|
Genetik algoritmalar (GA'lar) popülasyon içerisindeki iyi genleri toplayıp birleştirerek daha iyi bireyler elde eden evrimsel algoritmalardır. Paralel genetik algoritmalar (PGA'lar) ise farklı bireylere sahip birden fazla alt popülasyon üzerinde GA çalıştırarak arama ve en iyileme yaparlar. PGA'ların başarılı bir arama yapmasını sağlayan göç işlemi, alt popülasyonlar arasındaki birey değişimini belirli aralıklar ile gerçekleştirir. Bu tez çalışmasında, iyi bireyleri iyi alt popülasyonlara toplayarak düşük göç maliyeti ile başarılı sonuçlar elde etmeyi sağlayan Elit Göç Metodu (EGM) geliştirilmiştir. EGM farklı göç yöntemleri ile kıyaslanmış, özellikle iyi genleri toplayıp birleştirmenin zor olduğu düşük popülasyon boyutlarında başarılı sonuçlar vermiştir. Bunun yanında geçirgenlik, göç işleminin alt popülasyonlardaki etkisini gösteren yeni bir kavram olarak tanımlanmıştır. Yapılan analizler sonucunda EGM'nin kıyaslandığı diğer yöntemlere göre benzer farklılık ve daha iyi geçirgenlik sağladığı için başarılı sonuçlar ürettiği ortaya konmuştur. Göç işleminin arama fazında yoğun olarak yapıldığında aramayı hızlandırdığı tez çalışmasında elde edilen diğer bir sonuçtur. Bu bulgular doğrultusunda test fonksiyonu ve GA operatörlerinden bağımsız olan geçirgenlik ve farklılık ile bulanık mantık yaklaşımı ortaya konmuştur. Bu yaklaşım ile göç oranı ve göç aralığının dinamik olarak belirlendiği EGM temelli uyarlanabilir iki yeni model geliştirilmiştir. Birinci modelde yalnızca göç aralığı, ikinci modelde ise hem göç aralığı hem de göç oranı dinamik olarak belirlenmiştir. Göç parametrelerinin tespitinde bulanık mantık kullanılması ile arama fazında yoğun olarak gerçekleştirilen göç işleminin hızlı bir arama sağladığını gösterilmiştir. Ayrıca düzenleme fazında az sayıda yapılan göçün elde edilen sonuçları iyileştirdiği ortaya konmuştur.Anahtar kelimeler:Paralel genetik algoritmalar, göç, göç yöntemleri, göç parametreleri, bulanık mantık
|
|
Genetic algorithms (GAs) are evolutionary algorithms that collect and combine good genes within the population so that better members are obtained. Parallel genetic algorithms (PGAs), on the other hand, do search and optimization by employing GA on more than one sub-population with different individuals. Migration process, which ensures PGAs to run a successful search, realizes exchange of individuals among sub-populations at specified time intervals. In this thesis study, Elitist Migration Method (EMM), which aims to obtain successful results with low migration cost by gathering fit individuals into good sub-populations, is developed. EMM is compared with various migration methods and provides successful results especially in the case of low population size where it is difficult to collect and combine fit genes. Additionally, permeability is defined as a new concept that depicts the effect of the migration process on sub-populations. Results of the analyses show that EMM provide good results having similar diversity and better permeability with respect to other methods. The fact, which migration speeds up the search when it is carried out during the search phase, is another result obtained in this study. In the light of these results, fuzzy logic model is employed together with permeability and diversity that are independent of test function and GA operators. Thus, EMM based two new adaptable methods in which the migration rate and migration interval are dynamically determined are developed. In the first model, only migration interval is determined dynamically whereas both migration interval and migration rate are dynamically determined in the second one. Using fuzzy logic in determining the migration parameters, it is shown that the migration process carried out intensively at the search phase provides a quick search. Also, it is revealed that the migration process carried out rarely at the arrangement phase improves the results obtained.Keywords:Parallel genetic algorithms, migration, migration methods, migration parameters, fuzzy logic |
