEM (İHTİYAT) TALEBİ...
DetaylıBulanık-Sinir Ağı Yapısı İçin Yeni Bir Karma Yaklaşım
Bulanık-Snr Ağı Yapısı İçn Yen Br Karma Yaklaşım Canan ŞENOL, Tülay YILDIRIM Mühendslk Fakültes, Elektronk Mühendslğ Bölümü Kadr Has Ünverstes canan@khas.edu.tr Elektrk-Elektronk Fakültes, Elektronk ve
DetaylıTHOMAS-FİERİNG MODELİ İLE SENTETİK AKIŞ SERİLERİNİN HESAPLANMASINDA YENİ BİR YAKLAŞIM
Osmangaz Ünverstes Müh.Mm.Fak.Dergs C.XVII, S., 004 Eng.&Arch.Fac.Osmangaz Unversty, Vol.XVII, No :, 004 THOMAS-FİERİNG MODELİ İLE SENTETİK AKIŞ SERİLERİNİN HESAPLANMASINDA YENİ BİR YAKLAŞIM Recep BAKIŞ,
Detaylı