Tez No	İndirme	Tez Künye	Durumu
774886		Genetik programlama ve mühendislikte uygulamaları / The genetic programming and its applications in engineering Yazar:DAVUT ARI Danışman: DOÇ. DR. BARIŞ BAYKANT ALAGÖZ Yer Bilgisi: İnönü Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Elektronik burun = Electronic nose ; Gen ifadesi regülasyonu = Gene expression regulation ; Genetik programlama = Genetic programming ; Hava kirliliği = Air pollution ; Veri analizi = Data analysis	Onaylandı Doktora Türkçe 2023 123 s.
Genetik Programlama(GP) sembolik ve matematiksel model üretebilen bir evrimsel hesaplama yöntemidir. GP, evrimsel hesaplamanın bir türü olmasının yansıra aynı zamanda makine öğrenmesi uygulamalarında sıklıkla sembolik regresyon problemleri çözümünde kullanılmaktadır. İlk ortaya çıktığı zamandan beri birçok farklı disiplinde görülen modelleme problemlerinin çözümünde başarılı bir şekilde uygulanması sonucunda popüler evrimsel hesaplama yöntemleri arasına girmiştir. Bu tez çalışması kapsamında standart GP ve onun bir varyantı olan Gen İfadesi Programlama(Gene Expression Programming-GEP) yöntemi kullanılarak veri dayalı tahmin modelleri geliştirme ve mühendislik uygulamaları için araştırma çalışmaları gerçekleştirilmiştir. GP yönteminin uygulamada etkililiğini artırmak için veri normalizasyonu, topluluk öğrenme, hibrit model geliştirme ve hiperparametre optimizasyon teknikleri konularında araştırma yapılmıştır. Ayrıca GEP yönteminin kromozom yapısı modifiye edilmiş ve sabit değer belirleme problemine optimal bir çözüm önerilmiştir. Bu modifiye GEP kromozomu popüler metasezgisel optimizasyon yöntemleri ile optimize edilmiş ve böylece bir metasezgisel optimizasyon tabanlı GEP (MetaSezGEP) yaklaşımı geliştirilmiştir. Bu iyileştirmelerin mühendislik uygulamalarına katkıları araştırılmıştır.
Genetic Programming (GP) is an evolutionary computational method that can generate symbolic and mathematical models. In addition to being a type of evolutionary computing, the GP is also frequently used in solving symbolic regression problems in machine learning applications. Since its first appearance, it has become one of the popular evolutionary calculation methods as a result of being successfully applied for solution of modeling problems appeared in many different disciplines. Within the scope of this thesis, research studies have been carried out for development of data driven prediction models and their engineering applications by using the classical GP and its a variant, Gene Expression Programming (GEP). In order to increase the effectiveness of these GP methods in practice, data normalization, ensemble learning, hybrid model development and hyperparameter optimization techniques are studied. In addition, the chromosome structure of the GEP method has been modified and an optimal solution to the constant value determination problem has been proposed. Then, the modified GEP method was combined with popular metaheuristic optimization methods, and thus a metaheuristic optimization based GEP (MetaSezGEP) approach was developed. Contributions of these improvements to some engineering applications have been investigated.