Genetik algoritmalar, do\u011fada g\u00f6zlemlenen evrimsel s\u00fcrece benzer bir \u015fekilde \u00e7al\u0131\u015fan arama ve eniyileme y\u00f6ntemidir. Karma\u015f\u0131k \u00e7ok boyutlu arama uzay\u0131nda en iyinin hayatta kalmas\u0131 ilkesine g\u00f6re b\u00fct\u00fcnsel en iyi \u00e7\u00f6z\u00fcm\u00fc arar.
\nGenetik algoritmalar\u0131n temel ilkeleri ilk kez Michigan \u00dcniversitesi’nde John Holland taraf\u0131ndan ortaya at\u0131lm\u0131\u015ft\u0131r. Holland 1975 y\u0131l\u0131nda yapt\u0131\u011f\u0131 \u00e7al\u0131\u015fmalar\u0131 \u201cAdaptation in Natural and Artificial Systems\u201d adl\u0131 kitab\u0131nda bir araya getirmi\u015ftir. \u0130lk olarak Holland evrim yasalar\u0131n\u0131 genetik algoritmalar i\u00e7inde eniyileme problemleri i\u00e7in kullanm\u0131\u015ft\u0131r.
\nGenetik algoritmalar problemlere tek bir \u00e7\u00f6z\u00fcm \u00fcretmek yerine farkl\u0131 \u00e7\u00f6z\u00fcmlerden olu\u015fan bir \u00e7\u00f6z\u00fcm k\u00fcmesi \u00fcretir. B\u00f6ylelikle, arama uzay\u0131nda ayn\u0131 anda bir\u00e7ok nokta de\u011ferlendirilmekte ve sonu\u00e7ta b\u00fct\u00fcnsel \u00e7\u00f6z\u00fcme ula\u015fma olas\u0131l\u0131\u011f\u0131 y\u00fckselmektedir. \u00c7\u00f6z\u00fcm k\u00fcmesindeki \u00e7\u00f6z\u00fcmler birbirinden tamamen ba\u011f\u0131ms\u0131zd\u0131r. Her biri \u00e7ok boyutlu uzay \u00fczerinde bir vekt\u00f6rd\u00fcr.
\nGenetik algoritmalar problemlerin \u00e7\u00f6z\u00fcm\u00fc i\u00e7in evrimsel s\u00fcreci bilgisayar ortam\u0131nda taklit ederler. Di\u011fer eniyileme y\u00f6ntemlerinde oldu\u011fu gibi \u00e7\u00f6z\u00fcm i\u00e7in tek bir yap\u0131n\u0131n geli\u015ftirilmesi yerine, b\u00f6yle yap\u0131lardan meydana gelen bir k\u00fcme olu\u015ftururlar. Problem i\u00e7in olas\u0131 pek\u00e7ok \u00e7\u00f6z\u00fcm\u00fc temsil eden bu k\u00fcme genetik algoritma terminolojisinde n\u00fcfus ad\u0131n\u0131 al\u0131r. N\u00fcfuslar vekt\u00f6r, kromozom veya birey ad\u0131 verilen say\u0131 dizilerinden olu\u015fur. Birey i\u00e7indeki her bir elemana gen ad\u0131 verilir. N\u00fcfustaki bireyler evrimsel s\u00fcre\u00e7 i\u00e7inde genetik algoritma i\u015flemcileri taraf\u0131ndan belirlenirler.
\nProblemin bireyler i\u00e7indeki g\u00f6sterimi problemden probleme de\u011fi\u015fiklik g\u00f6sterir. Genetik algoritmalar\u0131n problemin \u00e7\u00f6z\u00fcm\u00fcndeki ba\u015far\u0131s\u0131na karar vermedeki en \u00f6nemli fakt\u00f6r, problemin \u00e7\u00f6z\u00fcm\u00fcn\u00fc temsil eden bireylerin g\u00f6sterimidir. N\u00fcfus i\u00e7indeki her bireyin problem i\u00e7in \u00e7\u00f6z\u00fcm olup olmayaca\u011f\u0131na karar veren bir uygunluk fonksiyonu vard\u0131r. Uygunluk fonksiyonundan d\u00f6nen de\u011fere g\u00f6re y\u00fcksek de\u011fere sahip olan bireylere, n\u00fcfustaki di\u011fer bireyler ile \u00e7o\u011falmalar\u0131 i\u00e7in f\u0131rsat verilir. Bu bireyler \u00e7aprazlama i\u015flemi sonunda \u00e7ocuk ad\u0131 verilen yeni bireyler \u00fcretirler. \u00c7ocuk kendisini meydana getiren ebeveynlerin (anne, baba) \u00f6zelliklerini ta\u015f\u0131r. Yeni bireyler \u00fcretilirken d\u00fc\u015f\u00fck uygunluk de\u011ferine sahip bireyler daha az se\u00e7ilece\u011finden bu bireyler bir s\u00fcre sonra n\u00fcfus d\u0131\u015f\u0131nda b\u0131rak\u0131l\u0131rlar. Yeni n\u00fcfus, bir \u00f6nceki n\u00fcfusta yer alan uygunlu\u011fu y\u00fcksek bireylerin bir araya gelip \u00e7o\u011falmalar\u0131yla olu\u015fur. Ayn\u0131 zamanda bu n\u00fcfus \u00f6nceki n\u00fcfusun uygunlu\u011fu y\u00fcksek bireylerinin sahip oldu\u011fu \u00f6zelliklerin b\u00fcy\u00fck bir k\u0131sm\u0131n\u0131 i\u00e7erir. B\u00f6ylelikle, pek \u00e7ok nesil arac\u0131l\u0131\u011f\u0131yla iyi \u00f6zellikler n\u00fcfus i\u00e7ersinde yay\u0131l\u0131rlar ve genetik i\u015flemler arac\u0131l\u0131\u011f\u0131yla da di\u011fer iyi \u00f6zelliklerle birle\u015firler. Uygunluk de\u011feri y\u00fcksek olan ne kadar \u00e7ok birey bir araya gelip, yeni bireyler olu\u015fturursa arama uzay\u0131 i\u00e7erisinde o kadar iyi bir \u00e7al\u0131\u015fma alan\u0131 elde edilir. Probleme ait en iyi \u00e7\u00f6z\u00fcm\u00fcn bulunabilmesi i\u00e7in;
\nBireylerin g\u00f6sterimi do\u011fru bir \u015fekilde yap\u0131lmal\u0131,
\nUygunluk fonksiyonu etkin bir \u015fekilde olu\u015fturulmal\u0131,
\nDo\u011fru genetik i\u015flemciler se\u00e7ilmeli.
\nBu durumda \u00e7\u00f6z\u00fcm k\u00fcmesi problem i\u00e7in bir noktada birle\u015fecektir. Genetik algoritmalar, di\u011fer eniyileme y\u00f6ntemleri kullan\u0131l\u0131rken b\u00fcy\u00fck zorluklarla kar\u015f\u0131la\u015f\u0131lan, olduk\u00e7a b\u00fcy\u00fck arama uzay\u0131na sahip problemlerin \u00e7\u00f6z\u00fcm\u00fcnde ba\u015far\u0131 g\u00f6stermektedir. Bir problemin b\u00fct\u00fcnsel en iyi \u00e7\u00f6z\u00fcm\u00fcn\u00fc bulmak i\u00e7in garanti vermezler. Ancak problemlere makul bir s\u00fcre i\u00e7inde, kabul edilebilir, iyi \u00e7\u00f6z\u00fcmler bulurlar. Genetik algoritmalar\u0131n as\u0131l amac\u0131, hi\u00e7bir \u00e7\u00f6z\u00fcm tekni\u011fi bulunmayan problemlere \u00e7\u00f6z\u00fcm aramakt\u0131r. Kendilerine has \u00e7\u00f6z\u00fcm teknikleri olan \u00f6zel problemlerin \u00e7\u00f6z\u00fcm\u00fc i\u00e7in mutlak sonucun h\u0131z\u0131 ve kesinli\u011fi a\u00e7\u0131s\u0131ndan genetik algoritmalar kullan\u0131lmazlar. Genetik algoritmalar ancak;
\nArama uzay\u0131n\u0131n b\u00fcy\u00fck ve karma\u015f\u0131k oldu\u011fu,
\nMevcut bilgiyle s\u0131n\u0131rl\u0131 arama uzay\u0131nda \u00e7\u00f6z\u00fcm\u00fcn zor oldu\u011fu,
\nProblemin belirli bir matematiksel modelle ifade edilemedi\u011fi,
\nGeleneksel eniyileme y\u00f6ntemlerinden istenen sonucun al\u0131nmad\u0131\u011f\u0131 alanlarda etkili ve kullan\u0131\u015fl\u0131d\u0131r.
\nGenetik algoritmalar parametre ve sistem tan\u0131lama, kontrol sistemleri, robot uygulamalar\u0131, g\u00f6r\u00fcnt\u00fc ve ses tan\u0131ma, m\u00fchendislik tasar\u0131mlar\u0131, planlama, yapay zeka uygulamalar\u0131, uzman sistemler, fonksiyon ve kombinasyonel eniyileme problemleri a\u011f tasar\u0131m problemleri, yol bulma problemleri, sosyal ve ekonomik planlama problemleri i\u00e7in di\u011fer eniyileme y\u00f6ntemlerinin yan\u0131nda ba\u015far\u0131l\u0131 sonu\u00e7lar vermektedir.<\/p>\n
Di\u011fer y\u00f6ntemlerden fark\u0131
\nGenetik algoritmalar problemlerin \u00e7\u00f6z\u00fcm\u00fcn\u00fc parametrelerin de\u011ferleriyle de\u011fil, kodlar\u0131yla arar. Parametreler kodlanabildi\u011fi s\u00fcrece \u00e7\u00f6z\u00fcm \u00fcretilebilir. Bu sebeple genetik algoritmalar ne yapt\u0131\u011f\u0131 konusunda bilgi i\u00e7ermez, nas\u0131l yapt\u0131\u011f\u0131n\u0131 bilir.
\nGenetik algoritmalar aramaya tek bir noktadan de\u011fil, noktalar k\u00fcmesinden ba\u015flar. Bu nedenle \u00e7o\u011funlukla yerel en iyi \u00e7\u00f6z\u00fcmde s\u0131k\u0131\u015f\u0131p kalmazlar.
\nGenetik algoritmalar t\u00fcrev yerine uygunluk fonksiyonunun de\u011ferini kullan\u0131r. Bu de\u011ferin kullan\u0131lmas\u0131 ayr\u0131ca yard\u0131mc\u0131 bir bilginin kullan\u0131lmas\u0131n\u0131 gerektirmez.
\nGenetik algoritmalar gerekirci kurallar\u0131 de\u011fil olas\u0131l\u0131ksal kurallar\u0131 kullan\u0131r.<\/p>\n","protected":false},"excerpt":{"rendered":"
Genetik algoritmalar, do\u011fada g\u00f6zlemlenen evrimsel s\u00fcrece benzer bir \u015fekilde \u00e7al\u0131\u015fan arama ve eniyileme y\u00f6ntemidir. Karma\u015f\u0131k \u00e7ok boyutlu arama uzay\u0131nda en iyinin hayatta kalmas\u0131 ilkesine g\u00f6re b\u00fct\u00fcnsel en iyi \u00e7\u00f6z\u00fcm\u00fc arar. Genetik algoritmalar\u0131n temel ilkeleri ilk kez Michigan \u00dcniversitesi’nde John Holland taraf\u0131ndan ortaya at\u0131lm\u0131\u015ft\u0131r. Holland 1975 y\u0131l\u0131nda yapt\u0131\u011f\u0131 \u00e7al\u0131\u015fmalar\u0131 \u201cAdaptation in Natural and Artificial Systems\u201d adl\u0131 …<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1407,1403],"tags":[6263,2470],"class_list":["post-2496","post","type-post","status-publish","format-standard","hentry","category-fen-ve-teknoloji-odevleri","category-odevler","tag-genetik-algoritmalar","tag-kromozom"],"_links":{"self":[{"href":"https:\/\/www.islamidavet.com\/kutuphane\/wp-json\/wp\/v2\/posts\/2496","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.islamidavet.com\/kutuphane\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.islamidavet.com\/kutuphane\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.islamidavet.com\/kutuphane\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.islamidavet.com\/kutuphane\/wp-json\/wp\/v2\/comments?post=2496"}],"version-history":[{"count":0,"href":"https:\/\/www.islamidavet.com\/kutuphane\/wp-json\/wp\/v2\/posts\/2496\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.islamidavet.com\/kutuphane\/wp-json\/wp\/v2\/media?parent=2496"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.islamidavet.com\/kutuphane\/wp-json\/wp\/v2\/categories?post=2496"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.islamidavet.com\/kutuphane\/wp-json\/wp\/v2\/tags?post=2496"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}