GENETİK ALGORİTMANIN UYGULAMA ALANLAR

Karmaşık problemleri hızlı ve optimuma yakın olarak çözebilen genetik algoritmalar, birçok alandaki problemlerin optimizasyonu için başarıyla

44 kullanılmaktadır. Genellikle büyük çözüm uzaylarının geleneksel yöntemlerle taranması hesaplama zamanını artırmaktadır. Bu tip problemlere, genetik algoritmalar ile kısa bir sürede iyi bir çözüm elde edilebilmektedir. Genetik algoritmalar özellikle çözüm uzayının geniş, süreksiz ve karmaşık olduğu problemlerde başarılı sonuçlar vermektedir (Bolat, 2006: 43). Genetik algoritmanın temel mantığı bilimsel ve mühendislik problemleri ve modellerinde geniş çapta uygulama alanı bulmaktadır. Bunlardan bazıları aşağıdaki gibidir (Mitchell, 1998: 15-16):

Optimizasyon: Genetik algoritmalar, sayısal optimizasyon ve devre yerleşimi ile iş çizelgeleme gibi bazı kombinasyonel optimizasyon problemlerini kapsayacak şekilde optimizasyon görevlerinin geniş bir kısmında kullanılmaktadır.

Otomatik Programlama: Genetik algoritmalar bilgisayar programlarının spesifik görevleri için geliştirilmiş, hücresel otomatlar ve sıralama ağları gibi diğer hesap yapıları için kullanılabilir hale gelmişlerdir.

Makine Öğrenmesi: Genetik algoritmalar pek çok makine öğrenme uygulamasında kullanılmaktadır. Bunlar hava ve protein yapısının tahmini gibi sınıflandırma ve tahmin görevlerini kapsamaktadır.

Ekonomi: Genetik algoritmalar yenilik süreçlerin modellemesi, fiyat verme stratejilerinin gelişimi ve ekonomik pazarların ortaya çıkışı için kullanılmaktadır.

Bağışıklık Sistemleri: Genetik algoritma doğal bağışıklık sistemlerinin çeşitli yönlerinin modellenmesi için kullanılmaktadır. Bireyin yaşamı boyunca bedensel mutasyonu ve çoklu gen ailelerinin evrimsel zamanda keşfi bu kapsamda yer almaktadır.

Ekoloji: Genetik algoritmalar biyolojik silahlanma yarışını, paraziti ve onu barındıranın birlikte evrimini, ortakyaşama ve kaynak akışı gibi ekolojik olayları modellemek için kullanılmaktadır.

Popülasyon Genetiği: Genetik algoritma, “Hangi şartlar altında bir gen evrimsel açıdan gerçekleştirilebilir olmaktadır?” gibi popülasyon genetiği ile ilgili sorular üzerinde çalışılmasını sağlamaktadır.

45 Evrim ve Öğrenme: Genetik algoritmalar, bireyin nasıl öğrendiği ve türlerin evriminin diğerlerini nasıl etkilediği gibi konularda çalışmak için kullanılmaktadır.

Sosyal Sistemler: Genetik algoritmalar böcek kolonilerinde sosyal davranışların evrimi ve daha genel olarak çok etmenli sistemlerin işbirliği ve iletişimlerinde evrimi gibi sosyal sistemlerin evrimsel görünüşleri üzerine çalışmalarda kullanılmaktadır.

Genetik algoritmaların en çok uygulandığı alanların başında üretim/işlemler gelmektedir. Üretim/işlemler alanında genetik algoritmalar kullanılarak çözümü yapılabilen problemler şunlardır (Polat 2006: 12):

• Montaj Hattı Dengeleme Problemi • Gezgin Satıcı Problemi

• Tesis Yerleşim Problemi • Atama Problemi

• Hücresel Üretim Problemi • Sistem Güvenilirliği Problemi • Taşıma Problemi

• Araç Rotalama Problemi

• Minimum Yayılan Ağaç Problemi • Çizelgeleme Problemi

Bu problemler içerisinde en yaygın olanı gezgin satıcı problemidir.

2.3. GENETİK ALGORİTMANIN AVANTAJLARI VE

DEZAVANTAJLARI

Yapısal optimizasyon problemlerinin pek çoğu basit genetik algoritmalar ile çözülebilmektedir. Yapısal optimizasyon problemlerinin çözülmesinde genetik algoritmalarının kullanılmasının üç önemli avantajı vardır (Chen ve Chen, 1997: 1323):

1. Duyarlılık hesaplamalarının olmaması bu avantajlardan ilkidir. Duyarlılıkların hesaplanması genellikle çok zaman alıcıdır ve ticari olarak sonlu elemanlı yazılımlar tarafından zordur veya imkânsızdır.

46 2. İkinci avantajı, karışık değişkenli problemlerin kolay çözülmesidir. Problemdeki sürekli değişkenler tasarım değişkenlerinin kodlanması süreci ile istenilen doğrulukta kolayca ayrıklaştırılabilir.

3. Üçüncü önemli avantajı global optimumu bulma konusunda daha fazla şansa sahiptir. Gradyan tabanlı metotlardan farklı olarak, genetik algoritmada ilk tasarım için belirlenen sayıda bir dizi kullanılır. Bu rasgele üretilmiş başlangıç tasarımlar tüm tasarım alanını kapsar, böylece global çözümün bulunması şansı artar.

Yukarıda sayılan avantajlar, genetik algoritmanın tercih edilmesinde önemli yer tutmaktadır. Bu avantajlara ek olarak aşağıdaki konularda da avantaj sağladığı söylenebilir (Haupt ve Haupt, 2004: 23; Sivanandam ve Deepa, 2008: 34-35):

• Sürekli veya kesikli değişkenler içeren optimizasyon problemlerinde kullanılabilir.

• İkincil bilgi gerektirmez.

• Maliyet yüzeyinin geniş bir örnek kümesinde eşzamanlı arama yapabilir. • Çok sayıda değişkenle başa çıkabilir.

• Paralel bilgisayarlar için uygundur.

• Son derece karmaşık maliyet yüzeylerinde değişkenleri optimize edebilir (yerel minimumlardan kurtulabilir).

• Sadece tek bir çözüm yerine optimum değişkenlerin listesini sunar.

• Değişkenleri kodlayabilir, böylece optimizasyon işlemi kodlanmış değişkenler ile yapılabilir.

• Sayısal olarak oluşturulmuş veriler, deneysel veriler veya analitik fonksiyonlar ile çalışabilir.

• Problem, çoklu amaç fonksiyonuna sahiptir. • Sadece fonksiyon değerlendirmesini kullanır. • Farklı sorunlar için kolayca değiştirilebilir.

• Geniş ve tam olarak anlaşılmamış arama uzayları ile başa çıkabilir. • Çoklu problemler için idealdir. Çözüm paketi döndürür.

• Amaç fonksiyonunun değerlendirilmesindeki zorluklara çok dayanıklıdır. • Yerel optimuma takılma durumuna karşı dayanıklıdır.

47 • Büyük ölçekli optimizasyon problemlerinde çok iyi performans

göstermektedir.

• Optimizasyon problemlerinin çoğunda kullanılabilir.

Genetik algoritma, sağladığı birçok avantajının yanı sıra, çeşitli sınırlara da sahiptir. Bu sınırlamalar problemin çözümünü zorlaştırabileceği gibi doğru kullanıldığında fazla zorluk çıkarmayacak konulardır. Genetik algoritmanın dezavantajları aşağıdaki gibidir (Sivanandam ve Deepa, 2008: 35):

• Uygunluk fonksiyonunun belirlenmesi problemi vardır. • Problem için temsilin tanımı yapılmalıdır.

• Erken yakınsama oluşur.

• Popülasyon büyüklüğü, mutasyon oranı, çaprazlama oranı, seçilim metodu gibi çeşitli parametrelerin seçilmesi sorunu vardır.

• Eğim kullanılamaz.

• Özel bilgiler probleme kolayca dâhil edilemez. • Yerel optimumun belirlenmesinde iyi değildir. • Etkili bir sonlandırıcı bulunmamaktadır.

• Düzgün tek modlu fonksiyonlar için etkili değildir. • Bir yerel arama tekniği ile birlikte kullanılması gerekir. • Tam olarak global optimumu bulmak zordur.

• Çok sayıda uygunluk fonksiyonu değerlendirmesi gerektirir. • Yapılandırma basit değildir.

2.4. GENETİK ALGORİTMANIN TEMEL BİLEŞENLERİ