WEB TABANLI YAPAY ZEKA TEKN KLER (PROJE NO : FEN-E )

Transkript

1 T.C. MARMARA ÜNVERSTES MSEL ARATIRMA PROJELER KOMSYONU BAKANLII PROJE RAPORU WEB TABANLI YAPAY ZEKA TEKNKLER M SIMÜLATÖRLERN HAZIRLANMASI (PROJE NO : FEN-E ) Proje Yürütücüsü Yrd. Doç. Dr. Mehmet TEKTA Yardmc Aralar Yrd. Doç.Dr. Necla TEKTA Yrd. Doç. Dr. Nevzat ONAT Yrd. Doç. Dr. Gökhan GÖKMEN Ar. Gör. Dr. Gökhan KOÇYT Ar. Gör. Dr. Tahir Çetin AKINCI STANBUL,

2 1. BÖLÜM Eitim Uzaktan Eitim Kavram E-Örenme Uzaktan Eitimde Önemli Literatür Çalmalar Web Tabanl Eitim Kavram Web Tabanl Eitimin Avantajlar Web Tabanl Eitimin Dezavantajlar WTE Önündeki Engeller Web Tabanl Eitimin Tasarlanmas Web Tabanl Öretimde Etkileim Türkiye de Uzaktan Eitim Web Tabanl Eitim ve Sanal Laboratuarlar Sanal Laboratuarlar Sanal Laboratuar Yaplar Türkiye de Sanal Laboratuarlarn Gelecei BÖLÜM Yapay Zekâ Yapay Zekâ Nedir? nsan gibi düünen sistemler nsan gibi davranan sistemler Rasyonel düünen sistemler Rasyonel davranan sistemler

3 2.3. Yapay Zekânn Amaçlar Yapay Zekânn Tarihçesi Yapay Zekânn Alt Alanlar Yapay Zekâda Önemli Teknikler Yapay Zekânn Kullanm Alanlar Ve Kullanlan Teknikler Endüstride Yapay Zekâ Otomotivde Yapay Zekâ Teknolojileri Kullanm Amaçlarna Göre Yapay Zekâ Teknolojileri Askeri Alanda Yapay Zekâ Uygulamalar Tp Ve Sak Alannda Yapay Zekâ Uygulamalar Akll Ev Teknolojileri ve Akll Ev Aletlerinde Yapay Zekâ Uygulamalar Eitimde Yapay Zekâ Teknoloji Eitiminde Yapay Zekâ Robotik Yapay Zekânn Ticari Uygulamalar BÖLÜM : Bulank Mantk (Fuzzy Logic) Giri Bulank Mantk n Tarihçesi ve Kurucusu Lotfi Zadeh Bulank Kümeler Bulank Kümelerde lemler Üyelik lemleri Bulank Mantn Kullanm Alanlar ve Günümüzde Uygulama Örnekleri Proje Kapsamnda Hazrlanan Bulank Mantk Simülatörünün Bölümleri 88 3

4 4. BÖLÜM: Yapay Sinir Alar Genel Tanm YSA'larn Genel Özellikleri YSA'larn Avantaj ve Dezavantajlar YSA'larn Kullanld Alanlar YSA'larn Tarihçesi YSA'nn Yap,Elemanlar ve Mimarisi Yapay Nöron YSA Çeitleri Sinir Sistemi ve Ysa'nn Benzerlikleri Yapay Sinir Alarn Genel Özellikeri YSA'nn Avantajlar YSA'nn Dezavantajlar Ysa'larn Sflandlmas Mimari Yaplarna Göre Örenme Yaklamlarna Göre Örenme Kurallar Arakat Balantlarna Göre Sflandlmas Katlar Aras Balantlar Dier Katlarla Balantlar Yaygn Olarak Kullanlan Örenme Algoritmas Geri Yaym Algoritmas Delta-Bar-Delta Multi-Layer Perception (MLP)

5 Learning Vector Quantisation A Hopfield A Elman A Kohonem A BÖLÜM : Genetik Algoritma (Genetic Algorithm) Genetic Algoritmalar ve Evrimsel Hesaplama Rasgele Arama Algoritmas kili kodlu genetik algoritmalar kili kodlu genetik algoritmalarn operatörleri Amaç fonksiyonu ve parametreler Parametrelerin tanmlanmas ve kodlama Balangç Popülasyonu Doal seçim Eletirme Çaprazlama Mutasyon Gelecek nesil Yaknsama Gerçek kodlu genetik algoritma Amaç fonksiyonu ve parametreler Balangç Popülâsyonu Doal seçim Eletirme Çaprazlama

6 5.6. Mutasyon Örnekler Bir Açklay Örnek GA Nasl Çalr Bir GAnn Nasl Çal Gösteren Dier Bir Örnek ki Deken çeren Bir Baka Örnek ki deken içeren dier bir örnek Gezgin Sat Probleminin Genetik Algoritmalarla Uygulamas Sonuç Proje Kapsamnda Gerçekletirilen Genetik Algoritma Simülatörü Temel Özellikler Gereksinimler Menüler Temel Kavramlar Simülasyonlar Kaynaklar

7 1. BÖLÜM 1.1. Eitim Bilginin güçle edeer görüldüü günümüz bilgi toplumlarnda eitim; bilgi teknolojilerini rahatlkla kullanan, bilgiyi üreten, sflandran, sunan ve paylaan bireyler yetitirmeyi amaçlamaktadr. Bu belirtilen durumlarn gerçeklemesi; örenme-öretme süresi boyunca bireyin ön plana çkarlmas, öretme ve örenmenin örenci merkezli olmas, bu süre boyunca uygulanacak tekniklerin çada bir anlayla zamann gerekliliklerine uygun biçimde tasarlanmas, uygulanmas, deerlendirilmesi ve gelitirilmesi ile mümkün olacaktr. Belirtilen gereklilikleri karlayabilecek olan eitim teknolojisi; öretme-örenme süreçlerini etkili klarak örenmenin kolay, somut, zengin, anlaml, güdüleyici, tevik edici, verimli ve kaliteli etkinliklere dönütürülmesi için insan gücü ve onun dndaki kaynaklarn amaca yönelik olarak uygulanmaya konulmas içermektedir [1] Uzaktan Eitim Kavram Uzaktan eitim, bireylere kendi kendilerine örenme imkann saland, geleneksel eitime göre daha esnek ve birey koullarna uyarlanabilir bir eitimdir. Uzaktan eitimle eitim hizmeti götürmekteki srlklarn ksmen yada tümüyle ortadan kaldlarak eitim imkanlarn daha geni kitlelere ulalmas amaçlanmaktadr. Çok ortaml araçlarn ve sunu sistemlerinin ie koulmas, uzaktan itim tann yaplmas güçletirmektedir. Ancak, ksaca öretmen ve örencinin zaman ve mekan bakndan birbirinden ayrld ortamlar üzerine yaplandlan eitim uygulamalarn hepsi uzaktan eitim olarak adlandlmaktadr [2]. ABD Uzaktan itim Dernei, uzaktan eitimi bilgi teknolojileri ve altyaplarn örenciler aras ve renci öretmen arasndaki aktiviteleri ve eitimsel faaliyetleri salamak amacyla kullanlmasr olarak tanmlamaktadr. Bir baka tanma göre uzaktan eitim, uydu, video, ses, grafik, bilgisayar, çoklu ortam teknolojisi gibi araçlarn yardyla, eitimin uzaktaki örencilere ulalmasr [3]. Bilgisayar ve internet teknolojilerindeki hzl gelimeler öretme ve örenme yöntemlerini de çok hzl bir ekilde detirmektedir. Bu gelimeler çeitli yollarla yapla 7

8 gelen uzaktan eitim modellerinin web tabanl eitime (WTE) kaymas sonucunu dourmutur. WTE ise, uzaktan eitimi desteklemek için, Web üzerinden verilmek üzere hazrlanm, zamandan ve yerden (mekândan) bamsz olarak eriim olanaklar sunan, eriimin bir a üzerinden (internet ya da intranet olarak) yapld eitim ekline denilmektedir [4]. Bu tanmdan da anlalaca üzere WTE nin temel amac uzaktan itim yapabilmektir. WTE de kullanlan yöntemler arasnda eitici bilgisayar yazmlar ve simülasyonlar olmak üzere iki temel yaklam ortaya çkmaktadr. Eitici bilgisayar yazmlar genelde konularn tekrarlanmas ve bu konular hakknda çok sayda problemin çözülmesi esasna dayanmaktadr. Bu tip sistemlerde özellikle sürekli tekrarlar sistemin verimliliini ve örencilerin dikkatlerini olumsuz etkilemektedir. Simülasyon yazmlar ise örencilerin kendi oluturduklar problemleri çözebilme, deneyler yapabilme gibi daha doyurucu bir etkileim ortam sunmaktadr. Bu sistemlerin en önemli dezavantaj, tasarm ve hazrlama aamalarn daha zor ve uzun bir süreç olmasr. Simülasyon yazmlarnda çou zaman yapay zeka tekniklerinin en az bir tanesinin kullanlmas zorunludur. Bir çok sistemde ise bir kaç tekniin bir arada kullanld melez (hybrid) yaplar bulunmaktadr. Literatürde, WTE kavram bilgisayar destekli eitim (Computer Aided Instruction - CAI), yapay zeka destekli simülasyona dayal WTE sistemlerine de zeki bilgisayar destekli öretim sistemleri (Intelligent Computer Aided Instruction - ICAI) denilmektedir [5], [6]. 8

9 Basla Basla Ögretim Programi Problemi olustur Ögretim Elemani Ögretim Programi Problemi ögrenciye sor Ögrenci Problemi ögrenciye sor Bir kopya Cevabi al ve kaydet Cevabi al ve kaydet Bir kopya Ögrenci modeli olustur Hata Kütüphanesi Hayir Bilgisayarin cevabini veri tabanindan al Veri tabani Hayir Bilgisayarin cevabini olustur Alan uzmani Hayir Cevaplari karsilastir Cevaplari karsilastir Ögrenciye sunulan ögüt ve yönlendirmeler Sonuç Dogru mu? Sonuç Dogru mu? Evet Evet Ögrenci modelini güncelle Tüm problemler soruldu mu? Evet Ögrenme göstergelerini güncelle Bitir Bitir a-geleneksel bilgisayar destekli egitim modeli örnegi b-zeki bilgisayar destekli egitim modeli örnegi ekil 1 Uzaktan eitimde WTE modelleri E-Örenme Uzaktan eitimin bir alt kümesi olan e-örenmenin çeitli kaynaklarda farkl tanmlar mevcuttur. Bu tanmlardan bazlar unlardr: ntranet veya bir bilgisayar a bulunan platform üzerinde sunulan, örenci ile öretim elemann birbirlerinden fiziksel olarak ayr olmalarna ramen, e zamanl (senkron) veya ayr zamanl (asenkron) çoklu 9

10 ortam teknolojisi yardyla iletiim kurduklar, örenme hna göre örenmenin gerçekletirildii öretim sürecidir [7]. E-örenme, internet teknolojileri aracyla, retmen ve örencinin ayn ortamda ve ayn anda bulunmalarna gerek kalmadan gerçekletirilen eitim faaliyetleridir [8]. E-örenme, eitim içeriinin, internet, intranet, uydu yay, etkileimli TV, görsel/iitsel teyp, CD-ROM, vb. yoluyla elektronik ortamda aktarr[8]. E-örenme, internet, bir a veya sadece bilgisayar yoluyla gerçekleen renmelerdir[9]. Internet, intranet veya bir bilgisayar a bulunan platform üzerinde sunulan, web tabanl bir eitim sistemidir [10]. Bu tanmlar nda e-örenme, yaam boyu örenmeyi destekleyen, farkl nitelliklere sahip fakat ayn hedefe yönelmi bireyleri bir araya getiren, çeitli bilgisayar ve iletiim teknolojilerini eitimin hizmetine sunabilen, örenci merkezli, özgün kurumsal ve yönetsel yaplanmay gerektiren planlanm örenme olarak ifade edilebilir [11]. E-örenme karmak psikolojik bir olgudur. Geleneksel eitim sistemlerinde bilgi kaytl olarak vardr ve konuma vastasyla (ders vererek) veya katlarla (kitap okuyarak) örenciye aktarr. Ancak e-örenme sistemiyle bilgi sunulur, depolanr ve elektronik araçlarla gönderilir (dersin web-tabanl olarak ilenmesi gibi). Sonuç olarak, e-örenme bilginin, çok yönlü tiplerini (sözlü ve resimli), çok yönlü ilem modlar (iitsel ve görsel) ve çok yönlü örenme durumlar (ard arda ve ayn anda) içermesiyle son derece karmak hale gelir [12] E-örenme, yaygnlamaya balad ilk yllarda çevrimiçi kitaplar oluturma olarak alglansa da, son zamanlarda e-örenmeden beklenenler artmr. çeriklerin internette çevrimiçi kitap formatnda sunulmasna nazaran e-örenmenin en belirgin özellii içerik sunumunda kullanlan etkileimlerdir. E-örenmede etkileim konusu üzerinde yaplan ararmalar incelendiinde etkileimin farkl türleri olduu görülmütür. E-örenme ile ilikili olan üç farkl etkileim vardr. Bunlar: örenci-içerik, renci-öretmen ve örenci örenci etkileimidir [11], [12]. Bununla birlikte bu etkileim türlerine ek olarak, örenenin teknoloji ile içerik sunumu esnasnda olan etkileimini de ekleyerek örenci-ara yüz adnda bir dördüncü etkileim türü ortaya kmr. Örenci-içerik etkileimi denilince akla ilk gelen, örencinin içerikle karkl iletiim kurmasr. Bu iletiim sayesinde, örenci, kendisine kazandlmak istenen bilgi ve becerilere bilgisayar ortamndaki bireysel çalma ve çabas ile sahip olur. Bu çalma sürecinde örenci içerii okur, izler, uygulama yapar, soru sorar ve ald cevaplara göre 10

11 hatalar, eksiklerini görür. Böyle bir yapn gerçeklemesi, birçok fonksiyonun bir arada kullan ile mümkün olabilmektedir. E-örenme sistemlerindeki örenci-içerik etkileimi için kullanlan fonksiyonlar öyle sranabilir: k sorulan sorular (SSS), ilgili eitsel siteler balantlar, ilgili öreneme materyallerine balantlar, multimedya sunumu (yaz, grafikler, animasyon ve sesler), sistem üzerinde kullan rehberlii, online snav veya kiisel deerlendirme, medyann ileri seviyede kullan, içerikle ilgili online yardm, renilen materyal üzerinde örenene destek, bireyselletirilmi örenme veritaban, bireyselletirilmi eitim, çalma rehberlii, akalar, çekili ve eitsel oyunlar. Bu fonksiyonlar sayesinde örenci, içerik ile iletiim kurabilir ve karnda itmen varm gibi davranlar sergileyebilir. Özellikle e-örenmenin yap gerei, içeriin örenciyi adapte etmesi, çalmaya tevik etmesi, bireysel aktivitelerle renmeyi gerçekletirmesi, baar için en önemli etkenlerin banda gelmektedir. Bu nedenle örenci-içerik etkileimi, e-örenme sistemi yönetici ve eitmenlerin üzerinde hassasiyetle durmas gereken ciddi bir konudur [11] Uzaktan Eitimde Önemli Literatür Çalmalar Bu bölümde kapsaml ararma sonuçlar içeren iki önemli çalmann ksa özetleri verilmitir. 11

12 Online Derslerde Kullanlan Teknolojilerin Etkinlii 2005 ynda ABD de yaplan kapsaml bir çalmada web tabanl MBA derslerinde kullanlan etkileim teknikleri ile örenci ve öreticilerin bu tekniklere bak açlar incelenmitir. Yaplan çalmann ayrntlar adaki tablolarda özetlenmitir. Tablo 1 Ararmada kullanlan soru ve teknikleri [13]. Arama Sorular Metodlar Veri kayna 1- Hangi eitimsel aktivite ve teknolojiler Online derslerin içerik analizi 27 online ders online ders etkilerimin salamak için kullanlmaktadr Alan ararmas 102 örenci 2 -Örenci ve öreticiler online ders etkileimlerini nasl 26 öretici, 10 örenci ile bireysel röportajlar renci ve öretmen röportajlar alglamaktadrlar? ve 2 örenci grubu röportaj 3 - Bu alglama hangi noktalarda farklk göstermektedir. Alan ararmas 102 örenci Tablo 2 Çalmada dikkate alnan MBA derslerinde kullanlan eitim teknolojileri ve kullanm oranlar [13]. Teknolojiler Kullanan Kullanmayan Kullanm Oran Ders Kitab (Yaz metin) % E-posta % Ders kitabna dayal iki yönlü iletiim ve tartma % Asenkron (tartma forumlar v.b.) iletiim % Senkron (sohbet v.b.) iletiim % Etkileimli ara snav yöntemleri % PowerPoint Slaytlar % Web Sayfalar % Ses ve Görüntü klipleri % Telefon % Ses ve görüntü tabanl iki yönlü iletiim (sesli posta, anlk mesajlama, video konferans v.b.) % 12

13 Tablo 3 Çalmada dikkate alnan MBA derslerinde kullanlan öretim aktiviteleri ve kullanm oranlar [13]. retim aktiviteleri Kullanan Kullanmayan Kullanm Oran retmen sorularna soru-cevap % Görevler açndan geribildirim % Dersin (sn) ana konularn veya en önemli noktalarn özetlenmesi % f tartmalarna öretmen kat % Takm tabanl örenme aktiviteleri Online tartmalarda % deerlendirmenin bir parças olarak % katm Küçük grup tartmalar % Grup tartmalarna öretmen kat % Sanal ofis Saatleri % Grup içi geribildirim/kritik yapma % Karlarmal (dikkatli) deerlendirme % rencilerle online sohbet (coffee house) % rencilerin balatt forumlar % rencilerin beklentilerini ifade edebildikleri bülten panosu % Haber hatt (Newsline) % Tablo 4 Yaplan ararmalar sonucunda örenci ve öretmen alglamalarn özeti [13] Online Etkileimler Yeterince online etkileimin olmama nedenleri retmenler retmenler online etkileimi öretme ve renmenin baar için önemli bir faktör olarak alglamaktadrlar. Online etkiliimin salanmas konusunda deneyim ve bilgi eksiklii retmenler arasndaki fikir farklklar ve verilen önemdeki eksiklikler renciler renciler online etkileimin önemi konusunda farkl alglamalara sahiptirler. renme metodlarndaki farklklar veya kiisel nedenlerle tüm örencilerin fazla online etkileim istememesi Online örenmede online etkileimden beklentinin az olmas Tablo 4 de görüldüü gibi online ders veren öretmenler etkileimin baar renmenin önemli bir parças olduu konusunda genellikle hemfikirdirler. Genellikle ders etkileimlerini salamak için çok sayda teknoloji ve öretim aktiviteleri sunulmaktadr. Ancak öretmenler arasnda bu teknolojilerin veya aktivitelerin kullan 13

14 noktasnda, bu teknoloji ve aktivitelerin özel teknik uzmanlk gerektirmesi veya bunlarn verimli ekilde nasl kullanlacan örenilmesinin önemli bir zaman gerektirmesi nedeniyle farklar olumaktadr. Ayrca öretmenler derslerini kendi istedikleri gibi etkileimli yapmann zor olduunu kabul etmektedirler. Etkileimli online ders saynda istenilen düzeye ulamann önündeki engel, sadece fakülte srlamalar veya teknik uzmanlk ya da zaman eksiklii deil, ayn zamanda yllarca sürdürülen yüz yüze eitim düzenlemelerin kafalarda oluturduu düünce kalplar ve alkanlklardr. renciler ise kendi derslerinde online etkileim konusunda farkl tercihlere sahiptirler. Kiisel nedenler veya farkl örenme metodlar bu tercihi etkilemektedir. Baz renciler ise online etkileimin çok fazla gerekli olmad, fazla bir ey kazandrmayaca düünmektedirler. Buna ramen öretmenler verimli öretim stratejilerini ararmal ve etkileimli online örenimin önündeki engelleri kaldrma yönünde çalmalar yapmalrlar. Bu çalma sadece MBA dersleri için yaplmr. Daha fazla veri toplanabilmesi için çalmalarn sayn artmas ve ayn zamanda farkl alanlardaki online derslerin incelenmesi gereklidir [13] WTE in Uluslararas Analizi ve Gelecek için Tavsiyeler 2000 ynda tamamlanan ve AB projeleri kapsamnda desteklenen Web Tabanl itimin Uluslararas Analizi ve Online Eitimin Gelecekteki Geliimi için Stratejik Tavsiyeler bakl bir sonuç raporu hazrlanmr. Bu raporda online eitime verilen önemin küresel, kurumsal ve yönetimsel sonuçlar tartlmaktadr. Bu rapor reklam ve mali konularda ilave bilgiler içermekte, akreditasyon, deerlendirme, kayt ve gelime esenklii ile birlikte pedegojik konular da analiz etmektedir. Online eitimin gelecekteki geliimi ve bu geliimin önündeki engeller de ele alnmaktadr. Sonuç olarak, politikaclar, eitim yöneticileri ve online eiticiler için stratejik tavsiyeler sunulmutur. Bu çalma Internet üzerindeki derslerin uluslararas analizini sunmakta ve online itimin önemine yönelik stratejik tavsiyelerde bulunmaktadr. Sonuç ve tartmalar literatür incelemelerine, 26 ülkede 130 kurulu tarafndan salanan catalog girilerine ve bu kurumlarda söz sahibi 72 kiiyle yaplan röportajlara dayanmaktadr. Katalog verileri Mart98-ubat99 aras toplanm ve röportajlar 1999 baharnda gerçekletirilmitir. 14

15 Web üzerinde sunulan derslerin durumunu profesyonel bir gözle analiz etmek, dengeli deerlendirme ve AB de mesleki ve teknik eitim konusuna yeni bir bak aç getrecel uzun vadeli tavsiyeler salamaktr [14] Kurumsal Yaynlar Çalmada temas kurulan 130 kuruluun önemli bir ksm sadece birkaç web dersi sunmaktadr. Kurulularn %23.1 I sadece bir web dersi, %46.2 si ise 5 dersten daha az web tabanl ders sunmaktadr. Sadece dört kurulu 100 veya daha üzeri ders vemektedir. Buradan aktivitelerin çounun deneme açmaçl ve kurulu için ana eksen olmad sonucu çkarlabilir. Anket ayrca kurulularn %29.3 ünün 100 veya daha az örenciye sahip olduunu göstermektedir. Sadece dört kurulu 5000 den fazla örencisi olduunu rapor etmitir. Bu rakamlar nispi olarak oldukça düüktür ve web tabanl eitimin kurumlar açndan temel eksen olarak kabul edilmedii anlamna gelmektedir. kan bir dier sonuç, web derslerinde bilgisayar ve bilgi teknolojileri alanlarn itim amaçl ders açndan üstünlük saladklarr. Bu iki alann haricinde web dersleri çok geni bir konu aral kapsamaktadr. Konu ve ders alanlar kurumdan kuruma oldukça demektedir. Yaklak olarak kurumlarn yar sadece bir kategoride dersler sunmaktadr. Sadece be kurulu be ve üzeri kategoride derslere sahiptir. Ankete katlan ve incelenen kurulularn hiç biri gerçek veya online üniversite olarak karakterize edilebilecek düzeyde yeterli online kurs ve destek servisi salamamaktadrlar. Anket 130 kuruluun %60 n üniversite ve yüksekokullara, %10 unun geleneksel açk öretim üniversiteleri ve uzaktan eitim sektörüne ve %9.2 sinin de limitet veya anonim irketlere ait olduunu göstermektedir Yönetimsel Yaynlar Bir yönetim sistemi örenciler, öretmenler, dersler ve ders materyallerini idare etmeyi gerektirmektedir. Online bir yüksekokul, binlerce örenci, yüzlerce öretmen, ifre korumal web sayfalar içeren çok sayda ders, tartma forumlar, dam listeleri, f listeleri ve örenci sunumlarna sahip olabilir. Ayrca ayn zamanda, ders kitaplarn gönderilmesi, okul ve snav ücretlerinin kaytlarn tutulmas ve yerel 15

16 navlarn organizasyonunun yaplmas da salamak zorundadr. Tüm bu servisler bir çok geleneksel kurulu için oldukça büyük bir külfet oluturmaktadr. Büyük ölçekli ve profesyonel online eitim sunmay planlayan kurulular web ile entegre olmu bir yönetim sistemine ihtiyaç duymaktadr. Bunu baarmak için muhtelif stratejiler takip edebilirler. En basit yöntem hali hazrda çalan bir yönetim sistemine sahip bir kurulula ibirlii yapmak olabilir. Daha fazla teknik beceri gerektiren bir baka çözüm, genel internet servislerine dayal bir ev-içi sistemi gelitirmektir. Üçüncü seçenek ise online eitim için gelitirilmi standart bir sistemi satn almaktr. Bu standart sistemler sürekli olarak gelitirilmektedir. Fakat, hala yerel artlara göre adaptasyon gerektirmektedirler. Sadece baz yönetimsel adaptasyon ihtiyaçlar olabilir veya derslerde baz pedagojik srlamalar yaplmas gerekebilir. Hayal kkl yaratan fakat önemli bir tespit de bir çok kuruluun web ortam yönetimsel amaçlar için kullanmadr. D kaynak bir seçenektir ve çok kullanlmad tespit edilmitir. Sadece bir örnek tanmlanabilmitir. Röportajlarda bahsedilen standart yönetim sistemleri FirstClass, WebCT, ve Lotus Notes olmutur Reklam ve Finansal Yaynlar Röportajlarn bir çounda web hizmetlerinin önemli bir fonksiyonu program ve derslerin reklamlarn yaplmas olarak ön plana çkmr. Web derslerinin örenim ücretleri kurulular ve dersler arasnda önemli farklar içermektedir. Baz dersler ücretsi ve herkese açk iken, bazlar tamamen veya ksmen d desteklere sahiptirler. Örenim ücreti alarak çalan kurulularda ücretler geleneksel ders ücretleri ile ayn veya çok farkl deildir. Bu çalmada örenci ödemelerinden salam gelir kazanan birkaç kurulu örnei ortaya çkmr. Ayn ekilde eer d kurulular tarafndan salanan ararrma gelitirme burslar ihmal edilirse, web tabanl ders sunumunun ekonomik olarak baar olabileceine inanan birkaç kurulu ortaya çkmr [14] Pedagojik Sonuçlar iticiler sadece online kurslarla megul olan part-time öretmenler ve norma görevlerinin yan sra baz online dersler veren tam zamanl öretmenler olarak iki gruba 16

17 ayrlmaktadr. Öretme faaliyetleri içinde örenci ve uzmanlarn damlarn da bir bölüm oluturduunu görmek ilginç olmutur. Röportajlardan elde edilen analiz sonucu öretmenlerin en azndan adaki fonksiyonlar gerçekletirdiini göstermektedir. Organizasyon fonksiyonlar : yap tartmalarnda admlar atan ve ilk olarak balatan kii Sosyal fonksiyonlar : Takip etme gruplar Entelektüel fonksiyonlar: soru cevaplama, örenciler internette klavuzluk etme. Deerlendirme fonksiyonlar (Assessment functions): geri besleme verme görevleri, önerileri düzeltme nsan öretimi makine öretimine göre daha yaygn bir uygulamadr. Fakat baz kurulular insan eitimine ilave olarak makine eitimi de içermektedir. Çou kurulu bireysel eitimlerle grup eitimlerini birletirme eilimindedir. Bu ikisi arasndaki odaklanma miktar da demektedir. Online öretim bir çok derste yüz yüze toplantlar, video veya sesli konferans veya telefon konumalar tamamlay unsurdur. Baz kurulular ders gelitirme ekiplerine sahiptirler. Dierleri ise öretmeni bir dersin tek tasarmc olarak kullanmaktadr. Farkl uygulamalar kalite kontrol ve gelitirme zaman açndan farkl sorunlar içermektedir [14] Akreditasyon Bu röportajlar sonunda online ders ve program akreditasyonlarn kurumlarn geleneksel akreditasyon ilemleriyle çok benzer olduu görülmütür. Tamamlanan ders ve programlar tanmlamada, dereceler, diplomalar, sertifikalar ve raporlar verme uygulamas çok büyük ölçüde kullanlmaktadr. Akreditasyon ileminin kurs veya programn online olmas ya da olmamasndan bamsz olduu görülmektedir. Bir çok kurulu temelde akreditasyon ileminin kampus programlar için izlenen yöntemle ayn olduunu ifade etmektedir. 17

18 Akreditasyon önemli bir rekabet avantaj salamaktadr. Gerekli akreditasyonu salamak için muhtelif yöntemler takip edilebilir. Dier ülkelerdeki kurumlarla ibirlii sonucunda iki tarafl akreditasyon ilemleri gerçekletirilebilir Deerlendirme Online derslerin toplam deerlendirmesinde çok geleneksel ve sklkla yüz yüze itim aktivitesi içeren bölümler içerdii görülmekle birlikte, Oluuma ya da geliimle ilgili format ive deerlendirme daha deneysel ve online aktivitelere dayal olarak gerçekletirilmektedir. Kurumlarn çou bir ders veya program içinde çeitli deerlendirme metotlar uygulamaktadr. Öretici hocann deerlendirmesi en genel deerlendirme biçimi olarak ön plana çkmaktadr. Kendi kendine deerlendirme örnekleri ile de bir çok yerde karlalmr. Fakat bilgisayar deerlendirmesi yöntemi yok denecek kadar az kullanlmaktadr. Ancak, muhtelif sayda online yaplan ksa snavlar, çoktan seçmeli testler ve enteraktif alrma örnekleri mevcuttur. Çok dikkatli deerlendirmeler çok azdr. Baz kurslarda hiç deerlendirme yaplmad görülmektedir. Bunun nedeni hoca içermeyen kendi kendine çalmaya dayal kurslar olmasr [14] Kayt ve lerleme Esneklii Kayt ve ilerlemenin her ikisi de çok veya az esnek olabilir. Ancak, grup halinde veya bireysel kayt ve ilerleme modeli olmak üzere iki temel yaklam söz konusudur. Bu iki model, pazarlama, yönetim sistemleri ve pedagojik yaklamlar açndan önemli sonuçlar içeren iki farkl stratejiyi temsil etmektedir. Çalma sonucunda grup halinde kayt ve ilerleme modelinin bireysel modele nazaran daha fazla kullanld göstermektedir. 46 kurum grup modelini, 12 kurum bireysel modeli ve 11 kurum her iki modeli ayn anda kullanmaktadr. Grup modelinin bu kadar baskn olmasn sebebi geleneksel eitim sisteminde yer alan sömestr mantna dayanan klasik düünce sisteminin hala devam etmesidir. Dier bir olas sebep, kurumlar tarafndan çok dikkatli bir ekilde gözlemlenen bireysel kayt ve ilerleme yönteminde takm çalmas ve ibirlikçi örenim imkanlar salamann çok zor olmasr. Ancak bir dier sebep de birçok örencinin bireysel 18

19 esneklii tercih edecei göz önüne alnarak, kurumlarn sistem olarak ve yapsal eksiklikleri ile bireysel kayt ve ilerleme yöntemini gerçekletirecek düzeyde yeterli elemana sahip olmamas da olabilir. Eer böyleyse, açk öretim üniversiteleri ve uzaktan itim kurumlarn klasik üniversite ve yüksekokullara nazaran bireysel esneklie daha fazla istekli olmas gerektii tezi ortaya atlabilir. Ancak bu çalmada bu tezi destekleyecek kantlar bulunamamr [14] Gelecekteki Gelimeler Online eitime olan ilgi oldukça fazladr ve bu eitimi uygulayan kurumlar hzla ve dünya çapnda çoalmaktadr. Kanada da yaplan ciddi bir analiz, öncelikli büyüme stratejileri, daha çok ve çeitli programlar açmak, uluslararas örencilere hitap etmek ve irket eitimi gibi yeni ve çekici pazarlar bulmak olmas gerektii sonucuna varlmr. Bu çalma sonucunda da ilerde, derslerin kalitelerinin daha iyi olaca, daha çok ders açlaca, ilave online hizmetler verilerek derslerin çekici hale getirilecei, öretmen itimi üzerine bir yönelme olaca, dier kurumlarla daha fazla ibirlii yaplaca ve ilave organizasyona dayal sonuçlar ortaya çkaca öngörülmektedir [14] Engeller Online eitimde büyük ölçekli baar beklenebilmesi için üstesinden gelinmesi gereken çok sayda engel mevcuttur. Bunlar arasnda, finansal engeller, deime kar gösterilen direnç, bant genilii srlamalar, eriim srlamalar, yetersiz ararma araçlar, telif haklar konular ve online deerlendirme önündeki engeller vardr. Finansal engeller önemlidir. Çalma sonucunda çok az sayda kuruluun örenci ücretlerinde gelen salam bir gelirinin olduunu göstermektedir. Ayn zamanda gelitirme ve bakm maliyeti de yüksek olabilir. Ayrca, baz ülkelerdeki ulusal düzenlemeler kurumlarn öretme ücretini ödemeyi reddetmektedir. Online deerlendirmenin efektif kullan önünde de çok sayda engel vardr. Bunlardan bazlar, kamusal ve kurumsal düzenlemeler, fiziksel devamlk gelenekleri, teknik imkanszlklar, örenci tanmlanmas, çalnt dijital metaryellerin tespiti gibi konular bulunmaktadr [14]. 19

20 Stratejik Öneriler Sonuç olarak, online eiticiler, eitim yöneticileri ve politikaclar için adaki sekiz öneri sralanmr rencilerin online hareketliliklerini kolaylarmak için, derecelerin, sertifikalar, kredilerin ve notlarn ulusal ve uluslararas uyumunu arttrmak gerekir. Kurumlar öretim ücretlerini ödemesini engelleyen ulusal düzenlemelere kar kmak gerekir. Maliyet olarak verimli olan online eitim üzerine younlamak gerekir. Online eitimin yönetimi için daha iyi sistemler gelitirmek gerekir. Online eitici, yönetici ve kanun yaplarn eitimi için yaplan tevikleri desteklemek gerekir. Online deerlendirmeyi engelleyen tutum ve düzenlemelere kar çkmak gerekir. Online pedagoji ve didaktik üzerine daha fazla ararma çalmas desteklemek gerekir. Online öreticilerin i yüklerini azaltmak için yöntemler gelitirmek ve uygulamak gerekir [14] Web Tabanl Eitim Kavram Web Tabanl Eitim (WTE), nternet araçlar kullanan bir uzaktan eitim modelidir. WTE uzaktan eitim sistemleri arasnda en yenisidir. WTE; uzaktan eitim, bilgisayar destekli eitim ve nternet in bir arada kullanld bir sistem olarak ortaya kmr. Genel olarak, WTE in bir tan yaprsa, Web üzerinde uzaktan eitimi desteklemek amacyla hazrlanm kiisel sayfalara ve bu sayfalarn oluturduu eyleme WTE (WTE) denir. WTE nternet in gelimeye ve yaygnlamaya balamasyla birlikte uzaktan eitime açlm yeni bir kapr. Uzaktan eitim WTE ile yeni bir boyut 20

21 kazanmr. WTE ile birlikte uzaktan eitimin enteraktiflii artm, örenci ve retmenin senkron veya asenkron olarak fikir tartmas mümkün hale gelmitir. WTE zla ilerleyen teknolojinin yakalanmas ve takip edilmesi adna en büyük imkandr. Çünkü her gün yeni birçok yeni teknolojinin ortaya çkt dünyamzda bu yenilikleri takip etmenin tek yolu Web tabanl eitimdir. WTE insanlarn örenme ekillerini deil, eitmenlerin öretme yöntemlerini detirmitir. WTE internetin ve bilgisayarn kolay elde edilir olmasyla her evi bir okul, bir fakülte, bir kurs haline getirmitir. WTE de internetin ve bilgisayar teknolojisinin tüm nimetlerinden faydalanlarak pedagojik açdan çok yüksek kalitede dersler hazrlanabilir. Dersin anlatnda nternet ve bilgisayarlar tarafndan desteklenen yaz, ses, görüntü, animasyon, simülasyon kullanlabilir. Baka bir deyimle dersin örenciler tarafndan anlalabilmesi için gerekli bütün artlar salanabilir. Bu da Web Tabanl Eitimin eitim kabiliyetini göstermektedir [15] Web Tabanl Eitimin Avantajlar WTE de örenciler, çalmak istediklerinde ister evlerinden, isterse de Internet e balanlabilen baka mekanlardan eitimlerini alrlar. Böylece her zaman her yerde eitim olgusu gerçeklemi olur. Bununla birlikte teknolojik imkanlarn elverdii ölçüde kameralardan da faydalanlabilir. Bunun sonucunda da yüz-yüze itim olgusu gerçekletirilir. WTE ile kurumlar ve bölgeler aras dengesizlikler kaldr veya en aza indirilerek eitimde frsat eitlii salanr. WTE de örenciye klasik eitimde sunulan kaynaklardan çok daha büyük ve geni kaynak sunulur. WTE içerisinde hazrlanacak olan web sayfalar ile renciler konular ile ilgili balantlar yapmas ve gerekli bilgileri bizzat bilginin kaynandan almas salanabilir WTE klasik eitim sistemine göre %40 - %60 daha ucuzdur. WTE de klasik itim sisteminde temin edilmesi gereken bina, sf, sra, tahta gibi birçok araç kullanlmaz. Ders için gerekli olan, örencilerin evlerinden bilgisayarlar ile 21

22 dersin nternet sitesine balanmalarr. Deneylerde ve uygulamalarda kullanlan araç ve gereç yerine onun animasyonu, simülatörü kullanlabilir. WTE de ders içeriklerinin anlatlmasnda sayfalarn gerekli yerlerine resim, ses ve görüntülerin eklenmesiyle canlandp örencilerin derse olan ilgi ve motivasyonlar arttlabilir WTE de ders anlatmlar animasyonlarla ve simülasyonlarla zenginletirilerek dersin eitim kalitesi klasik sisteme oranla çok arttlabilir. WTE de örenci ders içerikleri içindeki daha önceden bildii konular atlama, anlamad konular ise istedii kadar tekrar etme ansna sahiptir. Eer varsa o konu hakkndaki linkleri tarayarak konu hakknda daha fazla bilgiye de ulaabilir. WTE ders materyalleri öretmen tarafndan istenildii anda güncellenebilir veya detirilebilir. WTE örencilerin düünme kabiliyetini gelitirir. Örenciler eitim srasnda WTE içerisinde bulunan Tartma Gruplar ya da Mail Gruplar sayesinde sorulan sorular ya da karlalan problemler hakknda sürekli tartacaklardr. WTE geleneksel sf ortamnda soru soramayan veya grup içinde katm yetisine ulaamayan adaylarn, elektronik ortamda özgüven kazanmalar salar [12] Web Tabanl Eitimin Dezavantajlar WTE bir kursun hazrlanmas için daha fazla zaman, daha fazla çaba gerektirir. WTEsayfas tasarlayan eitimciler normal eitime göre %40-50 daha fazla çaba harcarlar. WTE örencilerin de daha fazla çalmas ve çaba sarf etmesini gerektirmektedir. Web Tabanl Eitim, örencilerin oldukça iradesine sahip, kendi bana çalmay seven bir yapda olmas gerektirir. WTE örencilerinin dersi takip etmek için gerekli temel bilgisayar bilgilerini alm, nternet teknolojilerini bilen ve bu bilgilerinin nda herhangi bir sorun ktnda kendi bana üstesinden gelebilen yapda olmalar gerekmektedir. 22

23 WTE örencileri bilgisayarlarn kapasitelerinden dolay baz programlarn çallamamas, kullanlan programlarn versiyonlarn ayn olmamas ile oluabilir ve üstesinden gelinmesi vakit ve para gerektirebilir. WTE yapan öretmenlerin nternet tabanl eitim araçlarn kullanndaki bilgi eksiklikleri ve öretmenlerin pedagojik açdan eitim materyallerinin hazrlanmas konularnda yetersiz kalmalarndan dolay ders içerikleri eitim açndan gerektii kadar güçlü olmayabilir. Ders anlatmlar gerektii kadar animasyonlarla, simülasyonlarla desteklenmeyebilir. Dersi takip eden örencilerin esastan çok teknoloji ile ilgilenmeleri sonucunda derse olan ilgi azalabilir. Kendi kendine çalma alkanl gelimemi örenciler dersi takipte zorlanrlar ve baar olamayabilirler. Web Tabanl Eitimde uygulamalar ve deneyler için her ne kadar simülatörler kullanlsa da kabiliyet gerektiren eitimlerde WBE nin baar yüzdesi düüktür [16] WTE Önündeki Engeller Özellikle devlet üniversitelerinde fakültelerin direnmesi WTE nin ilerlemesini geciktirmektedir. WTE klasik ders sistemlerine göre çok daha fazla efor sarf etmeyi gerektirmektedir. Ülkemizde ve dünyada bir çok ülkede akademik ilerleme için verilen dersler ve içerii neredeyse hiç önemli deildir. Tüm akademik kariyer çeitli indekslerde taranan dergilerde yaplan yaynlar anlamna gelmektedir. Dolayyla WTE nin getirdii ilave i yükü yayn say ve kalitesini düürmektedir. Web tabanl eitimin gerçei olarak, er sn yönetimini ve hazrlklar öretici yapyorsa, her sf için normalin en az iki kat zaman ayrmak gerekmektedir. Örenci ile öretici arasndaki iletiim çok daha fazla olmakta ve geni bir zaman yaylabilmektedir. Ayrca, hazrlk aamas çok komplekstir. WTE de tüm ders notlar kapsayan PowerPoint sunumlarna, her sunumun video kaytlarna, çok geni kapsaml ve objektif, ayn zamanda doru ve yanl cevaplar yorumlayabilen snav materyallerine ve tartma ortam için bir forum düzenine ihtiyaç duyulmaktadr. Ders hazrl normal derslerin en az iki kat zaman gerektirdiinden 23

24 akademik yayn çalmalarna ayrlacak zaman ktlanmak zorundadr. Bu nedenle WTE, yeni akademisyenlerin günümüz üniversitelerinde yerlemeye balayan yayn yap ya da öl yaklana göre ölme risklerini arttrmaktadr [17]. WTE sistemine geçi daha fazla çalma, ve daha yeni alanlarda uzmanlama gerektirmekte ve ne öretildii noktasndaki sorumluluu arttrmaktadr. Ders web ortamnda bir kez yaynlandnda, tüm denetim ve eletirilere açk hale gelmektedir. Bu durum bir çok akademisyenin istemedii bir çalma ekli olabilir. Yöneticiler web tabanl eitimi, teknik destek ve ekipman gerektirmesi nedeniyle tüm akademik bölüm yap detirmek orunda kalabilecekleri endiesiyle çok iddial bulmaktadr. Ayrca sistemin il yatm maliyetinin yan sra bakm ve iletme maliyetleri de oldukça yüksektir. Geleneksel eitimde üniversiteler, kütüphanelerinde literatür yaynlar bulundurmak, örencilere sf tahsis etmek ve çeitli yazmalar yürütecek sekretarya birimlerine ihtiyaç duymaktadrlar. Web tabanl eitimde ise tüm bunlarn yan ra ders hazrlama materyallerini almak ya da kiralamak, çok sayda asistan, tekniker, bilgisayar uzman ve daha birçok ilave ekipmana ihtiyaç duyacaklardr [18] Web Tabanl Eitimin Tasarlanmas WTE tasarlanmaya balanmadan önce tespit edilmesi gereken baz noktalar vardr. Bunlar ada ksaca özetlenmitir. Hazrlanacak Web Tabanl Eitimin amac, srlar tayin edilmelidir. Web Tabanl Eitimin hedef kitlesi ve bu hedef kitlesinin bilgi seviyesi iyi belirlenmelidir. Uygulanacak eitim süreci sonunda örencilere kazandlmak istenen hedef iyi belirlenmelidir. WTE için kullanlacak eitim materyalleri belirlenmeli, Bu materyallerin web ortamna uygunluu aralmalr. Belirlenen eitim amacna ve hedef kitlenin bilgi seviyesine uygun pedagojik yaklam belirlenerek eitim kalitesi yüksek tutulmalr. 24

25 rencilerin derse olan motivasyonunu yüksek seviyede tutmak için gerekli tedbirler alnmalr. rencinin eitimciyle etkileim ve iletiim kurmas için gerekli tedbirler alnmalr [19] Web Tabanl Öretimde Etkileim retimsel web sitelerinin tasarm ilkelerine uygun etkileimli çoklu ortam uygulamalar içermesi, konunun yüksek bir yüzde ile örenilebilmesi için oldukça önemlidir. Çoklu ortam destekli eitimsel web siteleri özel uygulamalar tarafndan oynatlan küçük ses ve video dosyalar içermektedir. Uzaktan eitimde üç etkileim biçimi vardr: Örenen-öretmen, örenen-içerik ve örenen-örenen. renen-öretmen etkileimi; öretmeni sunuda, anlatmda, dönüt salamada ve renciye yardm etmede bir öretim biçimi eklinde olmaktadr. Örenen de soru sorarak, ödev vererek, problemleri öretmenle tartarak etkileime girebilmektedir. renen-içerik de etkileimin temel bileenidir. çerik; kitaplarda, çevredeki nesnelerde, soyut düüncelerde, video teyplerde, bilgisayar programlarnda, Web sitelerinde bulunabilmektedir. renen-örenen etkileiminde ise örenciler, kendi aralarnda projelerini deerlendirmelerini, tartmalar, düüncelerini. paylaabilmekte, birbirlerine yardm edebilmektedir. Etkileim örenme sürecinin en önemli bileenidir [20]. Web-tabanl eitimde retici ile örenci arasndaki etkileim, sanal sohbet ortamlar ve sanal tartma gruplar ile salanmaktadr. Sanal tartma gruplarna tüm örenciler ve eitmen katlmaktadr. itmen veya örenciler var olan problemlere ilikin mesajlar panoya göndermektedir. Tartma konusu eklendikten sonra kiiler görülerini bu ortama asenkron (e zamansz) olarak ekleyebilmektedirler. 25

26 iticinin dier derslerle çakmayacak ekilde belirledii bir saatte örencilerle sohbet etmesi de yararl etkileim faaliyetlerinden biridir. Bu etkileim yöntemi senkron (e zamanl) bir yöntemdir. Elektronik-posta dier bir etkileim yöntemidir. Örenciler, eiticilere, sistem yöneticisine veya dier örencilere e-posta yoluyla ulaabilmektedirler [15] Türkiye de Uzaktan Eitim Türkiye de 1982 ynda yürürlüe giren Açk Yükseköretim Yönetmelii kapsamnda Anadolu Üniversitesi bünyesinde TRT aracyla yaplan açk öretim uygulamalarn detaylar bilinmektedir [21]. Bu Kanun da dier üniversitelerin de açk retim yapabilecekleri hükmü getirilmise de, bu madde mali ve teknolojik nedenlerle hayata geçememitir l yllarn bandan itibaren özel radyo ve televizyonlarn sayndaki art bu konu ile ilgili yeni bir frsat sunmu ancak kanuni yetersizlikler ve engeller nedeniyle televizyon aracyla açk öretim faaliyeti halen balad gibi devam etmektedir. nternet tabanl uzaktan eitimin yolu ise 1999 yn sonunda yürürlüe giren Üniversiteleraras letiim ve Bilgi Teknolojilerine Dayal Uzaktan Yükseköretim Yönetmelii ile açlmr [22]. Bunu takiben 2000 ynda çkarlan Enformatik Milli Komitesi Yönetmelii ile bavurularn deerlendirilecei bir merkez oluturulmutur [23]. Aradan geçen 10 yl içerisinde bir çok üniversite kendi uzaktan eitim yönetmeliklerini çkarmr. lk olarak Sakarya ve Mersin üniversiteleri bünyesinde faaliyet gösteren uzaktan eitim merkezleri açlarak örenci kabulüne balamlardr. Bu gün Yüksek Öretim Kurumu (YÖK) tarafndan örenci almasna onay verilmi yedi üniversitede (Anadolu, Çukurova, Dou Akdeniz, stanbul Bilgi, Mersin, Ortadou Teknik ve Sakarya üniversiteleri), 12 ön lisans, 6 yüksek lisans olmak üzere 18 birim mevcuttur [24]. Son yllarda YÖK tarafndan üniversitelerin belli birimlerinde web tabanl uzaktan eitime geçilmesi yönünde telkinler yaplmaktadr. Uzaktan eitimle kazanlm yeterlilik ve derecelerin tannmas ile ilgili çalmalar yürütülmektedir. Bu konuda baz yasal boluklar bulunsa da kanun ve yönetmeliklere uygun olarak açlan merkezlerden mezun olanlarn diploma denkliklerinin verilmesi de önemli bir tevik mekanizmas 26

27 olarak iletilmektedir [25]. Giderek daha çok örencinin yararland web tabanl öretim sistemlerinin, artan örenci say karnda kalitelerini garanti edip edemedikleri, yüksek kaliteli bir uzaktan eitimde dikkate alnmas gereken pedagojik deneyimlerin neler olaca gibi yeni sorular gündeme gelmekte ve bu sorularn cevabn uzun bir süreç sonunda alnabilecei görülmektedir [13] Web Tabanl Eitim ve Sanal Laboratuarlar Bilimsel hipotezlerin analizi ve matematiksel modellerinin elde edilmesi öncelikle fiziksel olayn kesin ve organize bir ekilde gözlemlenmesine bar. Dolayyla özellikle mesleki ve teknik eitimde deney ve gözlem teknii örencilerin anlama ve gerçek sistemlerle matematiksel modelleri karlarmalarnda çok önemli bir ilevi yerine getirmektedir. Bilimsel bir deney, genellikle, tahmin etme, gözlemleme ve sonucu açklama aamalar içerir. Deneysel çalmalarn salad yararlar üç temel maddede incelenebilir: 1. rencilerin konu ile ilgili kavramsal bilgisini derinletirerek bilimsel teoriler ile gerçek dünya arasnda balant kurmas salar. 2. renci deney esnasnda ilgili alanda kullanlan teknikler, aletler ve teçhizat hakknda uygulama ainal kazanr ve bir prosedürün yürütülmesi ile ilgili alkanlklar geliir. 3. Özenli seçilmi uygulama örnekleri örencinin daha çekici bir ortamda tecrübelerini ve motivasyonunu artt bir örenim yapmasna ve kazand alkanlklar sergileyebilmesine olanak verir [26]. Bu önemli ilevleri yerine getiren uygulama derslerinin mesleki eitimden ayrlmasn düünülemeyecei açktr. Ancak günümüz koullarnda klasik yöntemlerle laboratuar ortamnda uygulama dersleri yapmann bir çok zorluklar vardr. Örenciler için en ideal yöntem olan klasik deney yönteminde her örenci için bir deney seti kurmak gibi bir zorunluluk olumaktadr. Bunun çou zaman imkansz olmas, gruplar halinde deney yaptlmas sonucunu dourmakta ve bunun sonucunda örenme kalitesi ve rencilerin derslere ilgileri azalmaktadr. 27

28 1.6.1 Sanal Laboratuarlar Dijital elektronik alannda son yirmi yldaki gelimeler, yaadz zaman diliminin baz kiilerce dijital ça olarak adlandlmasna neden olacak kadar hzl olmutur. Bu geliim, analog-dijital dönütürücüler, örnekleme teknikleri ve dijital sinyal leme özelliklerine sahip ölçme sistemlerinin ucuzlamas ve daha kolay eriilebilir olmas sonucunu dourmutur. Uzaktan eitimle birlikte sanal laboratuar kavramn da yaygnlamasn temelinde de bu gelimeler yer almaktadr [27]. Sanal laboratuarlarn avantajlar adaki gibi özetlenebilir: Tasarmlar ve kurulumlar ucuzdur. Çounlukla, karmak, pahal cihazlar ve masrafl gerçek testler içermezler. Tasarm, örnekler ve modellerin önceden hazrlanmasyla çok hzl bir ekilde yaplabilir. Bir ekipman ile ayn anda birden fazla uygulama örnei gelitirilebilir ve bu örnekler arasndan maliyet, boyut, performans, güvenirlik gibi önemli parametrelerde kesin kriterlere dayanan optimal tasarmlar seçilebilir, Bir projede corafi artlardan bamsz bir çok bilim adam çalabilmektedir. Bu da günümüzde çok önemli olan bilgi ve tecrübe paylamlarn artmasna katkda bulunabilir. Tasarmda kullanlan bilgisayar destekli tasarm (CAD) materyalleri, bu konudaki uzmanlarn eitiminde kullanlabilir. Tasarm ve eitim aamasnda çok geni bilgi ve veri tabanlar oluturma olana salarlar. Bu veri tabanlar ile hesaplama birimleri bilimsel ararmalarda da kullanlabilir [28][29][30] Sanal Laboratuar Yaplar Tipik bir sanal laboratuar adaki temel bileenleri içermelidir. 1. Veri taban: Sanal laboratuarn fonksiyonlar yerine getirmesi ve yönetimi için gerekli tüm bilgileri içeren birimdir. Bu veriler, elektronik elemanlar hakkndaki 28

29 bilgileri, elemanlarn ve birimlerin modellerini, tipik fonksiyonel çözümleri, sanal deerlendirme kurullar, üreticiler ile ilgili bilgileri, ararma nesnesi modellerini, enteraktif gelitirme araçlar içermektedir. Ayrca bu bilgi kütüphaneleri modelleri, araçlar ve çözümleri de kapsamaktadr. 2. Yazm: Sanal laboratuar ve veri tabann yönetimi, sanal ararma ve deney hesaplamalar, girdi ileme ve tam kademeli cihaz gelitirme gibi fonksiyonlar yerine getirmektedir. 3. Donanm: Yazn ilerliini salamak amaçl olarak veri girii, depolama ve verme gibi ilevleri yerine getiren ekipmanlardan oluur. 4. Sonuçlar: Gerekli cihaz listelerini de içeren tipik formlar, belirli fonksiyonel çözümler, tasarm dokümanlar, ihtiyaçlarn özellikleri, kataloglar ve uygulama notlar gibi bileenlerdir. Bu formlarn bazlar standartlalmr ve baka projelerden kopyalanabilir. 5. Kullanlar: Yukardaki bileenleri kullanan kiilerdir. Genellikle yönetici, tasarm mühendisi ve müteri (örenci) olmak üzere üç deik kullan vardr. 6. Ara yüzler: Sanal laboratuar modülleri arasndaki ve sanal laboratuar ile kullanlar arasndaki karkl etkileimi düzenleyen birimlerdir. 7. Ontoloji oluturma modülü: Yapay zeka içeren özel bir yazmdr. Sanal laboratuarn ileyiini çeitli tekniklerle bir insan-makine benzetimi içinde gerçekletirmeyi amaçlar [28][29]. ekil 2 de böyle bir birimi de içeren karmak yap bir sanal laboratuara ait ema görülmektedir. 29

30 ekil 2 Karmak bir sanal laboratuar bileenleri [28]. Uzaktan eitimde sanal laboratuar terimi iki farkl anlamda kullanlabilmektedir. Her iki model ada ksaca incelenmitir Uzaktan Eriimli Deney Ekipmanlarçeren Sanal Laboratuarlar deal ve geçekletirilmesi daha zor olan bu tip sanal laboratuarlarda örenciler uygulamada kullandklar donanma uzaktan erierek gerçek bir deney seti üzerinde uygulama yapabilmekte ve sonuçlar alabilmektedirler. Bu tip uygulamalarda laboratuardaki donann güvenlik tedbirlerinin alnmas gerektiinden, en az bir görevlinin deneyler esnasnda laboratuarda bulunmas zorunluluktur. Bu durumda rencilerin laboratuar ancak günün çalma saatleri içerisinde kullanabilme olanaklar olmaktadr [31]. nternet teknolojisinin salad olanaklarn artmasyla, ülkenin ve dünyann herhangi bir yerindeki bir çok laboratuarn fiziki donanmlar bir sanal laboratuarn ara yüzü ile birletirilebilmektedir. Böylece çok geni imkanlara sahip sanal laboratuarlar oluturma imkan domaktadr. ekil 3 de örnek bir uzaktan eriimli sanal laboratuar prensip emas görülmektedir. Uzaktan eitim yönetim sistemi (MOODLE:Modular Object-Oriented Dynamic Learning Environment) kullanlar ile sistem arasndaki trafii denetlemektedir. Ölçme sunucusu ile ölçme elemanlar arasndaki haberleme ise IEEE-488 olarak bilinen genel amaçl ara yüz (GPIB: General Purpose Interface Bus). ile salanmaktadr. Bu laboratuar ara yüzü, Avrupa Birlii Leonardo da Vinci-II Program kapsamnda desteklenmekte ve Avrupa Birlii üyesi 14 ülkenin üniversitelerindeki fiziksel laboratuarlar bir sanal laboratuar oluturmaktadr 30

31 [32]. Bu tip laboratuar uygulamas gerek yüksek maliyet, gerekse uygun artlarn hazrlanmasn zorluu nedeniyle nadiren görülmektedir. ekil 3 Uzaktan eriimli laboratuar prensip emas örnei [32] Benzetimlerden Oluan Sanal Laboratuarlar kinci yöntemde ise, laboratuar yap ve ileyiinin bilgisayar ortamnda benzetimi gerçekletirilmekte ve örenciler bu benzetimleri çalran ara yüzleri kullanarak deney yapmaktadrlar. Bu tip sanal laboratuar uygulamalarnda genellikle adaki paket programlar kullanlmaktadr. MATLAB (MATrix LABoratory); mühendislik alannda saysal hesaplama, veri çözümleri ve grafik ilemlerinde kullanlabilecek genel amaçl bir program olmakla beraber birçok özel amaçl modüler paketlere de sahiptir. Ayrca WINDOWS ortamnda çalan SIMULINK paketi ve grafiksel kullan ara yüz (GUI) araçlar etkileimli benzetim programlarn hazrlanmas ve çallmasnda büyük kolaylklar salamaktadr. LABVIEW (LABoratuary Virtual Instrument Engineering Workbench); yüksek performansl bilimsel ve mühendislik uygulamalarnda ölçme ve otomasyon için tasarlanan grafiksel bir gelitirme ortamr. Bir ön panel ve blok diyagram yapndan oluur. 31

32 EWB (Electronic Work Bench); elektrik ve elektronik eleman ve entegrelerini içeren bir paket program olup grafiksel bir ortam sunan baar bir simülasyon aracr. CISCO Lab Activity; Bilgisayar alar üzerine dünya çapnda kalitesi standart olan CISCO tarafndan yaplan yazm uygulamalar sanal laboratuar oluturmak için çok faydal yazmlardr. Bunlarn dnda, PSPICE, VLEM, Mathcad, Ansys, Authorware, Mathematica gibi paket programlar da sanal laboratuar oluturmak için kullanlabilecek güçlü programlar arasndadr [33]. ekil 4 de gerçek deney seti içermeyen sadece benzetimlerden oluturulmu bir sanal laboratuara ait prensip emas ve ekil 5 de kullan ara yüzü örnekleri görülmektedir. Yukarda sözü edilen programlarn bir kaçn bir arada kullanlmasyla oluturulan bu tip sanal laboratuarlarn en önemli avantajlar kurulumlarn daha kolay ve ucuz olmasr. Ayrca kullanlar herhangi bir güvenlik endiesi duymaksn her istediklerinde uygulama yapma imkan bulabilmektedirler. ekil 4 Benzetimlerle oluturulmu bir sanal laboratuar blok emas [34]. 32

33 ekil 5 Sanal laboratuar kullan ara yüzü örnei [34] Türkiye de Sanal Laboratuarlarn Gelecei Sanal laboratuarlar için durum belki de daha karmaktr. Çünkü yukarda saylan önemli avantajlarna ramen laboratuarlar kullananlarn da kabul ettikleri, rekabet gücünü azaltan en önemli dezavantaj olarak, örencilerin gerçek cihaz ve aletlerle dorudan temasn olmamas ve ölçme sistemindeki parçalar arasndaki fiziksel balantlar yapmamalarndan kaynaklanan problemleri tamamyla çözememi olmalar gösterilmektedir [35]. Literatürde yaplan geleneksel-sanal laboratuar karlarma çalmalarn çounda sanal laboratuarlarn uygulamalara ayrlan zaman ve örenci memnuniyetini arttrd ortaya konulmaktadr. Baar noktasnda da iki sistemin birbirine çok yakn olduu öne sürülmektedir [36][37]. Ancak bu çalmalarda sanal laboratuar kullanan örencilerin, el becerisi ve kullanlan alet ve cihazlar tanmada yetersiz kaldklarn da alt çizilmektedir [38]. Bu önemli sorun çeitli yollarla çözülmeye çallmaktadr. Örnein, ülkemizde uzaktan eitim veren baz kurumlar uygulama derslerini belli zamanlarda okul laboratuarlarnda slm olarak vermektedir. Bu uygulama uzaktan eitim ve sanal laboratuar uygulamasn mantna ters dümektedir. Yukarda sadece uygulama dersleri için sözü edilen olumsuzluklara ramen, özellikle uzaktan eitim sistemlerinin geliimlerinin artarak devam etmesi beklenmektedir. Sanal laboratuarlarn da el becerisinden çok muhakeme yeteneinin ve 33

34 matematiksel modellerin ön plana çkt bilgisayar, kontrol ve tasarm mühendislii alanlarnda yüksek lisans ve doktora dersleri için uygulama alanlar artmas mümkün olabilir. Ayrca Avrupa Birlii ve UNESCO tarafndan 1997 ynda balatlan ve ülkemizin de 2004 ynda imzalad Lizbon Süreci nin hedefleri arasnda mesleki ve teknik eitimi gelitirmek ve yaam boyu örenim uygulamalar desteklemektir. Bunun salanabilmesi için uzaktan eitim ve sanal laboratuarlar önemli bir materyal olarak görülmektedir [39]. 34

35 2. BÖLÜM 2.1. Yapay Zekâ ZEKÂ NEDR? Zekâ iyi tanmlk, sübjektiflik (özerklik) ve zamanla deen bir kavramdr. renme veya anlama yetenei veya yeni durumlarla baa çkabilme; bilgiyi kulanma becerisi Çevreye bilgiyi uygulayabilme veya soyut olarak düünceyi amacna yönelik ölçebilme yetenei [40] Elde etme,analiz yapma,anlama ve bunlar bilgiye uygulayabilme yetenei Sebepleri düünebilme ve akllca bilgiyi tutabilme yetenei Yapay Zekâ Nedir? Yapay zekâ, doadaki tüm canllarn davranlarndan ve en üstünü olan insann davran biçiminden esinlenerek böyle davranan sistemleri modelleme çalmasn genel adr ve ismi 1950 li yllarda Artificial Intelligence olarak konulmu bir olgudur. Yapay zekâ; nsan gibi davranma: Turing test nsan gibi düünme: Bilisel modelleme Rasyonel düünme: Mantk Rasyonel davranma: o nsanlar gibi düünen sistemler yapmak o nsanlar gibi düünen sistemler yapmak çerçevesinde, disiplinler aras bir kavram olarak ele alnabilir. Bu disiplinler felsefe, biyoloji, psikoloji, sosyoloji, bilgisayar, matematik, tp ve bunlarn alt dallar olan muhakeme, makine örenmesi, doal dil ileme, robotik ve benzeri alanlar olarak tanmlanr. 35

36 Yapay zekâ, genel görüe göre, özellikle insan gibi davranan sistemlerdir. Ama dier canllarn da model olarak alnd göz önünde tutulursa genel anlamda doadaki davran biçimlerinin modellenmesi olarak tanmlanabilir [41]. nsan gibi davranan sistemler denildiinde bu davran biçimi temelde 6 farkl ekilde karza çkar.bunlar; 1. Kontrol: Bir sistemin kontrolü (Robot kontrolü,trafik kontrolü) 2. Karar Verme (Harp stratejileri, tpta tan, hukuk, uzman sistemler) 3. Tahmin (çkarm) ( Finans, trafik, görüntü ileme (image process)) 4. renme, 5. Problem Çözme (NP, TSP, Pipeline) 6. Optimizasyon (En mâkul çözüm, en ksa yol, optimum süreç ) Bütün bu çalmalarn sonunda yapay zekâ ararmaclar iki gruba ayrldlar. Bir grup insan gibi düünen sistemler yapmak için çalrken, dier grup ise rasyonel karar verebilen sistemler üretmeyi amaçlamaktayd. Ada bu yaklamlar ksaca incelenmitir nsan gibi düünen sistemler nsan gibi düünen bir program üretmek için insanlarn nasl düündüünü saptamak gerekir. Bu da psikolojik deneylerle yaplabilir. Yeterli sayda deney yapldktan sonra elde edilen bilgilerle bir kuram oluturulabilir. Daha sonra bu kurama dayanarak bilgisayar program üretilebilir. Eer programn giri/ç ve zamanlama davran insanlarnkine ese programn düzeneklerinden bazlarn insan beyninde de mevcut olabilecei söylenebilir. nsan gibi düünen sistemler üretmek bilisel bilimin ararma alanna girmektedir. Bu çalmalarda asl amaç genellikle insann düünme süreçlerini çözümlemede bilgisayar modellerini bir araç olarak kullanmaktr. 36

37 2.2.2 nsan gibi davranan sistemler Yapay zekâ ararmaclarn batan beri ulamak istedii ideal, insan gibi davranan sistemler üretmektir. Turing zeki davran, bir sorgulay kandracak kadar bütün bilisel görevlerde insan düzeyinde baarm göstermek olarak tanmlamr. Bunu ölçmek için de Turing testi olarak bilinen bir test önermitir. Turing testinde denek, sorgulayyla bir terminal aracyla haberleir. Eer sorgulay, denein insan m yoksa bir bilgisayar m olduunu anlayamazsa denek Turing testini geçmi sayr. Turing, testini tanmlarken zeka için bir insann fiziksel benzetiminin gereksiz olduunu düündüü için sorgulayyla bilgisayar arasnda dorudan fiziksel temastan söz etmekten kaçnmr. Burada vurgulanmas gereken nokta, bilgisayarda zeki davran üreten sürecin insan beynindeki süreçlerin modellenmesiyle elde edilebilecei gibi tamamen baka prensiplerden de hareket edilerek üretilmesinin olas olmasr Rasyonel düünen sistemler Bu sistemlerin temelinde mantk yer alr. Burada amaç çözülmesi istenen sorunu mantksal bir gösterimle betimledikten sonra çkarm kurallar kullanarak çözümünü bulmaktr. Yapay zekâ da çok önemli bir yer tutan mantkç gelenek zeki sistemler üretmek için bu çeit programlar üretmeyi amaçlamaktadr. Bu yakla kullanarak gerçek sorunlar çözmeye çalnca iki önemli engel karza çkmaktadr. Mantk, formal bir dil kullanr. Gündelik yaamdan kaynaklanan, çou kez de belirsizlik içeren bilgileri mantn ileyebilecei bu dille göstermek hiç de kolay deildir. Bir baka güçlük de en ufak sorunlarn dndaki sorunlar çözerken kullanlmas gerekecek bilgisayar kaynaklarn üstel olarak artmasr Rasyonel davranan sistemler Amaçlara ulamak için inançlarna uygun davranan sistemlere rasyonel denir. Bir ajan alglayan ve harekette bulunan bir eydir. Bu yaklamda yapay zekâ, rasyonel ajanlarn incelenmesi ve oluturulmas olarak tanmlanmaktadr. Rasyonel bir ajan olmak için gerekli koullardan biri de doru çkarmlar yapabilmek ve bu çkarmlarn sonuçlarna göre harekete geçmektir. Ancak, yalnzca doru çkarm yapabilmek yeterli deildir. Çünkü baz durumlarda doruluu ispatlanm bir çözüm olmad halde gene 37

38 de bir ey yapmak gerekebilir. Bunun yannda çkarmdan kaynaklanmayan baz rasyonel davranlar da vardr. Örnein, scak bir eye deince insann elini çekmesi bir refleks harekettir ve uzun düünce süreçlerine girmeden yapr. Bu yüzden yapay zekây rasyonel ajan tasar olarak gören ararmaclar, iki avantaj öne sürerler. Birincisi düünce yasalar yaklandan daha genel olmas, ikincisi ise bilimsel gelitirme yöntemlerinin uygulanmasna daha uygun olmasr Yapay Zekânn Amaçlar nsanlara karar vermede ve amaçlarna ulamada yardmc olacak zeki sistemler salamak. Kavray (perception) görme, dinleme, koklama, dokunma Muhakeme (reasoning) Düünce,plan, sorgu. Eylem (Navigasyon, manevra..) renme (Adaptasyon, keif.) Bilinç (içgüdünün hissedilmesi) Bilimsel amaç: Zekânn temellerini (esaslar) ve biyolojik sistemlerin fonksiyonlar anlamaktr. Örnein beyin nasl çalr? Limitler ve srlar: Hangi iler mümkündür, hangi iler mümkün deildir? Bir i düzenlemek için optimal (en uygun) yol nedir? Mühendislik amaç: Gerçek ortamda zeki olarak hareket edebilen zeki makineler (programlar,özerk robotlar ) tasarlamaktr. Yapay zekâ mühendislik açndan konuyla ilgilenir [41] Yapay Zekânn Tarihçesi Yapay zekâ (artificial intelligence) ismi ilk olarak Dartmouth konferansnda ortaya atlmasna karn, kökleri bilgi ve muhakemenin doasna ait çalmalar açndan binlerce yl öncesine dayanr. Alan Turing ismi ile anlan hesabn ve hesaplamann temel teorisi olarak bilinen Turing makinesini bulmutur. Turing bu makinede modern bilgisayarlardaki iki önemli eleman olan programlar ve depolamay bir araya getirmitir. 38

39 Bu nedenle bilgisayar bilimindeki en prestijli ödül onun adyla anlan Turing ödülüdür. Bu Turing makinesi, Turing tarafndan genelde kod çözme, matematik ve oyunlarda (satranç) kullanlmr. Yine adyla anlan Turing Test çok popülerdir. II. Dünya savanda müttefikler için kod çözücü olarak çalan Alan Turing 1954 te intihar etmitir. 1940Sinir Alar Teorisinin Doumu (McCulloch & Pitts (1943), Hebb (1949)) 1941lk elektronik bilgisayar 1948lk ticari bilgisayar 1956Dartmouth konferans 1956Mantk teorileri gelitirildi 1958LISP dili gelitirildi 1970lk uzman sistem Bilgi Tabanl Sistemler 1972Prolog Gelitirildi 1980Yapay zekâ endüstride kullanlmaya baland 1981 Japonlar'n 5. Kuak projesi (CIRCA) 1986Yapay zekâ temelli donanmlarn irketlere 425 milyon$ lk sat yapld 1986 Yapay sinir alarna dönü oldu 1988 DEC 40 uzman sisteme sahipti 1991 Yapay zekâ askeri sistemleri 1. Körfez Sava nda etkili bir biçimde kullanld 1997Deep Blue isimli satranç program Kasparov u yendi 2000Robot hayvanlar vizyona çkt. 2000smet robotu (tebessüm eden robot) 2000Nomad isimli robot gökta örneklerini inceleyerek Antarktika nn uzak bölgelerinin aralmasnda kullanld. 39

40 2.5. Yapay Zekânn Alt Alanlar Problem Çözümü o Bulmaca-puzzle-satranç o Matematik o Arama o Problem indirgeme teknikleri Uzman Sistemler ve Uzmanlk o Bilgi toplama (bilgi nasl elde edilir) o Cevaplarn açklanmas Planlama o Eylem planlamas Robotik o Robot manipulator Görme o Obje tanma Makine Örenmesi Sinir Alar o imdiki veriden gelecek davranlar hakknda tahmin o Beynin fiziksel davran modelleme Diller ve Ortamlar o LISP (1958 de gerçekletirildi,çok basit fakat gelitirilemedi) o PROLOG (lk sürüm 1970 Fransa, 1980 Japonlar tarafndan beinci kuak projesinde CIRCA ya adapte edildi) 40

41 o CLIPS o Nesne Tabanl Programlama Teknikleri o Otomatik Programlama Yapay Zekâda Önemli Teknikler Bulank mantk, yapay sinir alar ve evrim algoritmalarn lineer olmayan dinamik sistemlerin kontrolü ve modellerin sentezi, analizi ve tasarnda kullanmak esas amaçtr. YSA (Yapay Sinir Alar) Uzman Sistemler Bulank Mantk Genetik Algoritmalar Sürü Optimizasyon Teknikleri Yapay Sinir Alar Yapay sinir alar (YSA), insan beyninin özelliklerinden olan örenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluturabilme ve kefedebilme gibi yetenekleri, herhangi bir yardm almadan otomatik olarak gerçekletirebilmek amac ile gelitirilen bilgisayar sistemleridir [40]. Yapay sinir alar; insan beyninden esinlenerek, örenme sürecinin matematiksel olarak modellenmesi ura sonucu ortaya çkmr. Bu nedenledir ki, bu konu üzerindeki çalmalar ilk olarak beyni oluturan biyolojik üniteler olan nöronlarn modellenmesi ve bilgisayar sistemlerinde uygulanmas ile balam, daha sonralar bilgisayar sistemlerinin geliimine de paralel olarak bir çok alanda kullanr hale gelmitir. nsan beyninin çalma prensibini taklit ederek çalan bu sistemler, her ne kadar bilgisayar teknolojisi hzl bir geliim göstermi, ilem hzlar nano saniyeler mertebesine inmi olsa da, brakalm insan beynini, ilkel bir canl beyninin fonksiyonlar dahi baz alndnda, böyle bir organizmann yannda çok ilkel kalmaktadr. Nano saniyeler 41

42 bazndaki ilem hzlar ile YSA'lar, mili saniyeler mertebesindeki ilen hzlar ile ilem yapan insan beyninin ilevselliinin henüz çok uzandadr. Burada ksa bir hatrlatma yapmak gerekirse; insan beyninde yaklak 10¹¹ sinir hücresinin varlndan bahsedilmekle birlikte, bu sayn bilgisayar ortamnda modellenmesi u an için mümkün görünmemektedir YSA nn Kullanm Alanlar Dil ileme Veri srma Güvenlik Kontrol Robotik Tahmin (Piyasadaki en iyi stoklar toplama Hava Tahmini Kanser Tehisi) Kümeleme, Sflandrma Tanma (El yaz tanma, konuma tanma) flandrma Veri Analizi Veri Filtreleme (telefon sinyalindeki gürültünün bastlmas) Finans Piyasa(Stok piyasa tahmini Stratejik planlama) aret leme (Hava tahmini uydu görüntü analizi) Tahmin Bio informatik (protein ve genlerin fonksiyel analizi ) Astronomi objelerin Sflandlmas (Astronomik verinin flandlmas) 42

43 Uzman Sistemler Yapay zekânn en önemli uygulama alanlarndan biri uzman sistemledir. Bu tip sistem belli bir alanda uzman olan kiilerin uzmanlklarna dayanarak çözüm arar. Bunu bir tür bilgisayarda düzenlenmi danma sistemi olarak düünebiliriz. Uzman sistemler hem makine hem de insan müdahalesine ihtiyaç duyan uygulamalarda kullanr Uzman sistemlerin uygulama alanlar p, finansal planlama, bilgisayar konfigürasyonu, gerçek zamanl sistemler, trafik yönetimi ve kontrolü, sigortack Uzman sistemlerin elemanlar ve arayüzleri Bilgi taban (knowledge base): Uzmann bildirilerinden oluur. If then kurallaryla yaplandr, Çalma alan (working space): Problem çözümünde gerekli özel bilgileri bulundurur, karm birimi (inference engine): Bilgi tabanndan ve problemin özel verilerinden gelen tavsiyelerle deen sistemin merkezindeki kod. Uzman sistem tasarn anlalmas için; sistem ile birbirini etkileyen kiisel rollerinde anlalmasna ihtiyaç vardr. Bunlar: Ana uzman (domain expert): Problemin çözüm yolunu tespit eden kii veya kiiler. Bilgi Mühendisi (knowledge engineer): Uzmann bilgisini çözerek uzman sistemin kullanabilecei ekle dönütüren kii. kii. Kullan (user): Uzman tarafndan verilen bilgileri problem çözümünde kullanacak 43

44 Uzman Sistemlerin Özellikleri: Geriye zincirleme (backward chaning): If- then kurallar kullanlarak alt amaçlardan bir amaca varr. Belirsizlik ile ileme (coping with uncertainty): Sistemin yetenei, tam bilinmeyen kurallar ve verilere verdii cevaplar ile muhakeme edilir. leri zincirleme (forward chaning): Balangç verilerinden If-then kurallar kullanlarak problem çözümüne gidilir. Veri temsili (data represantation): Sistemde (eriilebilir ve depolanabilir) probleme özel veriler. Kullan arayüzeyi (user interface): Sistem kullanlarak kolayca oluturulan kod parçalar Bulank Mantk Bulank mantk kavram, ilk olarak 1965 ynda L. Zadeh tarafndan kullanlmr. Bulank mantk kavram genel olarak insann düünme biçimini modellemeye çalr. Klasik küme kavramnda bir üye bir kümenin üyesidir veya üyesi deildir. Bulank mantk kavramnda bir üyenin bir kümenin üyesi olup olmad üyelik fonksiyonlar ile belirlenir. Bu kavram ile bulank mantn kulland çkarm yöntemleri kullanlarak olaylar hakknda yorum yapmaya çalr. Bulank mantn en güçlü taraf var olan bir uzman bilgisinin kullanlmasr. Bu durum uzman bilgisinin tam olarak elde edilemedii durumlarda ise büyük bir dezavantaj oluturur Bulank Mantn Kullanld baz uygulamalar o Hidroelktrik güç üniteleri için kullanlan Baraj kaplarn otomatik kontrolü (Tokio Electric Pow.) o Stok kontrol deerlendirmesi için bir uzman sistem(yamaichi, Hitachi) o Klima sistemlerinde istenmeyen ini çlarn önlenmesi o Araba motorlarn etkili ve kararl kontrolü (Nissan) o Otomobiller için Cruise-control (Nissan, Subaru) 44

45 o Dökümanlarn arivleme sistemi (Mitsubishi Elec.) o Depremlerin önceden bilinmesi için Tahmin Sistemi (Inst. of Seismology Bureau of Metrology, Japan) o laç teknolojileri: Kanser tehisi(kawasaki Medical School) o Cep bilgisayarlarnda el yaz alglama teknolojisi (Sony) o Video Kameralarda hareketin alglanmas(canon, Minolta) o El yaz ve ses tanmlama (CSK, Hitachi, Hosai Univ., Ricoh) o Helikopterler için uçu destei (Sugeno) o Çelik sanayinda makina h ve n kontrolü (Kawasaki Steel, New-Nippon Steel, NKK) o Rayl metro sistemlerinde sürü rahatl, duru mesafisinin kesinliini ve ekonomikliin gelitirilmesi (1.Giri te bahsedilen metro hedefe 7 cm kala durabilmektedir)(hitachi) o Otomobiller için gelimi yakt tüketimi(nok, Nippon Denki Tools) Genetik Algoritma Genetik algoritma (GA) süreci doal evrime benzetilir. Bu nedenle Üreme (Reproduction), Çaprazlama (Crossover), Mutasyon (Mutation) gibi doal evrimde kullanlan operatörleri içerir. Üreme, uygunluk (fitness) deerlerine baklarak stokastik yöntemlerle seçilen bireylerden yeni bir popülasyon oluturma ilemidir. Bu ilem, ilerleyen generasyonlarda daha yüksek uygunluk deerlerine sahip bireylerin olumasna neden olur. Bu nedenle bu leme en uygunun hayatta kald test (survival of the fittest ) ad verilir. Çaprazlama, çounlukla rastgele olarak seçilen iki bireyin kromozomlar çaprazlanarak gerçeklenir. Bu ilemde, bireylerin kromozomunu oluturan dizilerin deik kmlar yer detirerek yeni döl üretimi salanr. Bu döl popülasyonunda daha az uygunluk deerine sahip zayf bireylerin yerine konabilir. Çaprazlama, genetik 45

46 algortimada en önemli operatördür ve jenerasyonda yeni çözümlerinin üretiminden sorumludur. Mutasyon, bireyin kromozomunu oluturan dizideki tek bir elemann deerinin rastgele olarak demesidir. Mutasyon, çözümün alt optimal noktalara taklmas önleyen ve çok düük olask deeri ile uygulanan operatördür. Genel olarak genetik algoritma, çözüm bilgisinin hiç olmad veya çok az olduu bir durumla aramaya balar. Çözüm çevreden gelen etkileime ve genetik operatörlere bar. GA, aramaya paralel bir ekilde, birbirinden bamsz noktalardan balar, bu nedenle alt optimal çözümlere taklma olas azdr. Bu nedenle GA, karmak arama problemleri birden çok alt çözüm kümesi olan için en iyi optimizasyon teknii olarak bilinir. GA y dier Evrim Algoritmas (EA) türlerinden farkl klan özellikleri; eyli üreme yöntemini, Mutasyon ve çaprazlama operatörlerini, Stokastik veya determistik seçim yöntemlerini, Problemin çözümü için problemin kendisi yerine kodlanm bir dizisini kullanmas olarak gösterilebilinir. Bu ekilde GA dier EA türlerinden daha esnek bir yap salar. Bir evrim ilemi, potansiyel çözüm uzaynda, popülasyonu oluturan kromozomlar içinde en uygun kromozomu arama ilemidir. Böyle bir arama iki zt amac dengelemeyi gerektirir. Bu amaçlar; en iyi çözümlerin aranmas (Exploit) ve arama uzayn geniletilmesidir (Explore) Genetik algoritma ile geleneksel optimizasyon teknikleri (özellikle nümerik metotlar) arasndada çok önemli farklk vardr. Bu farklklar adaki gibi özetlenebilir: i-) GA optimize edilecek olan parametrelerin kendileri ile deil kodlam dizileri üzerinde çalr. Pekçok durumda ikili (binary) kodlama kullanr. Fakat genetik algoritmalar için bu bir gereklilik deildir. Gerçel say kodlama, aaç yap kodlama (tree coding) gibi farkl kodlama sistemleri de kullanlabilir. 46

47 ii-) GA, bir popülasyon içinde arama yapar. Bu popülasyon, problemin bütün olas çözümlerini temsil eden uzay oluturur. Balangç popülasyonu genellikle rastgele üretilen bireyleri içerir. iii-) GA, problemin çözümünü belirlenen çözüm uzaynda aramak için bir uygunluk fonksiyonu (fitness function) kullanr. Bu uygunluk fonksiyonu klasik optimizasyon tekniklerinde kullanlan amaç fonksiyonuna benzetilebilir. iv-) GA, sonuca ulamak için stokastik yöntemler kullanr. Genetik algoritmalar cazip klan özelliklerinin bazlarunlardr: renme: Genetik algoritma global arama tekniklerinde yaygnca kullanr ve en iyisi olarak bilinir. Mevcut performans ölçütlerini kullanarak verilen bir arama uzaynda arama uzay geniletme ve en iyiyi arama özelliklerini kullanma yeteneine sahiptir. Bu özelliklerini çaprazlama, mutasyon ve üretim gibi genetik operatörlerle kullanarak renme yeteneine sahiptir. Genetik kod yap: Genetik algoritma dorudan parametrelerle deil, kodlanm parametre dizisiyle çalr. Bu, kullanya problemleri bir deken optimizasyon problemi gibi çözmesine imkan verir. Çözümlerin optimallii: Pek çok gerçek hayat problemlerinin Çok Modellilik (Multimodal) ve dorusal olmama gibi özellikleri vardr. Geleneksel arama teknikleri böyle arama uzaylarnda yetersiz kalr. Genetik algoritma ise böyle karmak arama uzaylarnda optimale yakn çözümler bulma yeteneine sahiptir. Genetik algoritma, mühendislik, bilim, ekonomi çok deik alanlardaki problemler için gürbüz (Robust) bir optimizasyon arac olarak son yllarda büyük bir önem kazanmr. Genetik algoritmann uygulama alanlarndan bazlar; haberleme ebekleri tasar, elektronik devre dizayn, gaz borularebekeleri optmizasyonu, görüntü ve ses tanma, veri taban sorgulama optimizasyonu, uçak tasar, fiziksel sistemlerin kontrolü, gezgin sat problemlerinin çözümü, ulam problemleri, optimal kontrol problemleridir Yapay Zekânn Kullanm Alanlar Ve Kullanlan Teknikler Endüstri: Ev Temizlik Robotlar,Otomatik araçlar için rehberlik, boru hatt denetimi, zeki evler, zeki ev teknolojileri, otomatik sürü, konuulan kelimeyi tanma, 47

48 celestial nesnelerin sflandlmas, elektro-mekanik artecraftn kontrol yap ve morfolojisinin tasar Savunma: Akll bombalar, hedef tayini. p: Kanser tehisi, DNA dizilerinde gen kefi, adli tp. Güvenlik: Haberleme alarn yönetimi, kriptoloji, krimonoloji ) Finans: Borsa tahmini, Vergi hazrlama yaz, kredi kart sahtekarln ortaya çkarlmas. Internet Olaylar: Web tabanl arama motorlar (Yahoo,Google ), haberleme ( , kelime ilemci) Tasarm: Boeing 777, Pentium,Space shuttle Hayat, postane, otomatik adres tanma ve mektuplarn sralanmas; Banka: Otomatik çek okuyucu, imza dorulama sistemleri; Telefon irketleri: Otomatik ses tanma, telefon numaralarn gruplar içinde ralanmas; Kredi Kart irketleri: Sahtekarlk denetimi, uygulamalarn otomatik görüntülenmesi; Bilgisayar irketleri: Yardm masalarndan otomatik tehis uygulamalar; toplant çizelgelerinin otomatik dalmas; apartmanlar için proje planlama) Robotlar: Mars Rover, DSI, RoboCup, Oyuncak sektörü(sony Aibo), elence sektörü Oyun Oynama: Robocup, Sims, itim: Matematik problemlerin çözümü, teorem ispat, dilbilgisi kontrolü, doküman düzenleme, simülasyonlar, planlama, müfredat gelitirme [40] Endüstride Yapay Zekâ Otomotivde Yapay Zekâ Teknolojileri Otomotiv endüstrisinde artan rekabet ortamnda gelinen son noktada; araçlarn ve 48

49 firmalarn birbirlerine üstünlük salamalar kullandklar yapay zekâ teknolojilerine ba olarak gerçeklemektedir. Yapay zekâ teknolojileri akll sistemler olarak tanmlandnda; hayat kolaylaran bu teknolojiler otomotiv endüstrisinde; akll hava yastklar, akll sensörler, akll farlar, akll aynalar, akll fren sistemleri, akll klimalar ile donatlm araçlar olarak günlük hayatza girmitir.son yllarda, BM kontrol teknikleri otomotiv sektörünün çok geni bir ksmnda kullanlmaya balanmr. Otomotiv endüstrisinde transmisyon uygulamalar, Motor kontrolü ve ABS fren sistemlerinde BM çok yaygn olarak kullanlmaktadr. BM kontrol uygulamalar geleneksel kontrol algoritmalarna göre daha üstün karakteristikler ortaya koymaktadrlar. Bu nedenle çalmamzda, otomotiv endüstrisinde kullanlan yapay zekâ teknolojilerinin belirli uygulamalar ele alnmr. Yapay zekâ teknolojileri kullanm yeri ve amaçlarna göre tasnif edilmitir Kullanm Amaçlarna Göre Yapay Zekâ Teknolojileri Güvenlik ve Emniyet Amaçl Yapay Zekâ Teknolojileri Konfor Amaçl Yapay Zekâ Teknolojileri Dier Amaçlarla Kullanlan Yapay Zekâ Teknolojileri Güvenlik Amacle Kullanlan Yapay Zekâ Teknolojileri a Deken Kodlu UK Immobilizer Sistemi Araç güvenlik sistemlerinden biri olan immobilizer sistemi araç çalnmalarna kar kullanlan bir sistem olup, araç elektronik kontrol ünitesi (ECU) ile araç immobilizer kontrol ünitesi arasnda veri kontrol ve dorulama esasna dayanmaktadr. Araç immobilizer kontrol ünitesi; aracn uzaktan kumanda ile açlmas ve aracn çallmak istenmesi durumunda, anahtar içine yerletirilmi olan mikroçipte kaytl olan ifreyi tanmakta ve aracn çalabilmesi için bu kodu tan ve kodun doru olduunu araç elektronik kontrol ünitesine iletmek sureti ile arac çalmaya hazr hale getirmektedir. Belirli bir algoritma ile deen ve her seferinde farkl bir kod ile ilk çalmay gerçekletiren yeni nesil immobilizer sistemleri günümüz gelimi elektronik teknolojilerine karn, açma kodunun elektronik kayd ve kopyalanmas konusunda güvenlik açndan yeni bir uzman sistem uygulamasr. 49

50 b ABS Fren Sistemi ABS, sert ve acil frenleme esnasnda optimal araç kontrolü ve en küçük durma mesafesini garantiye almak için otomobillerde kullanr. Günümüzde ABS araç güvenliine hayati bir katk olarak kabul edilmektedir[4]. Bir ABS Modülünün baca parçalar Electronik Kontrol Ünitesi, (ECU), tekerlek hz sensörleri ve fren modülatörleridir. Tekerlek hz sensörleri ECU ya tekerlek h ile orant frekanslarda elektronik palsler gönderir. ECU bu bilgileri deerlendirerek fren kuvvetini düzenler. ABS sistemleri yaplar gerei nonlineer ve dinamik olduklarndan bulank mantk kontrolünü için adaydr. Fuzzy ABS ye giri deerleri olan tekerlek h, hzlanma ve her bir tekerlein kaymas, tekerlekten gelen sinyallerin birleimi ile hesaplanabilir. Bu sinyaller fuzzy-abs sisteminde arzu edilen kontrolü gerçekletirmek için ilenir. Bu deerlendirmeler ile aracn kayma yapmaksn frenleme yapmas ve emniyetli bir durma gerçeklemesi salanm olur [42]. c Elektronik Stabilite Program Klasik fren sistemlerinden sonra devreye giren ABS fren sistemleri ve daha sonra patinaj kontrol sistemleri (TC); elektronik stabilize programn (ESP) temelini oluturmaktadr. ESP donanna sahip bir araçta ABS ve TC de mevcut demektir. Mercedes, Bavarian Motor Works (BMW), Toyota, Honda, Ford ve Volvo gibi firmalar bulank mantk konseptini kendi ürünlerinde birletirmeye devam etmektedirler. Honda tarafndan dizayn edilen Araç stabilite destek program böyle bir örnektir. Bu sistem çok zekidir, sistem insan beyninden daha hzl bir ekilde çalr. VSA (Vehicle Stability Assist) fren basnc, Motor gücünü veya her ikisini birden kontrol ederek çekii en iyi ekilde devam ettirir. Siz hiçbir faaliyette bulunmasanz bile VSA motor gücünü veya frenleri ön veya arka taraftaki kaymay azaltmak için kullanacaktr[42, 43].Sürü ve frenleme güvenliinde günümüz teknolojisinde son nokta olan bu sistem sayesinde araç stabilizesi en üst seviyelere çkarlmr. Sistem devre d braklmadkça otomatik olarak devrededir. Sistem bir çok sensörden bilgi almakla beraber özellikle direksiyon dönü sensörü, kayma tespit sensörü ve ABS tekerlek sensörleri en önemli veri kaynaklarr. Aracn viraja girmesi annda tekerlek sensörlerinden gelen dönü say bilgileri, Direksiyon sensöründen gelen viraj ac bilgisi ve Araç merkezindeki kayma 50

51 tespit sensöründen gelen kayma istei bilgileri ve dier sensörlerden gelen bilgilerde deerlendirilerek Elektronik Kontrol Modülü tarafndan araç Fren sistemine komut verilmekte ve kaymann olaca tekerlek dndaki tekerleklere deik basma kuvvetleri ile fren kuvveti uygulanarak araç eksende tutulmaya çallmaktadr. Bu suretle aracn yoldan çkmas riski büyük ölçüde engellenmi olmaktadr. d z Sabitleyici ve Hz Srlay Sistemler Sürü konforu ile birlikte güvenlik ve yakt tüketimi açndan düünülerek tasarlanan bu sistemler sürücünün istei dorultusunda, arac sabit bir hzda veya belirli bir limitin altnda kullanmak ve araç önüne gelebilecek engellere otomatik yavalama tepkisi vererek güvenli bir sürü salamak amac ile araçlara uygulanmr. Sürücünün herhangi bir vesile ile frene veya debriyaja basmas durumunda sistem devre d kalarak tekrar manuel kullanma geçmekte fakat sabitlenen deer hafzada saklanmaktadr. Gerektiinde tekrar kumanda panelinde ilgili butona baslarak hafzadaki deerde aracn sabit hzda seyretmesi salanabilmektedir. Uyarlanabilir Hz kontrol sistemi, aracn tamponunun arkasna yerletirilmi radar sistemini önündeki aracn mesafe ve h tespit etmek için kullanr. Bu durum bir gelimi radar sensörü, bir dijital sinyal ilemcisi ve bir uzunlama kontrol eleman sayesinde gerçekletirilir. Eer öndeki araç yavalar ise veya baka bir nesne tespit edilir ise sistem motora veya fren sistemine bir bildirim sinyali gönderir. Yolda engel kalmadnda sitem ayarl hz deerine aracn tekrar dönmesi için yeniden hzlanacaktr. e Akll Hava Yastklar Pasif güvenlik sistemlerinden olan hava yast (airbag), kaza annda sürücü ve yolcularda meydana gelebilecek yaralanmalar en aza indirmek üzere kullanlmaktadr. Yeni nesil akll airbag sistemleri sayesinde koltukta oturan bir yolcunun olup olmad tespit edilmekte ve ona göre gerekmiyor ise ilgili hava yastn açlmamas salamaktadr. Ayn zamanda çift kademeli açlma prensibi ile, ön darbe alglaylar vastasyla darbenin iddeti tespit edilerek kademeli açlma salanmaktadr. Jaguar XK-S ve XJ modeli airbag sisteminde mevcut baz sensörler vastas ile yolcunun pozisyonu tespit edilmekte ve airbag açma deerleri optimize edilerek; sürücünün pozisyonu, 51

52 rl, duru aç gibi ayrntlar ölçümlenmekte ve tüm deerlere uygun açma zamanlamas ve açma h Yapay Sinir alar kullanlarak uygulanmaktadr [44]. f Hidro-Aktif Sürü Sistemi Sistem istenilen durumlarda araç tekerlek-zemin mesafesinin detirilmesi mant ile çalmaktadr. Sistem sürücü bölmesindeki bir ile aktif edilmekte ve aracn ön ve arka ksmnda bulunan hidrolik pistonlarn üzerine etki eden basnç deerinin detirilmesi sonucu araç seviyesinde yükselme veya alçalma meydana getirmektedir. Araç seviyesindeki deim miktar sensörler vastas ile ölçülerek hidro-aktif sürü sistem kontrol ünitesine iletilmektedir. Hidro-aktif sistem kontrol ünitesi CAN-BUS bilgi aktarm sistemi vastas ile dier kontrol üniteleri ile de bilgi al veriinde bulunmaktadr. Bu al veri sayesinde araç hndaki deime ba olarak araç yükseklii sürücünün müdahalesi dnda otomatik olarak ayarlanabilmektedir. Özellikle yüksek pozisyonda braklan araç, hzlanma esnasnda aerodinamik kayglar ile otomatik olarak alçaltlmaktadr. Bu ekilde daha güvenli ve konforlu sürü salanabilmektedir. g Araç Takip Sistemleri Bu sistem ile araç üzerine yerletirilmi olan ünite GPRS balant ile bir al üniteye SMS vastas ile veri aktar yapmakta ve bu veriler sayesinde al ünite banda oturan operatör kullann o andaki konumunu, h, yakt durumunu, araç mevkisinin rakm deerini vs. tespit edebilmektedir. Ayrca istenir ise kumanda ekran banda oturan operatör tarafndan araç bloke edilerek, araç alarmn çalmas salanabilmektedir. Bu sistem büyük ehirlerde araç takibini ve güvenliini salamak için birçok büyük firma tarafndan kullanlmaktadr. h erit Detirme kaz Sistemi Bu sistem hem araç konforunu hem de emniyetini artran bir uygulamadr. Bu sistem ile sürücü ani erit detirmelerde koltuun vibrasyonu ile ikaz edilmekte ve uyandlmaktadr. Özellikle otoyolda uzun süreli kullanmlarda sürücünün dikkatinin dalmas ve uykusunun gelmesi tehlikeli bir durumdur. Bu durumun tespiti ve ikaz için kullanlan sistem araç altnda erit takip sensörleri ve sürücü koltuunun altna yerletirilmi vibrasyon motorlarndan olumaktadr. Sistem aktif edildiinde, yol 52

53 eritlerini kl ötesi nlarla takip eden sensörler sürekli olarak gövde kontrol ünitesine bilgi vermektedir. Araç istikametinde, sürücünün sinyal vererek erit detirmesi durumu dnda meydana gelecek deim, annda sensörler arac ile tespit edilecek ve Kontrol ünitesinin komutu ile sürücü koltuu altndaki vibrasyon motorlar aktif edilecektir. Bu sayede sürücünün dikkati çekilecek ve olas kazann önüne geçilecektir Konfor Amacle Kullanlan Yapay Zekâ Teknolojileri a Akll Aynalar Araç konfor sistemlerinden olan akll aynalar a duyarl olarak çalmakta olup ortamdaki veya d kaynaktan gelen k iddetine baml olarak renk detirmekte ve sürücü açndan ideal kullanm salamaktadr. Özellikle gece sürülerinde arkadan gelen araçlarn aydnlatma sistemlerindeki aksaklklar sebebi ile meydana gelen göz rahatszlklar bazen kazaya bile sebebiyet vermekte olup, akll aynalar ile bunun önüne de geçilmektedir. Ayrca geri yönde araç kullan esnasnda sa aynann daha rahat park etmek için manuel ayarlanma zorluu akll aynalar ile otomatik olarak kaldlmr. Araç geri vitese takldnda geri vites bilgisi gövde kontrol modülüne (BCM) iletilmekte ve ayna cam otomatik olarak ayarlanarak kolay park edilebilecek bir ayna görüntüsü sunmaktadr. b Akll farlar Klasik far sistemlerinde aydnlatmay salayan uzun ve ksa farlar ile aydnlatma mesafesi detirilebilmekte fakat aydnlatma istikametine tesir edilememektedir. Yeni teknolojiler ile otomobillerde kullanma giren akll far uygulamalarnda zenon lambalar ve XY-dorultusunda hareket eden ve görü aç detiren teknolojiler görülmektedir. Akll far sistemleri sayesinde direksiyonda bulunan dönü aç sensöründen alnan dönü bilgisi ve aracn hz bilgisini de deerlendirerek, dönü yapan aracn dönü merkezi istikametinde kalan ölü bölgelerin de aydnlatlmas salanabilmektedir. Bu sayede daha güvenli bir sürü ortam hazrlanmaktadr. c Park Pilot Sistemi 53

54 Bir çok sürücü için araç park etmek oldukça zor ve riskli bir itir. Özellikle estetik ve aerodinamik sebepler ile geri görüün iyice zorla yeni nesil araçlarda, park pilot sistemi konfor art bir donanmdr. Ses ikazl, metraj görüntülü veya kamera destekli gibi deik çeitleri olan park pilot sistemleri üst seviyede sürü konforu salamaktadr. Bir buton ile devreden çkarlabilen sistem normalde sürekli devrededir. Özellikle kameral modelleri ile araç kullanlarna; geri vites kullannda rahat bir sürü salanmakta, dier zamanlarda da sürücü isterse park pilot sistem ekran DVD olarak kullanabilmektedir. d Çoklu Kullanma Açk anzman Klasik manüel anzman mant ile hazrlanm olan anzman gövdesine, baz elektronik adaptasyonlar vastas ile otomatik anzman kullanm rahatl katlmr. Sistem anzman üzerine yerletirilen elektronik sensör ve adaptasyon parçalar ile anzman kontrol ünitesi arasnda elektronik veri alverii salanmas esasna dayanr. Ayn anda anzmanla birlikte motorun bir çok noktasndan Motor kontrol ünitesine gelen bilgiler de anzman kontrol ünitesi ve Motor kontrol ünitesi arasnda transfer edilmektedir. Eer sürücü anzmanda otomatik kullanm pozisyonunu seçmi ise, tüm veriler anzman kontrol ünitesinde deerlendirilerek, o anki artlar için en uygun vites konumu elektronik olarak anzman tarafndan gerçekletirilecektir Dier Amaçlar le Kullanlan Yapay Zekâ Teknolojileri a.motor Kontrol Sistemi Yapay Sinir Alar kullanlan ve NeuroDyne tarafndan gelitirilen sistemlerin bazlar unlardr. Dizel motorlar için PM emisyonu veya NOx emisyonu gibi parametrelerin ölçümünün zor olduu veya ölçülemedii gerçek zamanl deerlerin elde edilerek Yapay Sinir Alar ile Motorun kontrol edilmesi. Emisyonlarn tahmini ve gerçek zamanl ölçümü için sensörler kullanr.motor, motor kontrolü ve yakt yanma modellemede de Yapay Sinir Alar kullanr [45]. Bunun yan sra yapay sinir alarna dayal zeki performans ve emisyon tahmin sistemleri otomotiv sektörünün son uygulamalarndan biridir. Bu sistem bir prediktif motor modelidir ve bir mikro ilemci ve motorun gerçek zamanl olarak birlikte paralel 54

55 çalmas esasna dayanr. Giri sinyalleri, motorda her defasnda ayn sensörlerden Elektronik kontrol ünitesi (Mikro ilemci) tarafndan alr. SI motorlarda yapay sinir lar; manifold hava basnc ve scakl, motor h, yakt enjeksiyon süresi, EGR valfi deerleri, egzoz gaz oksijen konsantrasyonu, egzoz gaz scakl, Motor soutucu cakl, kelebek pozisyonu ve ateleme avans kullanr. Elektronik kontrol ünitesine (ECU) iletilen sistem bilgileri, ECU tarafndan deerlendirilerek, motora ba aktörlere bu deerlere uygun çalmay salayacak bilgi ve komutlar aktarr. Ayn zamanda ilettiinin yerine doru ulap ulamad da geri dönü sinyali ile teyit eder. Bu sayede sistemde meydana gelebilecek hatalarda otomatik olarak tespit edilmi olur. Her hangi bir sebep ile sensörlerden birinin çalmamas veya sürekli hata vermesi durumunda sistem otomatik uyar sistemini aktif eder. Ayn zamanda motor çalmasnda herhangi bir aksakla sebep olmamak için sistemin örenmi olduu normal çalma durum deerlerini esas kabul ederek, tüm durumlar için ortalama deerler atamak sureti ile motor çalmasn devam salar. b Araç Diagnostik Sistemi Elektronik teknolojisi ile donatlm günümüz araçlarnda tehis ve diagnostik yapmak son derece zor ve karmak bir hal almr. Bu sebeple birçok araç üreticisi firma tarafndan diagnostik cihazlar gelitirilmi ve kullanlmaktadr. Bilgi tabanl sistemler olarak adlandlan bu yapay zekâ teknolojileri günümüz araçlarn çounda motor kontrol, Süspansiyon kontrol, Patinaj kontrol ve ABS gibi ekipmanlarda kullanlmaktadr. Literatürde bilinen ve Fiat, Alfa Romeo, Peugeot,Citroen, Renaut, Chrysler gibi firmalarn kulland baca diagnoz sistemler unlardr. IDEA (Integrated Diagnostic Expert and Assistance), VMBD ( Vehicle model Based Diagnosis), FTA ( Fault Tree Analysis), FMEA (Failure-Model and Effect Analysis). Frenleme sistemindeki hata ve arza durumunda sürücüyü uyaran araca monte edilmi ve yapay sinir alar kullanan diagnos sistemler de vardr.bu sistemler özellikle ticari araçlar ve otobüsler için yaygn olarak kullanr. Bu ve benzeri yapay sinir alar kullanan erken uyar sistemleri bütün frenleme sistemlerinde kullanr [46-54}. 55

56 2.7.3 Askeri Alanda Yapay Zekâ Uygulamalar Bu gün, birçok askeri alanda yapay zekâ uygulamalar balatlmr. Bu alanlardan bazlar unlardr: Askeri ararmalar, askeri imalat, bakm-onarm, harekat planlamas, lojistik, eitim, istihbarat toplama ve ileme, istihbarat analizi ve durum tespiti, sensör kaynaklarn da, kuvvet da, kuvvet komuta ve kontrolü, güzergah planlamas, muharebe taktikleri, otonom / yar-otonom araçlar, aviyonik, elektronik harp, ve komuta kontrol istihbarat kar-koyma, haberleme, a kontrolü, ve enformasyon yönetimi ve ula. Ayrca harp oyunlarnda bilgisayarlarca oluturulan CGF ad verilir. Eitim ve analiz amaçl olarak kullanlmas ABD'de 1980'lerin sonlarnda ciddi bir ekilde ele alnmaya balamr. Bundan sonraki önemli gelime, bilgisayarl harp oyunlarna, gene ABD'de CFOR programyla komuta-kontrol yeteneinin eklenmesi olmutur Mevcut bilgisayarca oluturulan kuvvetlerin gelimesi dört safhada incelenebilir [55]. Bu safhalaru ekilde sralayabiliriz: Nesil Biliim Süreci 1 Yok 2 Hedef tespiti ve önleme 3 Görevin kesilmesi ve balatlmas 4 Çok katmanl Komuta Kontrol 5 Amaç seçimi ve Örenme Birinci nesil CGF'lerin en bariz özellii bunlarda biliim sürecinin bulunmamasr. Bu nedenle, kendileri için oluturulmu olan senaryodan dar kamazlar. kinci nesil sistemler ise, planlanm faaliyetlerle çatmayacak ekilde senaryo elemanlarna, hedef tespiti, nian alma, ve rakip kuvvetlerle çatmaya girme gibi basit etkileimli davranlar yaptrabilme özelliine sahiptir. Güzergahlar ve yollar kullan tarafndan önceden veya senaryo srasnda belirlenir ve etkileimler de ancak bunlar üzerinde olabilir. 56

57 Üçüncü nesil sistemler genellikle Yar Otomatik Kuvvetler (SAF) olarak isimlendirilir. Bu sistemler genellikle, önceden planlanm, kural veya durum tabanl modüllerden oluan görevleri uygularlar. Bunlarda davranlar görev çerçevelerine yerletirilir ve bu çerçeveler de öteki görev çerçevelerine oturtulur. Ana amaçlar böylece bir görev hiyerarisinden meydana gelir. Bu organizasyon, karmak görev ve davranlarn oluturulmas kolaylarmaktadr. Dördüncü nesil sistemler ise bu gelimi üçüncü nesil sistemler üzerinde komuta kontrol (C2) süreçlerine sahip sistemlerdir. Görünüte basit sanlan bu görev, sava alann en zor görevlerinden biridir. Ancak bu sistemlerin çounda sadece komutann görevi temsil edilmektedir. Dördüncü nesil CGF'lere örnek DARPA'nn Komuta Kuvvetleri (CFOR) programr. CFOR, C2 süreçlerini, komuta kademesinin bir dizi davran ve etkileimi eklinde temsil eder. Dak Etkileimli Benzetim (DIS) ortamlar dördüncü nesil sistemleri bireyler ve birlikler düzeyinde temsil edebilmektedir, fakat mevcut durumda bunlar taburdan daha yukar kuvvetlerin temsilinde yetersiz kalmaktadr. Ordular düzeyinde durum bunun tam tersidir. Üst düzey birimler baar bir ekilde temsil edilebilmekte, ancak ayn sistem içinde daha alt birimlere ve senaryo elemanlarna doru gidildiinde sorunlar ortaya çkmaktadr. Bir CGF sisteminin gerçek deeri, bunun temsil ettii davranlarn tümü ile ölçülmektedir. Davranlarn modellendirilmesi ise en zor ilerden biridir. Bunu kolaylarmak için davran süreçlerinin ve modellerinin kodlanmas standartlarmak gerekmektedir. Ortak ve uyumlu bir dil gelitirme, gelecek nesil CGF sistemlerinde davran modellendirilmesi konusunda karlalacak sorunlarn bir ksmna çözüm getirebilecektir.[58] a. Hedef Tipinin Belirlenmesi (Yapay sinir alar): Gürültülü çevrelerde hedef tipinin belirlenmesi askeri amaçl uygulamalarda çok önemli bir problemdir. Uçak, gemi, kara araçlar gibi radar hedefleri elektromanyetik bir dalga tarafndan uyarldklar zaman, saçlan alan ilgili hedeflerin karakteristik özelliklerini gösterir. b. Hedef tanma ve takip sistemleri (Yapay sinir alar) c. Yeni sensörlerin performans analizleri (Yapay sinir alar) 57

58 d. Radar ve görüntü sinyalleri ileme (Yapay sinir alar) e. Sensör fizyonu (Yapay sinir alar) f. Askeri uçaklarn uçu yörüngelerinin belirlenmesi (Yapay sinir alar) g. Mayn dedektörleri (Yapay sinir alar) h. Silah kullan, hedef belirlenmesi, nesneler arasnda en iyisini seçebilme yetenei, sima belirleme, sensör, sonar, radar ve belgelerin karlarmas içeren görüntü sinyallerinin yeni çeitleri, d görünüü ayrt etme ve gürültüyü sindirme, sinyal/görüntü tanmlama (Yapay sinir lar) i. Uçaklardaki otomatik pilotlarn yüksek performans, uçma yolu taklitleri,uçak kontrol sistemleri, otomatik pilot özelliklerinin artmas, uçak bölümlerinin taklitleri, uçak bölümlerinin hata detektörleri (Yapay sinir alar) j. Akll füzeler p Ve Sak Alannda Yapay Zekâ Uygulamalar a. pta Tan (uzman sistemler): Farkl konularda Tbbi tanlar koyan sistemler (dahiliye, akcier, bula kan hastalklar vb.). b. YSA Tp ve laç Sanayi: YSA tbbn ilgi alanlarna bugünlerde oldukça fazla girmektedir. Önümüzdeki birkaç yl içinde YSA nn biyomedikal sistemlerde youn bir ekilde uygulanacana inanlmaktadr. u anda ki çalmalar insan vücudunun parçalar modelleme ve çeitli taramalarla hastalk tehisi üzerine younlar.ysa, taramalarla hastalk tehisi yapmak için idealdir. Çünkü; hastalklarn nasl tanmlanaca hususunda özel algoritmalar üretmeye gerek yoktur. YSA örneklerle örendii için hastalklarn ihtiyaç yoktur. Gerekli olan, bütün hastalk çeitlerini gösterebilecek örnek bulmaktr.örneklerin say kalitesi kadar önemli deildir. Sistemin güvenilir ve etkili bir biçimde çalabilmesi için örneklerin çok dikkatli seçilmesi gerekir. 58

59 c. p Tehisi Yardmc Öeleri (Medical Diagnostic Aides): YSA nn kalp krizi tehisinde kullanlmasn doktorlardan daha iyi bir sonuç almas itibariyle Wall Street Journal da ele alnmr. Bu uygulama önemlidir çünkü doktorlarn yüklü miktarda bilgiyi yorumlamas gereken acil durum odasnda kullanlmr. Piyasada bulunan ticari bir ürün, s örneini inceleyerek meme kanserinin tehisinde YSA teknolojisini sunar.bu ürünün klinikteki kullannda, s örnei tehisinde insanlardan çok daha üstün olduu kantlanmr. ngiltere de, miyokart enfarktüsünün erken tehisinde kullanlan YSA tekniinin halen dört hastanede klinik testleri sürmektedir.ararma düzeyinde, epilepsi, akcier hastalklar, koroner atardamar hastalklar ve kalp spazm gibi hastalklarn tehisinde YSA kullanlmaktadr. Elektrokardiyografi (ECG) ve Elektroenseflografi (EEG) tekniklerinin yorumlanmasnda bu teknoloji kullanr. d. Kalp ve Kan Damar Sistemlerini Modelleme (Modelling and Diagnosing Cardiovascular System): YSA lar, insann kardiyovascular sistemini modellemede bilimsel olarak kullanr. Tehis; bireyin kardiyovascular sistem modelini ina ederek ve bunu hastalardan alnan gerçek zamanl psikolojik ölçülerle karlararak bu tehis baarr.eer bu ilem düzenli olarak yaprsa potansiyel hastalk sebeplerine erken tehis konulabilir.ve bu hastalklarla mücadele ilemini kolaylar. e. Elektronik Koku Alma (Electronic Noses): Elektronik Koku Alma (EKA), YSA uygulama alanlarndandr. EKA nn telemedicine de uygulanr. Telemedicine; iletiim bayla uzak mesafeden tp uygulamasr. EKA lar uzaktan tedavi yaplan bir ortamda kokular tanr.ve tannan bu kokular elektronik olarak kokunun tekrar tannabilecei bir sistemin olduu bir yere gönderilebilir. Çünkü koku alglama tpta önemli bir yere sahiptir. Bu durumdan, koku alglama ile uzaktan tedavinin çok daha gelieceini söyleyebiliriz. f. Anlk Doktor (nstant Physician): 1980 lerin ortasnda gelitirilmi uygulamaya verilmi bir isimdir. Bu uygulama da, çok büyük 59

60 miktarlardaki bilgiyi saklamak için verileri bilgileri birbirleriyle ilikilendirebilen bir sinir a yaplmr. Bu sinir an her bir a katmannda bulgu, tan ve baz özel durumlar tedaviler hakknda bilgi içermektedir. Böyle bir sistem oluturulduktan sonra,bulgular içeren bir hazrlanabilir. g. Biyokimyasal Analiz (Biochemical Analysis): YSA çok çeitli analitik kimya uygulamalarnda kullanlmaktadr. Tpta YSA lar kan ve idrar örneklerini analiz etmede eker hastalnda glikoz seviyesini belirlemede vücut slarnda iyon seviyelerini saptamada ve verem gibi patolojik durumlar tespit etmede kullanmaktr. h. bbi maj Analizi (Medical Image Analysis): YSA lar çok çeitli görüntüleme modellerindeki tbbi imajlar analiz etmede kullanr.bunalandaki uygulamalar ultrasonogram da tümör tespiti, mono gramlarda meme belirleme ve sflandrma, göüs filmlerinde flandrmada dahil olmak üzere pek çok amaç için kullanr. i. laç Gelitirme (Drug Development): Milli sak kurulularndaki ararmalar ADS ve Kanseri tedavi etmek amacyla ilaç gelitirme sürecinde YSA lar kullanmaktadrlar. YSA lar ayrca biomolekülleri de modelleme sürecinde de kullanr. j. Solunum Hastalklarn Tehisi (Yapay Sinir Alar) k. EEG ve ECG Analizleri (Elektrokardiyografi(ECG) ve Elektroenseflografi (EEG)) (yapay sinir alar) l. Hastalklarn Tehisi Ve Resimlerden Tannmas (Yapay Sinir Alar) m. bbi Resim leme (Yapay Sinir Alar) n. Transplant Zamanlarn Optimizasyonu (Yapay Sinir Alar) o. CTG zleme (Yapay Sinir Alar) p. Hamile Kadnlarn Karnlarndaki Çocuklarn Kalp Atlarn zlenmesi (Yapay Sinir Alar) 60

61 q. Üroloji Uygulamalar (Yapay Sinir Alar) r. Organ Nakli Zaman En yi Düzeye Getirmek (Yapay Sinir Alar) s. Hastane Ödemelerinin Azaltlmas (Yapay Sinir Alar) t. Hastanelerdeki Kalitenin Artmas (Yapay Sinir Alar) u. Acil Durumlarda Kullanlan Odalar için Test Tavsiyeleri (Yapay Sinir Alar) v. Kanser Hücrelerinin Analizi (Yapay Sinir Alar) Protez Dizaynlar (Yapay Sinir Alar) [20] Akll Ev Teknolojileri ve Akll Ev Aletlerinde Yapay Zekâ Uygulamalar a. Bulak makinesi: Bulaklarn say ve kirin miktarna göre ykama ve parlatma stratejilerini belirlemek. b. Buzdolab: Kullanma göre soutma ve dondurma sürelerini belirlemek. (Bir nöral a, kullann alkanlklarna göre nispi kurallar tespit etmektedir). c. Çamar makinesi: Kirlilik seviyesi, çamar türü ve miktar ile su seviyesine göre ykama stratejisini belirlemek. Baz modeller, kullanlarn arzularna göre kurallar ayarlamak için nöral alar kullanmaktadr. Girdileri karrmak ve scaklkla denetimi süreyi ayarlamak. d. Du sistemi: Su scaklndaki deiklikleri denetlemek. e. Elektrikli süpürge: Toz miktar ve zemin türüne göre motorun emme stratejisini tespit etmek. f. Fotoraf makinesi: Görüntünün herhangi bir yerindeki nesneyi bulup oto-fokus yapmak. g. Kamera: Oto-fokus ve n ayarlanmas. Elin titremesinden kaynaklanan görüntü bozukluklar gidermek ve oto-fokusu temin etmek. 61

62 h. Klima:stenilmeyen scaklk oskilasyonunu önlemek ve açma-kapamada daha az enerji sarfetmek. i. Kurutucu: Çamarlarn türü ve miktarna göre kurutma stratejilerini ve süresini belirlemek. j. Mikrodalga fn: Enerji sarfiyat ve piirme stratejilerini belirlemek. k. Nemlendirme: Oda artlarna göre nem nispetini ayarlamak. l. Pirinç piirme aleti: Buhar, scaklk ve pirinç miktarna göre piirme süresi ve metodunu belirlemek. m. Televizyon: Her bir çerçeve için renk ve da ayarlamak ve odann durumuna göre sesi stabilize etmek. n. Tercüme program: Kelimeleri tanp tercüme etmek. o. Tost makinesi: Her bir ekmek türü için, tost yapma süre ve scakl salamak. p. n: Yemek pime süresini ayarlamak, yemek cinsine göre gerekli cakl salamak [55-64]. Bulank mantk esasna göre üretilmi baz ticari ürünler ve üretici firmalar da listelenmitir. ÜRÜN Asansör denetimi Avuç içi bilgisayar Bulak makinesi Buzdolab Çamar makinesi Du sistem Elektrikli süpürge RKET Fujitec, Mitsubishi Elektrik, Toshiba Sony Matsushita Sharp Daewoo (Kore), Goldstar (Kore), Hitachi, Matsushita, Samsung (Kore), Sanyo, Sharp Matsushita, Panasonic denetlemek Hitachi, Matsushita, Toshiba 62

63 Fotoraf makinesi Fotokopi makinesi Kamera Klima Kimyevi kar Kurutucu Mikrodalga fn Nemlendirme Ocak denetimi Pirinç piirme aleti Plazma islemesi Sak idaresi sistemleri Canon, Minolta Canon Canon, Sanyo, Matsushita, Panasonic Hitachi, Matsushita, Mitsubishi, Sharp Fuji Matsushita Hitachi, Sanyo, Sharp, Toshiba Casio Mitsubishi Matsushita, Sanyo Mitsubishi Omron Televizyon Goldstar, Hitachi, Samsung, Sony Tercüme program Epson Tost makinesi Sony [65]. Akll bina sistemleri de son yllarda gelimeler göstermektedir. Günümüzde akll bina sistemleri birkaç bileenden meydana gelmektedir. Bu bileenler: a. HVAC (Istma-Soutma, Havalandrma Sistemleri) Otomasyon Sistemleri b. Oda Kontrol Sistemleri c. Yangn Alglama &Alarm Sistemleri d. Kapal Devre Televizyon Sistemi e. Güvenlik ve Eriim Sistemleri f. Güç ve Enerji Otomasyonu Sistemleri g. Aydnlatma Otomasyonu Sistemleri h. Data ve Haberleme Sistemleri [66] 63

64 i. Akll Termostatlar: Deimi alglayan ve duruma göre devreye giren veya çkan bir termostat, sürekli on-off ilemi yapabilen klasik termostattan daha iyidir. Bununla birlikte böyle bir Akl program mikroilemciye konularak monte edilebilir ve bu çok kolaydr.algoritma ampirik ölçümlere dayanr ve bir çok faktörler ve artlar gerektirir. Dolay ile bunun matematik modellemesi oldukça zordur.bulank Mantk kontrolü 2 noktada araya girer. Bulank Mantk sisteminin larndan biri set scakl düzeltir dieri ise histerisizin giriimini adapte eder [67] itimde Yapay Zekâ Günlük hayatzda her alanda karza çkan yapay zekâ teknolojilerinin itimdeki yeri ve önemini vurgulamadan önce teknoloji eitiminin,bu eitimin unsurlarn ve yapay zekâ tekniklerinin eitimdeki uygulamalarn ele alnmas gerekir. Teknoloji Eitimi (TE), mühendislik eitimi ile teknik eitimin iç içe olduu bir itim türüdür. TE, müfredatn teknolojik gelimelere göre güncellenmesi gereken dinamik bir eitim türüdür. deal bir teknoloji eitiminde temel teorik derslerin yan sra laboratuar uygulamalar, simülasyonlar, proje çalmalar, verimli bir staj dönemi ve en güncel teknoloji olan yapay zekâ teknolojileri (YZT) nin bu müfredat kapsamna ne ekilde yanslaca konusu çok önemlidir. Öncellikle bu eitimi verecek öreticiler ile yapay zekâ teknikleri ile ilgilenen veya YZT konusunda çalan profesyonellerin bir program çerçevesinde TE müfredat ülkemiz koullarna göre yeniden gözden geçirmeleri ve dünya standartlar yakalamak için bu eitimi verecek tüm disiplinlere yaygnlarmalar gerekir. Eitimin teknoloji ile entegrasyonu denince ilk akla gelen Amerika, Japonya ve Avrupa nn gelimi ülkelerinin yer ald corafyada uygulanan teknoloji eitimidir. Bu ayn zamanda gelimi ülke olmann doal bir sonucudur. Ülkemiz gibi gelimekte olan ülkelerde ise hedeflenen bir eitim seviyesidir. TE, ararma-gelitirme yapabilen, teknolojik gelimelere ayak uydurabilen ve bilgilerini bu yönde güncelletirebilen bireyi yetitirmeyi hedefleyen bir eitimdir. TE bu anlamda müfredatn teknolojik gelimelere göre güncelletirildii, eiticilerin öreticilerin buna ayak uyduracak ekilde kurslarla yetitirildii, oryantasyon programlar ve seminerlerle 64

65 desteklendii bir eitim türüdür. Böyle bir eitim anlaynda son 20 yn en önemli konularndan birisi olmas ve gün geçtikçe artan bir ilgi oda haline gelmesinde yapay zekâ teknolojilerinin pay büyüktür. Yapay zekâ teknolojileri, endüstri, otomasyon, tp, eitim, finans, robotik, otomotiv, savunma, eitim, ev teknolojileri, güvenlik., v.b. pek çok alanda uygulanan en gelimi teknolojilerdir. Böyle bir teknoloji eitiminin gerçek anlamda ele alnabilmesi için yapay zekâ tekniklerinin eitimde kullanlmas zorunludur. Yapay zekâ denilince akla ilk gelen uzman sistemler ve bunun eitimdeki ilk kullan zeki öretim sistemleridir (ZÖS) (intelligent tutoring systems-its). ITS (ZÖS) yaplar ve amaçlarna göre pek çok ararmacn ilgilendii ve sürekli gelien bir alan olmutur. Literatürdeki bilinen en önemli ITS yazmlar WEST (Burton and Brown, 1982), SOPHIE (Brown, Burton and dekleer, 1982) Sleeman ve ITS alannda çalanlar Brown (1982), Wenger (1987), Psotka, Massey ve Mutter (1988), Ohlsson (1986), Schank ve Edelson (1990). ITS, yüksek matematik konularnda (Du and McCalla, 1991), fen bilimlerinde (Lester and Porter, 1991),tarih-dilbilimi-sosyal bilimlerde (Bruneau, Chambreuil, Chambreuil, Chanier, Dulin, Lotin and Nehemie -1991) tarafndan yardmc olacak ekilde kullanlmr. (Frederiksen, Donin, DeCary and Edmond-1991) ITS ile ikinci bir dil renimini ele almr. ITS yüksekokullarda müfredat kapsamna alnarak elektronik, tamir-bakm ve arza tespitinde kullanlmr (Cooper, 1991; Frederiksen, White, Collins and Eggan, 1988; and Kurland and Tenny, 1988) ve SOPHIE kullanlarak (Brown, Burton and dekleer, 1982) tarafndan seminerler verilmitir. Çou ITS azda olsa halen kullanlmakta olsa bile sadece birkaç geni olarak test edilmitir. Bunun nedeni rencilere sfta çözdürülen testlerden kaynaklanmaktadr. Baar olan ITS ler genelde matematik, fen ve yabanc dil alanlaryla ktlr. Bu alanlarda örenme performans ölçmek ve ITS hazrlamak çok kolay olmas nedeniyle uygulamada en çok younlalan ve üzerinde çallan alanlar olarak tercih edilmilerdir [84-96]. En baar ITS, Anderson un Geometrisi ve Lisp öreticisidir [1][97]-[1][99]. SHERLOCK ise elektronik tamir bakmda kullanlan dier bir baar ITS dir. [1][100], [1][101].Teknoloji eitiminde böyle bir ITS yakla Yüksek Matematik, Fen ve yabanc dil derslerinde kullanlarak ve CLIPS, SHELL gibi uzman sistemler bilgisayar ortamnda bir sonraki aamada yapay zekâ teknikleri derslerine bir hazrlk olur. Ayrca, 65

66 her iki aamada bizlere çok yardmc olacak ve bir ders kapsamnda iki dönemlik MATLAB dersinin uygulamal olarak okutulmas vazgeçilmez bir zorunluluktur. Teknoloji eitiminde yaplmas gereken temel aamalar unlardr: rencilerin kazandklar bilgiyi pratie aktaracak ekilde yeni bir örenim tarz. renci merkezli bir eitim yönteminin izlenmesi ve öreticinin burada rehber olarak görev yapmasyla örenciye önem verilmesi. Geleneksel örenim yönteminin bu anlaya göre yeniden yaplandlmas. Öreticinin tecrübelerini aktarmada uygulamal olarak teknolojik cihazlar derslerinde kullanmas ve bunu salayacak ortamlarn hazrlanmas. Proje ve ödevlerle örencinin düünme, ararma ve uygulama yeteneinin gelitirilmesi ve ayn zamanda örendiklerini pratie aktarmas tevik edilmelidir. rencilerin dersi aldklar dönemde uygulama yapabilecekleri yerlerde verimli staj yapmalarn salanmas. Yukarda belirtilen hedeflere ulamak için teknolojik gelimelere uygun olan ve YZT içeren bir müfredatn hazrlanmas ve güncelletirilebilecek ekilde dinamik olmas. Yapay Zekâ disiplinler aras bir alan olmasna ramen yeni bir bilim dal olarak periyodikler,konferanslar ve organizasyonlara sahiptir. Bunlarn en önemlileri da sralanmr. Journals-Artificial Intelligence Journal of AI Research (JAIR) Computational Intelligence J. of Experimental and Theoretical AI Conferences & organizations-aaai, IJCAI, ECAI,ACM SIGART olarak verilebilir. 66

67 Yapay Zekâ ile ilgili detayl bilgi için önerdiimiz adresler: o MIT Artificial Intelligence Laboratory - o Ai Research Project - o The homepage of Ray Kurzweil - o The homepage of Kevin Warwick - o The homepage of Hans Moravec - o The homepage of Rodney A. Brooks Teknoloji Eitiminde Yapay Zekâ TE, ararma gelitirme yapabilecek, teknolojik gelimelere ayak uydurabilen ve bilgilerini bu yönde güncelletirebilen bireyi yetitirmeyi hedef alan bir eitimdir. TE bu anlamda müfredatn teknolojik gelimelere göre güncelletirildii, eiticilerin reticilerin buna ayak uyduracak ekilde kurslar, oryantasyon programlar ve seminerlerle desteklendii bir eitim türüdür. Böyle bir eitim anlaynda son 20 yn en önemli konularndan ve gün geçtikçe artan bir ilgi oda olan yapay zekâ teknolojileri önemli bir etkendir. Önemli olan bu eitimi veren disiplinlerde bu teknolojileri anlamaya yönelik yapay zekâ Teknikleri dersinin teorik ve uygulamal olarak nasl verilmesi gerektiidir. Hangi branlarda hangi tekniklerin arlkl olarak öretilmesi tüm branlarda öretilecek Genel yapay zekâ dersinin içerii YÖK, Tübitak ve üniversitelerin YZ konusunda çalan akademisyenleri tarafndan belirlenen bir müfredatta gerçekletirilmesi ve bu müfredatn ilgili sektörlerdeki profesyonel kadrolar tarafndan üniversitelerde verilecek seminer, konferans ve proje çalmalar ile desteklenerek son dönemlerin ülkemizdeki en öncelikli hedeflerinden biri olan okul sanayi ibirliinin gerçekletirilmesidir.eer, TE gerei gibi verilirse mezun olan teknik branlardaki rencilerimiz (mühendisler, teknik fakülte mezunlar, ) i hayatna hazr olarak atlacak ve bunlar için tekrar eitim programlarna harcanan para teknoloji eitimine destek kapsamnda okullara aktarlacaktr.yani özel sektördeki yeni mezun bir mühendise verilen eitimi verilmesi gereken esas yer olan üniversitelere getirmek TE nin hedeflerindendir. Bir baka deyile, örenciye imkanszlklar nedeniyle veremediimiz 67

68 teknoloji desteini bir eitim çerçevesinde deerlendirerek ad üzerinde teknoloji eitimi vermektir. Böyle bir eitim anlaynda yapay zekâ teknolojileri en önemli ve en güncel bilgidir. Her gün medyadan takip ettiimiz zeki çamar makineleri, buzdolaplar, retim sistemleri gibi kavramlarn mant lisansta anlatm olursak Yüksek lisans ve Doktora seviyesinde yada özel sektörde benzeri bir proje yada ararma çalmasnda daha aktif rol almann yannda ileri götürülmesi anlamnda da çalma yapabilecek bilgiye sahip olur. Yapay zekâ teknolojilerinin günlük hayatzda endüstriyel otomasyondan, otomotiv sektörüne, finans sektöründen, medikal sektöre, robotikten eitim sektörüne kadar ülkemizde pek çok alanda da uygulanmaktadr. Bu tip uygulamalar genelde ya ithal teknoloji kullanlarak yada ilgili sektörlerdeki müteebbisler tarafndan Ar-Ge bölümlerinde özel eitimlere tabi tutulan mühendisler, matematikçiler ve tasarmclar tarafndan gerçekletirilmektedir. Uzmanlk isteyen ve ülke ekonomisine büyük yük getiren yetimi insan ihtiyacn lisans ve lisans üstü düzeyinde yurt dnda olduu gibi okul-sanayi ibirlii çerçevesinde giderilmesi çok önemlidir. Bu ihtiyac karlamada ilgili branlarda lisans seviyesinde 3. ve 4. sflarda yapay zekâ tekniklerinin öretilmesi ve lisans üstü seviyesinde de projeler gelitirebilecek ekilde yaygnlalmas, ülkemizin önümüzdeki llarda eitimden endüstriye kadar en güncel yapay zekâ teknolojileri uygulayabilen modern ve gelimi bir ülke olmas salayacaktr. Bu ideal ancak yapay zekâ teknolojilerinin teknoloji eitimindeki yeri ve öneminin anlalmasna ve bu konudaki çalmalarn yerel ve merkezi otoritelerce desteklenmesi ile gerçekletirilebilecektir. Uygulama alanlarna göre yapay zekâ tekniklerinden hangisinin hangi branlarda örenilmesi gerektii,bu ders kapsamnda örenilmesi gereken programlama dilleri ve gerekli yazmlar yukarda bahsedilen müfredata bir örnek tekil etmesi açndan adaki tabloda verilmitir. (Tablo 5) 68

69 Tablo 5 Uygulama alanlarna göre farkl branlardaki yapay zekâ teknikleri Bran Genel YAPAY ZEKÂ Lisansta önerilen YZT Yazmlar renilecek Elektronik Tanm,Tarihçe,Uygulama Alanlar,Amaçlar, Kapsam Bulank Mantk, Uzman Sistemler, Yapay Sinir lar Matlab, CLIPS, Neuro Solutions, Fuzzy Tech. Prolog, Lisp, C/C++, Pascal Bilgisayar Tanm,Tarihçe,Uygulama Alanlar,Amaçlar, Kapsam Sürü Algoritmalar, Yapay Sinir Alar, Uzman Sistemler, Bulank Mantk, Genetik Programlama Matlab, CLIPS, Neuro Solutions, Fuzzy Tech. Prolog, Lisp, C/C++, Pascal Makine Tanm,Tarihçe,Uygulama Alanlar,Amaçlar, Kapsam Genetik Algoritmalar, Uzman Sistemler, Bulank Mantk Matlab, Fuzzy Tech. C/C++, Pascal Biomedikal Tanm,Tarihçe,Uygulama Alanlar,Amaçlar, Kapsam Yapay Sinir Alar, Uzman Sistemler Matlab, Neuro Solutions, CLIPS. C/C++, Pascal Jeoloji-Maden Tanm,Tarihçe,Uygulama Alanlar,Amaçlar, Kapsam Yapay sinir alar, Bulank Mantk Matlab, Neuro Solutions, GIS, Fuzzy Tech C/C++, Pascal Matematik Tanm,Tarihçe,Uygulama Alanlar,Amaçlar, Kapsam Bulank Mantk, Uzman Sistemler, Yapay sinir lar Matlab, CLIPS, Neuro Solutions, Fuzzy Tech. C/C++, Pascal Finans Tanm,Tarihçe,Uygulama Alanlar,Amaçlar, Kapsam Sürü Algoritmalar, Genetik Algoritma, Yapay Sinir Alar Matlab, CLIPS, Neuro Solutions, Fuzzy Tech. C/C++, Pascal Trafik Tanm,Uygulama Alanlar,Amaçlar, Kapsam Bulank Mantk, Uzman Sistemler,Yapy Sinir lar, Genetik Algoritma Matlab,Vissim, Transyt, Fuzzy Tech., Neuro Solutions. Matlab, C/C++, Pascal Yapay zekâ Teknikleri dersini 3 yl boyunca Lisans ve Lisans üstü seviyesinde Matematik, Makine ve Elektrik branlarnda verdiimiz dönemde örencilerden aldz izlenim udur. Bu dersin daha detayl ve uygulamal bir ekilde brana yönelik lenmesi teknoloji eitiminin adna uygun olacaktr. Bu eitim simülasyonlarla, brana özel yazmlarla dier teknolojik ekipmanlarla desteklenmesi teknoloji eitimi açndan önemlidir. Bu kapsamda dersimizde delphi ile gelitirdiimiz YSA Simülatörü, Genetik Simülatör ve MATLAB n demolar kullanlmr. Bu çalmada vurguladz teknoloji eitimi, yapay zekâ teknikleri dersinin simülatörler ve yazmlarla desteklenmesi durumunda çok daha etkili olacaktr. Bir elektronik, bilgisayar, makine v.b. branlarda eitim alan bir mühendis veya teknik öretmen aday yapay zekâ teknikleri dersini lisan eitiminin 3. ve 4. ynda uygun bir müfredat çerçevesinde alrsa, çalaca sektöre gitmeden önce ufku açlacaktr. Bu eitimi lisansüstü ve doktora seviyesinde devam ettirirse çok güzel projelere ve akademik çalmalara imza atabileceklerdir. Ülkemizin en önemli eksikliklerinden biri 69

70 teknoloji eitimindeki müfredatn gelien teknolojiye ayak uyduramamasr.bu açn, dünyada son yllarda gerçek hayatta her alanda uygulama alanlar bulan yapay zekâ teknolojilerinin ülkemizde de teknoloji ithali ile deil de bu alanda yetitireceimiz elemanlarla kapatlmas elzemdir. Ülkemiz gibi gelimekte olan ve çok büyük bir genç nüfus potansiyeli olan bir ülkede orta vadeli bir teknoloji eitiminin yapay zekâ teknikleri dersinin lisansn 3. ve 4. sflarnda ve lisansüstü seviyede teorik ve uygulamal olarak okutulmas gerçekletirilmesi sadece önemli deil bir zorunluluktur Robotik Duvar Takip Eden Robot (genetik algoritma): Bu robotun amac bir duvara rastlayncaya kadar bo alanda hareket etmek ve duvara rastlaynca da belli bir mesafeden duvar takip ederek ilerlemektir. Robotun baar saylabilmesi için bulunduu ortamn çevresini en azndan bir kez çok yakn veya çok uzak kalmaksn takip etmesi gerekir [60] Çok Kollu Robotlarn Çarpmasz Hareketi (genetik algoritma): Bu çalmada birden fazla koldan oluan robot sistemin sabit engellere çarpmadan hareketinin yan sra hareketli çevre ve engellerle de çarpmadan hareket etmesi salanmaya çallmr. Yörünge denklemleri dizilere çevrilmi ve böylece GA çarpmasz minimum hareket yolunu hesaplamak için kullanlmr.[61] ekil 6 Problemde Çarpmasz Hareketi ncelenen ki Linkli Düzlemsel ki Robot 70

71 Robot Eli (genetik algoritma): Bu çalmada insan eli benzeri be parmakl bir robot elinin bir nesneyi kavramas için gereken hareketler incelenmi ve bu karmak problemin çözümünde GA kullanlmr. Bu problem çarpmasz hareket yörüngesi saptamaya benzemektedir. Her bir parmak dieri için çarpmamas gereken bir engeldir. Uyumluluk her bir parman kontak noktasna (nesneye dokunduu nokta) olan uzakl, stabilite, manipulasyon ve çarpmasz hareket göz önünde bulundurularak hesaplanmaktadr [62]. Akrobat(genetik algoritma): Akrobat adndan da anlald gibi bir akrobatn hareketini simule etmektedir. Aslnda iki linkli düzlemsel bir robottur. Elleriyle barfikse tutunup ba a dengede duran bir akrobatn yapt hareket akrobata yaptlmaya çallmr. Kullanlan tek motor birinci link ile sabittir ve 2. linki hareket ettirmektedir.[63] ekil 7 Akrobat Robot sensörleri (genetik algoritma) Yörünge kontrolü, ar eyalar kaldran robotlar, yönetme kumandalar, görüntü sistemleri (yapay sinir alar) Robotlarda görme sistemleri (yapay sinir alar) Robot teknolojisi çok hzl bir geliim göstermektedir. Asimo, aibo (oyuncak köpek) vb. gibi robotlar artk hayatn birer parças olmaya baladlar. Robotlarn 71

72 mücadele ettii Robocup isimli turnuvalar düzenleniyor. Bu ve buna benzer robot örneklerini ada görebiliriz. Stuttgart Üniversitesi nin Paralel ve Dalm Yüksek Performans Bilgisayarlar Enstitüsü nde Prof. Paul Levi yönetiminde bir çalma gurubu Aramis (ad monte edilmi olan kolundan alyor), Porthos (yük ta) ve Athos (bir stereo kameraya sahip ve gurubun gözcüsü) isimli üç robot üretmitir. Bu robotlar küçük sorunlar tek balarna çözebilmektedir. Fakat bu robotlarda dierlerinde olmayan bir özellik vardr, kooperasyon yetenei. öyle ki; kimin hangi görevi hangi srayla yapaca aralarnda kararlayorlar. Bunu konuarak yapmalar teknik bir dayatmadan çok ararmaclarn oyun dürtüsüne iaret etmektedir. Aslnda makineler bit ve byte lar düzleminde anlamalarna ramen, çalma esnasnda kadn ve erkek sesleriyle gerçekleen sözlü diyaloglar ortaya çkmaktadr. Prof. Levi ye göre üç silahorlar, günün birinde temizlik, nakliyat ve konstrüksiyon ile ilgili görevleri yürütecek bir robot kun prototipleridir. Bir baka örnek ise MIT den Rodney Brooks un tasarlad ATTLA isimli böcek robot. 30 cm. boyutundaki bu robot üzerinde 23 motor, 10 mikro ilemci ve 150 adet alglay bulunuyor. Her bacan üç bamsz hareketi sayesinde engellerin üstüne rmanyor, dik iniler yapyor ve tutunarak kendisini 25 cm. yükseklie çekebiliyor. Brooks un yapay zekâ anlaynda izleme, avlanma, ileri gitme ve gerileme gibi bir takm ilkel içgüdü ve refleksler yer alyor. Öte yandan onun robotlarnda bunlar seçen ve bu basit hareketleri yönlendiren bir beyin modeli yer almyor. Bunun yerine, her davran, robotun kontrolünde yaran bireysel zekalar olarak iliyor. Kazanan, robotun allarn o anda ne hissettii belirliyor ve bu noktada dier tüm davranlar geçici olarak bastyor. Kurulan mantkta, gerile gibi tehlikeden saknma davranlar, av izle gibi daha üst seviyedeki fonksiyonlar bastyor. Davran hiyerarisindeki her seviyenin gerçeklemesi için bir alttakinin almas gerekiyor. Böylece bir böcek robot, örnein odadaki en uzak köeyi belirle ve oraya git gibi yüksek düzeyde bir komutu, bir yerlere çarpp bana kaza gelme korkusu olmadan yerine getirebiliyor. Mikro Robotlar: Robot teknolojisinde robotlarn fonksiyonlar gelitikçe boyutlarn da küçüldüü görülmektedir. Önceleri oldukça büyük boyutlarda olduu halde bir çok fonksiyonu yerine getiremeyen robotlar var iken günümüzde robotlarn 72

73 boyutlar küçülmekte ve fonksiyonlar ise artmaktadr. Bu sürecin devam edeceini görmekteyiz [25]. Önümüzdeki yllarda robotlarn iyice küçülerek kibrit kutusu büyüklüünde robotlara kadar inilecei görülmektedir. Robotlarn boyutlarn küçülmesinin ne gibi bir faydasn olaca sorulabilir. Bu robotlar özel amaçl ilerde kullanlabilmektedir. Asimo: Robotun hareket kabiliyeti çok ileri düzeyde. Akll, gerçek zamanl, esnek yürüyü teknolojisi Asimo'nun yön detirirken duraksamadan yürümeyi sürdürmesini ve ani hareketlerde dengesini korumas sayor. Hafzasnda kaytl yürüyü tarzlarn çeitli kombinasyonlaryla yürüyebilen Asimo, köelere geldiinde kendiliinden yön detirebiliyor, yürüyü h azaltp, çoaltabiliyor. ekil 8 Bir robot turnuvasndan görüntü Yapay Zekânn Ticari Uygulamalar a. Elektronik denetim sistemleri (bulank mantk) b. Karar verme (bulank mantk) c. Proses planlama (bulank mantk) d. Fiber-optik kablo döeme ehirleraras (Genetik algoritma) e. Devre tasar: (Gen alg gezgin sat problemi) 73

74 f. Optimizasyon: Genetik algoritma, saysal optimizasyon ve kombinetoral optimizasyon problemleri olan devre tasar, dorusal olmayan denklem sistemlerinin çözümünde ve fabrika-üretim planlamasnda kullanr. g. Tren Frenleme: Örnein, otomatik bir trenin istasyona ulamas.onu durdurmak için kesin mantk kullanlabilir. er<tren<istasyondan 50 m > ise <frene basar> Ani bir frlamayla 50 m ilerler. Bulank mantkta; er<tren istasyona yakn> ise <tren yavalar> Yakn bulank bir yüklem ve yava bulank bir komuttur. Frene basnçl basmak ise yakn ifadesinin doruluk deerine, hza ve yavalamaya bar. Bu bulank mantk, trenin durmas ve istasyonu problemsiz terketmesini salar. (ilk Japanyo da kullanlmr.) h. Karmak elektronik ve elektromekanik sistemlerin tamiri ve tasar, (uzman sistemler) i. Dizel ve elektrikli hareket eden sistemlerin tamiri (uzman sistemler) j. Bilgisayar ve iletiim sistemlerinin tasar ve hatalarn bulunmas (uzman sistemler) k. Uzayla ilgili bir çok uygulama (planlama ve inceleme) (uzman sistemler. Çeitli kontrol sistemleri (Demir yollar sinyalizasyonu ve hemzemin geçit kontrolü gibi) l. Web Tabanl Arama Motorlar (Yahoo,Google ) (uzman sistemler) m. Ev Temizlik Robotlar (uzman sistemler) n. Telekomünikasyon alannda sinir a uygulamas o. Elektronik: Kod sralamas tahmini, çip devrelerinin birletirilmesi, yöntem kontrolü, çiplerdeki bozulmann analizi, makinelerin görünümü, ses sentezleme, lineer olmayan modelleme 74

75 p. Endüstri: Endüstride ilerleme kontrolü, ürün dizayn ve analizi, yöntem ve makine tannmas, parça tanmlamas, görünü kalitesini denetleme sistemleri, bira testleri, kaynak yapnda kalite analizleri, kat kalitesi tahmini, bilgisayar çipi kalite analizi, öütme (parçalama) yöntemleri analizleri, kimyasal ürün dizayn analizleri, makine bakm analizleri, proje fiyatlandrmas, planlama ve yönetme, kimyasal yöntemlerin sisteminin dinamik modellemesi q. Telekomünikasyon:Görüntü ve bilgi karlarmas, otomatik bilgi servisleri, konuulan dili ayn anda baka bir dile çevirme, tüketici ödemeleri sistemleri r. Bir endüstriyel proseste fnlarn ürettii gaz miktarn tahmini s. malatta ürün tasar,proses ve makinelerin bak ve hatalarn tehisi görsel kalite kontrolü t. Kimyasal proseslerin dinamik modellenmesi u. Cep telefonlarnda ses ile çalabilme v. Elektronik yonga hata analizleri w. Optimizasyon çalmalar(üretim planlama ve kontrol çalmalarnda) x. Kömür güç istasyonlar için çevrimiçi karbon ak ölçülmesi [ ]. 75

76 3. BÖLÜM : Bulank Mantk (Fuzzy Logic) 3.1. Giri Fiziksel sistemleri matematiksel olarak modellerken, transfer fonksiyonlar karrken, sistemlerin dorusal ve zamanla demeyen sistemler olduunu kabul ederiz. Oysa doada dorusal sistem pek yoktur. Bu kabullenmeyi belirli çalma bölgeleri etrafnda kabul edebiliriz. Bunlarn dnda matematiksel modelinin çkarlmas oldukça kark hatta imkansz çok sayda matematiksel ilemler kabullenmeler gerektirir [106]. Bir insann zihnindeki düünce dünyasn bile tomografisi çekilecek olursa, bunun çok renkli deik hatta karmak motiflere sahip olduu çok belirgin olmayan desenler içerdii görülür. te bu belirsizlii, bulanklk (fuzzy) diye tanmlamak mümkündür [107]. Bulank Mantk dier adyla Fuzzy Logic kuram ilk kez 1965 ynda Lotfi Zadeh tarafndan ortaya atlmr. Kümeler teorisinde bir eleman ya bir kümeye aittir yada deildir. Fakat bulank kümelerde bir eleman birden fazla kümeye ait olabilmektedir. Bulank kümelerde kesinlik kavram yoktur[108]. Bulank mantk (Fuzzy) karar verme mekanizmas olarak ta tanmlanabilecek sözel ifadelerin bir uzman kii tarafndan belirtilen kesin olmayan srlar içindeki davran matematiksel olarak modellemeye yarar. Modelleme kesin olmayan bulank kümelerden olutuundan Bulank yada Fuzzy olarak ifade edilir. Bu ismi kiisel yada uzman kiinin kesin çizgilerle ifade edemedii ancak bölgesel olarak yaklak srlarn belli olduu durumlarda anlaml sonuçlar vermektedir. Bulank mantk, hesaplama teknii bu tür sorunlar büyük ölçüde çözebilmektedir. Bu nedenle bilinen geleneksel hesaplama yöntemlerine alternatif olarak ortaya çkan bu yöntem, doadaki ileyii taklit ederek çözüme ular. Bulank mantk kavram iki temel eden oluur; 1- Bulank kümeler ve bu kümeleri kullanarak bir dizi kural oluturma 2- Karar verme süreci. Bulank mantk kuramn uygulamalar, günümüzün karmak problemlerinin çözümünde kullan bir araç haline gelmitir. lk ortaya atld tarihten bu yana konu, 76

77 matematikçiler, bilim adamlar ve mühendisler tarafndan birbirinden bamsz pek çok çalmaya konu olmutur [106]. Bulank Mantk n kurucusu Azeri asll Lotfi Zadeh dir Bulank Mantk n Tarihçesi ve Kurucusu Lotfi Zadeh Matematiin doruluundaki ve bütünlüündeki baar Aristoteles in ve rencilerinin katkyla olmutur. Onlarn mantk teorisini oluturma çabalar ile matematik bilimi gelimi ve Düüncenin Yasalar oluturulmutur. Bu yasalardan biri, her önermenin ya doru yada yanl olmas gerektiini belirtmektedir. Bu anlaya geleneksel anlay yada Aristo Mant denilmektedir [109, 111]. Bu yüzylda matematik ve bilimdeki deik fikirler belirsizlik kavram da etkilemitir [110, 111] lerin banda, geleneksel anlaytan farkl olarak Polonyal mantkç Jan Lukasiewich in 3. bir deer olan olas kavram ortaya atmas, 1920 ler ve 1930 larda çok deerli mantk sisteminin gelimesine yol açmr larda Max Planck tarafndan belirsizlii açklay ilk kavramlar gelitirilmi ve 1965 de Azeri kökenli sistem bilimci Zadeh tarafndan yaymlanan makale ile modern anlamda belirsizlik kavram açkla kavumutur [107, ]. Bulank mantk n kurucusu, Lütfi Zade, tam adyla Lütfi Rahim olu Askerzade (Bakü 4 ubat 1921) dir. Lütfü Zadeh; Azerbaycan asll matematik ve bilgisayar biliminde çalan bulank mantk teorisinin temelini atan bilim adamr. Kaliforniya Üniversitesi, Berkeley'nin Elektrik Mühendislii ve Bilgisayar Bilimleri fakültesinde profesör olarak görev yapmaktadr. Lütfü Zadeh; lkörenimini Tahran da, liseyi Alburz Koleji nde tamamlad. Liseyi bitirdikten sonra Tahran Üniversitesi giri snavna katp, ikincilii elde ederek Elektrik Mühendislii Bölümü nde örenime balad. Üniversite örenimini bitirdikten daha sonra 1942 ynda Amerika Birleik Devletleri ne gidip orada Boston'daki Massachusetts Teknoloji Enstitüsü nde Elektrik Mühendislii yüksek lisans eitimini, ardndan New York ta Columbia Üniversitesinden 1949 ynda doktora eitimini tamamlad. Prof. Dr. Lütfi Askerzade, Sistem Teorileri üzerinde ararmalarna Columbia Üniversitesi, Princeton Üniversitesi ve Kaliforniya (Berkeley)Üniversitesi devam etti. 77

78 1963 ynda Kaliforniya (Berkeley) Üniversitesi, Elektrik Mühendislii Fakültesi dekan oldu. Lütfi A. Zade 1965 yna kadar sistem teorisi ve karar teorilerin analizi üzerinde younlar, ancak bu yldan sonra Bulank Mantk üzerinde çalmalar balayp bu mantn yapay zeka, dil, mantk, karar teorileri, kontrol teoriler ve sinir sistemleri ebekeleri üzerinde olan etkilerini ararmr. Lütfi A. Zade iten emekli olmasna ramen Berkeley Üniversitesi Bilgisayar programlama merkezinin yönetimini üstelenerek çalmalarna devam etmektedir. Prof. Dr. Lütfi A. Zade nin Bulank Mantk ortaya koyduu andan itibaren günümüze dein dünyada nin üzerinde bilimsel makale yaynlanmr Bulank Kümeler Bulank kümeler, kullandz sözel ifadeleri bilgisayara aktarabilmek için oluturduumuz matematiksel modellerdir. Bulank Mantn salad avantajlar: nsan düünce sistemine ve tarzna yakndr. Uygulanmasnda mutlaka matematiksel bir modele gereksinim duymaz. Yazn basit olmas nedeniyle, sistem daha ekonomik olarak kurulabilir. Bulank Mantk kavram anlamak kolaydr. Üyelik deerlerinin kullan sayesinde, dier kontrol tekniklerine göre daha esnektir. Kesinki arz etmeyen bilgiler kullanlabilir. Dorusal olmayan fonksiyonlarn modellenmesine izin verir. Sadece uzman kiilerin tecrübeleri ile kolaylkla bulank manta dayal bir model yada sistem tasarlanabilir. Geleneksel kontrol teknikleriyle uyum halindedir [113]. sminin insanlarda çard anlamn aksine bulank mantk, belirsiz ifadelerle yaplan, belirsiz ilemler deildir. Modelleme aamasnda dekenler ve kurallarn esnek bir ekilde belirlenmesidir. Bu esneklik asla rastgelelik yada belirsizlik içermez. Nasl bir 78

79 lastik içinde bulunduu duruma göre eklini detirirken, bütünlüünü yap koruyabilirse, bir bulank modelde deen koullara deen cevaplar verirken özündeki yap muhafaza eder [111]. Bir elemann herhangi bir bulank kümeye olan üyeliini belirlemek için üyelik fonksiyonlar kullanr. Örnein; x elemann A Bulank Kümesi ne olan üyelii ekil 9 daki fonksiyon-teorisi formunda gösterilebilir [ ]. A( x) [0,1] (1) ekil 9 a) Klasik küme, b) Bulank Küme [112] A bulank kümesi ayrk X uzayn sonlu sayda x elemanndan (x 1, x 2, x 3, x n ) oluuyor ise denklem (2) deki gibi gösterilebilir. x x x x A x x x x 1 2 n i A 1 A 2 A n A i (2) A bulank sürekli X uzayn sonsuz sayda x elemanndan oluuyor ise denklem (3) deki gibi gösterilebilir. A A x x (3) (2) ve (3) denklemlerinin her ikisinde de kullanlan yatay çizgiler bölüm iareti olmayp, x i eleman için ilgili üyelik fonksiyonun göstermektedir. Denklem( 2) deki + 79

80 areti cebirsel toplama ilemini deil, küme ilemlerindeki birleim ileminin fonksiyonel gösterimidir. Denklem 3 deki integral iareti de sürekli dekenlerin birleimi anlamnda kullanlmaktadr [119]. ekil 10 da bir A kümesi için üyelik fonksiyonu görülmektedir. ekil 10 A Bulank Kümesi için Üyelik Fonksiyonu[112] Bulank Kümelerde lemler Bulank küme teorisi; sadece sözel deerlerin temsilini salamaz ayn zamanda bu deerlerin mantksal bir yolla irdelenip sonuç çkarlmas da salar. Bulank kümeler teorisinde sk kullanlan temel üç ilem ada sralanmr [119]. Birleim ilemi, x x x A B A B (4) Kesiim ilemi x x x A B A B (5) Deilleme ilemi x 1A x A Bu ilemler, klasik kümede kullanlan Venn diyagramna benzer bir yöntemle ifade edilirler. Bulank kümeler için grafiksel gösterim ekil 11 de verilmitir. X uzaynda tanmlanan A bulank kümesi, o uzayn alt kümesidir. Klasik kümelerde olduu gibi, bulank kümelerde de, x elemann bo küme ye olan üyelik deeri 0 ve tüm küme (6) 80

81 X e olan üyelii 1 dir. Bu ifadeler fonksiyon teorisi formunda adaki gibi gösterilebilir [119]. A X A x X x x X x 0 (8) (7) ekil 11 : A Bulank Kümelerde lemler a)bileim, b) Kesiim, c) Deil ilemi geçerlidir. Klasik kümeler için geçerli olan De Morgan kurallar bulank kümeler için de Üyelik lemleri Bulank kümeler A(x) üyelik fonksiyonu ile temsil edilir. A(x), üyelik fonksiyonundaki bir x noktasn A bulank kümesindeki üyelik derecesidir. A(x) 1 konumunu, x in A bulank kümesinin kesin bir eleman olduunu tanmlamaktadr. Benzer ekilde A(x) 0, x in A bulank kümesi dnda olduunu göstermektedir. 0 A(x) 1 arasndaki her deer, x in A bulank kümesindeki üyeliinin belirsiz deerleridir. Bu yüzden kesin olmayan büyüklükler üyelik fonksiyonlar tarafndan belirtilmi bulank kümelerle temsil edilirler [120]. 81

82 Önemli üyelik fonksiyonlar Tablo 6 da gösterilmitir. Tablo 6 Önemli Üyelik Fonksiyonlar[6] Bir büyüklüün niceliini veya niteliini anlatmak için günlük dilde kullandz baz kavramlar, birden fazla özellii ayn anda gösterebilir, açk ve net tek bir anlam yoktur. Örnein iyi sfat bir çekici nitelerken kullan, fonksiyonel gibi anlamlara gelirken, bir örenci için örnek-çalkan, bir çorba için lezzetli-güzel anlamlar tayabilir. Kesin deerli kümelerle bulank kümelerin farku ifadelerle de açklamak mümkündür. Birçok büyüklüü veya ifadeyi kesin srlarla sflara ayrmak mümkündür. Baz kavramlar ise, az ya da çok gibi birden fazla özellii ayn anda gösterebilir. Bu kavram, baskn özelliini gösterdii sfa dahil etmek, dier özelliini ihmal etmek doru bir yaklam olmayabilir. Ya-genç, k, souk, scak gibi kavramlar net olmayan ifadelerdir ve ifadeleri açklayabilmek için kümeler kavramndan yararlanr [106]. 82

83 ekil 12 Klasik kümelerle boy sflamas [106] ekil 12 de klasik kümelerle boy sflamas gösterilmitir. Bu kümelere bakldnda 1.59 boyundaki biri ksa sna/kümesine girerken 1.60 boyundaki arkada orta boylu kabul edilmektedir. Ayn ey 1.74 boyundaki biri için de söylenebilir. Çünkü kendisi de hemen hemen ayn özellikleri göstermesine ramen 1.75 boyundaki arkada uzun boylu kabul edilirken kendi orta boylu gurubuna girmektedir. Oysa ekil 10 daki gibi bir gösterim biçimi daha gerçekçi olacaktr. ekil 13 de 1.59 boyundaki kii Boy evrensel kümesi üzerinde bulunan Ksa kümesine %92 üye iken, ayn evren üzerinde bulunan Orta kümesine %50 üye olacaktr (ekil 14) boyundaki kii de, Ksa kümesine %80 üye iken, Orta kümesine %58 üye olacaktr. ekil 13 Bulank kümelerle boy sflamas [106] Benzer ekilde 1.74 ve 1.75 boyundakiler ilk gösterimde çok farkl sflara düerlerken, bu kiilerin birbirine yakn özellikler ta ikinci gösterimde daha anlaml bir biçimde ifade edilebilmektedir. Bulanklarma dediimiz bu ifade biçiminde, bir büyüklüü birden fazla sözel deer (veya önerme) ve bu önermelerin doruluk dereceleriyle temsil edebiliriz. Bulanklarma ileminde kullandz iç içe geçmi kümelere ise bulank küme ad veriyoruz [106]. 83

84 Sistemin yap karmak ta olsa, insanlar sistemin davran, eilimi hakknda genel hatlaryla bir yargya varabilirler. Bu genel bilgi, insanlarn karmak sistemleri anlayp kontrol edebilmesi için yeterlidir. Bulank küme kuramn mühendislik veya dier alanlarda uygulanmasndaki amaç, kesin olmayan bilgiler nda tutarl sonuçlar karabilmektir. Belleimizde bilgi ve tecrübelerimiz sonucu pekitirdiimiz yorum, anlam ve deerlendirmelerden oluan çok sayda sözel kural kal vardr. Karar verme süreci, kar karya kalnan bir durumu bu kurallar dorultusunda yaplan iç konumalar aracyla deerlendirerek bir sonuca varma eklindedir. Bilgisayarlarn bir durum karnda bu tür bir muhakeme yapabilmesi için o durumla ilgili bilgi, tecrübe ve sezgilerimizden oluan bir dizi kural bilgisayara aktarabilmemiz gerekir. EER bu böyleyse VE u da öyleyse O HALDE unu yap gibi sözel kurallarn matematiksel kar ise bahsettiimiz bulank kümelerin birbiriyle uygun ekilde balanmas ile oluturulmaktadr. Buna bulank karar verme süreci denir. ekil 14 de bilgisayarlarda bulank karar verme süreci bulanklarma, karar verme ve durularma ilemleri gösterilmitir [106]. ekil 14 Bulank karar verme sisteminin yap [106] dünyadan bilgisayara ölçüm yoluyla alnan ve kesin bir nümerik (saysal) deere sahip olan giri verisi, bilgi tabanndaki üyelik fonksiyonlar tarafndan sözel ifadelere ve giri verisinin bu ifadeyi ne oranda desteklediini gösteren üyelik derecelerine dönütürülür. Bu aamaya bulanklarma ad verilir. Bulanklarma sonunda elde edilen sözel ifadeler, insanlarn karar verme sürecinde olduu gibi, kural 84

85 tabanndaki önermelerle karlar ve yine sözel yarg sonuçlarna varr, bu sonuçlarn hangi oranda geçerli olduunu yine giriteki üyelik dereceleri belirler. Bu ksma bulank karar verme süreci ad verilir. Bulank karar verme sürecinin çnda yarg sonuçlar ifade eden sözel ifadeler ve bunlarn destek dereceleri bulank çlar olarak adlandr. Eer bilgisayar çta bir makineye bilgi yolluyorsa, bulank çlar yine makinelerin anlayaca dil olan saysal ç deerlerine dönütürülmelidir. Bu dönütürme ilemi durularma yada berraklarma katnda yapr. Kural Taban; karar verme ileminde kullanlan bir çok paralel kurallardan ve sistem dekenlerinden olumaktadr. Bu kurallar sistemin girii ile ç arasndaki ilikiyi tanmlamaktadr Bulank Mantn Kullanm Alanlar ve Günümüzde Uygulama Örnekleri BM birçok kontrol uygulamasnda baaryla kullanlmr. Bulank mantn kullanm alanlarndan bazlar:trafik Sinyal Optimizasyonu (Kavak ve Ana arterlerde),katm Denetimi Kontrolü,Robotik,Proses kontrol,ev elektronii,trafik,görüntü leme, Veri taban sorgulama, Arza denetimidir.buna ilaveten Bulank Mantn en yaygn kullanm alanlarn banda u konular gelmektedir: Yapay zeka, sistem analizi, karar analizi, nümerik analiz, veri ileme, mühendislik, Genetik algoritmalar, ekonomi, robotik. Bulank mantk ilk kez 1973 ynda, Londra'ki Queen Mary College'da profesör olan Ebrahim H. Mamdani tarafndan bir buhar makinasnda uyguland. Ticari olarak ise ilk defa, 1980 ynda, Danimarka'daki bir çimento fabrikasn kontrol etmede kullanld. Bulank mantk ile hazrlanan bir sistem, bilgisayar desteinde, sensörlerden ve maddelere ait bilgileri alarak ve "feed-back" (geri besleme) metoduyla dekenleri kontrol ederek, bu ayarlama iini çok hassas ölçümlerle gerçekletirmi ve büyük oranda enerji tasarrufu salamr. 1987'de, Uluslararas Bulank Sistemler Dernei'nin Tokyo'da düzenledii bir konferansta bir mühendis, bulank mantkla programlad bir robota, bir çiçei ince bir çubuun üzerinde dümeyecek ekilde braktrmay baarmr. Bundan daha fazla ilgi 85

86 çeken gerçek ise, robotun bunu yapt gören bir seyircinin mühendise, sistemden bir devreyi çkarmas teklif etmesinden sonra görülmütür. Mühendis önce, devreyi karrsam çiçek düer diye bunu kabul etmemi, fakat seyircinin çiçein ne tarafa doru dütüünü görmek istediini söylemesi üzerine devreyi çkarmr ve Robot beklenmedik bir ekilde yine ayn hassaslkla çiçei düürmeden çubuun üzerine rakmr. Ksacas bulank mantk sistemleri, yetersiz bilgi temin edilse bile tpk insanlarn yapt gibi bir tür "saduyu" kullanarak (yani mevcut bilgiler yardyla neticeye götürücü akl yürütmeler yaparak) ilemleri gerçekletirebilmektedir. Bulank mantk kullanlarak üretilen edilen fotoraf makineleri, otomatik odaklama yapanlardan bile daha net bir görüntü vermektedir. Fotokopi makineleri ise bulank mantkla çok daha kaliteli kopyalar karmaktadrlar. Zira odann scakl, nemi ve orijinal kattaki karakter younluuna göre deen resim kalitesi, bu üç temel unsur hesaplanarak mükemmele yakn hale getirilmektedir. Kameralardaki bulank mantk devreleri ise sarsntlardan doan görüntü bozukluklar asgariye indirmektedir. Bilindii gibi elde tanan kameralar, ne kadar dikkat edilirse edilsin net bir görüntü vermez. Bulank mantk programlar bu görüntüleri netletirmek için öyle bir metot kullanr: Eer görüntüdeki bütün ekiller, ayn anda, bir tarafa doru kayyorsa bu, insan hatasndan kaynaklanan bir durumdur; kayma göz önüne alnmadan kayt yapr. Bunun dndaki ekiller ve hareketler ise normal çekim durumunda gerçekletii için müdahale edilmez. Birkaç bulank mantk sistemi ise, mekanik cihazlardan çok daha verimli bir ekilde bilgi deerlendirmesi yapmaktadr. Japon Omron Grubu, büyük firmalara sak hizmeti veren bir sisteme ait be tp veri taban, bulank mantk teorileri ile kontrol etmektedir. Bu bulank sistem, kadar hastann sak durumlar örenmek ve hastalklardan korunmalarna, sakl kalmalarna ve stresten kurtulmalarna yardmc olmak üzere kiiye özel planlar çizebilen yaklak 500 kural kullanmaktadr. Pilav piirme aletlerinden asansörlere, arabalarn motor ve süspansiyon sistemlerinden nükleer reaktörlerdeki soutma ünitelerine, klimalardan elektrikli süpürgelere kadar bulank mantn uyguland birçok alan bulunmaktadr. Bu alanlarda 86

87 salad enerji, i gücü ve zaman tasarrufu ile "iktisat" açndan da önem kazanmaktadr. Bulank mantn gelecekteki uygulama sahalar, daha da genileyecek gibi gözükmektedir. eker hastalar için vücuttaki insülün miktar ayarlayarak yapay bir pankreas görevi yapan minik yaplarn üretiminde, prematüre doumlarda bebein ihtiyaç duyduu ortam devam ettiren sistemlerin hazrlanmasnda, sularn klorlanmasnda, kalp pillerinin üretiminde, oda içindeki n miktarn ayarlanmasnda ve bilgisayar sistemlerinin soutulmasnda bulank mantk çok eyler vaadetmektedir Bulank Mantn Kullanld baz Uygulamalar: Hidroelktrik güç üniteleri için kullanlan Baraj kaplarn otomatik kontrolü (Tokio Electric Pow.) Stok kontrol deerlendirmesi için bir uzman system (Yamaichi, Hitachi) Klima sistemlerinde istenmeyen ini çlarn önlenmesi Araba motorlarn etkili ve kararl kontrolü (Nissan) Otomobiller için Cruise-control (Nissan, Subaru) Dökümanlarn arivleme sistemi (Mitsubishi Elec.) Depremlerin önceden bilinmesi için Tahmin Sistemi (Inst. of Seismology Bureau of Metrology, Japan) laç teknolojileri: Kanser tehisi (Kawasaki Medical School) Cep bilgisayarlarnda el yaz alglama teknolojisi (Sony) Video Kameralarda hareketin alglanmas (Canon, Minolta) El yaz ve ses tanmlama (CSK, Hitachi, Hosai Univ., Ricoh) Helikopterler için uçu destei (Sugeno) Çelik sanayinda makina h ve n kontrolü (Kawasaki Steel, New- Nippon Steel, NKK) 87

88 Rayl metro sistemlerinde sürü rahatl, duru mesafisinin kesinliini ve ekonomikliin gelitirilmesi (1.Giri te bahsedilen metro hedefe 7cm kala durabilmektedir) (Hitachi) Otomobiller için gelimi yakt tüketimi (NOK, Nippon Denki Tools) 3.4. Proje Kapsamnda Hazrlanan Bulank Mantk Simülatörünün Bölümleri ekil 15 Bulnank mantk eitim simülatörü ana penceresi 88

89 ekil 16 Kural tablosu oluturma penceresi 89

90 ekil 17 Üyelik fonksiyonu düzenleme penceresi 90

91 4. BÖLÜM: Yapay Sinir Alar 4.1. Genel Tanm Yapay sinir alar (YSA), insan beyninin özelliklerinden olan örenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluturabilme ve kefedebilme gibi yetenekleri, herhangi bir yardm almadan otomatik olarak gerçekletirebilmek amac ile gelitirilen bilgisayar sistemleridir [121]. Yapay sinir alar; insan beyninden esinlenerek, örenme sürecinin matematiksel olarak modellenmesi ura sonucu ortaya çkmr. Bu nedenledir ki, bu konu üzerindeki çalmalar ilk olarak beyni oluturan biyolojik üniteler olan nöronlarn modellenmesi ve bilgisayar sistemlerinde uygulanmas ile balam, daha sonralar bilgisayar sistemlerinin geliimine de paralel olarak bir çok alanda kullanr hale gelmitir. nsan beyninin çalma prensibini taklit ederek çalan bu sistemler, her ne kadar bilgisayar teknolojisi hzl bir geliim göstermi, ilem hzlar nano saniyeler mertebesine inmi olsa da, brakalm insan beynini, ilkel bir canl beyninin fonksiyonlar dahi baz alndnda, böyle bir organizmann yannda çok ilkel kalmaktadr. Nano saniyeler bazndaki ilem hzlar ile YSA'lar, mili saniyeler mertebesindeki ilen hzlar ile ilem yapan insan beyninin ilevselliinin henüz çok uzandadr. Burada ksa bir hatrlatma yapmak gerekirse; insan beyninde yaklak 10¹¹ sinir hücresinin varlndan bahsedilmekle birlikte, bu sayn bilgisayar ortamnda modellenmesi u an için mümkün görünmemektedir. Fakat karar h açndan insan beyni ile henüz yaramasalar bile, YSA'lar yapsallklar ve hassas eletirmelerin baar ile gerçekletirebilmeleri ile gün geçtikçe daha fazla uygulama alan bulmaktadr YSA'larn Genel Özellikleri YSA'lar, uygulanan a modeline göre deik karakteristik özellikler göstermelerine karn temel birkaç ortak özellie sahiptirler. Birinci özellik; YSA'larda sistemin paralellii ve toplamsal ilevin yapsal olarak dalmr [122]. YSA lar bir çok nörondan meydana gelir ve bu nöronlar e zamanl olarak çalarak karmak ilevleri yerine getirir. Dier bir dele karmak ilevler bir 91

92 çok nöronun e zamanl çalmas ile meydana getirilir. Süreç içerisinde bu nöronlardan her hangi biri ilevini yitirse dahi sistem güven srlar içerisinde çalmasna devam edebilir. kinci özellik ise genelleme yetenei, dier bir dele a yapn, eitim esnasnda kullanlan nümerik bilgilerden eletirmeyi betimleyen kaba özellikleri karsamas ve böylelikle eitim srasnda kullanlmayan girdiler için de, anlaml yantlar üretebilmesidir [123]. Üçüncü olarak; a fonksiyonlar non-lineer olabilmektedir. Yap üzerinde dalm belli tipteki non-lineer alt birimler özellikle, istenen eletirmenin denetim ya da tanmlama ilemlerinde olduu gibi non-lineer olmas durumunda ilevin doru biçinde yerine getirilebilmesini matematiksel olarak olas klarlar. Dördüncü özellik ise; saysal ortamda tasarlanan YSA'larn, donanmsal gerçekletirilebilirlikleridir. Bu özellik beklide YSA'larn günlük hayatta daha da fazla yaamn içine gireceinin (girebileceinin) göstergesidir YSA'larn Avantaj ve Dezavantajlar YSA'lar makina örenmesi gerçekletirebilirler. Yapay sinir alarn temel levi zaten bilgisayarn örenmesini salamaktr. Olaylar örenerek benzer olaylar karnda mantkl kararlar verebilirler. Bilgi ileme yöntemleri geleneksel programlamadan farklr. Bu nedenle geleneksel programlamann getirdii bir çok olumsuzluk ortadan kaldlabilir Bilgiler an tamamnda saklanr. Geleneksel programlamada olduu gibi bilgiler veri tabanlar yada dosyalarda belli bir düzende tutulmaz, an tamamna yaylarak deerler ile ölçülen a balantlarnda saklanmaktadr. Nöronlardan bazlarn levini yitirmesi, anlaml bilginin kaybolmasna neden olmaz. Örnekleri kullanarak örenirler. YSA'nn örenebilmesi için örneklerin belirlenmesi, bu örneklerin aa gösterilerek istenen çktlara göre an eitilmesi gerekmektedir. An baar, seçilen örnekler ile doru orantr, aa olay bütün yönleri ile gösterilemezse a yanl çktlar üretebilir. 92

93 Daha önce görülmemi örnekler hakknda bilgi üretebilirler. YSA'lar itimleri srasnda kendilerine verilen örneklerden genellemeler çkarrlar ve bu genellemeler ile yeni örnekler hakknda bilgi üretebilirler. Alglamaya yönelik olaylarda kullanlabilirler. YSA'larn en baar olduklar alanlar, alglamaya yönelik uygulama alanlarr. Bu alanlarda baarlar kantlanmr. Örüntü (pattern) ilikilendirme ve sflandrma yapabilirler. YSA'lar kendilerine örnekler halinde verilen örüntüleri kendisi veya dierleri ile ilikilendirebilir. Ayrca kendisine verilen örneklerin kümelenmesi ile, bir sonraki verinin hangi kümeye dahil olacan karar verilmesi konusunda kullanlabilirler. Örüntü tamamlama yapabilirler. a eksik bilgileri içeren örüntüler verildiinde eksik bilgilerin tamamlanmas konusunda baarrlar. Kendi kendine örenebilme ve organize etme yetenekleri vardr. YSA'lar online olarak örenebilirler ve kendi kendilerini eitebilirler. Eksik bilgi ile çalabilmektedirler. Geleneksel sistemlerin aksine YSA'lar itildikten sonra veriler eksik bilgi içerse dahi, çkt üretebilirler. Bu durum bir performans kayb yaratmaz, performans kayb eksik bilginin önemine bar. Burada bilgilerin önem dereceleri eitim srasnda örenilir. Hata töleransna sahiptirler. YSA'larn eksik bilgilerle çalabilmeleri ve baz hücreleri bozulsa dahi çalabilmeleri, onlar hatalara kar töleransl yapar. Dereceli bozulma (Graceful degradation) gösterirler. Bir a, zaman içerisinde yava ve göreceli bir bozulmaya urar. Alar problemin ortaya çkt anda hemen bozulmazlar. Dak bellee sahiptirler. YSA'larda bilgi aa dalm bir ekilde tutulur. Hücrelerin balant ve arlk dereceleri, an bilgisini gösterir. Bu nedenle tek bir balantn kendi bana anlam yoktur. Burada çok temel baz avantajlardan bahsedilmekle beraber, YSA'larn daha pek çok avantaj vardr. 93

94 YSA'larn, pek çok avantajn yannda baz dezavantajlar da vardr. Belli ba dezavantajlar; Donanm bamlr. YSA'larn en önemli sorunu donanm baml olmalarr. YSA'larn en önemli özellikleri ve var olu nedenlerinden birisi olan paralel ilem yapabilme yetenei, paralel çalan ilemciler ile performans gösterir. Uygun a yapn belirlenmesinde belli bir kural yoktur. YSA'larda probleme uygun a yapn belirlenmesi için gelitirilmi bir kural yoktur. Uygun a yap deneyim ve deneme yanlma yolu ile belirlenmektedir. n parametre deerlerinin belirlenmesinde belli bir kural yoktur. YSA'larda örenme katsay, hücre say, katman say gibi parametrelerin belirlenmesinde belirli bir kural yoktur. Bu deerlerin belirlenmesi için belirli bir standart olmamakla birlikte her problem için farkl bir yaklam söz konusu olabilmektedir. renilecek problemin aa gösterimi önemli bir problemdir. YSA'lar nümerik bilgiler ile çalabilmektedirler. Problemler YSA'lara tanlmadan önce nümerik deerlere çevrilmek zorundadrlar. Burada belirlenecek gösterim mekanizmas an performans dorudan etkileyecektir. Bu da kullann yeteneine bar. n eitiminin ne zaman bitirilmesi gerektiine ilikin belli bir yöntem yoktur. An örnekler üzerindeki hatasn belirli bir deerin altna indirilmesi eitimin tamamland anlamna gelmektedir. Burada optimum neticeler veren bir mekanizma henüz yoktur ve YSA ile ilgili ararmalarn önemli bir kolunu oluturmaktadr. n davranlar açklanamamaktadr. Bu sorun YSA'larn en önemli sorunudur. YSA bir probleme çözüm ürettii zaman, bunun neden ve nasl olduuna ilikin bir ipucu vermez. Bu durum aa olan güveni azalt bir unsurdur. Tablo 7 de geleneksel algoritmalar ile YSA larn çeitli özellikleri açndan karlarmas verilmitir. 94

95 Tablo 7 Geleneksel algoritmalar ile YSA'larn karlarmas Geleneksel Algoritmalar lar, koyulan kurallara girilerin uygulanmas ile elde edilir. Hesaplama; merkezi, e zamanl ve ardldr. Bellek paketlenmi ve hazr bilgi depolanmr. Hata tölerans yoktur. Nisbeten hzlr. Bilgiler ve algoritmalar kesindir. Yapay Sinir Alar renme esnasnda giri ç bilgileri verilerek, kurallar koyulur. Hesaplama; toplu, e zamansz ve örenmeden sonra paraleldir. Bellek ayrlm, ve aa yaylmr. Dahilidir. Hata tölerans vardr. Yava ve donanma bamlr. Deneyimden yararlanr YSA'larn Kullanld Alanlar Yapay sinir alar baca; flandrma, Modelleme ve Tahmin uygulamalar olmak üzere, pek çok alanda kullanlmaktadr. Baar uygulamalar incelendiinde, YSA'larn çok boyutlu, gürültülü, karmak, kesin olmayan, eksik, kusurlu, hata olas yüksek sensör verilerinin olmas ve problemi çözmek için matematiksel modelin ve algoritmalarn bulunmad, sadece örneklerin var olduu durumlarda yaygn olarak kullanldklar görülmektedir. Bu amaçla gelitirilmi alar genellikle u fonksiyonlar gerçekletirmektedirler [124]. Muhtemel fonksiyon kestirimleri flandrma likilendirme veya örüntü eletirme Zaman serileri analizleri Sinyal filtreleme Veri srma Örüntü tanma Dorusal olmayan sinyal ileme 95

96 Dorusal olmayan sistem modelleme Optimizasyon Kontrol YSA'lar pek çok sektörde deik uygulama alanlar bulmutur. Bunlardan bazlar; Uzay: uçu simülasyonlar, otomatik pilot uygulamalar, komponentlerin hata denetimleri vs. Otomotiv: otomatik yol izleme, rehber, garanti aktivite analizi, yol koullarna göre sürü analizi vs. Bankack: kredi uygulamalar gelitirilmesi, müteri analizi ve kredi müraacat deerlendirilmesi, bütçe yatm tahminleri vs. Savunma: silah yönlendirme, hedef seçme, radar, sensör sonar sistemleri, sinyal leme, görüntü ileme vs. Elektronik: kod sras öngörüsü, çip bozulma analizi, non-lineer modelleme vs. lence: animasyonlar, özel efektler, pazarlama öngörüsü vs. vs. Finans: ymet biçme, pazar performans analizi, bütçe kestirimi, hedef belirleme Sigortack: ürün optimizasyonu, uygulama politikas gelitirme vs. Üretim: üretim ilem kontrolü, ürün dizayn, makina ypranmalarn tespiti, dayanklk analizi, kalite kontrolü, i çizelgeleri hazrlanmas vs. Sak: göüs kanseri erken tehis ve tedavisi, EEG, ECG, MR, kalite art, ilaç etkileri analizi, kan analizi sflandrma, kalp krizi erken tehis ve tedavisi vs. Petro kimya: arama, verim analizi vs. Robotik: yörünge kontrol, forklift robotlar, görsel sistemler, uzaktan kumandal sistemler, optimum rota belirleme vs. Dil: sözcük tanma, yaz ve konuma çevrimi, dil tercüme vs. 96

97 Telekomünikasyon: görüntü ve data karlarma, filtreleme, eko ve gürültü sönümlendirilmesi, ses ve görüntü ileme, trafik younluunun kontrolü ve anahtarlama vs. Güvenlik: parmak izi tanma, kredi kart hileleri saptama, retina tarama, yüz letirme vs. Bu örnekler çoaltlabilir. Görüldüü gibi YSA'lar günlük hayatzda farknda olmadz pek çok alanda kullanlmaktadr. Gün geçtikçe uygulama alanlar genilemekte ve gelimektedir YSA'larn Tarihçesi YSA'lar ile ilgili çalmalar 20, yy'n ilk yarnda balam ve günümüze kadar büyük bir hzla devam etmitir. Bu çalmalar 1970 öncesi ve sonras diye iki ksma ayrmak mümkündür. Zira 1970 yllar YSA için bir dönüm noktas tekil etmi daha önce almas imkânsz görünen pek çok problem bu dönemlerde almr. lk yapay sinir a modeli 1943 ynda, bir sinir hekimi olan Warren McCulloch ile bir matematikçi olan Walter Pitts tarafndan gerçekletirilmitir. McCulloch ve Pitts, insan beyninin hesaplama yeteneinden esinlenerek, elektrik devreleriyle basit bir sinir modellemilerdir ynda "Wiener "Cybernetics" isimi kitabnda, sinirlerin çalmas ve davran özelliklerine deinmi, 1949 ynda ise Hebb "Organization of Behavior" adl eserinde örenme ile ilgili temel teoriyi ele almr. Hebb kitabnda örenebilen ve uyum salayabilen sinir alar modeli için temel oluturacak "Hebb kural" ortaya koymutur. Hebb kural; sinir an balant say detirilirse, örenebileceini ön görmekteydi ynda Frank Rosenblatt'n Perceptron'u gelitirmesinden sonra, YSA'lar ile ilgili çalmalar hz kazanmr. Perceptron; beyin ilevlerini modelleyebilmek amacyla yaplan çalmalar neticesinde ortaya çkan tek katmanl eitilebilen ve tek a sahip bir a modelidir [125]. 97

98 1959 ynda Bernand Widrow ve Marcian Hoff (Stanford Üniversitesi) ADALINE (Adaptive Linear Neuron) modelini gelitirmiler ve bu model YSA'larn mühendislik uygulamalar için balangç kabul edilmitir. Bu model Rosenblatt'n Perceptron'una benzemekle birlikte, örenme algoritmas daha gelimitir. Bu model uzun mesafelerdeki telefon hatlarndaki yanklar ve gürültüleri yok eden bir adaptif filtre olarak kullanlm, ve gerçek dünya problemlerine uygulanan ilk YSA olma özelliini kazanmr. Bu yöntem günümüzde de ayn amaçla kullanlmaktadr larn sonlarna doru YSA çalmalar durma noktasna gelmitir. Buna en önemli etki; Minsky ve Pappert tarafndan yazlan Perceptrons adl kitaptr. Burada YSA'larn dorusal olmayan problemleri çözemedii meshur XOR problemi ile ispatlanm, ve YSA çalmalar bçak gibi kesilmitir. Tüm bunlara ramen Anderson, Amari, Cooper, Fukushima, Grossberg, Kohonen, Hopfield gibi bilim adamlar çalmalar sürdürmüler, 1972 de Kohonen ve Anderson Associative memory konusunda benzer çalmalar yaynlamlardr. Kohonen daha sonra 1982 ynda Kendi kendine Örenme Nitelik Haritalar (Self Organizing Feature Maps SOM) konusundaki çalmas yaynlamr. 1960'larn sonlarna doru Grosberg Carpenter ile birlikte Adaptif Rezonans Teorisini (ART) gelitirmitir. 1970'lerin sonlarna doru Fukushima, NEOCOGNITRON modelini tantmr. Bu model ekil ve örüntü tanma amaçl gelitirilmitir yllarnda Hopfield tarafndan yaynlanan çalmalar ile YSA'larn genelletirilebilecei ve çözümü zor problemlere çözüm üretebileceini göstermitir. Geleneksel gezgin sat problemini çözmütür. Bu çalmalarn neticesi Hinton ve arkadalar'nn gelitirdii Boltzman Makinas'n domasna yol açmr ynda, Broomhead ve Lowe radyal tabanl fonksiyonlar modelini (Radial Basis Functions RBF) gelitirmiler ve özellikle filtreleme konusunda baar sonuçlar elde etmilerdir. Daha sonra Spect, bu alarn daha gelimi ekli olan Probabilistik alar (PNN) ve Genel Regresyon Alar (GRNN) gelitirmitir [126] Bu tarihten günümüze kadar sayz çalma ve uygulama gelitirilmitir. 98

99 1890- insan beyninin yap ve fonksiyonlar ile ilgili ilk yayn yazlmas insan beyninin sinir hücrelerinden olutuu fikrinin benimsenmesi yapay sinir hücrelerine dayanan hesaplama teorisinin ortaya atlmas ve eik deerli mantksal devrelerin gelitirilmesi örenme prosedürünün bilgisayarlar tarafndan gerçekletirilecek ekilde gelitirilmesi ADALINE ve Widrow - Hoff örenme algoritmasn gelitirilmesi Perceptron'un gelitirilmesi ilk makina örenmesi kitabn yaynlanmas baz gelimi örenme algoritmalarn gelitirilmesi (Grasberg vs.) tek katmanl alglaylarn yetersizliklerinin ispatlanmas dorusal ilikilendiricilerin gelitirilmesi korelasyon matris belleinin gelitirilmesi geriye yaym modelinin gelitirilmesi ART modelinin gelitirilmesi çok katmanl alglaylarn gelitirilmesi Boltzman Makinas'nn gelitirilmesi RBF modelinin gelitirilmesi GRNN modelinin gelitirilmesi [127] 4.6. YSA'nn Yap,Elemanlar ve Mimarisi Önceden de belirtildii gibi, yapay sinir alar insan beyninden esinlenilmi yaplardr. Bu yüzden, YSA larn yap anlamak için insan beyninin yap ve çalma eklini anlamak önemlidir. Bununla birlikte, tahmin edilebilecei gibi insan 99

100 beyni, karmak yap ile anlalmas ve anlatlmas zor bir konudur. Hatta, beynin çalma ekli hala tam olarak anlalamamr. Çok farkl bir disiplinin konusu olan bu temann burada açklanmas gereksiz kalmaktadr. Ancak, en azndan konunun özünün anlalabilmesi açndan baz yararl bilgiler verilebilecei düüncesi ile genel bir açklama yaplmaktadr. nsan beyni, sinir sisteminin merkezini oluturan temel elemandr. En basit ekilde, sürekli olarak iletilen bilgiyi alr, idrak eder (iler) ve uygun kararlar vererek gerekli yerlere iletir. Çok basit görünmekle birlikte aslnda oldukça karmak olan bu yapn Haykin (1999) tarafndan kullanlan basit bir gösterimi ekil 18 de sunulmaktadr [122]. ekil 18 Sinir Sisteminin Blok Diyagram ekilden takip edilebilecei gibi, dardan veya baka bir organdan gelen sinyaller (uyar) allar yoluyla sinir ana iletilir. Sinyaller burada ilemden geçirilerek kt sinyaller oluturulur. Oluturulan çkt sinyaller ise ileticiler yoluyla d ortama veya dier organlara iletilirler. ekil 18 de Sinir A olarak gösterilen ortadaki bölüm, yani beyin, sinir sisteminin merkezi konumundadr. Beynin temel yap talar ise sinir hücreleri, dier bir ifadeyle nöronlardr. Beyin, ilevini birbirleri arasnda youn balantlar bulunan bu yap talar ile yerine getirir. Nöronlarn en belirgin özellii, vücudun dier bölümlerinin tersine yeniden üretilmeyen belirli bir hücre türü olmasr. Beynin dier temel yapsal ve fonksiyonel birimleri olan balantlar (synapses) nöronlar aras etkileimi salarlar. Dolayyla, beynin yapnda bu balantlar da önemli bir yer tutmaktadr. Zaten beynin oldukça etkin çalan bir organ olmasn temel sebebi de bu youn balant yapr. Bu yap sayesinde beyin, bugünkü bilgisayar teknolojisinden kat kat daha etkin bir ekilde çalabilmektedir. 100

101 Beynin bu yap etkinlik açndan oduu kadar bir dier önemli özellik açndan da önem tamaktadr. Bu youn balant yap beynin plastiklik (yenilenebilme) özelliini de beraberinde getirmektedir. Plastiklik özellii, gelimekte olan sinir sisteminin kendisini kuatan çevreye adapte olmas salamaktadr. Gelimi bir beyinde, plastiklik iki mekanizma ile izah edilebilmektedir. Bunlar, nöronlar arasnda yeni balantlarn oluturulmas ve var olan balantlarn modifiye edilmesidir. Ayrca, bu özellik örenme kavram açndan da çok büyük önem tamaktadr. Plastikliin, nöronlarn ilem yapabilmeleri için gerekli bir özellik olduu görülmektedir. Çünkü, örenme süreci balant arlklarn detirilmesi veya yeni balantlarn oluturulmas (hatta baz balantlarn iptal edilmesi) sayesinde gerçeklemektedir. Bu iliki, yapay nöronlar kullanarak beyinden esinlenilmi sinir alar oluturulabilmesini salamaktadr. Yapay Sinir Alar, beyinden esinlenildiklerinden dolay benzer yapya sahiptirler. Fakat, beynin youn balant ve komplike yapn sadece beyine özel bir özellik olduu belirtilmelidir. Baka hiçbir yerde veya dijital bilgisayarda bulunmayan bu yapya yaknsamak günümüz teknolojisine bile çok uzaktr. Yapay sinir alar oluturmak için kullanlan yapay nöronlar, beyindekilere kyasla oldukça ilkel sayrlar. Dolayyla, yapay nöronlar beynin youn balant ve komplike yapndan hala oldukça uzaktrlar ama genel yap olarak tutarlrlar. Dier bir ifadeyle, YSA lar, komplike, çok yönlü ve güçlü bir organizma olan beynin sadece en temel elemanlar kopyalamaya çalmaktadr Yapay Nöron Yapay sinir alarn genel yap olarak beyinden esinlenildii daha önce belirtilmiti. Doal olarak, YSA larn temel elemanlar da yapay nöronlardr (bundan sonra yapay nöron yerine sadece nöron kelimesi kullanlmaktadr). Bu nöronlar, aralarndaki balantlar oluturularak ve tabakalar halinde gruplandlarak yapay sinir lar oluturulmaktadr. 101

102 nsann beyinsel gücünün bu yap talar birkaç genel ileve sahiptirler. Bir biyolojik nöron, temel olarak, dier kaynaklardan girdiler alr, belirli bir ekilde bunlar birletirir, sonuç üzerinde bir ilem (genelde dorusal olmayan) uygular ve nihai sonucu üretir. ekil 19 bir nöronun dört temel elemandan oluan genel yap ve bu dört eleman arasndaki ilikiyi göstermektedir. ekilden de görüldüü gibi, tüm doal nöronlar dört temel bileene sahiptir. Bu bileenler biyolojik isimleri ile bilinirler: dentrit (dendrite), çekirdek (soma), akson (axon) ve balant veya sinaps (synapse). Dentritler, çekirdein saça benzeyen uzantlarr ve girdi kanallar olarak ilev görürler. Bu girdi kanallar dier nöronlarn sinapslar aracyla girdilerini alrlar. Daha sonra çekirdek, gelen bu sinyalleri zaman içinde iler. Çekirdek, bu ilenmi deeri bir çktya dönütürdükten sonra bu çkt akson ve sinapslar aracyla dier nöronlara gönderir. ekil 19 Biyolojik Nöronun Genel Yap ve levleri Yapay sinir alarn temel ilem eleman olan yapay nöronlar, doal nöronlarn dört temel fonksiyonunu simüle ederler. Bir yapay nöronun temel yap, genel haliyle, 102

103 ekil 20 de sunulmaktadr. Burada girdi deerler x(i) matematiksel sembolü ile gösterilmitir ve bu gösterimde i = 0,1,2,.,n deerlerini almaktadr. Bu girdi deerlerin her biri bir balant arlyla çarplmaktadr. Bu arlklar ise w(i) ile gösterilmektedir. En basit yapda, bu çarpmlar toplanr ve bir transfer fonksiyonuna gönderilerek sonuç üretilir. Bu sonuç daha sonra bir çktya dönütürülür. Bu elektronik uygulama deik toplama fonksiyonlar ve transfer fonksiyonlar kullanabilir ve farkl a yaplarnda uygulanabilir. ekil 20 Yapay Nöronun Genel Yap ekil 20 McCullogh ve Pitts (1943) tarafndan tanmlanan, biyolojik nöronun basit matematiksel modelinin gösterimi olarak da düünülebilir [128]. McCullogh-Pitts modeli incelendiinde, toplama fonksiyonu olarak dorusal bir fonksiyon ve transfer fonksiyonu olarak birim adm fonksiyonu kullanlm olduu görülmektedir. Temelde biyolojik nörona benzer bir ekilde, ilem eleman toplama fonksiyonu sonucunun belirli bir eik deerinin altnda veya üstünde olmasna göre çkt iki ihtimal arasndan seçerek oluturmaktadr. Bu matematiksel modelin fonksiyonel gösterimi adaki gibidir. n y i g x w x ; x ( x,x,...,x ) ij j (9) i 0 1 n j0 103

104 Bu gösterimde, yi çkt deeri, (.) transfer fonksiyonunu, g(.) toplama fonksiyonunu, wij balant arlklar ve Q i ise i nolu nöron için eik deerini göstermektedir. (.) transfer fonksiyonu birim adm fonksiyonudur. 1;g 0 0;g 0 g(.) toplama fonksiyonu ise x j düünülmütür: n g w x Q j0 ij j i (10) girdilerinin dorusal bir bileimi olarak (11) McCullogh-Pitts modelinde transfer fonksiyonu olarak birim adm fonksiyonu ve toplama fonksiyonu olarak dorusal bir fonksiyon kullanlmakla birlikte YSA alanndaki gelimelerle beraber farkl fonksiyonlarn kullanlabilmesi salanmr. ekil 20 içinde YSA modellerinde kullanlabilecek farkl fonksiyonlara baz örnekler sunulmaktadr. Basitçe görülebilecei gibi, hangi fonksiyon kullanrsa kullanlsn, bir nöron modelinin matematiksel ve fonksiyonel gösterimi demeyecektir. Bu yapda kullanlan fonksiyonlar temelde uygulama konusuna bar. Baz uygulamalar ikili (binary) veri seti gerektirir. Bu uygulamalara örnek olarak konuma tanmlama ve metin tanma uygulamalar verilebilir. Bu tür uygulamalar, doal olarak, sadece toplama fonksiyonu içeren nöronlardan oluan alar kullanamaz. Bu alar mantksal fonksiyonlar kullanabilir ve bu fonksiyonlar toplama ve transfer fonksiyonlarna dahil edilebilir. Veya baz uygulamalar basit bir ekilde toplama ve belirli bir eik deeri ile karlarma eklinde bir ileme gereksinim duyabilirler. Bu ekilde evet/hayr, doru/yanl veya 0/1 gibi iki olas sonuç arasndan seçim yaplabilir. Baz fonksiyonlar ise girdi verileri zamanla ilikilendirebilir ve bu ekilde zamana ba alar oluturulabilir. ekil 21 de, daha önce tanmlanan basit bir yapay nöron yapn daha detayl bir emas sunulmaktadr. ekilde, girdi deerler ilem elemanna üst sol bölümden girmektedir. lemde ilk adm, bu girdi deerlerin her birinin ilgili arlklarla w(i) 104

105 klandlmalarr. Bir nöron genellikle, eanl olarak birçok sayda girdi alr. Her girdinin kendi nispi arl vardr. Bu arlklar, biyolojik nöronlarn deen sinaptik etkililikleri ile ayn görevi üstlenirler. Her iki durumda da, baz girdiler dierlerine göre daha önemli hale gelirler. Bu sayede, ilem elemann bir sinirsel tepki üretmesi leminde daha fazla etkili olurlar. Ayrca, arlklar girdi sinyalin güçlülüünü belirleyen adaptif katsaylardr. Yani, girdinin balant gücünün bir ölçüsüdür. Bu balant güçleri, çeitli eitme setlerine göre detirilebilirler. ekil 21 Yapay Nöronun Detayl Yap Arlklandrmadan sonra, bu detirilmi girdiler toplama fonksiyonuna gönderilirler. Toplama fonksiyonunda, adndan da anlalaca gibi, genelde toplama lemi yaplmaktadr fakat bir çok farkl ilem çeidi toplama fonksiyonu için kullanlabilir. Toplama fonksiyonu, bu basit çarpmlar toplamna ek olarak, minimum, maksimum, mod, çarpm veya çeitli normalizasyon ilemlerinden birisi olabilir. Girdileri birletirecek olan algoritma genellikle seçilen a mimarisine de bar. Bu fonksiyonlar farkl ekilde deerler üretebilir ve sonra bu deerler ileri doru gönderilir. Ek olarak, uygulamac kendi fonksiyonunu oluturup toplama fonksiyonu olarak kullanabilir. Baz toplama fonksiyonlar, transfer fonksiyonuna iletmeden önce, sonuçlar üzerinde ilave lemler yaparlar. Bu ilem aktivasyon fonksiyonu olarak adlandlan ilemdir. Bir aktivasyon fonksiyonu kullanmann amac toplama fonksiyonu çktn zamana ba 105

106 olarak demesini salamaktr. Fakat, aktivasyon fonksiyonu literatürü henüz tam olarak gelimemitir. Bundan dolay, çou yapay sinir anda birim aktivasyon fonksiyonu kullanlmaktadr. Birim aktivasyon fonksiyonu ise bir aktivasyon fonksiyonu kullanlmamas ile ayn anlama gelmektedir. Ayrca, aktivasyon fonksiyonu, her ilem birimi için ayr ayr kullanlan bir bileenden ziyade an genel bir bileenidir. Yani, oluturulan bir a yapnda, tüm ilem elemanlar ayn aktivasyon fonksiyonunu kullanrlar. Sonraki aamada toplama fonksiyonunun çkt transfer fonksiyonuna gönderilir. Bu fonksiyon, ald deeri bir algoritma ile gerçek bir çktya dönütürür. Transfer fonksiyonu genellikle dorusal olmayan bir fonksiyondur. Dorusal fonksiyonlar genelde tercih edilmez çünkü dorusal fonksiyonlarda çkt, girdi ile orantr. Bu durum, ilk YSA denemelerinin baarzlkla sonuçlanmasn temel nedenidir (Minsky ve Papert, 1969) [129]. Genellikle kullanlan transfer fonksiyonlar eik, sigmoid, hiperbolik tanjant vb. fonksiyonlardr. Bu fonksiyonlar arasnda en çok kullanlanlar ekil 22 da örneklenmitir. Transfer fonksiyonunun sonucu genellikle ilem elemann çktr. Transfer fonksiyonunun çalma yap ekil 23 de sigmoid fonksiyon kullanlarak örneklenmektedir. Sigmoid transfer fonksiyonu, toplama fonksiyonundan gelen ve ekilde Toplam olarak gösterilen deeri alr ve sr ile bir arasnda bir deere dönütürür. Sr ile bir arasndaki bu deer transfer fonksiyonunun ve dolayyla ilem elemann çktr ve d ortama veya girdi olarak baka bir nörona iletilir. Transfer fonksiyonu ilemi öncesinde, sisteme tekdüze dalm bir rassal hata eklenebilmektedir. Bu rassal hatann kayna ve büyüklüü, an örenme ilemi sürecinde belirlenir. Sisteme böyle bir hata teriminin eklenmesinin sebebi, insan beyninin levinin, içinde bulunduu ortamn artlarndan (örnek olarak scak/souk olmasndan) etkileniyor olmasr. Bu yüzden, YSA literatüründe rassal hata ekleme ilemi scaklk olarak da adlandlmaktadr. Günümüzde, rassal hata kullan fiilen tam olarak yerlememitir ve halen bir ararma süreci içerisindedir. Ayrca, baz alarda, transfer fonksiyonunun çkt üzerinde baka ilemler, ölçeklendirme ve srlandrma, yaplabilmektedir. 106

107 ekil 22 En Çok Kullanlan Transfer Fonksiyonlar Transfer fonksiyonundan çkan deer ilem elemann da çktr. Fakat, baz durumlarda ilem elemann bu çkt bir çkt fonksiyonu ile bir dönüüme uratmas gerekebilmektedir. Bu çkt, an yapna göre, girdi olarak baka bir ilem elemanna veya bir d balantya gönderilir. Tüm YSA lar, yukarda temel elemanlar anlatlan bu temel yap talarndan yani nöronlardan oluturulurlar. Bu yap talarn dizayn, sinir sanatn, baka bir deyile mimarisinin oluturulmasn ilk bölümüdür. Bu sanatn ikinci bölümü ise bu ilem elemanlarn kümelendirilmesi ve birbirleri arasndaki balantlarn oluturulmas içerir. Beyinde kümelendirme, bilginin dinamik, etkileimli ve kendiliinden organize bir ekilde ilenmesini salayacak ekildedir. Biyolojik sinir lar üç boyutlu uzayda mikroskobik elemanlarla oluturulur. Bu nöronlar hemen hemen rsz sayda balantlar içerirler. Bu, yapay sinirler için mümkün deildir. Bugünkü teknoloji ile iki boyutlu ortamda ve belirli sayda balant içeren nöronlar oluturulabilmektedir. Bu durum, YSA larn yetenek ve çeitlerini srlamaktadr. 107

108 ekil 23 Transfer Fonksiyonunun Çalma Yap YSA larda, yapay nöronlar basit bir ekilde kümelendirilmektedirler. Bu kümelendirme tabakalar halinde yaplmaktadr ve daha sonra bu tabakalar bir dierine ilikilendirilmektedir. Temel olarak, tüm YSA lar benzer bir yapya sahiptirler. Böyle bir genel yapekil 24 de gösterilmektedir. Bu yapda, baz nöronlar girdileri almak için baz nöronlar ise çktlar iletmek için d mekan ile balant haldedirler. Geri kalan tüm nöronlar ise gizli tabakalardadrlar, yani sadece a içinde balantlar vardr. Önemli olan nokta, bir sinir an, bir nöronlar yumandan daha komplike olmas gerektiidir. YSA larn ilk yllarnda, baz ararmaclar, nöronlar arasndaki balantlar rassal olarak oluturmular ve olumsuz sonuçlarla karlalardr. Bir yap dizayn etmenin en kolay yolu elemanlar tabakalandrmaktr. Burada tabakalandrmann üç bölümü vardr. Bunlar, nöronlar tabakalar halinde gruplandrmak, tabakalar arasndaki balantlar gruplandrmak ve son olarak ise toplama ve transfer fonksiyonlar gruplandrmaktr. 108

109 ekil 24 YSA larn Genel Yap Tek tabaka ya da tek eleman içeren baz baar alar oluturulabilmesine ramen çou uygulamalar en az üç tabaka (girdi tabakas, gizli tabaka ve çkt tabakas) içeren lara ihtiyaç duymaktadr. Girdi tabakas, dardan girdileri alan nöronlar içerir. Ayrca, önemli olan bir nokta, girdi tabakasndaki nöronlarn girdi deerler üzerinde bir lem uygulamamasr. Sadece girdi deerleri bir sonraki tabakaya iletirler ve bu yüzden de baz ararmaclar tarafndan alarn tabaka sayna dahil edilmezler. Çkt tabakas ise çktlar dar ileten nöronlar içeren tabakadr. Girdi ve çkt tabakalar tek tabakadan oluurken bu iki tabaka arasnda birden fazla gizli tabaka bulunabilir. Bu gizli tabakalar çok sayda nöron içerirler ve bu nöronlar tamamen a içindeki dier nöronlarla balantrlar. Çou a türünde, gizli tabakadaki bir nöron sadece bir önceki tabakann tüm nöronlarndan sinyal alr. Nöron ilemini yaptktan sonra ise çkt bir sonraki tabakann tüm nöronlarna gönderir. Bu yap an çkt için bir ileri besleme patikas oluturur. Bu bir nörondan dierine olan iletiim hatt, sinir alar için önemli bir parçadr. Baz alarda, bir nöron ayn tabakadaki baka nöronlara engel (inhibit) oluturabilir. Bu, yanal engelleme (lateral inhibition) veya rekabet (competition) olarak adlandr ve en çok çkt tabakasnda kullanr. 109

110 Nöronlarn dier nöronlara balanma ekli an çalmas önemli derecede etkilemektedir. Bugün, büyük ve profosyonel yazmlarda kullan bu balantlar üzerinde istedii gibi ekleme, kaldrma ve kontrol ilemi yapabilmektedir. Bu noktaya kadar sunulan bilgiler, YSA larn matematiksel gösterimlerinin de daha net bir ekilde anlalmas salayabilecektir. Daha önce, McCullogh-Pitts tarafndan tanmlanan nöron modelinin fonksiyonel gösterimi (Denklem-9) verilmiti. Belirli bir fonksiyon varsay içerilmeden, ekil 20 deki gibi basit bir yapay nöron için Denklem (9) de verilen matematiksel notasyon u ekilde genelletirilebilir n y i g x w w x ; x ( x,x,...,x ) j j (11) i 0 1 n j0 Burada deken ve parametreler McCullogh-Pitts modelinde açkland gibidir. Denklem (11) tek bir yapay nöronun matematiksel gösterimini vermektedir ama ayn zamanda tek nörondan oluan bir sinir a gösterimi olarak da düünülebilir. Oysa bir sinir a, tabakalar halinde sralanm bir çok nöron içermektedir. Dolayyla, tek nörona ait bu notasyonun bütün bir sinir an matematiksel gösterimini verecek ekilde düzenlenmesi gerekmektedir. y=f( x 0, x 1, x 2,..., x n ) fonksiyonel ilikisini modelleyen bir sinir a yap düünülürse, girdi tabakasnda n+1 adet nöron ve çkt tabakasnda bir adet nöron olacaktr. Sinir an gizli tabaka içermemesi durumunda an fonksiyonel gösterimi Denklem-4 deki tek nörona ait fonksiyonel gösterim ile ayn olacaktr. Çünkü, girdi tabakasndaki nöronlar girdi deerler üzerinde bir ilem uygulamazlar, sadece girdi deerleri bir sonraki tabakadaki nöronlara aktarrlar. Bu yüzden, sinir alar tanmlanrken tabaka say bir eksik gösterilir. Dier bir ifadeyle, bir girdi tabakas, bir gizli tabaka ve bir çkt tabakasna sahip bir sinir üç tabakaya sahip olmasna ramen 2-tabakal a olarak tanmlanr. Girdi tabakasnda lem yaplmamasndan ve çkt tabakasnda da tek nöron olmasndan dolay, sinir a lem yaplan tek nörona sahiptir ve doal olarak fonksiyonel gösterimi Denklem (11) deki gibi olacaktr. Dier taraftan, sinir an gizli tabaka içermesi durumunda fonksiyonel yap deecektir çünkü ilem yaplan nöron say artacaktr. Bir gizli tabaka içerilmesi durumunda, fonksiyonel gösterim adaki gibi olacaktr: 110

111 y f k k w f w x k j j k ij j jk jk (12) Denklem ()12 daha önce açklanmam olan baz parametre ve fonksiyonlar içermektedir. y k kt deerleri gösterirken, f k kt tabakas transfer fonksiyonunu göstermektedir. k kt tabakasna ait sapma deerini, W j kt tabakasna ait arlklar, f j ve j rasyla gizli tabakaya ait transfer fonksiyonunu ve sapma deerini, x i girdi deerleri ve w ij ise i girdi eleman j gizli elemanna balayan arl temsil etmektedir. ki gizli tabaka olmas durumunda ise bu fonksiyonel gösterim Denklem (13) eklinde olacaktr. Gizli tabaka say arttkça bu gösterim de benzer ekilde demeye devam edecektir. y f l l wf l l k w f wx k ik j j ij j kl jk i j (13) Belirli bir uygulamaya yönelik bir a yaplandldktan sonra, bu a artk itilmeye hazr durumdadr. Bu aama, daha önce deinilmi olan deneyim yoluyla renme özellii için kilit önem tamaktadr. Çünkü bu, balant arlklarn belirlendii aamadr. Genel olarak, balangç arlklar rassal olarak seçilir ve eitme, ya da dier bir ifadeyle örenme ilemi balar. Eitme ilemi için yönlendirmeli (supervised) ve yönlendirmesiz (unsupervised) olmak üzere iki yaklam vardr. Yönlendirmeli eitme, an çkt için istenilen veri deerleri verebilmesi için girdi-çkt ilikisini elde edebilmesini salayacak bir mekanizma içermektedir. Yönlendirmesiz eitme ise d müdahale olmaksn, girdilerin a tarafndan analiz edilmesi ve bu analiz sonucunda balantlarn oluturulmasr. Kullanlan alarn büyük çounluu yönlendirmeli eitmeyi kullanr. Yönlendirmesiz eitme, girdiler için baz karakter belirleme durumlarnda kullanr. Bununla beraber, kendi kendine örenme kavram parlak bir gelime potansiyeli tasa da günümüzde tam olarak çalmamaktadr. Yönlendirmeli eitmede hem girdi hem de çkt veriler kullanr. Öncelikle, a rassal olarak belirlenen balangç arlklar kullanarak girdileri iler ve çkt istenilen kt ile karlar. Elde edilen hatalar sistem içinde geriye gönderilir ve bu hatalar 111

112 kullanlarak a kontrol eden balant arlklar güncellenir. Bu ilem defalarca tekrarlanr ve balant arlklar sürekli olarak ayarlanr (tweaked). Eitme srasnda kullanlan veri seti eitme veri kümesi (training set) olarak adlandr. Bir an itilmesi srasnda, ayn veri seti balant arlklar belirleninceye kadar defalarca lemden geçirilir. Bugün, yapay sinir a oluturmaya yönelik programlar, bir an doru cevab öngörebilme yeteneine nasl yaknsad gözlemlemeye ve test etmeye yönelik araçlar salamaktadr. Dier taraftan, sistem yalnzca (istatistiksel olarak) istenilen noktaya veya dorulua ulanca durdurulmaktadr ve bu durum da dier araçlarla birleince eitme lemleri günlerce sürebilmektedir. Bu arada, baz alar örenme ilevini hiç yapamayabilir. Bunun sebebi girdi verinin istenen çktya ait belirli bir bilgi tamamas olabilir. Ayrca, tam örenmeyi salayacak kadar yeterli veri olmamas durumunda a yaknsamayabilir. deal olarak, gerekli testlerin yaplabilmsei için veri setinin bir bölümünün ayrlabilecei kadar geni bir veri seti gereklidir. Fazla sayda ilem eleman içeren çok tabakal alar veri için hafza oluturabilme yeteneine sahiptirler. An hafzaya alma sürecinin yeterli olup olmadn gözlenebilmesi için ise, yönlendirmeli itmede veri setinin bir bölümü, eitme sonrasnda gerekli testlerin yaplabilmesi için aylmalr. Dier taraftan, bir an ilgili problemi çözememesi durumunda kullann yapabilecekleri iki gruba aylabilir. lk grup an yapn gözden geçirilmesini kapsar. Daha açk olmak gerekirse, girdi ve çkt veriler, tabaka say, her tabakadaki eleman say, tabakalar arasndaki balantlar, toplama, transfer ve eitme fonksiyonlar ve hatta balangç arlklar gözden geçirilmelidir. Tüm bu kriterler, yapay sinir alarn sanatsal bölümü olan baar bir a oluturmak için gereklidir. Dier grup ise kullann tercihine ve yaratna ba olan itme kurallar içermektedir. Eitme srasnda arlklarn ayarlanabilmesi için gerekli adaptif geri beslemeyi salayacak çok sayda deik eitme kural (algoritma) vardr. En yaygn olan teknik geriye doru hata beslemesi ya da bilinen ismiyle geri yaylmadr. Bu itme kurallar daha sonra ayrnt olarak açklanacaktr. 112

113 Eitme konusunda dier bir önemli nokta ise örenmenin sürekli devam edeceidir. Bir optimum noktaya gelindiinde, YSA veri setinin genel istatistiksel trendine göre kendisini biçimlendirir. Bu noktadan sonra ise eitmeye devam edilmesi durumunda a örenmeye devam edecektir. Bu aamada, a veri setinden hatal (spurious) ilikiler çkartmaya balayabilir. Bu yüzden a eitme sorununa dikkat edilmeli ve eitme uzunluu iyi ayarlanmalr. Eitme ilemi doru bir ekilde tamamlandnda, yani hem daha fazla renmeye gerek kalmam hem de a eitme yaplmamsa, istenildii takdirde rlklar dondurululabilir. Bazen, an ortaya çkan son hali bir donanma (hardware) çevrilerek daha hzl çalmas salanabilmektedir. Dier sistemler ise kullanrken de renmeye devam edebilirler. Dier eitme yakla olan yönlendirmesiz yaklam ayrca adaptif eitme olarak da adlandrlr. Bu eitme yaklanda, aa girdi salanr ama istenilen çkt deerler salanmaz. Sistem girdi veriyi gruplandrmak için hangi özellikleri kullanacana kendi kendisine karar verir ki bu yöntem kendi kendine örenme (selforganization) veya adaptasyon olarak bilinir. Günümüzde, yönlendirmesiz eitme tam olarak anlalamam durumdadr. Adaptif eitmenin öncü ararmaclarndan birisi Tuevo Kohonen dir. Kohonen, doru cevab bilmenin yararlarndan yararlanmadan renen bir a gelitirmitir. Bu a, bir çok sayda balant olan tek tabakaya sahip olmas nedeniyle biraz sra d saylabilir. Kohonen, daha sonra çalmalar bu standart yapn dndaki alara, ileri besleme ve geri yaylma yaklamlarna yöneltmitir. Kohonen in çalmas nöronlar belirli alanlara gruplandrmakla ilgilidir. Bir alann içerdii nöronlar topolojik olarak ralanmr (topologically ordered). Topoloji, matematiin bir dalr ve geometrik yap detirmeden bir boyuttan dierine haritalamann (mapping) nasl yaplaca ile ilgilenir. Kohonen, sinir a modellerinde topolojik sralamann olmamasn bugünkü sinir alar, beyin içindeki gerçek sinir alarn basit bir çkarmsamas (abstraction) haline getirdiini belirtmitir. Bu ararmalar devam ettikçe daha etkili kendi kendine renen alar elde edilebilir. Fakat, u an için bu alan sadece deney ortamlarnda kalmaktadr. 113

114 Örenme (veya adaptasyon) YSA larn yap içinde önemli bir yere sahiptir. Çünkü, YSA larn baz önemli özellik ve avantajlarn kayna oluturmaktadr. Bu yüzden, YSA yap içindeki örenme sürecine yönelik elemanlar büyük önem tamaktadr. Bu elemanlarn ilki örenme fonksiyonudur. Örenme fonksiyonunun amac her ilem elemann girdilerine ait deken balant arlklar ayarlamaktr. Girdi balant arlklarn, istenilen sonucu elde edecek ekilde detirilmelerini salayan bu ilem adaptasyon fonksiyonu olarak da adlandlmaktadr. kinci eleman ise hata fonksiyonudur. Örenme fonksiyonunun gerekli ayarlamalar yapabilmesi için yanlma payn biliniyor olmas gerekmektedir. Hata fonksiyonu, bu amaca yönelik olarak, o anki çkt ile istenilen çkt arasndaki fark, hatay, hesaplar ve gerekiyorsa bir transformasyon uygular. Bu hata, literatürde cari hata (current error) olarak adlandr ve bu hata veya transformasyonu salanm hali genellikle önceki tabakaya geri yayr. Dier bir eleman ise örenme oranr. Örenme oran, örenme sürecinin h ve levi açndan önemlidir. Çünkü, YSA larn örenme gücü ile h ters orantr. Basit bir ekilde, bir admda daha fazla örenme, daha düük bir hz ve dolayyla daha fazla zaman anlamna gelmektedir. Dier bir ifadeyle, daha fazla hz daha az örenme anlamna gelmektedir. Sonuç olarak, bir an ne kadar eitilecei sorusu örenme oranna bar. Örenme orann belirlenmesinde ise an karmaklk düzeyi, büyüklüü, mimarisi, kulland örenme kural ve istenilen doruluk derecesi gibi bir çok faktör rol oynar. Çou örenme fonksiyonu, örenme oran için belirli standartlara sahiptir. renme oran genellikle (0,1) gibi bir aralk içinde belirlenir. Bu aralkta, örenme orann küçük deer almas, yava bir örenme süreci getirecektir. Dier taraftan ise, renme sürecinin küçük admlar halinde olmas maksimum doruluk derecesine yaknsamay getirebilecektir. Yapay Sinir Alarn çalma eklini basit bir ekilde anlatan bir örnek model çözümü sunulmutur. YSA methodolojisi ve teorisi hakknda buraya kadar anlatlanlarn daha net anlalmas ve daha sonra anlatlan uygulamalar ile kolaylkla birletirilebilmesini salayabilecei düünülen bu örnek çözüm Balkin (2001) den 114

115 alnmr [130]. ekil 25 de YSA da kullanlan temel aktivasyon fonksiyonlar görülmektedir. ekil 25 Aktivasyon Fonksiyonlar 115

116 4.8. YSA Çeitleri YSA larn çok sayda farkl çeitleri vardr. Bu farklklarn kayna mimarisi, renme yöntemi, balant yap vb. olabilmektedir. Genel olarak, YSA lar üç ana kritere göre sflandlmaktadrlar. Bu kriterlerden biri örenme yöntemidir. Önceki bölümde belirtildii gibi, temel olarak iki çeit örenme algoritmas vardr: yönlendirmeli renme ve yönlendirmesiz örenme. Her yöntemin kulland örenme kural deebilmekteyse de, YSA lar bu iki algoritmaya göre sflandrlar. kinci bir sflandrma, an kulland veriye göre yaplmaktadr. Temel olarak, kalitatif ve kantitatif olmak üzere iki tür veri vardr. Kalitatif verilerle çalan alar, ister yönlendirmeli ister yönlendirmesiz örenme kullansn, sflandrma alar olarak bilinirler. Kantitatif veriler kullanan yönlendirmeli eitme ise regresyon olarak adlandlmaktadr. Birbirine zt yönde çalan bu iki sinyal çeidi fonksiyon sinyalleri ve hata sinyalleri olarak adlandlmaktadrlar [131]. ekil 26 de küçük bir a bölümü kullanlarak bu sinyallerin yönleri gösterilmektedir. ekilde, sol taraf girdi veri taraf, sa taraf çkt taraf ve yuvarlaklar ise nöronlar göstermektedir. ekil 26 Eitme Sürecindeki Sinyal Çeitleri Fonksiyon sinyali, aa girdi tabakasndan giren, a içinde ileri doru yaylan ve kt tabakasndan çkt sinyali olarak çkan bir girdi sinyalidir. Bu tür bir sinyalin fonksiyon sinyali olarak adlandlmasn iki temel sebebi vardr. lk olarak, an çkt 116

117 için gerekli fonksiyonlar uygulad kabul edilmektedir. kinci sebep ise fonksiyon sinyalinin geçtii her nöronda, sinyal girdilerin ve o nörona uygulanan arlklarn bir fonksiyonu olarak hesaplanr. Fonksiyon sinyalleri, girdi sinyalleri olarak da adlandlmaktadrlar. Hata sinyali ise, fonksiyon sinyalinin tersine, çkt tabakasndan balar ve tabaka tabaka geriye doru yayr. Hata sinyali olarak adlandlmasn sebebi, tüm nöronlarda bir hata tabanl fonksiyon ile hesaplanmasr. An genel yapna dönersek, tabaka say ve tabakalarn içerdii ilem eleman say an performans açndan önemli ve zor kararlardr. Zor karar olmalarn sebebi ise herhangi bir uygulama için net bir seçim kriterinin olmamasr. Bunun yerine, uygulamalar sonucunda ortaya çkm ve ararmaclar tarafndan benimsenmi baz kurallar vardr. Bunlar: Kural-1: Girdi ve çkt veriler arasndaki ilikinin karmaklk derecesi arttkça, tabakalarn içerdii ilem eleman say da artmalr. Kural-2: Modellenen konu deik safhalara ayrlabiliyorsa, tabaka sayn artlmas gerekebilir. Kural-3: Eldeki eitme verisinin genilii, gizli tabakalardaki toplam nöron say için bir üst limit kriteri oluturur. Geri yaylma alarda çok çeitli örenme kural, hata fonksiyonlar ve transfer fonksiyonlar kullanlabilmektedir. Örenme kural olarak genellikle Delta Kural nn bir varyant kullanlmaktadr. Delta kural, an çkt ile istenilen çkt arasndaki farkn hesaplanmas ile balar. Bu hata kullanlarak balant arlklar belirli bir doruluk derecesi faktörüne göre güncellenir. Bu örenme mekanizmasn komplike olan taraf, hatal çkt üretilmesinde hangi ilem elemann daha etkili olduunun belirlenmesi ve hatann düzeltilmesi için bu ilem elemann nasl detirileceidir. Bu noktada aktif olmayan bir nod hataya sebep olamaz ve dolayyla arlklar detirmeye gerek yoktur. Bu sorunun çözümü için, eitme setine ait girdi veriler an girdi tabakasna sunulur ve istenilen çktlarla karlarma çkt tabakasnda gerçekletirilir. Örenme ilemi süresince, a içinde ileri doru bir bilgi ak vardr ve tabaka tabaka her ilem elemann çkt hesaplanr. Çkt tabakasna ulaldnda, bu 117

118 tabakann çkt ile istenilen çkt arasndaki fark hesaplanr ve bu hata önceki tabakalara iletilir (geri yaylma). Bu süreçteki önemli nokta ise, hata önceki tabakalara iletilirken, transfer fonksiyonunun türevi ile bir transformasyon ilemi uygulanmasr. Hatann iletilmesi, tabaka tabaka geriye doru olur ve bu süreçte Delta Kural ile balant rlklar ayarlanr. lem, girdi tabakasna ulalana kadar devam eder ve bu noktada yeni bir döngüye balar. Geri yaylma algoritmasnda, Delta Kural ile balantlarn ayarlanmasn matematiksel gösterimi u ekilde özetlenebilir. Delta Kural, temel olarak, ilgili balant rln ayarlanmas için gerekli olan düzeltme miktar formüller. Buna göre, nöron(i) ve nöron(j) arasndaki balant için düzeltme miktaru ekilde hesaplanr. rlk düzeltmemiktar renme oran parametresi Yerel deim Nöron (14) veya matematiksel formül olarak: w n n Y n (15) ji j i Burada dikkat edilmesi gereken nokta, yerel deimin hesaplanma eklinin nöron nin çkt veya gizli nöron olmasna göre deiklik gösterdiidir. Buna göre: Nöron(j) bir çkt nöronu ise, yerel deim, nöron(j) ye ait hata sinyali ve fonksiyon sinyalinin türevinden hesaplanmaktadr. Nöron(j) bir gizli nöron ise, yerel deim, fonksiyon sinyalinin türevi ve bir sonraki tabakadaki nöronlara ait deimlerin arlkl toplam kullanlarak hesaplanr. Burada, Delta Kuraln içerdii düzeltme formülünün mant ve bileenleri hakknda bilgi bir özet halinde sunulmutur. Daha ayrnt bilgi içinse [122] ve [132] e baklabilir. Ayrca, dier örenme kurallar için baz temel bilgilere yer verilmitir. Son olarak, geri yaylma alarn baz ktlamalara da sahip olduu belirtilmelidir. Geri yaylma mekanizmas oldukça geni bir girdi-çkt veri seti ile geni çapl bir yönlendirmeli eitmeye ihtiyaç duyar. Ek olarak, içsel haritalama yap tam olarak 118

119 anlalamadndan sistemin istenilen doruluk derecesine yaknsayamamas ihtimali de mevcuttur Sinir Sistemi ve Ysa'nn Benzerlikleri 1- Sinir Sistemi YSA Sistemi 2- Nöron lem Eleman 3- Dendrit Toplam Fonksiyonu 4- Hücre Gövdesi Transfer Fonsiyonu 5- Aksonlar Eleman Ç 6- Sinapslar rlklar Yapay Sinir Alarn Genel Özellikeri a. YSA lar ani bozulma göstermezler. Yapay sinir alarn hata toleransna sahip olmalar dereceli bozulma gösterebilmelerini salar. b. Dak bilgiye sahiptirler.an bilgisi balantlara yaylm haldedir. c. Sadece nümerik bilgiler ile çalabilmektedirler. d. YSA lar normal yollarla çözülmesi zor olan problemleri çözmek için tasarlanmlardr. (sflandrma tahminleme gibi) e. Literatürde 100'den fazla yapay sinir a modeli vardr YSA'nn Avantajlar Lineer olmayan özellie sahip olmalar renme kabiliyeti Genelleme yapma Adaptasyon kabiliyeti Gürültüye kar tolerans Donanm olarak gerçekletirilmesi 119

120 Paket yazmlarn bulunmas YSA'nn Dezavantajlar a. Donanm bamlr. b. Uygun a yapn belirlenmesinde belli bir kural yoktur. c. n parametre deerlerinin belirlenmesinde belli bir kural yoktur. d. renilecek problemin aa gösterimi önemli bir problemdir. e. n eitiminin ne zaman bitirilmesi gerektiine ilikin belli bir yöntem yoktur. f. n davranlarn açklanamamaktadr Ysa'larn Sflandlmas Mimari Yaplarna Göre a. Geri beslemeli (Elman, Jordan ) b. leri beslemeli (MLP, LVQ ) renme Yaklamlarna Göre a. Danmanl örenme (MLP-BP) b. Danmansz örenme (ART, SOM) c. Takviyeli örenme (GA) Geri Beslemeli (ELMAN, JORDAN): Bir geri beslemeli sinir a, ç ve ara katlardaki çlarn, giri birimlerine veya önceki ara katmanlara geri beslendii bir a yapr. Böylece, giriler hem ileri yönde hem de geri yönde aktarlm olur. ekil 27 de bir geri beslemeli a görülmektedir. Bu çeit sinir alarn dinamik hafzalar vardr ve bir andaki ç hem o andaki hem de önceki girileri yansr. Bundan dolay, özellikle önceden tahmin uygulamalar için uygundurlar. Bu alar çeitli tipteki zaman-serilerinin tahmininde oldukça baar 120

121 salamlardr. Bu alara örnek olarak Hopfield, SOM (Self Organizing Map), Elman ve Jordan alar verilebilir. ekil 27 Geri beslemeli a için blok diyagram leri Beslemeli (MLP, LVQ ) leri beslemeli bir ada ilemci elemanlar (E) genellikle katmanlara ayrlmlardr. aretler, giri katmanndan ç katmanna doru tek yönlü balantlarla iletilir. E ler bir katmandan dier bir katmana balant kurarlarken, ayn katman içerisinde balantlar bulunmaz. ekil 28 de ileri beslemeli a için blok diyagram gösterilmitir. leri beslemeli alara örnek olarak çok katmanl perseptron (Multi Layer Perseptron-MLP) ve LVQ (Learning Vector Quantization) alar verilebilir. ekil 28 leri beslemeli a için blok diyagram Danmanl Örenme (MLP-BP) Bu tip örenmede, YSA ya örnek olarak bir doru ç verilir. stenilen ve gerçek çkt arasndaki farka (hataya) göre E ler aras balantlarn arl en uygun elde etmek için sonradan düzenlenebilir. Bu sebeple danmanl örenme 121

122 algoritmasn bir öretmene veya danmana ihtiyac vardr. ekil 29 da danmanl renme yap gösterilmitir. Widrow-Hoff tarafndan gelitirilen delta kural ve Rumelhart ve McClelland tarafndan gelitirilen genelletirilmi delta kural veya geri besleme (back propagation) algoritmas danmanl örenme algoritmalarna örnek olarak verilebilir. ekil 29 Danmanl örenme yap B.Danmansz Örenme (ART, SOM) Girie verilen örnekten elde edilen ç bilgisine göre a sflandrma kurallar kendi kendine gelitirmektedir. Bu örenme algoritmalarnda, istenilen ç deerinin bilinmesine gerek yoktur. Örenme süresince sadece giri bilgileri verilir. A daha sonra balant arlklar ayn özellikleri gösteren desenler (patterns) oluturmak üzere ayarlar. ekil 30 de danmansz örenme yap gösterilmitir. Grossberg tarafndan gelitirilen ART (Adaptive Resonance Theory) veya Kohonen tarafndan gelitirilen SOM (Self Organizing Map) örenme kural danmansz örenmeye örnek olarak verilebilir. 122

123 ekil 30 Danmansz örenme yap Takviyeli Örenme (GA) Bu örenme kural danmanl örenmeye yakn bir metoddur. Denetimsiz renme algoritmas, istenilen çn bilinmesine gerek duymaz. Hedef çkt vermek için bir öretmen yerine, burada YSA ya bir ç verilmemekte fakat elde edilen n verilen girie kark iyiliini deerlendiren bir kriter kullanlmaktadr. ekil 31 de takviyeli örenme yap gösterilmitir. Optimizasyon problemlerini çözmek için Hinton ve Sejnowski nin gelitirdii Boltzmann kural veya GA takviyeli örenmeye örnek olarak verilebilirler renme Kurallar ekil 31 Takviyeli örenme yap 1- Hebb Kural: lk ve en iyi bilinen kuraldr. 123

124 2- Hopfield Kanunu: stenilen ç ile giri aktif veya aktif deil ise rlklar örenme katsayyla arttr. Dier durumlarda ise arlklar örenme katsayyla azaltr. 3- Kohonen's Örenme Kanunu: Nöronlar örenmek ve arlklar güncellemek için yarrlar. 4- Delta Kural: Windrow-Hoff,Least Mean Square Arakat Balantlarna Göre Sflandlmas Katlar Aras Balantlar Tamamen Balant smen Balant leri Beslemeli Çift Yönlü Hiyerarik Resonans Dier Katlarla Balantlar Recurrent On-center/off Yaygn Olarak Kullanlan Örenme Algoritmas 1. Geri-yaym 2. Delta-Bar-Delta 3. Extended DBD 4. zl Yaym 5. Momentumlu Geri-yaym 6. Levenberg-Marquardt metot 7. Genetik algoritma 124

125 Geri Yaym Algoritmas En çok kullanlan algoritmalardan biridir. Dereceli azalr. MLP lerineitiminde en sk kullanlan algoritmadr. i ve j katman arasnda tanmlanan arlklardaki w ji (t) deiklii hesaplanr. w t x w t 1 (16) ij j i ji ekil 32 Çok katmanl bir perseptron geri yaym akemas 125

126 Delta-Bar-Delta Delta-Bar-Delta (DBD) çok katmanl perseptronlarda balant arlklarn yaknsama h arttrmak için kullanlan bir sezgisel yaklamdr. Deneysel çalmalar, rlk uzayn her boyutunun tüm hata yüzeyi açndan tamamen farkl olabileceini göstermitir. Hata yüzeyindeki deimleri açklamak için, özellikle, an her balant kendi örenme katsayna sahip olmalr.bu düünce, tek arlk boyutu için uygun adm büyüklüü, tüm arlk boyutlar için uygun olmayabilir. Bununla birlikte, her bir balantya bir örenme oran atanarak ve bu örenme orann zamanla demesine izin verirsek, yaknsama zaman azaltmak için daha çok serbestlik derecesi salanm olur. leri beslemeli YSA yaplar çou zaman karmaktrlar. Adaki her balant için en uygun örenme katsaylar kümesini belirlemek oldukça zaman al olabilir. Eimin geçmiteki deerlerini kullanarak, yerel hata yüzeyinin eriliini çkarmak için sezgisellik uygulanabilir. Bir balant için arlk deimlerinin iareti, birkaç ardk zaman admlar srayla detii zaman, balant için örenme oran azalmalr. Balant rlk boyutu hata yüzeyi ile ilgili büyük bir erilie sahiptir. Balant arlk deimleri bir kaç ardk zaman admlar için ayn iarete sahip olduundan balant için örenme oran arttlmalr. Arlk boyutu hata yüzeyi ile ilgili küçük bir erilie sahiptir ve yüzey önemli bir mesafe için ayn dorultudaki eime göre devam eder. Standart geri yaym algoritmasnda eim bileeni adaki ekilde verilir. k E k w k (17) Burada E(k), k anndaki hata deerini, w(k) balant arl ve (k) ise arlk deiminin eim bileenini göstermektedir. Standart geri yaym algoritmasnda balant rl, w k 1 w k k (18) olarak güncelletirilir. Burada sabit bir örenme oranr. DBD örenme kuralnda, her balant için deken örenme oran (k) atanr ve balant arln güncellemesi w k 1 w k k k (19) 126

127 eklinde yapr. Jacobs,her balantda örenme hn azalmas ve artmas için sezgiselliin gerçekletirilmesinde, (k) eim bileeninin arlkl ortalamas kullanlmr. Bu arlkl ortalama ekilde gösterilmitir. k 1 k k 1 k dr. Özellikle, arlkl ortalama adaki (20) Burada, konveks arlk faktörüdür. Sezgisel açdan, önceki eim bileeninin üstel artmas ve u anki eim bileeni ayn iaretli ise, örenme oran sabiti ile artan rlkla birletirilir. Mevcut eim bileeni üstel ortalamadan farkl iaretli ise, örenme oran mevcut deeri ile orant olarak azalr. Bu örenme orann güncelletirilmesi daki eitlikle tanmlanmr. k k 1 k 0 k k k 1 k 0 0 dier (21) Burada, örenme katsay artma faktörü, örenme katsay azaltma faktörü, (k) k anndaki örenme oran göstermektedir. Eitlik yukardaki ekilde görülebilecei gibi algoritma, örenme katsaylar lineer olarak artrmakta, fakat geometrik olarak azaltmaktadr [ ] Multi-Layer Perception (MLP) Çoksayda danmal örenme algoritmas kullanlabilmekte Kullan yaygn Bir çok probleme uygulanabilmesi Topolojik yap ve matematiksel çalma metodolojisi basittir. 127

128 ekil 33 Multi-Layer Perception prensip emas Learning Vector Quantisation A LVQ a genel sflandrma problemlerinin çözümünde kullnlamaktadr. Kullanlan örenme stratejisi destekleyici (reniforcement learning) renmedir.yani aa sadece üretilen çktn doru olup olmad bilgisi verilir. kt deerlerinin belirlenmesinde ise kazanan hereyi alr(winner takes all) stratejisi uygulanmaktadr. Sadece girdi vektörüne en yakn olan vektörün (kazanan vektör) deerleri (an bu vektöre ait arlklar detirilir.) Kohonen Katmanna ara katman da denmektedir. Girdi katman ile ara katman = Tam balant Ara katman ile çkt katman = Ksmi balant Kohonen katman ile çkt katman arasndaki rlklar sabit olup 1 e eittir. G-A katman arasndaki her bir arlk vektörüne referans vektörü denmektedir. 128

129 Dier LVQ alar LVQ2,Cezalandrmal LVQ ve LVQ-X tir Hopfield A Tek katmanl,geri dönüümlü bir ar. Proses elemanlarn tamam hem girdi hemde çkt elemanr. n balantlar enerji fonksiyonudur. Sat gezgin problemini çözer. ekil 34 Hopfield a Elman A Bilinen en basit geri dönüümlü ar. Girdi elemanlar içerik elemanlar ve girdi elemanlarndan oluur. Elman a ksmi geri dönüümlü bir ar. çerik elemanlar aktivasyon deerini tutarla Kohonem A Danmansz a 129

130 Giri ve ç katman Etiketleme ilemi flandrma problemleri ekil 35 Kohohem a yap 130

131 5. BÖLÜM : Genetik Algoritma (Genetic Algorithm) Genetik algoritma (GA) süreci doal evrime benzetilir. Bu nedenle Üreme (Reproduction), Çaprazlama (Crossover), Mutasyon (Mutation) gibi doal evrimde kullanlan operatörleri içerir. Üreme, uygunluk (fitness) deerlerine baklarak stokastik yöntemlerle seçilen bireylerden yeni bir popülasyon oluturma ilemidir. Bu ilem, ilerleyen generasyonlarda daha yüksek uygunluk deerlerine sahip bireylerin olumasna neden olur. Bu nedenle bu ileme en uygunun hayatta kald test (survival of the fittest ) ad verilir. Çaprazlama, çounlukla rastgele olarak seçilen iki bireyin kromozomlar çaprazlanarak gerçeklenir. Bu ilemde, bireylerin kromozomunu oluturan dizilerin deik kmlar yer detirerek yeni döl üretimi salanr. Bu döl popülasyonunda daha az uygunluk deerine sahip zayf bireylerin yerine konabilir. Çaprazlama, genetik algoritmada en önemli operatördür ve generasyonda yeni çözümlerinin üretiminden sorumludur. Mutasyon, bireyin kromozomunu oluturan dizideki tek bir elemann deerinin rastgele olarak demesidir. Mutasyon, çözümün alt optimal noktalara taklmas önleyen ve çok düük olask deeri ile uygulanan operatördür. Genel olarak genetik algoritma, çözüm bilgisinin hiç olmad veya çok az olduu bir durumla aramaya balar. Çözüm çevreden gelen etkileime ve genetik operatörlere bar. GA, aramaya paralel bir ekilde, birbirinden bamsz noktalardan balar, bu nedenle alt optimal çözümlere taklma olas azdr. Bu nedenle GA, karmak arama problemleri birden çok alt çözüm kümesi olan için en iyi optimizasyon teknii olarak bilinir. GA y dier Evrim Algoritmas (EA) türlerinden farkl klan özellikleri; eyli üreme yöntemini, Mutasyon ve çaprazlama operatörlerini, Stokastik veya deterministik seçim yöntemlerini, Problemin çözümü için problemin kendisi yerine kodlanm bir dizisini kullanmas olarak gösterilebilinir. 131

132 Bu ekilde GA dier EA türlerinden daha esnek bir yap salar. Bir evrim ilemi, potansiyel çözüm uzaynda, popülasyonu oluturan kromozomlar içinde en uygun kromozomu arama ilemidir. Böyle bir arama iki zt amac dengelemeyi gerektirir. Bu amaçlar; en iyi çözümlerin aranmas (Exploit) ve arama uzayn geniletilmesidir (Explore) Genetik algoritma ile geleneksel optimizasyon teknikleri (özellikle nümerik metotlar) arasnda da çok önemli farklk vardr. Bu farklklar adaki gibi özetlenebilir: i. GA optimize edilecek olan parametrelerin kendileri ile deil kodlam dizileri üzerinde çalr. Pek çok durumda ikili (binary) kodlama kullanr. Fakat genetik algoritmalar için bu bir gereklilik deildir. Gerçel say kodlama, aaç yap kodlama (tree coding) gibi farkl kodlama sistemleri de kullanlabilir. ii. iii. iv. GA, bir popülasyon içinde arama yapar. Bu popülasyon, problemin bütün olas çözümlerini temsil eden uzay oluturur. Balangç popülasyonu genellikle rastgele üretilen bireyleri içerir. GA, problemin çözümünü belirlenen çözüm uzaynda aramak için bir uygunluk fonksiyonu (fitness function) kullanr. Bu uygunluk fonksiyonu klasik optimizasyon tekniklerinde kullanlan amaç fonksiyonuna benzetilebilir. GA, sonuca ulamak için stokastik yöntemler kullanr. Genetik algoritmalar cazip klan özelliklerinin bazlarunlardr: renme: Genetik algoritma global arama tekniklerinde yaygnca kullanr ve en iyisi olarak bilinir. Mevcut performans ölçütlerini kullanarak verilen bir arama uzaynda arama uzay geniletme ve en iyiyi arama özelliklerini kullanma yeteneine sahiptir. Bu özelliklerini çaprazlama, mutasyon ve üretim gibi genetik operatörlerle kullanarak renme yeteneine sahiptir. Genetik kod yap: Genetik algoritma dorudan parametrelerle deil, kodlanm parametre dizisiyle çalr. Bu, kullanya problemleri bir deken optimizasyon problemi gibi çözmesine imkan verir. 132

133 Çözümlerin optimallii: Pek çok gerçek hayat problemlerinin Çok Modellilik (Multimodal) ve dorusal olmama gibi özellikleri vardr. Geleneksel arama teknikleri böyle arama uzaylarnda yetersiz kalr. Genetik algoritma ise böyle karmak arama uzaylarnda optimale yakn çözümler bulma yeteneine sahiptir. Genetik algoritma, mühendislik, bilim, ekonomi çok deik alanlardaki problemler için gürbüz (Robust) bir optimizasyon arac olarak son yllarda büyük bir önem kazanmr. Genetik algoritmann uygulama alanlarndan bazlar; haberleme ebekleri tasar, elektronik devre dizayn, gaz borularebekeleri optmizasyonu, görüntü ve ses tanma, veri taban sorgulama optimizasyonu, uçak tasar, fiziksel sistemlerin kontrolü, gezgin sat problemlerinin çözümü, ulam problemleri, optimal kontrol problemleridir. Esnek Programlama (Soft Computing) Uzman sistemler, bulank mantk, yapay sinir alar ve genetik algoritma uygulamalarda tek balarna kullanlabildikleri gibi birçok uygulamada her bir yöntemin avantaj ve dezavantajlar göz önüne alnarak birlikte kullanr. te böyle bir yaklama esnek programlama ad verilir. Bu ekilde çok daha etkin yöntemler gelitirilmitir Genetic Algoritmalar ve Evrimsel Hesaplama Evrimsel hesaplama bir optimizasyon ilemidir. Öyle ki, amaç, hayatta kalacak bireylerin yeteneklerini gelitirmektir. Evrimsel hesaplama (EC), bir arama ileminde doal seçimin benzetimidir. Doada, organizmalar hayatta kalmak ve çoalmak için yeteneklerini etkileyen belli karakteristiklere sahiptir. Bu karakteristikler organizmann kromozomlarnda içerilen bilginin uzun stringleri eklinde temsil edilirler. Elenerek çoaltmadan sonra, yavru kromozomlar her çiften gelen bilginin bir kombinasyonundan oluur. Umut verici bir biçimde sonuç, her çiftin en iyi karakteristiklerini içeren yavru kromozomlar olacaktr. Doal seçim ilemi, uygunluk deeri en yüksek bireyin seçilmesini salar. Evrim doal seçim aracyla, popülasyon içinden rasgele bir ekilde seçilmi bireyler, uygun kromozom deerleri arama olarak düünülebilir. Bu amaçla, bir evrim algoritmas (EA) verilen bir probleme en uygun çözüm için olaskl bir aramadr. 133

134 Evrim algoritmalar; genetik algoritmalar (GA), genetik programlama (GP), evrimsel programlama (EP), evrimsel strateji (EV) ve benzerlerini içeren alt bölümlere ayrlabilir. Genetik algoritma (GA) nn terminolojisinin anlalmas için doal seçim in (seleksiyonun) anlalmas gerekir. Dünyay gözlemleyecek olursak, olup biten olaylarda doal seçim göze çarpar. Birbirinden ayr muazzam organizmalar ve bu organizmalardaki karmaklk, inceleme ve ararma konusudur. Organizmalarn niçin böyle olduu ve nasl bu aamaya geldii sorgulanabilir. Bir baka açdan meseleye öyle baklabilir. Sanki bu günün dünyasnda, çok büyük optimizasyon algoritmalar oluturulmu ve binlerce iterasyon sonunda yer yüzünde optimum çözüm elde edilmitir. Amaç fonksiyonu, yaam mücadelesini temsil eder. nsanolu bunu maksimize etmek ister [139]. Adaptasyon ve uygunluun seviyesi, dünyada uzun süre yaayabilmenin göstergesi haline gelmitir. Evrim süreci, hayat artlarna en uygun olann yaamas salayan büyük bir algoritmadr. Eer çevreyi detirme zeka ve yeteneine sahip olunursa hayatta, global maksimum elde edilebilir [139]. Gen, temel kalm birimidir. Organizmann genleri; DNA (Deoxyribo Nucleic Acid) formunda bir çift kromozomdur. Organizmann her bir hücresi benzer miktarda kromozomlar içerirler. Her bir vücut hücresindeki kromozom miktar farklr. Örnein; sivrisinek de 6, kurbaada 26, insanda 46 ve alabalkta 94 adet kromozom vardr. Genler, her biri farkl karakteristii temsil eden iki fonksiyonel formda meydana gelir. Bu formlarn her biri allel olarak bilinir [140]. Örnein allel deerine göre insann gözünün biri mavi olurken dieri kahverengi olmaktadr. Kromozomlardaki allel lerin kombinasyonlar, fertlerin kiisel özelliklerini belirler. Fert üzerinde allel lerden biri baskn olurken dieri pasif olmaktadr. Genetik algoritmalar, biyolojik süreci modelleyerek fonksiyonlar optimize eden evrim algoritmalarr. GA parametreleri, biyolojideki genleri temsil ederken, parametrelerin toplu kümesi de kromozomu oluturmaktadr. GA larn her bir ferdi kromozomlar (bireyler) eklinde temsil edilen popülasyonlardan oluur. Popülasyonun uygunluu, belirli kurallar dâhilinde maksimize veya minimize edilir. Her yeni nesil, 134

135 rasgele bilgi deimi ile oluturulan diziler içinde hayatta kalanlarn birletirilmesi ile elde edilmektedir [141]. Bu metot, uzun çalmalarn neticesinde ilk defa John Holland (1975) tarafndan uygulanmaya baland. En son onun örencisi olan David Goldberg popüler oldu. David Goldberg tezinde; gaz boru hattn kontrolünü içeren bir problemin çözümünü genetik algoritma ile gerçekletirdi [142]. GA larn avantajlar; Sürekli ve ayrk parametreleri optimize etmesi Türevsel bilgiler gerektirmemesi Amaç fonksiyonunu geni bir spektrumda ararmas Çok sayda parametrelerle çalma imkân olmas Paralel PC ler kullanlarak çallabilmesi Karmak amaç fonksiyonu parametrelerini, lokal minimum veya maksimumlara taklmadan optimize edebilmesi Sadece tek çözüm deil, birden fazla parametrelerin optimum çözümlerini elde edebilmesi olarak sralanabilir. GA lar arama ve optimizasyon için sezgisel yöntemlerdir. Geni arama algoritmalarn aksine, genetik algoritmalar en iyiyi seçmek için tüm farkl durumlar üretmez. Bundan dolay, mükemmel çözüme ulaamayabilir. Fakat zaman ktlamalar hesaba katan en yakn çözümlerden biridir. GA lar artlara uyum salayabilir. Bunun anlam, önceden hiç bilgisi olmamasna karn, olaylar ve bilgiyi örenme ve toplama yeteneine sahip olmasr. Her problemin çözümü için GA kullanmak iyi bir yol deildir. Birkaç parametreli analitik fonksiyonun çözümünde klasik metotlar daha hzlr. Böyle durumlarda, nümerik metotlar tercih edilmelidir. Paralel bilgisayarlar kullanrsa GA daha hzl sonuç verebilir. 135

136 Gelecek bölümde GA larla benzerlik gösteren Saf Rasgele Ararma Algoritmas (pure random search) ksaca anlatlacaktr. GA lara özel operatörler tanlacak ve birkaç örnekle çalmas gösterilecek. Ayrca, ikili kodlarla çalan (ikili kodlu) GA ve gerçek kodlarla çalan (gerçek kodlu) GA larn çalma ve ileyii anlatlacaktr Rasgele Arama Algoritmas Rasgele Arama, belki de en basit arama ilemidir. Bir balangç arama noktasndan veya balangç noktalarn kümesinden balayan arama ilemi, arama uzaynda rasgele noktalar arar ve bu kabul edilebilir bir çözüme ulancaya veya maksimum iterasyon say ulancaya kadar devam eder. Rasgele aramay gerçekletirmek son derece basitken, verimsiz olabilir. Eitim zaman kabul edilebilir çözüm elde edilmeden önce çok uzun olabilir. Rasgele ararma için bir algoritma çalmas ve ileyii ada sunulmutur. Adm 1. N balangç arama noktalar kümesini seç. C g = { C g,n = n=1,2,,n. Burada, Cg,n I dekenlerinin vektörü ve g=0 dr. Her bir Cg,n eleman, U(min,max) deken deerlerin s olmak üzere, verilen aralklarda üretilir. Adm 2. Her bir Cg,n vektörünün ( uygunluk ) F(C g,n ) doruluunu deerlendir. Adm 3. En iyi noktay bul C g, best = min{ F(C g,n ) } Adm 4. if C g, best < C best then C best = C g, best C best tümünün en iyi çözümü Adm 5. if C best kabul edilebilir bir çözüm ise veya maksimum iterasyon say alm ise o zaman dur ve çözüm olarak C best dön Adm 6. Her bir C g,n, C g,n ile karr. Burada, C g,n N(0, 2 ) ve 2 li küçük bir deimi ifade eder. Adm 7. g = g + 1 artr ve adm 2 ye git kili kodlu genetik algoritmalar Genetik Algoritmalar (GAs), verilen bir veri kümesi için en iyi çözümü (parametreler kümesini) bulacak, baka bir dorusal olmayan optimizasyon aracr. GA 136

137 algoritma, bir mümkün çözümler kümesinin rasgele üretilmesiyle balar. Parametreleriyle her bir çözüm, arama uzaynda (kromozom veya nesil uzay), uygunluk fonksiyonunun özel bir noktas üretir. Her iterasyondaki bu farkl nesiller kümesi popülasyon olarak adlandr. Netice olarak, bir popülasyonun en iyi çözümünün bir parçasndan (yar veya dörtte biri denebilir), çocuklar (yeni nesil) üretilir. Bu yeni nesil eskilerden daha iyi olmas beklenir. ekil 36 kili kodlu GA ile biyolojik evrim arasndaki benzetim [139] 137

138 Biyolojik evrim ile ikili kodlarla çalan GA arasndaki benzerlik ekil 36 da görülmektedir. Her ikisinde de popülasyonun üyeleri rasgele balar. Köpeklerin her birinin karakteristik özellikleri, sol taraftaki satrlarda verilmitir. En iyi havlayan köpekler üretilmek istenirse sadece birkaç köpein elde tutulmas gerekir. Her bir köpek ikili say sistemiyle kodlanr. Yeni yavrularn üretilmesi için bu popülasyonda rasgele iki adet köpek seçilir ve eletirilir. Eletirmenin sonucunda iyi havlayan köpein çkma olas yüksektir. Oluan yeni nesil, eletirme havuzuna tekrar atr. Baa dönülerek yeniden eletirme prosedürü tekrarlanr [143]. Bu ileme, en iyi havlayan köpek elde edilene kadar devam edilir kili kodlu genetik algoritmalarn operatörleri Dier optimizasyon metotlarnda olduu gibi ikili kodlu GA da da amaç fonksiyonu, parametreler ve srlar tanmlanr. Aynekilde yaknsama kontrol edilerek algoritma son bulur. kili kodlu GA nn ak diyagramekil 37 de verilmektedir. ekil 37 kili kodlu GA nn ak diyagram Genel bir GA adaki program kod ile özetlenebilir. 1. y = 0 ata. 138

139 2. C g ilk neslini olutur. 3. While( yaknsama olmazken) a. Her bireyin uygunluunu deerlendir. b. g = g + 1 c. C g-1 den ebeveynleri seç. d. Yavru O g yi ekillendirmek için çaprazlama seçilen ebeveynleri yeniden birletir. e. O g deki yavruyu mutasyona urat. f. Önceki nesil C g-1 ve yavru O g den yeni nesli seç. GA ile toporafik haritadaki yükseltiler veya vadiler aralabilir. Optimizasyon algoritmas vadiyi bulmak için, amaç fonksiyonunun minimum deerini ve en yüksek bölgeyi bulmak için amaç fonksiyonunun maksimum deerini arar. ekil 38 de en yüksek tepe, deniz seviyesinden m yüksekliinde olan A noktasr. B noktas m ve C noktas m yüksekliindedir. A noktasna ulancaya kadar arada noktalar vardr. Bu yüzden klasik metotlarda en yüksek nokta olan A y bulmak zordur. GA ise bu noktay rahatlkla bulabilir. ekil 38: Dan üç boyutlu görünümü [139] 139

140 5.4. Amaç fonksiyonu ve parametreler Amaç fonksiyonu, giri parametrelerine göre ç üreten bir fonksiyondur. Bu fonksiyon matematiksel veya deneysel olabilir. Burada amaç, giri parametreleri için uygun deer bulununcaya kadar ç üretmektir. Örnein banyo küveti doldurulurken farknda olmadan optimizasyon yapr. Giri parametreleri, scak ve souk su çemeleridir. Amaç fonksiyonu deneysel sonuçlardr. Çünkü el, suyun içine sokularak suyun scakl ayarlanr [139]. GA ya, optimize edilecek parametre dizileri ve kromozomlar (bireyler) tanmlanarak balanr. Kromozom, N par adet parametreye sahip ise optimizasyon problemi N par boyutlu olur. Parametreler P 1, P 2, P 3,...P Npar ise; Kromozom = [P 1, P 2, P 3,...P Npar ] olarak tanmlanr. Örnein; toporafik bir haritay ele alalm. Amaç fonksiyonu giri parametreleri, enlem (x) ve boylam (y) kabul edilirse, kromozom = [x,y]eklinde tanmlanr. Burada N par =2 dir. Her bir kromozom; P 1, P 2 parametrelerinin deerlerine göre hesaplanr. F(kromozom) = F(P 1,P 2,...P Npar ) Çou zaman amaç fonksiyonu oldukça karmaktr. Parametrelerin hangisinin önemli olduuna karar verilmelidir. Parametreler çok fazla olursa GA, iyi sonuç vermeyecektir. Örnein; arabalarda yakt tasarrufu için önemli parametreler araba boyutlar, motor boyutlar ve malzeme arlklareklinde belirlenebilir. Boya rengi veya koltuk tipi gibi dier parametreler ya çok az etkili ya da hiç etkili deildir. Bazen parametrelerin seçimi ve deer tespiti, tecrübeyle veya deneme-yanlma yoluyla yapr. Örnein; F(w, x, y,z) 2x 3y z w 9876eklinde analitik bir fonksiyonun parametrelerinin, 0 10 arasnda detiini kabul edelim. Amaç fonksiyonu içerisinde w ve z parametreleri yüksek deerlere bölündüünden 0 10 arasnda demesi, sonucu pek fazla etkilemeyecektir. Eer w ve z parametreleri, ihmal edilirse, 4 boyutlu problem 2 boyutlu olarak modellenebilir. Optimizasyon problemlerinin çounda parametrelerin belirli srlar içerisinde kalmas istenir. Örnein; otomobilin arl sr olmayacak, boyu 10 m yi geçmeyecek vb. srlamalar getirilebilir. Srsz parametreler ise herhangi bir deer alabilir. ki türlü 140

141 r belirlenebilir. Birincisi; 0x10 arasnda deen bir parametrede, eer x=11 deerini alrsa x=10 yapr ve x= -1 deerini alrsa x=0 yapr. kincisi; x = 5siny+5 olarak tanmlanrsa, y nin herhangi bir deerinde 0x10 aras deecektir. Böyle bir dönütürmeyle srl optimizasyon problemi srsz optimizasyon problemine çevrilmi olur [144]. Baml parametreler, optimizasyon algoritmalar için özel problemler meydana getirir. Çünkü bir parametrenin deimi dier parametreleri de etkileyecektir. Örnein; arabann boyunu artrmak, arl da artracaktr. Fourier serisi katsaylarnda olduu gibi bamsz parametreler birbirlerini etkilemezler. GA literatüründe parametre etkileimi, epistasis olarak adlandr. Biyolojide epistasis, genlerin birbirini etkilemesi olarak tanmlanr. Epistasis çok az olursa, minimum ararma algoritmalar iyi sonuçlar üretir. GA da Epistasis orta ve yüksek derecede olursa iyi sonuç vermektedir, çok yüksek veya çok düük olursa iyi sonuç vermemektedir [139] Parametrelerin tanmlanmas ve kodlama ekil 37 den, GA nn üç ilem için döngüye girdiini görebiliriz. En iyi gen stringinin seçimi Genetik operasyon ( çaprazlama, mutasyon ) Yeni gen stringleri (çocuklar) ile eski populasyonun kötü gen stringlerinin yer detirilmesi. Optimizasyon döngüsü balamadan önce, optimize edilmesi gereken parametreler istenilen ekle dönütürülmek zorundadr. Buna kodlama (encoding) denir. Kodlama GA için önemli bir konudur. Çünkü sistemden gözlemlenen bilgiye bak aç büyük ölçüde rlandlabilir. Gen stringi probleme özel bilgiyi depolar. Gen olarak adlandlan her bir öe, genellikle dekenler stringi olarak ifade edilir. Dekenler ikili veya reel say eklinde gösterilebilir ve aral probleme özel olarak tanmlanr. 141

142 ekil 39 Gen stringlerinde parametrelerin kodlanmas kili kodlama sklkla kullanrken, ekil 40 da gösterildii gibi Hammimg cliffs dezavantajna sahiptir. Bir Hamming cliff, iki bitiik saysal deer ayr bit gösterimlerine sahip olduunda ekillenir. Mesela onluk saylar 7 ve 8 i düünün. kili gösterimlerle ilgili olarak (4 bit gösterimini kullanan) 7=0111 ve 8= hamming mesafesidir. (Hamming mesafesi birbirine benzemeyen ilgili bitlerin sayr.) ekil 40 ikili ve gray kodlama için Hamming mesafesi Bu, dekenlerdeki küçük bir dein uygunluktaki küçük bir deiklikte sonuç vermesi gerektii zaman, bir problemi ortaya koyar. Eer örnein, uygun çözüm 7 olsun. Fakat yeni en iyi çözüm 8 olduunda; 8 i elde etmek için birçok bitin detirilmeye ihtiyaç duyulduu aikârdr. Hâlbuki uygunluk deerinde küçük bir deim söz konusudur. Alternatif bir bit gösterimi Gray Kodlama kullanmaktr. Ardk saysal deerlerin gösterimleri arasndaki Hamming Mesafesi bunlardan biridir. (Tablo 8 de görülen) Tablo 1 ikili ve Gray kodlamay 3-bit için karlar. 142

143 Tablo 8 kli ve Gray kodlama kili saylar dönüüm kullanlarak kolaylkla Gray kodlamaya çevrilebilirler. g b 1 1 g b b b b k k1 k k1 k (22) b k da k ikili saydaki bitin srasr. b 1 en anlaml biti(yani sol en bataki biti), b k nin deilini, + lojik OR lamay ve çarpmlar da lojik AND i gösterir. GA lar ayrca integer veya reel deerleri temsil eder ve bir kromozomda dekenlerin srasn önemli bir rol oynad yerdeki komut tabanl temsiller kullanlarak gelitirilmitir. Gaz için klasik temsil emas, sabit uzunluklu ikili vektörlerdir. Bir I-boyutlu arama uzayn durumunda, her bir birey bir bit stringi olarak kodlanan her bir dekenle I dekenlerinden oluur. Eer dekenlerin ikili deeri varsa, her bir kromozomun uzunluu I bittir. Nominal deerli dekenlerin durumunda, her bir nominal deer D boyutlu bit vektörleri olarak kodlanr. Bu deken için 2D, her bir D-bit stringi farkl bir nominal deerle temsil edilir. Ayrk nominal deerlerinin toplam sayr. Sürekli deerli dekenlerin durumunda, her bir deken D-boyutlu bir bit vektöre haritalanmalr. b k ; R 0,1 D (22) 143

144 Sürekli uzay aral, sonlu bir [, ] aralna srlandlmas gerekir. Standart ikili kod çözmeyi kullanarak her bir kromozom Cn in sürekli dekeni Cn,i sabit uzunluklu bir bit stringi kullanlarak kodlanr. Örnein, eer z [zmin, zmax] bir 30-bit gösterimine dönütürülmesi gerekirse, adaki formül kullanlabilir. 2 1 zz z z 30 min max min (23) Amaç fonksiyonunun uygunluk deerinin hesaplanmas için her iterasyonda kromozomun 10 luk say sistemine çevrilmesi gerekir. On bitlik genlerden oluan bir kromozom örnei ada verilmitir. Kromozom=[ ] gen1 gen2 gennpar Bu kromozomun bit say, toplam N bit =N gen xn par bit olarak bulunur. ekil 5 de verilen toporafik harita, 128x128 deerlendirme noktasndan olumaktadr. Eer x ve y, iki gen olarak kodlanrsa her bir gen, 7 bittir ve x, y parametreleri, 2 7 ye kadar deer alabilir. Bu deer aralklar ( )y( ) ve ( )x( ) dir. Böylece kromozom adaki gibi ifade edilir (Haupt 1998). Kromozom=[ ] x y Genler, adaki denklem kullanlarak onluk say sistemine çevrilir. Buradaki ikili say, her bir gen için üretilen ikili sayr. Xi ai decimal( )(bi a i ) Burada; a i = Parametrelerin alt sr deeri b i = Parametrelerin üst sr deeri m i =Gen in bit say dr (2 m i 1) (24) 144

145 5.4.2 Balangç Popülasyonu Kromozom, balangçta verilen popülasyon miktarna göre rasgele üretilir. Bu durumda N ipop xn bit adet bitlerle matris oluturulur. N ipop, balangç popülasyonunun toplam sayr, N bit de kromozomun bit sayr. Matrisin her bir sat, bir kromozomu temsil eder. Kromozomlar ise, enlem ve boylamlar temsil eder. Rasgele üretilen popülasyondaki parametreler, amaç fonksiyonunda yerlerine konularak ve uygunluk deerleri hesaplanarak deerlendirilir. Yirmi dört adet kromozomun uygunluk deerleri Tablo 9 da verilmitir. Kromozomlarn yerleimleri ekil 41 de toporafik harita üzerinde gösterilmitir. Tablo 9 Balangç popülasyonunun sralan [139] 145

146 ekil 41 Balangç popülasyonunun toporafik harita üzerinde da [139] Doal seçim Balangç popülasyonu fazla ise baz iteratif admlarn uygulanmas gerekir. Kromozom olarak en uygun olan hayatta kalmal dierleri de yok olmalr. Doal seçim, algoritmann her bir iterasyonunda (generasyonunda) meydana gelir. Burada ne kadar kromozomun elde tutulacana karar vermek biraz keyfidir. Kromozomlarda gelecek nesil içerisinde yer alma mücadelesi balamaktadr. Popülasyon içerisinde bütün kromozomlarn seçilmesi gelecek nesile çok fazla katk olmamaktadr. GA da deik seçim metotlar vardr. a. rlkl seçim: lk olarak amaç fonksiyonunda, kromozomlarn uygunluk deerleri hesaplanr. Hesaplanan uygunluk deerleri en küçükten en büyüe doru raya konur. Tablo 10 da görüldüü gibi N pop N ipop ise tutulur, geriye kalanlar atr. Burada N pop deeri N ipop a kadar olabilir. Genelde popülasyonun %50 sinin seçilmesi (N pop =N ipop/2 ) uygun seçenektir. Seçilen N pop un yar N iyi, yar da N kötü olarak ayrr. N iyi olanlar eletirme havuzuna konurken N kötü olanlar letirme havuzundan atr. Toplam popülasyon say N ipop =24 dür. GA nn her bir iterasyonunda popülasyonun 12 si tutulur ve bu kromozomlarn alt tanesi 146

147 letirme havuzuna atr. Doal seçim sonuçlar Tablo 10 da gösterilmitir. Bunlar amaç fonksiyonunda hesaplanan uygunluk deerlerine göre sralanm olup ilk alt tanesi gelecek nesil için kopyalanacaktr. b. ik deer seçim: Eik deerden küçük olan kromozomlar yaamaya devam eder, ik deeri aan kromozomlar ölür. Bu tekniin avantaj, popülasyonun ralanmasna gerek olmamasr. c. Rulet tekerlei seçim: Rulet tekerlei seçim metodunun uygulanmas için, ilk önce kromozomlarn toplam uygunluk deeri hesaplanr. Kromozomlar, toplam uygunluk deerine bölünerek her bir kromozom için 0 1 arasnda deen seçim ihtimalleri bulunur. Daha sonra, kümülatif ihtimaller hesaplanr. Popülasyon say kadar rasgele 0-1 arasnda saylar üretilir. Üretilen rasgele say, birinci kromozomun kümülatif seçim ihtimalinden küçük ise, birinci kromozom seçilir. er deilse, ikinci kromozomun veya dierlerinin kümülatif ihtimalleriyle karlalarak hangisinden küçükse o kromozom seçilir. Böylece Rulet seçim metodu gerçekletirilmi olur. d. Turnuva Seçimi: Bu yöntemde bir grup k bireyi rasgele olarak seçilir. Bu k bireyleri daha sonra bir turnuvaya katr ve en iyi uygunluklu birey seçilir. Çaprazlama için iki turnuva tutulur. Bunlardan biri her bir ebeveyni seçmek içindir. Bir kereden daha fazla üretmek için seçilebilecek bir ebeveyn mümkündür. Turnuva seçiminin avantaj, popülasyonun daha kötü bireylerinin seçilmeyecek olmas ve bundan dolay sonraki neslin genetik yapna katlmayacak olmasr. Ayrca en iyi bireyler tekrar üretim sürecinde baskn olmayacaktr. e. Seçkinlik(elitism): Bu ilem, u anki nesilden sonraki nesle aktarlan bir grup bireyin seçimini kapsar. Mutasyona uratlmaksn, sonraki nesle aktarlan bireylerin say, nesil boluu olarak iaret edilir. Eer nesil boluu srsa; yeni nesil, yeni bireylerin girileriyle oluur. Pozitif nesil boluklar için, diyelim ki k, k bireyleri sonraki nesle aktarr. Seçilen genler sonraki yeni nesli oluturmak için çaprazlama ve mutasyon genetik operasyonlarndan geçer. 147

148 Tablo 10 Kromozomlarn uygunluk deerlerine göre sralan [139] letirme ki adet yeni nesil üretmek için N iyi kromozomlarn bulunduu eletirme havuzundan iki tane kromozom seçilir. Eletirme, seçilen kromozomlar arasnda gerçekletirilir. Eletirmenin deik yöntemleri vardr. a. Yukardan aya doru eletirme: Listenin en üstünden balanr ve eletirme için seçilen N iyi kromozomlarn sayna ulaana kadar devam edilir. Böylece kromozom 2i-1 ile kromozom 2i i=1,2,3 için eletirilir. Bu örnekte kromozom 1 ile kromozom 2, kromozom 3 ile kromozom 4 ve kromozom 5 ile kromozom 6 eletirildi. Bu metot, doal bir yöntem olmamakla beraber yeni balayanlar için kolay bir yoldur. b. Rasgele eletirme:. Kromozomlarn eletirilmesinde rasgele say üreteci kullanr. Kromozomlar 1 den balayarak N iyi ye kadar sralanr. Birinci letirmeyi bulmak için iki adet rasgele say üretilir. 148

149 Kromozom=roundup{N iyi x rasgele say} Burada roundup fonksiyonu, saylar en yüksek sayya yuvarlar. Örnein; rasgele olarak üretilen 6 say , , , , ve ise bu saylar, 6 ile çarpp bir üst tamsayya yuvarlanarak; 1, 5, 1, 2, 5, 3 deerleri elde edilir. Buna göre kromozom 1 -kromozom 5, kromozom 1 -kromozom 2 ve kromozom 5 -kromozom 3 eletirilecektir. c. rlkl rasgele eletirme: Bu yöntem, eletirme havuzundaki kromozomlarn, amaç fonksiyonunda hesaplanan uygunluk deerlerine göre seçilme ihtimallerini dikkate alr. En düük uygunluk deerine sahip kromozom, eletirme ihtimali en yüksek kromozom olurken en yüksek uygunluk deerine sahip kromozom letirme ihtimali en düük olarak düünülür. Üretilen rasgele say, hangi kromozomun seçileceini belirler. Bu yöntem kendi arasnda ikiye ayrr. d. ra Arlk: Kromozomlar büyükten küçüe doru sralanr ve denklem (25) kullanlarak kromozomlarn sralamasndaki yerlerine göre Pn olasklar hesaplanr. P n N iyi n 1 6 n 1 7 n n N iyi n1 (25) Burada n, sra say göstermektedir. Bu yöntemle uygunluk deerlerinden bamsz olarak, sadece sralamay dikkate alan P n normalize deerleri elde edilmektedir. Bu metot uygulanarak alnan sonuç Tablo 11 de gösterilmitir. Tablo 11 Eletirme olasklar [139] 149

150 Kromozomlarn seçilmesinde kümülatif ihtimaller kullanr. Rasgele olarak 0 1 arasnda bir say üretilir. Bu say, kümülatif ihtimallerin en bandan balanarak srayla karlar. Kümülatif ihtimal deeri, üretilen rasgele saydan büyükse, eletirme havuzu için kromozom seçilir. Benzer tarzda 6 tane rasgele say üretilerek eletirme gerçekletirilir. Üretilen rasgele saylar , , , , ve dir. Bu saylara göre kromozom 1 -kromozom 3, kromozom 1 -kromozom 1 ve kromozom 3 -kromozom 2 eletirilirler. Kromozomlar kendisi ile eletirilirse, bu kromozomun gelecek nesilde daha etkin olarak yer ald söylenebilir. Bu yaklam tarz doaya daha uygundur. Deer arlk: Kromozomlarn uygunluk deerleri amaç fonksiyonundan hesaplanr. Eletirme havuzunda N iyi+1 inci srada bulunan kromozomun amaç fonksiyonunda hesaplanan uygunluk deeri, bütün eletirme havuzundaki kromozomlardan çkartr. N iyi+1 inci, sradaki kromozomun uygunluk deeri dur. Eletirme havuzundaki her bir kromozomun normalize uygunluk deerleri ve seçilme ihtimalleri adaki gibi hesaplanr. C n = f(kromozom n) - f(kromozomn iyi+1) (26) C n P n (27) C N iyi p 1 p Buna göre Tablo 12 de üstteki kromozomlarn daha arlkl olarak sralamada yer ald görülmektedir. Daha önce üretilen rasgele saylar kullanrsa kromozom 1 - kromozom 3, kromozom 1 -kromozom 1 ve kromozom 3 -kromozom 1 eletii görülür. Tablo 12 Eletirme havuzunda kromozomlarn sralan [139] 150

151 5.4.5 Çaprazlama ki adet yeni nesil elde etmek için kromozomlarn bulunduu eleme havuzundan iki adet kromozom seçilir. Eleme sürecinde, seçilen kromozomlardan bir ve birden fazla yeni nesil oluturma olayna çaprazlama denir. En yaygn olarak kullanlan iki kromozomdan iki tane yeni nesil elde edilmesidir. Öncelikle kromozomun ilk biti ile son biti arasnda çaprazlama noktas rasgele seçilir. Birinci kromozomun çaprazlama noktasn solundaki bitlerin hepsi ikinci kromozoma geçerken, benzer tarzda ikinci kromozomun çaprazlama noktasn solundaki bitler de birinci kromozoma geçerler. Sonuçta meydana gelen yeni kromozomlar, her iki kromozomun karakterlerini içermektedirler. Çaprazlama oran, bir popülasyonda ne kadar kromozomun çaprazlamaya tabi tutulaca belirler. yer deg isecek Kromozom Nesil yer degisec ek Kromozom Nesil i 2 2 ekil 42 Tek noktal çaprazlama ekil 43 Gerçek kodlu GA da çaprazlama 151

152 Gerçek kodlu GA da sonraki neslin reel saylar detirmediine dikkat edin ekil 43). Çünkü çaprazlama noktas her zaman reel saylar arasndadr. (1,5,10 ve 14) Sonuçta meydana gelen nesiller her iki kromozomun karakterlerini içermektedirler. Bu durum Tablo 13 de gösterilmitir. Tablo 13 Eletirmesi yaplan kromozom çiftleri [139] Mutasyon GA operatörlerinin ikincisi olan mutasyon, kromozomdaki bitlerin küçük bir yüzdesini detirir. Mutasyon ile kromozomdaki bitler 1 ise 0, 0 ise 1 yapr. N pop xn bit lik bir popülasyon matrisinde, mutasyon noktalar rasgele seçilir. Mutasyonun % deeri artrsa, algoritma daha geni parametre uzay tarama yapar. Son iterasyonda mutasyon meydana gelmez. Verilen örnee, en iyi kromozom hariç tutularak %5 lik mutasyon deeri uygulanrsa, rasgele say üreteci 7 adet kromozom için, satr ve sütunlara kark gelecek tam saylar üretir. Böylece üretilen tamsaylara göre dördüncü satr ve on birinci sütundaki (4 11) bit 0 iken 1 yapr (5-3), (2-2), (2-1), (5-14), (8-10) ve (5-8) satr ve sütun numaralarna göre alt kez meydana gelir. Çou mutasyonlar, kromozomlarn uygunluk deerini artrarak daha iyi sonuç elde edilmesine yardmc olur. Çaprazlamada olduu gibi, mutasyonda gerçek kodlu ve ikili kodlu GA da farkl etkilere sahiptir. ES mutasyonunda, gen stringlerinin deerleri, normal bir ekilde dalm küçük bir say ekleyerek detirilmesiyle iyi bir ayarlama olarak anlalabilir. GA da bir bitin terslenmesinin geni bir etkisi olabilir, 152

153 ekil 44 GA da mutasyon ilemleri Gelecek nesil terasyon sonucunda, çaprazlamaya ve mutasyona uram kromozomlarn uygunluk deerleri hesaplanarak Tablo 14 de verilen yeni nesil elde edilir. talik yazlan bitler, mutasyona urayanlardr. Tablo 15 de görüldüü gibi bir sonraki admda kromozomlar uygunluk deerlerine göre yeniden sralanr ve eletirme havuzuna konur. Balangç popülasyonun ortalama deeri, iken birinci nesilden sonra bu deer, e ular. Tablo 15 deki kromozomlarn toporafik harita üzerinde yerleimi ekil 45 de verilmitir. letirme havuzunda kromozomlarn sadece alt tanesi tutulmaktadr. Tekrar çaprazlama, mutasyon ve sralamadan sonra elde edilen üçüncü nesil Tablo 16 da gösterilmektedir. Üçüncü neslin sonunda popülasyon genel ortalamas olmaktadr. Dördüncü neslin sonunda ise ve yerleimi ekil 46 da görülmektedir. 153

154 Tablo 14 Çaprazlamaya ve mutasyona uram yeni nesil [139] Tablo 15 kinci nesilden sonra sralama [139] 154

155 ekil 45 kinci neslin toporafik harita üzerinde da [139] Tablo 16 Üçüncü nesilden sonra sralama [139] 155

156 ekil 46 Dördüncü neslin toporafik harita üzerinde da [139] Yaknsama terasyon sayna veya uygun bir çözüme ulancaya kadar ileme devam edilir. Bütün kromozomlarn uygunluk deerleri demiyorsa algoritma durdurulmalr. Çou GA lar genel ortalama, standart sapma ve minimum uygunluk deeri gibi istatistikleri tutarlar. Bu istatistikler, yaknsama testi için bir ölçü olabilir. Son popülasyondaki kromozomlarn yerleimi ekil 3.9 da gösterilmektedir. Sekizinci neslin sonunda toporafik harita üzerinde iki minimum noktas etrafnda younlama görülmektedir. Örnekte dokuzuncu iterasyonun sonunda global minimum olarak elde edilmitir. 156

157 ekil 47 Sekizinci neslin toporafik harita üzerinde da [139] Algoritmann minimuma yaknsamas ve her bir neslin genel ortalamas ekil 48 de verilmektedir. Popülasyonun ortalama uygunluk deeri, algoritmann yaknsamas hakknda bilgi vermesi bakndan önemli bir kriterdir. Örnein maksimizasyon probleminde, farkl iki seçim metodu karlayor ise ortalama uygunluk deeri yüksek olan seçim metodu daha iyi sonuç vermektedir denilebilir. 157

158 ekil 48 lk sekiz neslin ortalama ve minimum uygunluk deerleri [139] 5.5. Gerçek kodlu genetik algoritma Problemlerin çözümünde rakamlarn hassasiyeti önemli bir yer tutmaktadr. kili kodlu GA da, parametrelerin 1 ve 0 larla ifade edilmesi, kromozomlarn boyutlar oldukça artrdndan srl hassasiyete sahiptir. Bunun yerine gerçek rakamlarla kodlama yapabilen, gerçek kodlu GA y kullanmak avantajlr. Gerçek kodlu GA, hem daha hassas hem de PC belleinde daha az yer kaplamaktadr. Çunka ve Akkaya, deik test fonksiyonlar kullanarak ikili kodlu GA ve gerçek kodlu GA nn temel farklklar irdelemiler. Gerçek kodlu GA larn ikili kodlu GA ya göre hzl çal ve global optimumu daha ksa sürede bulduunu göstermilerdir [145]. Gerçek kodlu GA baz literatürlerde Sürekli Parametreli GA olarak da bilinmektedir. Bu çalmada Gerçek Kodlu GA tanmlamas kullanlmr. Gerçek kodlu GA, ikili kodlu GA ya çok benzemektedir. Aralarndaki en önemli farklk parametrelerin 1 ve 0 lar yerine gerçek rakamlarla ifade edilmesidir. Gerçek kodlu GA nn ak diyagramekil 49 da verilmitir. 158

159 ekil 49 Gerçek kodlu GA nn ak diyagram Amaç fonksiyonu ve parametreler Optimizasyonda amaç, parametrelerin en uygun deerlerini bulmaktr. Optimize edilecek parametre deerleri, bir dizi haline getirilip kromozom ekline sokularak GA ile çözülür. N par parametreye sahip bir kromozom 1xN par boyutlu matris biçiminde yazr. Kromozom=[P 1,P 2,P 3,... P ] N par Gerçek kodlu GA da parametrelerin hepsi ondalk rakamlarla ifade edilir ve her bir kromozomun bir uygunluk deeri (C ) vardr. C=f(kromozom)=f(P 1,P 2,P 3,... Örnein; amaç fonksiyonu C= f (x, y) x sin(4x) 1,1y sin(2y) P N par ) ve parametre srlar 0x10, 0y10 olarak tanmlanrsa Kromozom=[x,y] eklinde ifade edilebilir. Buradaki problem iki parametreli bir optimizasyon problemi 159

160 olup ekil 50 de grafik olarak gösterilmitir. Bu problem, daha zor bir optimizasyon problemidir ve klasik metotlarla bu fonksiyonun global minimumunu bulmak zordur. GA kullanrsa global minimumu bulmak kolaylar. ekil 50 f (x, y) x sin(4x) 1,1ysin(2y) nin üç boyutlu görünümü Balangç Popülâsyonu GA nn çalmaya balayabilmesi için, N ipop kromozomdan oluan balangç popülâsyonuna ihtiyaç vardr. Popülâsyonun kromozomlar N par xn ipop luk bir matris ile temsil edilir. Kromozomlar denklem (28) kullanlarak rasgele üretilir. POP=(P H -P L ) x rasgele{n ipop,n par }+P L (28) Burada; P H Parametrenin üst sr deeri P L Parametrenin alt sr deeri rasgele{n ipop,n par } N ipop xn par olacak ekilde matris formunda 0-1 arasnda üretilen rasgele sayr. 160

161 Bu tanmlamalar her parametre için kullanlabilir. Parametrelerin bu ekilde deerleri belirlendikten sonra amaç fonksiyonunda yerlerine konularak fertlerin uygunluk deerleri hesaplanr. x ve y den oluan iki tane parametre vardr. Sr deerleri P L =0 ve P H =10 dur. Amaç fonksiyonu biraz karmak olduundan, balangç popülâsyonunun yüksek tutulmas iyi sonuç vermektedir. Balangç popülasyon say N ipop =48 seçilir ve bu durumda popülasyon matrisi 48x2 dir. Balangç popülâsyonun büyüklüü ararma uzayn daha geni seçilmesini salar. Balangç popülâsyonunun amaç fonksiyonunda hesaplanan uygunluk deerlerinin toporafik harita üzerinde da ekil 51 de gösterilmitir. ekil 51 Birinci neslin toporafik harita üzerinde da [139]. 161

162 5.5.3 Doal seçim Gelecek nesilde, hangi kromozomun yer alacan belirlenmesi gerekir. kili kodlu GA da yapld gibi kromozomlar, büyükten küçüe doru sralanr. Gerçek kodlu GA da gelecek iterasyonda kullanlmak üzere N pop kadar kromozom tutulur ve geri kalan dikkate alnmaz. Doal seçim, en iyi kromozom uygunluk deeri bulununcaya kadar devam etmelidir. N pop kromozomlar, kendi aralarnda N iyi ve N kötü olarak büyükten küçüe doru sralamaya tabi tutulur. N iyi, eletirme havuzuna atrken, N kötü hariçte tutulur. Örnekte 48 adet kromozomun ortalama uygunluk deeri ve en iyi kromozomun uygunluk deeri dr. Alt sradan balanarak 24 tanesi atrsa, geri kalan kromozomlarn ortalama uygunluk deeri 4.27 olmaktadr. Tablo 17 de gösterildii gibi her bir iterasyonda N pop = 24 kromozom kullanr ve bunun 12 tanesi N iyi, 12 tanesi N kötü olarak tanmlanr. Tablo 17 Yirmidört adet kromozomun sralanmas (Haupt 1998) 162

163 5.5.4 letirme Kromozomlarn eletirilmesinde ikili kodlu GA da tanmlanan Arlkl letirme metodu kullanlm ve uygunluk deerlerine göre kromozomlarn seçilme ihtimalleri Tablo 18 de verilmitir. Çizelgede görüldüü gibi eletirme çounlukla yukardan aya doru yaplmaktadr. Çünkü sralamann altndaki kromozomlarn uygunluk deerleri küçüktür. Rasgele üretilen 6 tane say aya sralanmr. (0.4679,0.5344), (0.2872,0.4985), (0.1783,0.9554), (0.1537,0.7483), (0.5717,0.5546), (0.8024,0.8907). Üretilen bu saylar kullanlarak eletirme adaki gibi gerçekletirilir. Anne=[3, 2, 1, 1, 4, 5 ] Baba=[3, 3, 10, 5, 3, 7] Tablo 18 Kromozomlarn uygunluk deerlerine göre seçilme ihtimalleri Çaprazlama Çaprazlama için çok farkl yaklamlar vardr. Adewuya ve Michalewitcz tarafndan ilginç metotlar ortaya konulmutur [146, 147]. Kromozomun bir veya birden fazla yerinden bölünerek iaretleme yaplmas ve iaretlenen yerlere göre kromozomun karkl genlerinin yerlerinin detirilmesi tek düzen metot olarak adlandr. daki iki adet kromozom ele alrsa; 163

164 detirilir. Kromozom 1 =[P a1,p a2,p a3,p a4,p a5,p a6,... P ] an par Kromozom 2 =[P b1,p b2,p b3,p b4,p b5,p b6,... P ] Çaprazlama noktalar rasgele seçilir ve parametrelerin genleri karkl Nesil 1 =[P a1,p a2, P b3,p b4,p a5,p a6,... Nesil 2 =[P b1,p b2,p a3,p a4,p b5,p b6,... bn par P an par ] P bn par ] Burada parametrelerin deerleri dememektedir ve parametreler sadece gelecek nesil içerisinde farkl yerlerde yer almaktadr. Bu ilem, ikili kodlu GA için iyi bir yöntem kabul edilmesine ramen gerçek kodlu GA için iyi sonuç vermez. Karrma metotlar, gerçek kodlu GA için daha iyi sonuç vermektedir. Burada iki parametrenin deerleri karr ve adaki formül kullanlarak yeni nesil elde edilir [148]. P yeni = P an +(1- )Pbn (29) = 0 ve 1 arasnda üretilen rasgele say P an = Anne kromozomun n. parametresi P bn = Baba kromozomun n. parametresi kinci nesil, yerine 1- konularak ve birinci neslin tümleyeni alnarak bulunur. =1 ise, P an baskn gelir ve P bn ölür. =0 ise P bn baskn gelir ve P an ölür. =0.5 olduu zaman [149], sonuç iki parametrenin ortalamas olarak ortaya çkar. Bu metodun iyi ledii [147] tarafndan gösterilmitir. Karrma ilemi için hangi parametrenin seçilecei belirlenmelidir. Bazen çaprazlama noktalarn solundan veya sandan balanarak bütün parametreler için lineer bir kombinasyon ilemi yapr. Çaprazlama noktas rasgele seçilebilir. Parametreler, farkl deerleri kullanlarak karlabilir. Parametrelerin sr aralklar kullanrsa, iki kromozomun bilgileri etkili olarak karr. Gerçek kodlu GA karrma metotlarn en basiti, lineer çaprazlama metodu dur [150]. Bu metotla iki kromozomdan üç tane nesil üretilir. 164

165 P yeni1 =0.5P an +0.5P bn (30) P yeni2 =1.5 P an -0.5 P bn (31) P yeni3 = -0.5 P an +1.5 P bn (32) Parametre srlar dnda kalan herhangi bir nesil dikkate alnmaz. Sonraki popülâsyonda kromozomun hayat dier iki nesil devam ettirir. Dikkat edilecek olursa pek fazla dememektedir. Dier bir çaprazlama metodu olan Heuristic çaprazlama da ise, 0-1 arasnda deer almaktadr ve yeni nesil adaki formüle göre elde edilir [147]. P yeni =(P an -P bn )+P an (33) Her parametre için farkl deeri üretilerek yeni nesiller elde edilir. Denklem (33) göre, izin verilen baz deerlerin dnda üretilen yeni nesiller ihmal edilir. Algoritma, yeni deeri üreterek ileme devam eder. Karma çaprazlama metodu (blend crossover, BLX-) baz parametrelerin deerlerini belirleyerek ileme balar [151]. deeri, parametrelerin d srlar belirler ve bu srlara göre yeni nesiller üretilir. Kuadratik çaprazlama gibi metotlar amaç fonksiyonu için saysal uygunluk gerçekletirmeye çalrlar. Saysal uygunluun gerçekletirilebilmesi için üç adet kromozoma ihtiyaç duyulmaktadr [146]. Heuristik çaprazlama metoduyla extrapolasyon metodunun kombinasyonundan oluan metot, en çok kullanlanr [139]. Bu metotla, ikili kodlu GA daki çaprazlamaya daha çok yaklalmaktadr. Burada ilk olarak çaprazlama noktas rasgele seçilir. =roundup{rasgele x N par } (34) Kromozom 1 =[P a1,p a2...p a... P ] an par Kromozom 2 =[P b1,p b2.....p b... P ] bn par 165

166 Burada m ve n indisleri anne ve baba kromozomlar tanmlamak amacyla kullanlmaktadr. Bu metotta, denklem (35) ve denklem (36) kullanlarak yeni nesiller elde edilir. P yeni1 =P a -[P a -P b ] (35) P yeni2 =P b -[P a -P b ] (36) Burada, 0-1 arasnda bir deerdir. Üretilen bu yeni nesiller kromozomda yerlerine konularak ilem tamamlanr. Nesil 1 =[ P a1,p a2...p yeni1... Nesil 2 =[ P b1,p b2...p yeni2... P bn par ] P an par ] er kromozomun birinci parametresi seçilirse, seçilen parametrenin sandaki parametreler detirilir. Kromozomun en son parametresi seçilirse, seçilen parametrenin solundaki parametreler detirilir. Bu yöntemde >1 den büyük olmadkça sr deerleri aan herhangi bir parametre üretilmemektedir. Örnein; Kromozom 2 =[5.2693, ] Kromozom 3 =[9.1032, ] kromozomlar ele alalm. Rasgele say olarak üretilen =1 için çaprazlama noktas olarak 1. parametre seçilmektedir. kinci rasgele say olarak üretilmektedir. Denklem (3.12) ve (3.13) göre yeni nesil adaki gibi bulunur. Nesil 3 =[ x x9.1032,7.6151]=[8.0094,7.6151] Nesil 4 =[ x x9.1032,9.1382]=[6.3631,9.1382] Dier kromozomlara da ayn kurallar uygulanarak yeni nesiller elde edilir. = Mutasyon Genetik algoritmalar, bazen çok hzl yaknsarlar. Yaknsama sonucunda global maksimum bulunursa sonuç iyi, lokal minimumlar bulunursa beklenen sonuç elde edilememi demektir. Hzl yaknsamadan kurtulmann yolu, ararma uzaynda, mutasyon aracyla yeni çözümler elde etmektir. kili kodlu genetik algoritmada da, mutasyon oran %1-%5 arasnda detirilirse iyi sonuçlar elde edilir [145]. Gerçek kodlu 166

167 GA da mutasyon oran ise daha yüksektir. Parametrelerin toplam say ile mutasyon oran çarplarak mutasyona girecek parametre say tespit edilir. Bir matriste, satr ve sütunu ifade edecek ekilde rasgele rakamlar üretilerek mutasyon gerçekletirilir. Örnein; mutasyon deerini =0.04 olarak alrsa, mutasyona urayacak parametre say 0.04x24x2=2 olarak hesaplanr. Çizelge 10 daki kromozom 7 nin birinci parametresi ile kromozom 22 nin ikinci parametresi mutasyona urarsa, kromozom 7 nin birinci parametresi ile kromozom 22 nin ikinci parametresi silinir ve yerine 0 10 arasnda yeni bir rasgele say üretilerek konur. Kromozom 7 =[4.1208, ] => Kromozom 7 =[8.6750, ] Mutasyon süreci tamamlandktan sonra, yeni popülâsyonun sralamas Tablo 19 daki gibi olur. Algoritma, yedinci iterasyondan sonra minimum uygunluk deerini 18.5 olarak bulmaktadr. Popülâsyon üyelerinin toporafik harita üzerinde daekil 52, ekil 53 ve ekil 54 de gösterilmitir. ekil 52 de görüldüü gibi popülasyon üyeleri üçüncü iterasyondan sonra iki minimum etrafnda toplanmaya balamaktadr. ekil 53 de görüldüü gibi beinci iterasyondan sonra, bir minimum etrafnda toplanmakta ve ekil 54 daki gibi nihayet yedinci iterasyondan sonra global minimuma (-18.5) ulamaktadr. ekil 55 de gerçek kodlu GA nn yaknsama grafii verilmitir. 167

168 Tablo 19 Gerçek kodlu GA nn ikinci nesilden sonraki sralan (Haupt 1998) ekil 52 Üçüncü neslin toporafik harita üzerinde da 168

169 ekil 53 Beinci neslin toporafik harita üzerinde da ekil 54 Yedinci neslin toporafik harita üzerinde da 169

170 ekil 55 Yedi tane neslin ortalama ve minimum uygunluk deerleri [139] 5.7. Örnekler Bir Açklay Örnek GA Nasl Çalr X parametresinin 0 ve 15 arasnda deken olduu (15x-x 2 ) fonksiyonun maksimum deerini bulalm. Kolaylk için biz x i sadece integer deerlerden alacaz. Böylece, kromozomlar dört genle ifade edilebilir (Tablo 20). Tablo 20 Kromozomlar Farz edelim ki; kromozom populasyon boyutu 6, çaprazlama olas 0,7 ve mutasyon olas dir.( seçilen bu olasklar GAlarda yeterince tipiktir.) Uygunluk fonksiyonu öyle tanmlanr, 170

171 f(x) = 15x x 2 GA rasgele bir ekilde üretilen birler ve srlarla alt adet 4-bit string ile doldurularak kromozomlarn balangç populasyonunu oluturur. Balangç populasyonu Tablo 21 de gösterilen gibi görünebilir. (Gerçek pratik bir problem, tipik olarak binlerce koromozomlu bir populasyona sahip olacaktr.) Sonraki adm her bir birey kromozomun uygunluunu hesaplamaktr. Bu durumda balangç populasyonunun ortalama uygunluu 36 dr. Bunu gelitirmek için, balangç populasyonu genetik operatörler kullanlarak detirilir: seçim, çaprazlama ve mutasyon. Tablo 21 Rasgele bir ekilde üretilen balangç kromozomlarn populasyonu Doal seçilimde, sadece en uygun türler hayatta kalabilir, üreyebilir ve sonraki nesle onlarn genleri ile geçilebilir. GA lar benzer bir yaklam kullanr. Fakat doadan farkl bir ekilde, kromozom populasyonunun boyutu bir nesilden sonrakine detirilmemi kalr. Tablo 21 deki son kolon, populasyonun toplam uygunluuna bireysel kromozomlarn uygunluk oran gösterir. Bu oran, eleme için kromozomlarn seçilme ans tanmlar. Böylece, x3 ve x4 kromozomlarn çok düük bir seçilme olas varken, x5 ve x6 kromozomlarn yeterli ans vardr Seçim leme için bir kromozom seçminde, rulet tekerlei seçimi tekniini kullanarak, [0,100] aralnda rasgele bir say üretilir ve kümülatif orann rasgele say içerdii kromozom seçilir. Bu, uygunluklaryla orant olarak tekerlek üzerinde bir alana sahip her bir kromozomun yer ald bir tekerlein dönmesi gibidir. 171

172 Örneimizde, biz alt kromozomlu bir balangç populasyonuna sahibiz. Böylece, sonraki nesilde ayn populasyon boyutunu kurmak için, alt rasgele say üretilecektir.(bu, rulet tekerleinin alt kez dönmesi gibidir.) lk iki dönme, x6 ve x2 ebeveyn olmak için seçebilir; ikinci dönme çifti, x1 ve x5 kromozomlar seçebilir ve son iki dönü x2 ve x5 kromozomlar seçebilir Çaprazlama Bir çift ebeveyn kromozom seçildikten sonra, çaprazlama operatörü uygulanr. Öncelikle çaprazlama operatörü rasgele bir ekilde, iki ebeveyn kromozomu kracak ve bu noktadan sonra kromozomlarn parçalar detirecek bir çaprazlama noktas seçer. Sonuç olarak iki yeni yavru oluturulur. Mesela, iki kromozom x6 ve x2 ikinci genden sonra çaprazlanabilir. Her biri iki yavru üretir. Adaki gibi gösterilir: Ebeveynler Çocuklar er bir çift kromozom çaprazlanmazsa, yavrular bireylerin tam kopyas olarak oluturulur. 0.7 çaprazlama olas genellikle iyi sonuç üretir Mutasyon Doada nadiren olan Mutasyon, gendeki bir deiklii temsil eder. Bu, uygunlukta önemli bir gelimeye neden olabilir. Fakat çounlukla, oldukça faydal sonuçlar vardr. Mutasyonun rolü, arama algoritmasn bir local optimuma taklmamasn garantisini salamaktr. Seçim sras ve çaprazlama operatörleri herhangi bir homojen çözüm kümesinde durgunlaabilir. Böyle artlar altnda, tüm kromozomlar özdetir ve bu yüzden populasyonun ortalama uygunluu gelitirilemeyebilir. Çözüm sadece optimal ( veya local olarak oldukça optimal) olmak görünebilir. Çünkü arama algoritmas daha fazla ilerlemeyebilir. Mutasyon rasgele bir aramaya edeerdir ve genetik farklklarn kaybn korunmasnda bize yardm eder. 172

173 Mutasyon operatörü bir kromozomda rasgele bir ekilde seçilen geni çevirir. Mesela, ada gösterildii gibi, x1 ikinci geninde ve kromozom x 2 de üçüncü geninde mutasyona uratlm olabilir. Mutasyon, baz olaskl kromozomda, herhangi bir gende meydana gelebilir. Mutasyon olas doada oldukça küçüktür ve GAlarda oldukça küçük tutulur. Tipik olarak ile 0.01 aralnda. Genetik algoritmalar, populasyonun ortalama uygunluunun sürekli gelitirilmesini temin eder ve bir nesil sayndan sonra (tipik olarak birkaç yüz) populasyon bir yakn-optimal çözümü gelitirir. Örneimizde son çözüm sadece ve kromozomlarndan oluur. Bu f(x) = 15x x 2 = 56 dr. Bu örnekte, problem sadece bir dekene sahiptir. Çözümünü göstermek kolaydr Bir GAnn Nasl Çal Gösteren Dier Bir Örnek (30x - x2) fonksiyonunun [0, 31] aralnda maksimumunu bulalm. lk adm deken kümesi x i kodlamaktr. Örnein, be-dijit ikili string [ ] eklindedir. Sonra balangç populasyonunu üretiriz. Bu örnekte, ada gösterildii gibi populasyon, dört potansiyel çözüm içerir. 173

174 Tablo 22 Nesil-0 kromozomlar Balangç populasyonu rasgele bir say üretici kullanlarak üretilir. Bu populasyondan stringler x dekeninin deerleriyle ilgilidir ve bu deerleri kullanarak biz f(x) fonksiyonunun deerlerini deerlendiririz. Maksimizasyon problemi için, bu fonksiyon seçim ilemi yapabileceimiz temelde uygunluk fonksiyonu olarak ileme geçirilebilir. Bu populasyonun toplam uygunluu 717 dir ve yukardaki tablonun son kolonunda her bir kromozomun uygunluu yüzde olarak ifade edilir. Seçim ilemi, kromozom çiftlerini bant kuvvetlerine göre eleme için deerlendirir ve seçer. Her bir kromozomun uygunluuna dayanarak, bir seçim mekanizmas, genetik manipülasyon ilemi için elemeleri seçer. Seçim politikas, sonunda en iyi uygunluklu kromozomlarn(bireylerin) kurtarlmas için sorumludur. Bu örnekte, ilk string bir kopyas, ikincinin iki kopyas ve dördüncü stringin bir kopyas seçilir. [ikinci string en yüksek uygunlua sahiptir. Eleme için seçilmeyen üçüncü string ise en düük uygunlua sahiptir.] genellikle seçim ileminde ya orant seçim(rulet tekerlei seçimi), ya dereceli seçim ya da turnuva seçimi uygulanr. Genetik operasyon( veya maniülasyon ilemi) genetik operatörleri kullanr: çaprazlama (Ayrca, iki ebeveynin gen stringlerinin alt parçalar birletiren yeniden birletirme operatörü de denir.) ve mutasyon, genetik bilgiyi ileyerek, yeni bir kromozom populasyonu (yavrular) üretmek. Çaprazlamada, öncelikle, çaprazlamann meydana gelip gelmeyeceine karar verilir ve eer yaplacaksa, rasgele say üreticisi tarafndan tanmlanan çaprazlama noktasnda stringler yer detirir. Aksi takdirde stringler basitçe kopyalanr. Örneimizde, populasyon boyutu dörtte korunur ve çaprazlama ilk çift için ikinci pozisyonda ve dier çift için üçüncü pozisyonda meydana gelir. 174

175 Tablo 23 Nesil-0 çaprazlama Mutasyon operatörü baz kromozomlar rasgele bir ekilde detirerek populasyonda yeni genetik yap ortaya çkarr. Arama algoritmasn lokal en iyiye taklmaktan kurtulmasna yardm eder. Mutasyon bazen rasgele bir string detirilerek gerçekletirilir. Yukardaki tabloda ikinci kromozomun dördüncü biti mutasyona ratlmr. Tablo 24 Nesil-0 mutasyon Çaprazlama ve mutasyondan sonra yeni bir nesil oluturulur ve sonlanma ölçütü istenilene ulancaya kadar ilem devam eder. Sonlanma ölçütü simülasyon zamann dolmas, nesil say amas veya bir yaknsama ölçütünü salamas durumu olabilir. Tablo 25 Nesil-1 kromozomlar 175

176 Tablo 26 Nesil-1 çaprazlama Tablo 27 Nesil-1 mutasyon Tablo 28 Nesil-2 kromozomlar ki Deken çeren Bir Baka Örnek istensin. Farz edelim ki, iki dekenin peak fonksiyonunun maksimumunu bulunmas x ve y parametreleri -3 ve 3 arasndadr. lk adm kromozom olarak problem dekenlerini temsil etmektir. x ve y parametrelerini birletirilmi bir ikili string olarak temsil ederiz: 176

177 Her bir parametre sekiz ikili bitlerle gösterilir. Sonra kromozom populasyonunun boyutunu seçeriz. Örnek için 6 ve rasgele bir ekilde balangç populasyonu üretilir. Sonraki adm her bir kromozomun uygunluunu hesaplamaktr. Bu iki seviyede yapr. Önce, bir kromozom iki reel say içine dönütürülerek kodlanr. x ve y, bunlar -3 ve 3 arasndaki aralktadr. Sonra kodlanan x ve y peak fonksiyonunun içine koyulur Kodlama Önce, 16 bit bir string olan bir kromozom iki 8 bit stringe parçalanr. Sonra, bu stringler ikiliden (2 tabanndan) onlua (10 tabanna) çevrilir. ( ) 2 = (138) 10 ve ( ) 2 = (59) 10 imdi, 8-bit olarak ele alnabilen, 0 dan (2 8 1) e, integer larn aral x ve y parametrelerinin gerçek aralna haritalanr. Bu ise -3 den 3 edir: = 6/(2 8 1) = x ve y nin gerçek deerlerini elde etmek için, onluk deerlerini ile çarpar ve sonuçtan 3 ü çkarz: x = (138) 10 ( ) 3 = ve y = (59) 10 ( ) 3 = Matematiksel fonksiyonda kodlanan x ve y deerlerini giri olarak kullanarak, GA her bir kromozomun uygunluunu hesaplar. 177

178 Maksimum peak fonksiyonunu bulmak için, 0.7 olaskla çaprazlama, olaskla mutasyon ve 100 nesil say kullanacaz. Bunun anlam, GA durmadan önce 6 kromozomun 100 neslini oluturacak olmasr. GA larn amacndaki en ciddi problem sonuçlarn kalitesiyle ilgilidir. Sonuçlarn özellikle en uygun çözüme ulap ulalmamasr. Güvencenin baz derecelerini salamann bir yolu farkl mutasyon oranlar altnda elde edilen sonuçlar karlarmaktr. Sabit sonuçlarn olumlu olmas için, biz ayrca kromozom populasyon boyutunu artrmalz ki deken içeren dier bir örnek kili kodlu bir GA nn ilem basamaklaröyle tanmlanabilir. 1. Amaç (Objectif) fonksiyonunu tanmlayz. 2. Parametrelerin srlar tanmlayz. 3. Popülâsyon say kadar rasgele kromozom üretiniz. 4. Parametrelerin ikilik deerlerini adaki formülü kullanarak 10 luk sisteme çeviriniz. 5. X i =a i +decima( )(b i -a i )/2 mi Parametreleri amaç fonksiyonunda yerine koyarak uygun (maliyet) deerini hesaplayz. 7. Popülâsyon toplam uygunluk deerini bulunuz. po 8. F= i1 size eval( vi) 9. Tabii seleksiyon ihtimalini her bir kromozom için hesaplayz. 10. Pi= eval(vi) /F 11. Her bir kromozom kümü latif ihtimalini hesaplayz. 12. q i = j i 1 pj 13. Seleksi yön süreci Roulette tekerleinin popülasyon say(pop-size) kadar döndürülmesine dayandr. 178

179 14. Random olarak popülasyon say kadar 0 1 arasnda float bir say üretiniz.(r) Hassasiyet virgülden sonra alt rakam olacaktr. 15. Üretilen random say r< q 1 ise 1. kromozomu seçiniz. Aksi takdirde Vi. Kromozom seçilir. (2 i pop-size) Üretilen random say qi-1<r qi olursa Vi seçilir Çaprazlama ve Mutasyon 1. djskd0-1 arasnda random bir say float olarak üretiniz.(r) 2. Pc çaprazlama oran, r<pc ise çaprazlama için verilen kromozomu seçiniz. 3. Çaprazlama için iki kromozom seçilir. 4. Çaprazlama noktasn belirlenmesi için Kromozom geniliine göre bir say üretilir. (1..m-1). m: kromozom genilii 5. Üretilen bu sayyla çaprazlama noktas belirlenmi olur. B1b2 bpos bpos+1.bm C1c2 cpos cpos+1..cm yeni nesil b1b2 bpos cpos+1..cm c1c2 cpos bpos+1..bm 6. Pc x pop-size=çaprazlamaya maruz kalacak kromozom say verir. Pm=mutasyon yüzdesi Pm x pop-size=muatsyona maruz kalacak bit say verir arasnda rasgele bir say üretiniz.(r) 8. er r<pm ise biti mutasyona uratz Uygulama Amaç fonksiyonu: 179

180 F(x1,x2)=21.5+x1Sin(4 x)+x2sin(20 x2) olarak tanmlansn. Parametrelerin tanm aral:-3 x ve 4.1 x2 5.8 Toplam popülasyon: pop-size=20 Çaprazlama ve mutasyon%leri: Pc=.25 Pm=0.01 Amaç: Yukardaki iki dekenli fonksiyonun maksimizasyonu Her bir deken için hassasiyet 4 decimal olarak kabul edilsin. X 1 =[-3,12.1] in toplam genilii ( 3)-(12.1)=15.1 ve 15.1x10000 eit deere bölünmesi gerekir. o Bunun anlam 2 17 < dir. Buna göre x1 i ifade etmek için 18 bit gereklidir. X 2 =[4.1,5.8] nin toplam genilii =1.7 ve 1.7x10000 eit deere bölünebilmesi gerekir. o Bunun anlam 2 14 < dir. Buna göre X 2 yi ifade etmek için 15 bit gereklidir. Buna göre iki parametreli kromozom toplam genilii 18+15=33 bit dir. lk 18 biti X 1 geri kalan da X 2 yi temsil etmek amacyla kullanr. Rasgele üretilen bir kromozom ele alarak ileme devam edelim X1 X2 lk 18 biti ele alrsak; 12.1 ( 3) X 1 =-3+desimal( ), X 1 = x15.1/262143= Ayn yöntemle X 2 öyle bulunur. 5.8 ( 4.1) X 2 =4.1 + desimal ( ) 2 = Buna göre kromozomdaki genlerin deeri öyledir. [X 1,X 2 ]=[ , ] Kromozomun uygunluk deeri f(x 1,X 2 )=f ( , ) = 20,

181 Örneimizde popülasyon say 20 olduundan, balangçta 1 ve 0 lardan oluan rasgele olarak 20 adet kromozom üretilir. Biz yukarda sadece 1 kromozom için hesaplamann nasl yaplaca gösterdik. Geriye kalan 19 adet kromozomun uygunluk deerleri de yukardaki gibi hesaplanmalr. Rasgele üretilen kromozomlar; V1 = ( ) V2 = ( ) V3 = ( ) V4 = ( ) V5 = ( ) V6 = ( ) V7 = ( ) V8 = ( ) V9 = ( ) V10 = ( ) V11 = ( ) V12 = ( ) V13 = ( ) V14 = ( ) V15 = ( ) V16 = ( ) V17 = ( ) V18 = ( ) V19 = ( ) V20 = ( ) 181

182 Uygunluk deerleri adaki gibi hesaplanmr. Eval(V 1 ) = f( , ) = Eval(V 2 ) = f( , ) = Eval(V 3 ) = f( , ) = Eval(V 4 ) = f( , ) = Eval(V 5 ) = f( , ) = Eval(V 6 ) = f( , ) = Eval(V 7 ) = f( , ) = Eval(V 8 ) = f( , ) = Eval(V 9 ) = f( , ) = Eval(V 10 ) = f( , ) = Eval(V 11 ) = f( , ) = Eval(V 12 ) = f( , ) = Eval(V 13 ) = f( , ) = Eval(V 14 ) = f( , ) = Eval(V 15 ) = f( , ) = Eval(V 16 ) = f( , ) = Eval(V 17 ) = f( , ) = Eval(V 18 ) = f( , ) = Eval(V 19 ) = f( , ) = Eval(V 20 ) = f( , ) = Yukardaki kromozomlar içerisinde uygunluk deeri en zayf kromozom V 2, en güçlü olan da V 15 dir. imdi bir seleksiyon süreci için rolette tekerleini uygulayalm. 182

183 Popülâsyonun toplam uygunluu; F= eval( vi) i 1 Her bir kromozomun seleksiyon ihtimali P i (i.20) P 1 = eval(v 1 )/F = P 2 = eval(v 2 )/F = P 3 = eval(v 3 )/F = P 4 = eval(v 4 )/F = P 5 = eval(v 5 )/F = P 6 = eval(v 6 )/F = P 7 = eval(v 7 )/F = P 8 = eval(v 8 )/F = P 9 = eval(v 9 )/F = P 10 = eval(v 10 )/F = P 11 = eval(v 11 )/F = P 12 = eval(v 11 )/F = P 13 = eval(v 13 )/F = P 14 = eval(v 14 )/F = P 15 = eval(v 15 )/F = P 16 = eval(v 16 )/F = P 17 = eval(v 17 )/F = P 18 = eval(v 18 )/F = P 19 = eval(v 19 )/F = P 20 = eval(v 20 )/F = Her bir kromozomun kümülatif ihtimali qi ise; q i = j i 1 pj kullanlarak; q1= , q2= , q3= , q4= , q5= , q6= , q7= , q8= , q9= , q10= , q11= , q12= , q13= , q14= , q15= , q16= , q17= , q18= , q19= , q20= hesaplanr. Rulette tekerleini 20 kez döndürelim. Yeni popülasyon için her döndürüümüzde bir kromozom seçeceiz. 20 kez döndürmek demek 0-1 arasnda 20 adet say üretmek anlamndadr. Random olarak 0-1 arasnda 20 tane say üretildi. r1= , r2= , r3= , r4= , r5= , r6= , r7= , r8= , r9= , r10= , r11= , r12= , r13= , r14= , r15= , r16= , r17= , r18= , r19= , r20=

184 ilk say r1= , q 10 dan büyük q 11 den daha küçüktür. Bunun anlam v11 kromozomu yeni popülasyon için seçilir. kinci say r2 = , q3 ten büyük q 4 ten küçüktür yani v 4 kromozomu yeni popülasyon için seçilir. Sonuç olarak yeni popülasyon adaki kromozomlar içerir: V 1=( ) (v11) V 2=( ) V 3=( ) V 4=( ) V 5=( ) V 6=( ) V 7=( ) V 8=( ) V 9=( ) V 10=( ) V 11=( ) V 12=( ) V 13=( ) V 14=( ) V 15=( ) V 16=( ) V 17=( ) V 18=( ) V 19=( ) V 20=( ) (v4) (v7) (v11) (v19) (v4) (v15) (v5) (v11) (v3) (v15) (v9) (v6) (v8) (v20) (v1) (v10) (v13) (v15) (v16) 184

185 imdi çaprazlama operatörünü uygulayalm Çaprazlama operatörü Pc=0.25 verildiinden ortalama olarak kromozomlarn %25 i çaprazlamaya maruz kalacaktr. Pop-size=20 olduundan çaprazlamaya maruz kalan popülasyon say 5 dir. Yeniden random olarak 0-1 arasnda 20 tane say üretilir. Eer r<0.25 ise çaprazlama için o kromozomu seçeriz. Rasgele üretilen saylar adaki gibi olsun. r 1 = r 20 = Pc=0.25 olduuna göre; yukarda üretilen rasgele saylardan 4 tanesi 0.25 altnda olduu için bunlar çaprazlamaya tabii tutulacak kromozomlardr. (V2,V11,V13,V18 ) ans eseri 4 tane kromozom seçildi. Yani çift sayr. Eer say tek olsayd ya bir tane kromozom ilave edecektik Veya bir tane kromozom kaldracaktk. Bu seçimde rasgele olarak yapr. Rasgele eletirelim (V2,V11 ), (V3,V18 ) Bu iki çift için rasgele popülâsyonun toplam uzunluu(1 32) içinde kalacak ekilde bir tam say üretilir.(kromozom toplam uzunluu=33). Pos say çaprazlama (crossing) yaplacak pozisyonu belirtmektedir. lk kromozom çifti için; V 2 = ( ) V 11 = ( ) ve pos say 9 olsun, kromozomlar 9. pozisyondan itibaren kesilir ve yer detirilir. Ortaya çkan kromozomlar öyledir: 185

186 V 2 = ( ) V 11 = ( ) kinci çift kromozom; V 13 = ( ) V 18 = ( ) kinci çift için üretilen pozitif tam say 20 dir. 20. bitten sonraki bitler karkl olarak yer detirirler. V 13 = ( ) V 18 = ( ) Çaprazlamadan sonra ortaya yeni nesi çkar. (V13,V2,V18,V11 ). Popülâsyonun yeni versiyonu adaki gibi dizilirler. V 1 = ( ) V 2 = ( ) V 3 = ( ) V 4 = ( ) V 5 = ( ) V 6 = ( ) V 7 = ( ) V 8 = ( ) V 9 = ( ) V 10 = ( ) V 11 = ( ) V 12 = ( ) V 13 = ( ) 186

187 V 14 = ( ) V 15 = ( ) V 16 = ( ) V 17 = ( ) V 18 = ( ) V 19 = ( ) V 20 = ( ) imdide Mutasyon operatörünü uygulayalm. Her bir generasyonda; mutasyon operatörü P m =0.01 olduundan, kromozomun toplam bit say 33x20=660 bitin mutasyona maruz kalaca tahmin edilir. Mutasyon için her bir bit eit ansa sahiptir. 0 1 aras kromozomun toplam bit say=660 kadar rasgele say üretilir.(r). Kromozomda eer ri<0.01ise mutasyon gerçekletirilir. Rastgele üretilen 660 tane sayn 5 tanesi 0.01 den küçüktür (Tablo 29). Tablo 29 Bit pozisyonu R i daki tabloda da hangi kromozomun kaçnc biti mutasyona urad mavi renk ile verilmitir. V 1 = ( ) V 2 = ( ) 187

188 V 3 = ( ) V 4 = ( ) V 5 = ( ) V 6 = ( ) V 7 = ( ) V 8 = ( ) V 9 = ( ) V 10 = ( ) V 11 = ( ) V 12 = ( ) V 13 = ( ) V 14 = ( ) V 15 = ( ) V 16 = ( ) V 17 = ( ) V 18 = ( ) V 19 = ( ) V 20 = ( ) Tablo 30 Bit pozisyonu Kromozom numaras Kromozom içindeki bit numaras

189 Tablo 30 a göre 13. kromozomda iki defa mutasyon gerçekletirilir. Buraya kadar sadece 1 iterasyon/generasyon tamamland. kinci iterasyon için, popülasyonun uygunluk deerleri amaç fonksiyonunda yerine konularak hesaplanr. Yeni uygunluk deerleri daki gibidir. eval(v 1 ) = f( , ) = eval(v 2 ) = f( , ) = eval(v 3 ) = f( , ) = eval(v 4 ) = f( , ) = eval(v 5 ) = f( , ) = eval(v 6 ) = f( , ) = eval(v 7 ) = f( , ) = eval(v 8 ) = f( , ) = eval(v 9 ) = f( , ) = eval(v 10 ) = f( , ) = eval(v 11 ) = f( , ) = eval(12) = f( , ) = eval(13) = f( , ) = eval(14) = f( , ) = eval(15) = f( , ) = eval(16) = f( , ) = eval(17) = f( , ) = eval(18) = f( , ) = eval(19) = f( , ) = eval(20) = f( , ) =

190 Yeni popülasyonun toplam uygunluu F= dir. Önceki popülasyonun uygunluk deeri idi.ayn zamanda önceki popülasyondaki en iyi kromozom v 15 = dan daha iyi kromozom v 11 = olarak hesaplanmr. u anda selection prosesi tekrar çalr ve genetik operatörler uygulanr, bir sonraki jenerasyonun uygunluu hesaplanr.1000 jenerasyondan sonra popülasyon; V 1 = ( ) V 2 = ( ) V 3 = ( ) V 4 = ( ) V 5 = ( ) V 6 = ( ) V 7 = ( ) V 8 = ( ) V 9 = ( ) V 10 = ( ) V 11 = ( ) V 12 = ( ) V 13 = ( ) V 14 = ( ) V 15 = ( ) V 16 = ( ) V 17 = ( ) V 18 = ( ) V 19 = ( ) V 20 = ( ) 190

191 Uygunluk deerleri: Eval( v1 ) = f( , ) = Eval( v2 ) = f( , ) = Eval( v3 ) = f( , ) = Eval ( v 4 ) = f( , ) = Eval( v5 ) = f( , ) = Eval( v6 ) = f( , ) = Eval( v7 ) = f( , ) = Eval( v8 ) = f( , ) = Eval( v9 ) = f( , ) = Eval( v10 ) = f( , ) = Eval(v11) = f( , ) = Eval( v12 ) = f( , ) = Eval( v13 ) = f( , ) = Eval( v14 ) = f( , ) = Eval( v15 ) = f( , ) = Eval( v16 ) = f( , ) = Eval( v17 ) = f( , ) = Eval( v18 ) = f( , ) = Eval( v19 ) = f( , ) = Eval( v20 ) = f( , ) = Bununla beraber eer gelimeye dikkatlice bakrsa 1000jenarasyondan sonra en iyi kromozom olan 35, deerinden daha iyi kromozomlarn uygun deerlerini bulunduran önceki jenerasyonlar meydana gelmi olabilir. Örnein 396.jenerasyonundaki deerlerine sahip kromozom en iyisidir. 191

192 Geliim prosesindeki bir tek en iyi saklanabilir. O genetik algoritmalardaki uygulamalarda allm olarak daima en iyiyi saklar. Son popülasyondaki en iyi deerinin tersine tüm proseslerin sonunda aralarndaki en iyi deeri rapor eder. KKAT: En son iterasyonda mutasyon operatörü uygulanmamalr Gezgin Sat Probleminin Genetik Algoritmalarla Uygulamas GA larn uygulanmasna ilikin incelenecek olan GSP de 8 ehir olduunu varsayalm. Hatrlatalm ki problemde amaç, satn her ehre yalnzca bir kere rayarak turunu en ksa yoldan tamamlamasr. Satn balad ehre geri dönme zorunluluunun olmad varsayalm. (Yani burada amaç döngü deil, Hamilton yolunun bulunmasr.) ehirler birbirine ba olmakta ve uzaklklar verilmektedir bu artlar içerisinde toplam alnan yolun minimum deerini bulmaya çalacaz.[152]. ekil 56 8 ehirli GSP emas Balangç popülasyonun oluturulmas: GSP de 8 ehir olduunu kabul etmitik. ehirleri 0 dan 7 ye kadar numaralandrd düünürsek, her gen bir ehre kark gelecektir. Bu durumda kromozomlarz ve balangç populasyonumuz rastlantsal olarak adaki gibi oluturulabilir.(populasyon büyüklüü 5 olarak seçilmitir.)

193 Populasyon içindeki her kromozomun amaç fonksiyonunun deerinin hesaplanmas: lk kromozomumuza bakarsak, bu kromozomun amaç fonksiyonu deeri, artta verilen ehirleraras yol uzunluklarna ba olarak adaki ekilde hesaplanr: den 0 a 5 km 2 den 7 ye km 5 den 4 e 3 km 6 dan 3 e 5 km 0 dan 2 ye 3 km 7 den 5 e 4 km 4 den 6 ya 6 km ise; bu kromozomun gösterdii yolun toplam uzunluu 27 km, yani amaç fonksiyonun deeri 27 olacaktr. Artk populasyonumuzun GA operatörlerinin uygulanmas için hazrdr. Bu operatörleri uygulayarak populasyonumuzun her yeni nesilde evrilmesini ve daha iyi sonuçlar elde edilmesini salayabiliriz Tekrar üretme, çaprazlama ve mutasyon operatörlerinin uygulanmas: Goldberg probleminde uygulanan çaprazlama ilemini GSP nin kromozomlarna uygularsak baz güçlüklerle karlaabiliriz. Örnein, rastgele bir ekilde üçüncü ve dördüncü kromozomlar seçelim ve çaprazlama noktas 5 olsun. Bu durumda çaprazlama u ekilde olacaktr. 193

194 Görüldüü gibi yeni oluan kromozomlar, GSP problemi için olumlu bir sonuç vermez. Çünkü satz, tüm ehirleri gezmeli ve her ehre yalnzca bir kez uramalyd, fakat çaprazlama sonras kromozomlarda bazehirlere hiç gidilmemekte yada ehirlere uygun gelen düümlere iki kere bavurulmaktadr. Örnein çaprazlama sonras oluan ilk kromozomumuza dikkat edecek olursak, 3., 5. ve 6. ehirlere hiç gidilmediini ve 0., 2. ve 7. ehirlere iki defa urand gözlemleriz. Böyle bir olumsuz durumda ikinci bir leme gerek duyulur. Yani ktlamalar salamayan uygunsuz kromozomlarn standartlalmas gerekmektedir. Standartlarma için adaki basit kural uygulanabilir: Kromozom içinde tekrar eden ilk ehir ziyaret edilmeyen en küçük numaral ehir ile detirilsin. Bu standartlarma kural akla ilk gelen kurallardan biridir. Herhangi baka bir kural da standartlarma amac için uygulanabilirdi. Evrimsel programlama böyledir; hemen hemen her ey plansz programszdr. Tpk doadaki evrim gibi Sorunlu kromozomlarn standartlalmas ile u sonucu elde ederiz: Çaprazlama ve standartlarma sonras durum; Böyle bir durumda ikili düzende kodlanm olan kromozomlarn daha avantajl olabilecei görülmektedir. Ancak ikili düzende kodlama da kromozomlarn çok uzun olmas, ya da problemin yapna uygun olmamas gibi sorunlar çkabilmektedir. imdi de Goldberg problemindeki gibi mutasyon operatörüne geçelim. Ancak bu rasgele seçilen kromozomlar üzerindeki iki genin yerlerini detirmekle gerçekletirilir. Rastgele olarak seçtiimiz 5. kromozomumuzun ikinci ve yedinci genlerini seçtiimizi varsayalm. Bu durumda; mutosyandan önceki durum mutasyondan sonraki durum

195 ve 5. Yeni kromozomlarn amaç fonksiyonu deerlerinin bulunmas ve kötü kromozomlarn populasyona çkartlmas: Yeni oluturulan fonksiyonlarn deerleri 2. admda yaplanlara benzer olarak hesaplanr. Seçici bir model söz konusu ise, bu admdan sonra populasyonun içindeki en kötü deerli kromozom, populsayondan çkartr arasndaki admlarn tekrar. Konunun banda optimizasyon problemlerinde, optimuma her zaman ulalamad ya da tüm olas sonuçlarn incelenmesini, bilgisayarlarla dahi mümkün olmad söylemitik. Burada anlatmaya çalz GENETK Algoritmalar, Evrim Kuram temel olarak, bu tür problemler için optimum sonuçlar ya da optimumlara yakn sonuçlar elde etmek için kullanlmaktadr. Örnein bu yöntemle ehir için bile yaklak 20 dk içinde optimuma çok yakn sonuçlar elde edilebilmektedir Sonuç Evrimin modellenmesiyle birlikte Genetik algoritmalarn ele alnmalar çok yakn tarihe dayanmaktadr. Son zamanlarda bu konu ile ilgili çalmalar oldukça artmaktadr. Bilgisayar teknolojisindeki gelimelere paralel olarak, GA larn pratikte uygulanabilirlii artmr. Her geçen gün GA nn adna yeni sempozyumlar düzenlenirken yeni uygulama alanlarna tatbik edildii de görülmektedir. GA nn gelitirilmesi alannda; hibridizasyon, parametrelerin optimal seçimi ve adaptasyonu gibi konularda ararmalar devam etmektedir [153]. lk bölümde de anlatld gibi klasik metotlar baz srlamalara sahiptir. Bu metotlardaki ciddi srlamalardan biri optimizasyon algoritmasn seri çalmasr. GA da ise PC leri paralel çallarak hzl sonuçlar elde edilebilir. Birkaç tane algoritmann ayn anda çallmas ve popülasyonlar arasnda göç olabilmesi paralel lemcilerle yapr. Buna ek olarak popülasyondaki fertlerin maliyet deerleri ayn anda hesaplanarak GA nn yaknsamas hzlandr. GA karar mekanizmasnda kullanlabilir mi? sorusu sorulduunda sübjektif maliyet fonksiyonlu GA akla gelmektedir. Bu algoritma market stoklarn 195

196 deerlendirilmesi, savata askeri stratejilerin gelitirilmesi gibi karar organlarnda kullanlabilir. GA geçici bir heves veya bir moda olmayp uzun süre gündemde kalacak bir yöntemdir. Tabiatn hesaplama algoritmalar için iyi bir model olduu bilinmektedir. Bütün bunlardan sonra tabiatta iyilikler ve güzellikler azalmaktadr ve belki belli bir müddet sonra tabiatta global optimuma ulaacaktr Proje Kapsamnda Gerçekletirilen Genetik Algoritma Simülatörü Temel Özellikler Program Data Klasöründeki gerekli klasörlere atlan her türlü belgeyi otomatik olarak alglar ve programa dahil eder. Programn alglad dosya uzantlar: PPS ve PPT ( PowerPoint Slaytlar ) HTML ve HTM ( Web Sayfalar ).EXE ( Çallabilir Programlar ) Gereksinimler Programn çalmas için.net Framework 2.0 Kurulmas Gerekmektedir. ekil 57 GA simülatörü ana penceresi 196

197 5.9.3 Menüler Genetik Algoritma: Data\Genetik Algoritma klasöründeki Power Point Slaytlar, Html belgelerini ve Çallabilir dosyalar programa ekleyerek bir arada toplar. Programdan bu dosyalara ulalabilir. ekil 58 Menüler Temel Kavramlar Data\Temel Kavramlar klasöründeki Power Point Slaytlar, Html belgelerini ve Çallabilir dosyalar programa ekleyerek bir arada toplar. Programdan bu dosyalara ulalabilir. ekil 59 Temel kavramlar penceresi 197

198 5.9.5 Simülasyonlar Data\Simülasyonlar klasöründeki Power Point Slaytlar, Html belgelerini ve çallabilir dosyalar programa ekleyerek bir arada toplar. Programdan bu dosyalara ulalabilir. ekil 60 Simülasyon penceresi Gezgin Sat Problemi Programn kendi içindeki bir uygulamadr, gezgin sat problemini genetik algoritma ile çözüme kavuturur, Harita üstünde istediiniz ehirlere tklayarak nodlar oluturun ve çöz dümesine tklamanz yeterlidir. 198

199 ekil 61 Gezgin sat problemi ana penceresi Schaffer F6 Fonksiyonu Programn kendi içindeki bir uygulamadr, Schaffer F6 Fonksiyonunun çözümünü genetik algoritma kullanarak çözer ve grafiini verir. ekil 62 Schaffer F6 fonksiyonunun çözümü 199

200 6. Kaynaklar [1] N. Takin, B. Kandemir,. Aydn, The Effects of Web Based Virtual Geometry Laboratory on Sixth Grade Elementary School Students Academic Achievements And Educational Attainments, 3 th International Computer&Instructional Technologies Symposium, October , Trabzon, TURKEY, pp [2] F. Ulu, Z. Kaya, Uzaktan Eitim Yaklayla lköretim, Ankara: Uzaktan itim Vakf, [3] United States Distance Learning Association, Glossary of Terms, eriim tarihi: [4] W. Horton, Designing Web Based Training: How to Teach Anyone Anywhere Anytime, John Wiley&Sons. Inc., New York, USA, 2000 [5] H.H. Önder Yapay Zeka Programlama Teknikleri Ve Bilgisayar Destekli Eitim. Uluslararas Eitim Teknolojileri Sempozyumu Bildirileri, Sakarya, Türkiye, [6] V.B. Devedzic Key Issues in Next-Generation Web-Based Education IEEE Transactions on Systems, Man, and Cybernetics - Part C: Applications and Reviews, Vol.33, No.3, August 2003, pp [7] N. Vural, Uzaktan Eitimde E-Pedagoji, TBD Biliim Zirvesi Bildirileri, [8] A. man, M. Barkan, U. Demiray, Online Distance Education Book, The Turkish Online Journal of Educational Technology, TOJET Press [9] Türkiye Biliim Vakf (TBV), E-Örenme Klavuzu, [10] M. Özarslan, B. Kubat, Ö.F. Bay, Uzaktan Eitim çin Entegre Ofis Dersi nin Web Tabanl çeriinin Gelitirilmesi ve Üretilmesi, Akademik Biliim 2007, Dumlupnar Üniversitesi, Kütahya 31 Ocak-2 ubat [11] N. Tosun, H. Özgür,. ahin, E-Örenme Ortamlarinda Örenci-çerik Etkileimi 3 th International Computer&Instructional Technologies Symposium, October , Trabzon, TURKEY, pp

201 [12] J. Bourne, J.C. Moore, Elements of Quality Online Education into the Mainstream, The Sloan Consortium, Vol.5, ABD, [13] B. Su, C.J. Bonk, R.J. Magjuka, X. Liu, S. Lee, The Importance of Interaction in Web-Based Education: A Program-level Case Study of Online MBA Courses, Journal of Interactive Online Learning, Vol.4, No.1, 2005, p [14] N.K.I. Nettskolen, Online Education - An International Analysis of Web-based Education and Strategic Recommendations for Decision Makers, The Ivette Workshop, Barcelona, 17 November [15] H. Odaba, nternet Tabanl Uzaktan Eitim ve Bilgi ve Belge Yönetimi Bölümleri, Türk Kütüphanecilii, Say: 17, No.1, s.22-36, [16] A.D. Carswell, V. Venkatesh, Learner Outcomes in an Asynchronous Distance Education Environment, International Journal of Human-Computer Studies, Vol:56, No.5, pp , [17] T.D. Lynch, C.E. Lynch, Web-Based Education, The Innovation Journal: An Issue on Processes and Tools, Vol.8, No.4, pp.1-28, [18] G. Bittencourt, E. Costa, M. Silva, E. Soares, A Computational Model for Developing Wemantic Web-Based Educational Systems, Knowledge-Based Systems, Vol.22, pp , [19] Y. Bakaya, Web Tabanl Eitim, 06 Mays [20] L.S. Vygotsky, Mind in Society: The Development of Higher Psychological Processes, Harvard University Press, London, [21] T.C. Resmi Gazete, Say:17860, Ankara, 16 Kasm [22] T.C. Resmi Gazete, Say:23906, Ankara, 14 Aralk [23] T.C. Resmi Gazete, Say:23980, Ankara, 01 Mart [24] YÖK Uzaktan Eitim Komisyonu Sitesi, eriim tarihi: Ocak [25] YÖK Bakanl nn tarih ve say yaz. 201

202 [26] S.C. Kong, Y.Y. Yeung, X.Q. Wub, An Experience of Teaching for Learning by Observation: Remote-Controlled Experiments on Electrical Circuits, Computers & Education, Vol.52, pp , [27] J.M.G. Palop, J.M.A. Teruel, Virtual Work Bench for Electronic Instrumentation Teaching, IEEE Transactions on Education, Vol.43, No.1, pp.15-18, February, [28] O. Palagin, V. Romanov, A. Sachenko I. Galelyuka, V. Hrusha, M. Kachanovska R. Kochan, Virtual Laboratory for Computer-Aided Design: Typical Virtual Laboratory Structure and Principles of Its Operation, IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications, pp.77-81, Dortmund, Germany, 6-8 September 2007, [29] S. Goldberg, W.F. Horton, T. Agayoff, Teaching Power Conversion in a Virtual Laboratory, IEEE Power Engineering Society Summer Meeting, Vol.3, pp , [30] M.W. Gertz, D.B. Stewart, P.K. Khosla, A Human-Machine Interface for Distributed Virtual Laboratories, IEEE Robotics &Automation Magazine, pp.5-13, December, [31] K.M. Carman Cheng, K.W. Eric Cheng, K.W. Chan, Develop a Web Tool for Electrical Engineering Courses, Proceedings of the 2 nd International Conference on Power Electronics Systems and Applications, pp , Hong Kong, [32] P. Bauer, V. Fedak, O. Rompelman, PEMCWebLab Distance and Virtual Laboratories in Electrical Engineering: Development and Trends, Power Electronics and Motion Control Conference, Vol.13, pp , [33] E. Akn, M. Karaköse, Elektrik ve Bilgisayar Mühendislii Eitiminde Sanal Laboratuvarlarn Kullan, eriim tarihi : Ocak [34] M. Duarte, B.P. Butz, S.M. Miller, A. Mahalingam, An Intelligent Universal Virtual Laboratory (UVL) IEEE Transactions on Education, Vol.51, No.1, pp.2-9, February,

203 [35] D. Grimaldi, S. Rapuano, Hardware and Software to Design Virtual Laboratory for Education in Instrumentation and Measurement, Measurement, Vol.42, No.4, pp , May, [36] E. Bozkurt, A. Sarkoç, Fizik Eitiminde Sanal Laboratuar Geleneksel Laboratuarn Yerini Tutabilir mi?, Selçuk Üniversitesi Ahmet Kelelu Eitim Fakültesi Dergisi, Say:25, S , [37] M. Gündüz, Ö.K. Baykan, F. Yldz, Elektronik Deneyleri için Sanal Laboratuar Uygulamasi, Selçuk Üniversitesi Teknik Bilimler MYO, Teknik-Online Dergi, Cilt:6, Say:2, S.61-74, [38] M. Magistris, A MATLAB-Based Virtual Laboratory for Teaching Introductory Quasi-Stationary Electromagnetics, IEEE Transactions on Education, Vol.48, No.1, pp.81-88, February, [39] A. Eri, Bologna Sürecinin Öncesi ve Sonrasnda Meslek Yüksekokullar, Marmara Ünviversitesi Teknik Bilimler MYO-Sanayi birlii Çaltay, stanbul, Nisan, [40] Yapay Zekâ Nedir?, Temel Kavramlar, Uygulamalar. [41] E. Öztemel Yapay Zekâ Ne Kadar Yapaydr? Otomasyon Dergisi, Say:126, Kasm [42] HARP Akademileri Komutanl Yaynlarndan, Uzman Sistemler ve Yapay Zekâ, HARP Akademileri Basmevi, stanbul, Mart-1996.HARP Akademileri Komutanl Yaynlarndan, Ad Geçen Eser, S [43] Cogito 3 Aylk Düünce Dergisi, Say: 13, Yl: 1998 [44] J.F. Baldwin, "Fuzzy Logic and Fuzzy Reasoning", Int. J.Man-Machine St., 11, , [45] D. Dubois, J. Lang, H. Prade, "Fuzzy Sets in Approximate Reasoning, Part 2 : Logical Approaches", Fuzzy Sets and Systems, 40, [46] A.A. Fraenkel, Set Theory and Logic, Addison-Wesley P.Co.,

204 [47] B.R. Gaines, "Foundations of Fuzzy Reasoning", Int. J.Man-Machine Studies, 8, , [48] S. Haack, Philosophy of Logic, Cambridge Un. Press., [49] P.E: Johnson, A History of Set Theory, Prindle, Weber, & Schmidt Inc., [50] B. Kosko, Neural Networks and Fuzzy Systems: A Dynamical Systems Approach To Machine Intelligence, Prentice-Hall Int., Inc., [51] E.J. Lemmon, Introduction to Set Theory, Routledge & Kegan Paul Ltd., [52] W. Pedryez, Fuzzy Control and Fuzzy Systems, Research Studies Press Ltd., (2nd Ext. ed.), John Wiley and Sons Inc., 1993 [53] L.A. Zadeh, "Fuzzy Sets", Information and Control, 8, , [54] L.A. Zadeh, L.A., "Outline of a New Approach to the Analysis of Complex Systems and Decision Processes", IEEE Trans. on Sys., Man, and Cybernetics, SMC-3, 28-44, [55] L.A. Zadeh, L.A., "Fuzzy Logic and Approximate Reasoning", Synthese, 30, , [56] M.S. Konuralp, A.H. Ik, E. Taçgn, Salnan Kol-Kzak Mekanizmalarn Kinematik Sentezini Genetik Algoritma Tekniini Kullanarak Gerçekletiren Bir Prototip Yazm, 8. Uluslararas Makina Tasarm ve malat Kongresi, 9-11 Eylül [57] R.A. Mansfield, Genetic Algorithms, University of Wales College of Cardiff, [58] O. Gizolme, F. Thollon, Shape Optimization of Synchronous Machine Rotor, Inter. Journal of Applied Electromagnetics and Mechanics, Vol 9, Issue 3, [59] H.L. Akn, H. Levent Yapay Zekâda Vücut ve Beyin Problemi, Bilgisayar ve beyin, Nar yaynlar, Mart 1997 [60] R. Akyüz, Ömür Zihnin Fizii, Bilgisayar ve beyin, Nar yaynlar, Mart [61] C.A. Bingöl, Örenme ve Bellek, Bilgisayar ve Beyin, Nar yaynlar., Mart [62] H. Bingöl, Bilgisayar Üzerine, Bilgisayar ve beyin, Nar yaynlar, Mart

205 [63] N. Bozkurt, 20. Yüzyl Düünce Akmlar, Sarmal yaynevi, Kasm [64] R. Canbeyli, Psikoloji açndan beyin bilgisayar karlarmas, Bilgisayar ve beyin, Nar yaynlar, Mart [65]. Cin, Yapay Zekâ ve Gelecek Korkusu, Anahtar dergisi, Mays 1995 [66] F. Crick, rtan varsaym, TUBTAK yaynlar, Nisan 1997 [67] M.U. Çalayan, Beyin, Sinir Sistemi ve Bilgisayar Alar, Bilgisayar ve beyin, Nar yaynlar, Mart 1997 [68] Y. Denizhan, Beyin Balamnda Kaotik Sistemlere Bak, Bilgisayar ve beyin, Nar yaynlar, Mart 1997 [69] D.H. Freedman, Yeni Nesil Robotlar, Bilim teknik dergisi, Mays 1993 [70] S. Gillmor, nsan sesini alglayan bir uygulama, BYTE bilgisayar dergisi, Ocak [71] B. Gözkan, Bilgi, Bilinç ve Yapay Zekâ, Bilgisayar ve beyin, Nar yaynlar, Mart [72] J.P. Haton, Yapay Zekâ, letiim yaynlar, Nisan 1991 [73] T. Karda, Fuzzy Logic: TAI de Bir Uygulama, internet adresi: [74] E. Öztemel, Yapay Sinir Alar, Papatya Yaynck, Basm, Austos [75] A.D.Robert, Developing Mobile Robot Wall-Following Algorithms Using Genetic Programing, Applied Intelligence, 8, 33-41, 1998 [76] A.S.Rana, A.M.S. Zalzala, Collision-Free Motion Planning of Multiarm Robots Using Evolutionary Algorithm, Proc. Instn. Mech. Engrs 1997, Vol.211, Part 1, [77] I. Erkmen, A.M. Erkmen, H. Günver, Robot Hand Preshaping and Regrasping Using Genetic Algorithms, The International Journal of Robotics Research, Vol.19, No.9, September 2000,

206 [78] C.B. Scott, M.P. Kevin, Intelligent Control for an Acrobot, Journal of Intelligent and Robotic Systems, Vol 18, , [79] M. Tekta, A. Akba, V. Topuz, Yapay Zekâ Tekniklerinin Trafik Kontrolünde Kullanlmas Üzerine Bir nceleme, Uluslararas Trafik ve Yol Güvenlii Kongresi ve Fuar, Ankara, Austos [80] V. Topuz, A. Akba, M. Tekta, Boaz Köprüsü Yolunda Katm Noktalarnda Trafik Akmlarn Bulank Mantk Yakla ile Kontrolü ve Bir Uygulama Örnei, Uluslararas Trafik ve Yol Güvenlii Kongresi ve Fuar, Ankara, Austos [81] M. Tekta, N. Tekta, V. Topuz, Teknoloji Eitiminde Yapay Zekâ, IV.Uluslararas Eitim Teknolojileri Sempozyumu,24-26 Kasm 2004,Sakarya. [82] C. Atkinson, M. Traver, T. Long, E. Hanzevack This Real-Time, Neural Network- Based Intelligent Performance and Emissions Prediction System is Virtual Genius. Smoke, June [83] [84] J.S: Brown, R.R. Burton, and J. de Kleer, Pedagogical, natural language and knowledge engineering and pedagogical techniques in SOPHIE I, II, and III. In D, Intelligent Tutoring Systems, New York: Academic Press, , [85] R.R. Burton, J.S. Brown, (1982). An investigation of computer coaching. In D. H., Intelligent Tutoring Systems (pp ). New York: Academic Press., 79-98, [86] D. Sleeman, J.S. Brown, Intelligent Tutoring Systems, New York: Academic Press., [87] E. Wenger, Artificial Intelligence and Tutoring Systems, Los Altos CA: Morgan and Kaufmann, [88] J. Psotka, D. Massey, S. Mutter, Intelligent Tutoring Systems: Lessons Learned, Hillsdale NJ: Lawrence Erlbaum,

207 [89] S. Ohlsson, Some Principles of Intelligent Tutoring, Instructional Science, 14, , [90] R. Schank, D. Edelson, A Role for AI in education: Using Technology to Reshape Education, Journal of Artificial Intelligence in Education, 1 (2), 3-20, [91] Z. Du, G. McCalla, CBMIP -- A case-based mathematics instructional planner. In Proceedings of the International Conference on the Learning Sciences, Evanston II, [92] J.C. Lester, B.W. Porter, A Student-Sensitive Discourse Generator, In Proceedings of the International Conference on the Learning Sciences, Evanston, Il, 1991 [93] J. Bruneau, A. Chambreuil, M. Chambreuil, M. Chanier, P.L. Dulin, P. Nehemie, Cognitive Science, Artificial Intelligence, New Technologies: How to Cooperate for a Computer-Assisted Learning to Read System, In Proceedings of the International Conference on the Learning Sciences, Evanston, Il, [94] C. Frederiksen, J. Donin, M. DeCary, B. Edmond, Discourse-Based Second- Language Learning Environments, In Proceedings of the International Conference on the Learning Sciences, Evanston, Il, [95] E.W. Cooper, An Architecture for Apprenticeship: Collaboration with an Intelligent Tutoring System ffor Qualitative Electrical Troubleshooting, In Proceedings of the International Conference on the Learning Sciences, Evanston, Il, [96] J. Frederiksen, B. White, A. Collins, G. Eggan, Intelligent Tutoring Systems for Eectronic Troubleshooting In J. Psotka, D. Massey, and S. Mutter. Intelligent Tutoring Systems: Lessons Learned. Hillsdale NJ: Lawrence Erlbaum, [97] J. Anderson, D.F. Boyle, G. Yost, The Geometry Tutor Proceedings of the Ninth International Joint Conference on Artificial Intelligence, [98] J.R. Anderson, E. Skwarecki, The Automated Tutoring of Introductory Computer Programming, Communications of the ACM, Vol.29, 9, ,

208 [99] J.W. Schofield, D. Evans-Rhodes, B.R. Huber, 990). Artificial Intelligence in the Classroom: The Impact of a Computer-based Tutor on Teachers and Students, Social Science Computer Review, 8(1), 24-41, [100] A.M. Lesgold, S.P. Lajoie, M. Bunzo, G. Eggan, Sherlock: a Coached Practice Environment for an Electronics Troubleshooting Job, In J. Larkin, R. Chabay, & C. Scheftic (Eds.), Computer assisted instruction and intelligent tutoring systems: Establishing communication and collaboration. Hillsdale, NJ: Lawrence Erlbaum Associates, [101] A.M. Lesgold, G. Eggan, S. Katz, G. Rao, Possibilities for Assessment Using Computer-Based Apprenticeship Environments, In W. Regian and V. Shute (Eds.), Cognitive approaches to automated instruction. Hillsdale, NJ: Erlbaum (1992). [102] N.M. Allahverdi, S. Yaldz, A. Ünüvar Endüstride Uzman Sistem Uygulamalar, 2. Endüstriyel Otomasyon'95 Sempozyumu Bildi-riler Kitab, Mart, 1995, stanbul, s.75-86, [103] C. Hall The Intelligent Software Development Tools Market, Part 2, Intelligent Software Strategies, V.12, No:3, pp. 1-16, [104] J.A. Booker, R.C. Kick, Bringing Expert Systems Technology to the Accounting Classroom, Journal of Accounting and Computers, 3 Fall, pp , [105] E. Bonabeau, M. Dorigo, G. Theraulaz, Inspiration for Optimization from Social Insect Behaviour. Nature, 406, [106] Serhat YILMAZ, KOÜ, Bulank Mantk ve Mühendislik Uygulamalar Ders Notlar, [107] Zekai EN, Bulank (Fuzzy) Mantk ve Modelleme lkeleri, Bilge Sanat Yapm Yaynlar, stanbul, [108] Ulvi DADELEN, Bulank Mantk le Adm Motor Kontrolü, Erciyes Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, [109] 208

209 [110] G.J. Klir, B. Yuan, Fuzzy Sets and Fuzzy Logic Theory and Applications, Prentice Hall PTR, New Jersey, [111] E. Kyak, Bulank Mantk Yöntemiyle Uçu Kontrol Uygulamalar, Yüksek Lisans Tezi, Anadolu Üniversitesi, Eskiehir, [112] M. Yldm, Bulank Mantk Yapay Sinir A ile Dorusal Olmayan Sistem Modelleme, Kocaeli Üniversitesi Fen Bilimleri Enstitüsü, Kocaeli, [113] H. Çiftçi, Fuzzy Logic Function Approximation for Some Mathematical Functions, Lisans Tezi, Osmangazi Üniversitesi Elektrik-Elektronik Mühendislii, Eskiehir, [114] D. Nauck, F. Klawonn, R. Kruse, Fuzzy Sets, Fuzzy Controllers, and Neural Networks, Journal of the Humboldt-University of Berlin, Series Medicine 41, No:4, [115] D. Nauck, Beyond Neuro-Fuzzy: Perspectives and Directions, Proc. Third European Congress on Intelligent Techniques and Soft Computing, , Aechen, [116] D. Nauck, F. Klawonn, Neuro-Fuzzy Classification Initialized by Fuzzy Clustering, Proc. Fourth European Congress on Intelligent Techniques and Soft Computing, Aechen, [117] D. Nauck, R. Kruse, Choosing Appropriate Neuro-Fuzzy Models, Proc. European Congress on Intelligent Techniques and Soft Computing, Aechen, [118] D. Nauck, F. Klawonn, R. Kruse, Combining Neural Networks and Fuzzy Controllers FLAI 93 Linz, Austria, [119] T.J. Ross, Fuzzy Logic with Engineering Applications. Mc. Graw-Hill, Publishing Co. New York, [120] A.F. Baba, TU Triga Mark-II Reaktörünün Bulank Mantk Kontrolü, Marmara Üniversitesi Fen Bilimleri Enstitüsü, Doktora Tezi, stanbul, [121] E. Öztemel, Yapay Sinir Alar, sf 29, Papatya Yaynck, stanbul,

210 [122] S. Haykin, Neural Networks, sf 41, Macmillan Collage Printing Company, New Jersey 1994 [123] M.Ö. Efe, O. Kaynak, Yapay Sinir Alar ve Uygulamalar, sf 1, Boaziçi Üniversitesi, stanbul 2004 [124] E. Öztemel, Yapay Sinir Alar, sf 36, Papatya Yaynck, stanbul, 2003 [125] Ç. Elmas, Yapay Sinir Alar Kuram, Mimari, Eitim, Uygulama, sf 27-28, Seçkin Yaynck, Ankara 2003 [126] E. Öztemel, Yapay Sinir Alar, sf 40, Papatya Yaynck, stanbul, 2003 [127]. Sarolu, E. Bedok, M. Erler, Mühendislikte Yapay Zeka Uygulamalari-1: Yapay Sinir Alari, Ufuk Yaynck, Kayseri, , , [128] W.S. McCullogh, W. Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, 5, , [129] M.L. Minsky, S.A. Papert, Perceptrons, Cambridge, MA: MIT Press., [130] S.D. Balkin, Using Recurrent Neural Networks for Time Series Forecasting, Working Paper, 97-11, Department of Management Science and Information Systems, Pennsylvania State University, [131] D.B. Parker, Optimal Algorithms For Adaptive Networks: Second Order Back Propagation, Second Order Direct Propagation, and Second Order Hebbian Learning, IEEE 1st International Conference on Neural Networks, 2, , San Diego, CA., [132] J.M. Zurada, Introduction to Artificial Neural Systems, West St. Paul., [133] H. Zhimin, L.G. Maryellen, E.M. Charles, Effect of dominant features on neural network performance in the classification of mammographic lesions, Chicago, IL 60637, USA. [134] A.C. Yücetürk Yapay Sinir Alar Kullanlarak Örüntü Sflandrma ve Tanma, Doktora Tezi, Ege Üniversites, 2000.) 210

211 [135] G.F. Luger, Artificial Intelligence : Structures and Strategies for ComplexProblem Solving, 4th edition, Addison-Wesley, [136] N.J. Nilsson, Artificial Intelligence : A New Synthesis, Morgan Kaufmann Publishers, [137] S.J. Russell, P. Norvig, Artificial Intelligence : A Modern Approach, Prentice- Hall, [138] V. Grant, The Evolutionary process, New York: Columbia University Press., [139] R.L. Haupt, S.E. Haupt, Practical Genetic Algorithms, A Willey-Interscience Publication, USA, [140] H. Curtis, Biology, 2 nd Ed., New York: Worth publisher, [141] P.J. Angeline, Evolution revolution: An Iintroduction to the Special Track on Genetic and Evolutionary Programming, IEEE Expert Intelligent Systems and their Applications 10, pp.6-10, [142] D.E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning, New York: Addison Wesley, [143] D.E. Goldberg, Making Genetic Algorithms Fly: A Lesson from the Wright Brothers, Adv. Technol. Dev. 2, pp.1-8, [144] J.H. Holland, Genetic algorithms, Sci. Am., pp , [145] M. Çunka, Genetik Algoritmalar ve Uygulamalar, Ders Notlar,Selçuk Ünivesitesi, [146] A.A. Adewuya, New methods in Genetic Search with Real Valued Chromosomes, Master s Thesis, Cambridge:Massachusetts Institute of Technology, [147] Z. Michalewicz, Genetic Algorithms + Data structures = Evolution Programs, 2 nd ed., New York: Springer-Verlag,

212 [148] N.J. Radcliff, Forma Analysis and Random Respectful Recombination. In Proc. of Fourth International Conference on Genetic Algorithms, San Mateo, CA: Morgan Kauffman., [149] L. Davis, Hybridization and Numerical Representation, in L.Davis(Ed.), The Handbook of Genetic Algorithms, New York: Van Nostrand Reinhold, pp , [150] A. Wright, Genetic Algorithms for Real Parameter Optimization, in G.J.E. Rawlins (Ed.), Foundations of Genetic Algorithms 2, San Mateo, CA: Morgan Kaufman, pp , [151] L.J. Eshelman, D.J. Shafter, Real-Coded Genetic Algorithms and Interval- Schemata, in D.L. Whitley (Ed.), Foundations of Genetic Algorithms 2, San Mateo, CA: Morgan Kaufman, pp [152] D.A. Pierre, Optimization in McGraw-Hill Encyclopedia of Science and Technology 12, New York: McGraw-Hill, pp , [153] Wurtz F., Richomme M., Bigeon J., Sabonnadiere J.C, 1997, A Few Results for Using genetic algorithms in Design of Electrical Machines, IEEE Transactions on Magnetics, Vol.33, No.2 212