Zeki Optimizasyon Teknikleri

Benzer belgeler
Zeki Optimizasyon Teknikleri. Karınca Algoritması (Ant Algorithm)

Zeki Optimizasyon Teknikleri

KARINCA KOLONİ ALGORİTMASI BMÜ-579 Meta Sezgisel Yöntemler. Yrd. Doç. Dr. İlhan AYDIN Fırat Üniversitesi, Bilgisayar Mühendisliği Bölümü

Zeki Optimizasyon Teknikleri

Zeki Optimizasyon Teknikleri

Karınca Koloni Algoritması 2

Karınca Koloni Algoritması 1

Fonksiyon Optimizasyonunda Genetik Algoritmalar

KARINCA OPTİMİZASYONU. Harun Kayıkçı

Fonksiyon Minimizasyonunda Simulated Annealing Yöntemi

İLERİ ALGORİTMA ANALİZİ KARINCA KOLONİ ALGORİTMASI

Hülya Özdağ (YTÜ Matematik Bölümü Ö.Ü.) Nilgün Aygör (YTÜ Matematik Bölümü Ö.Ü.) Aykut Parlak (YTÜ Matematik Mühendisliği)

Yaklaşık Düşünme Teorisi

GENETİK ALGORİTMALAR BÜŞRA GÜRACAR

Gezgin Satıcı Probleminin Karınca Kolonisi ve Genetik Algoritmalarla Eniyilemesi ve Karşılaştırılması

Ara Sınav 1. Algoritmalara Giriş 14 Ekim 2005 Massachusetts Institute of Technology Profesörler Erik D. Demaine ve Charles E. Leiserson Kitapçık 14

MAT223 AYRIK MATEMATİK

MAT223 AYRIK MATEMATİK

METASEZGİSEL YÖNTEMLER

Bulanık Kural Tabanlı Sistemler

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

ç ç ç Ş ç ç ç Ş ç

Ç Ü

İ Ö Ç İ İ İ

ı ı ıı Üİİİ Ü ı ı ı ı ı ı ü ı ü

Ğ Ğ Ü ş ç ş Ç ş ö ş ç ö Ö ş

ö Ö ğ

Ü Ü Ğ Ü Ğ Ü «Ğ Ğ» Ü

Ğ ç ğ ç ç ğ ç ğ ç ç ğ ç ğ ğ ç ç ğ ç ç ğ ç ç ç ğ ç ç ğ ç ç ç İ ğ ğ ğ ç ğ ğ ç ğ ğ ğ ğ ğ ç ç ç ç ğ ç ğ ç ç ğ ğ ç ç ç ğ ğ ç ğ ğ ç ç ç ç İ ğ ç ğ ç ğ ç ç ğ

ç Ğ ç ç ğ ç ç ğ ç ç ç ç ğ ç Ç ğ ç ç ç ğ ç ç ğ ç ç ç ç ç ç ç ğ Ü Ğ Ö ğ ç ğ Ö ğ ğ ğ

ö ü ü ö ö ü ö ü ü ğ ö ç ü Ç ğ ç ç ö ü ç ü ö Ş ğ üç ğ ç ü ö ç ç ç ç ğ ç ü ü ç ö ç ü ç ü ö ğ ç ç ö ç ğ ğ ç ç ö ç ö ü ğ ü Ş Ü Ü ö

Ü Ö Ü Ğ Ğ Ğ Ğ

ö Ş Ç ö ö ö ö ö Ö ö Ö ö Ç ö ö ö Ö Ğ Ğ

Ğ Ğ Ö

Ş Ğ ş Ğ İ Ğ İ ş ş Ü Ü Ş Ü İ ş ş ş

Ğ Ö Ğ

ğ Ü ğ ğ ğ ğ ğ ğ ğ İ ğ ğ ğ İ ğ ğ ğ ğ ğ ğ

Ç Ç Ç Ş İ ğ ğ ğ Ç Ş İ ğ Ç ğ ğ ğ Ç ğ Ş ğ ğ ğ Ç ğ Ş ğ ğ ğ ğ İ ğ İ İ ğ ğ ğ ğ ğ ğ ğ ğ ğ

Ğ Ö Ö Ö Ö Ö Ö Ö Ö

ö ö Ü Ğ Ş Ğ Ş Ğ Ğ ö ö ö ö Ğ

ç ç ç ç ç

Ğ Ğ» Ş Ş Ğ Ş Ç

ö Ç ş ş ö ç ç ş ş ö ö ö Ç ö ş ş ö

Ğ Ğ Ğ

İ İ Ğ İ İ Ş İ Ö Ş Ş

İĞİ ğ ş. ğ ş ğ ğ ğ Ş İ. ş ş. ş ğ ğ. ş ş ğ ş ş ş. ğ ş ş İ İ İ. ş ş

Ğ Ö

ğ

Ü Ğ Ğ ç ç ç ö ö ö ö ç ç ç Ç Ş

Ü Ü»

Ğ Ö Ğ Ö Ş

Ş ö ö ö ö ö

Ç ö ö ö ö

Ş Ş Ö Ö Ü Ö Ö»

Ş Ç Ç

Zeki Optimizasyon Teknikleri

GEZGİN SATICI PROBLEMİ. Feasible Çözümler? Optimal Çözüm?

Büyük Veri Analitiği (Big Data Analytics)

Tek Değişkenli Optimizasyon OPTİMİZASYON. Gradient Tabanlı Yöntemler. Bisection (İkiye Bölme) Yöntemi

DOKUZ EYLÜL ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ DEKANLIĞI DERS/MODÜL/BLOK TANITIM FORMU. Dersin Kodu: END 4903

YZM ALGORİTMA ANALİZİ VE TASARIM DERS#9: AÇGÖZLÜ ALGORİTMALAR

GENETİK ALGORİTMA ÖZNUR CENGİZ HİLAL KOCA

AKILLI TATIL PLANLAMA SISTEMI

Genetik Algoritmalar. Bölüm 1. Optimizasyon. Yrd. Doç. Dr. Adem Tuncer E-posta:

GENETİK ALGORİTMALAR. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ

METASEZGİSEL YÖNTEMLER. Genetik Algoritmalar

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

Genel Graf Üzerinde Mutlak 1-merkez

YZM 5257 YAPAY ZEKA VE UZMAN SİSTEMLER DERS#6: GENETİK ALGORİTMALAR

AKADEMİK DEĞERLENDİRME KISTASLARI GENEL KURALLAR

Karınca Kolonisi Algoritmasının Zaman Çizelgelemesi Üzerine: Bir Modellemesi ve Uygulaması

GEZGİN SATICI PROBLEMİ İÇİN BİR MEMETİK ALGORİTMA ÖNERİSİ

BİL-142 Bilgisayar Programlama II

OPTİMİZASYON TEKNİKLERİ. Kısıtsız Optimizasyon

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

KOMBİNATORYAL OPTİMİZASYON

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

Google Maps ve Genetik Algoritmalarla GSP Çözümü İçin Öneri

Serdar BİROĞUL YÜKSEK LİSANS TEZİ (ELEKTRİK EĞİTİMİ) GAZİ ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ANKARA

YZM 3217 YAPAY ZEKA DERS#10: KÜMELEME

1.58 arasındaki her bir değeri alabileceği için sürekli bir

1 Actions-> Generate Random TSP yolunu izleyerek 100 şehirden oluşan bir gezgin satıcı problemi oluşturunuz.

Rastgele değişken nedir?

EVREN, ÖRNEK, TEMSİLİYET. Prof. Mustafa Necmi İlhan

FAALİYET TÜRLERİNE GÖRE KANITLAYICI BELGELER

Kümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir

Kısıtsız Optimizasyon OPTİMİZASYON Kısıtsız Optimizasyon

Yapay Zeka İle Aramızdaki Fark

Sezgisel-Bilgili Arama (Heuristic-Informed Search)

HİTİT ÜNİVERSİTESİ AKADEMİK TEŞVİK ÖDEMESİNE ESAS OLARAK YAPILACAK PUANLAMADA İSTENEN BELGELER

BİLİMSEL ARAŞTIRMA YÖNTEMLERİ

Uzaktan Algılama Teknolojileri

YAPAY SİNİR AĞLARI. Araş. Gör. Nesibe YALÇIN BİLECİK ÜNİVERSİTESİ

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

Temel ve Uygulamalı Araştırmalar için Araştırma Süreci

SÜREKLĠ OLASILIK DAĞILIMLARI

Transkript:

Zeki Optimizasyon Teknikleri (nt lgorithm) Doç.Dr. M. li kcayol 996 yılında Marco Dorigo tarafından ortaya atılmıştır. Temel olarak karıncaların yiyecek madde ile yuvaları arasındaki en kısa yolu bulmalarından esinlenilmiştir. Karınca algoritması genetik algoritma gibi popülasyon tabanlı yaklaşıma sahiptir. Karınca popülasyonu içindeki herbir karınca bir çözüm oluşturur ve daha sonra diğer karıncaların hareketini etkiler.

Engel d= F d= E d=0.5 D d= d= C d=0 0.5 2

lgoritmanın çalışmasında kesikli (discrete) zaman (t) kullanılır. Her zaman aralığında her bir karınca bir birim yer değiştirir. Her yerdeğiştirmede birim feromen maddesi bırakır. aşlangıçta (t=0) hiçbir yolda (kenarda) feromen maddesi yoktur. D F E 05 0.5 C 0.5 t= iken 6 karınca noktasında ve 6 karınca E noktasındadır. t=2 iken 8 karınca E noktasında 8 karınca noktasındadır. D noktasında 6 karınca vardır. Kenarlardan geçen karınca yoğunlukları ise FE=6, =6, C=6, CE=6, D=8, ED=8 olur. 6 karınca -F arasında 6 karınca F- arasında hareket ediyor. 3

Karınca algoritmaları sadece yol problemi çözümünde değil başka problemlerin çözümündede kullanılır. Sadece feromen maddesi çokluğuna ğ göre algoritma çalışırsa alt-optimal çözüme düşülür (lokal minimum). Global minimumu bulmak için yol seçiminde bazı olasılık seçimleri yapılır. Feromen birikmesi sınırsız ve sürekli değildir. Zamana bağlı olarak buharlaşma (yok olma) sözkonusudur ve her t zamanında belirli bir oranda azalır. (Yol problemi) Şehirler arasındaki en kısa yolu bulmak için her şehre bir karınca yerleştirilir. aşlangıç (t=0) için feromen miktarı tüm yollar için 0 olarak alınır. Her t+ zamanında her karınca yeni bir şehre hareket eder. Yeni şehrin belirlenmesinde bulunulan noktaya uzaklığı ile yoldaki feromen miktarına bağlı rastgele bir seçim kullanılır. Her zaman aralığında feromen miktarı için buharlaşma hesaplanır. uharlaşma 0 ile arasında bir değerdir. ir karıncanın bir şehre iki sefer gitmesi tabu listesi ile engellenir. Her hareketten sonra her karıncanın gittiği şehirler güncellenir. 4

(Yol problemi) - devam Her bir hareketten sonra feromen miktarı aşağıdaki formülle güncellenir. Fij(t+) = b.fij(t) + Fij Fij = Q / Kn (Her turdan sonraki güncelleme içinde i kullanılır) l urada Fij i. İle j. şehirler arasındaki yolda biriken feromen miktarı, b buharlaşma oranıdır. Q sabit katsayı ve Kn karıncanın kullandığı toplam yol uzunluğudur. ir sonraki şehre geçiş oranı aşağıdaki formülle belirlenir. yollar) Pij = Fij(t) α. Nij β / Σ Fik(t) α. Nik β k (k izin verilen urada Nij i. ile j. şehirler arasındaki yol uzunluğu, α ve β kontrol parametreleridir. (Uygulamalar ve raştırma) Gezgin satıcı problemi. raç yol problemi. Daha kapsamlı araştırma ş için Marco Dorigo nun bu konuyla ilgili Web sayfası kullanılabilir. http://iridia.ulb.ac.be/~mdorigo/co/co.html Sitede şu ana kadar yapılmış olan çalışmalar ve yayınlarla ilgili bilgiler bulunmaktadır. Makale taramak için: http://www.sciencedirect.com http://www.scirus.com http://www.ieeexplore.com http://www.google.com.tr http://citeseer.ist.psu.edu 5

Haftalık Ödev: Karınca algoritması konusunda çalışmayı içeren bir makale incelenecek ve elde edilen sonuçları içeren bir rapor hazırlanacaktır. İncelenen makalede karınca algoritması kullanılmasının gerekçeleri, uygulamanın sonuçları değerlendirilecektir. - İncelenen makale son 5 yılda yayınlanmış olacaktır. - Makale Yurtdışında SCI te taranan bir dergide yayınlanmış olacaktır. - SCI te tarandığını gösterir bilgi ödeve eklenecektir. - Hazırlanan rapora makalenin tam metnide eklenecektir. Gelecek Hafta Tavlama enzetimi (Simulated nnealing) 6