Genetik algoritmalar (GA)

Genetik algoritma, doğadaki evrim mekanizmasını örnek alan bir arama metodudur. Yani bir veri grubundan özel bir veriyi bulmak için kullanılır. Doğada geçerli olan en iyinin yaşaması kuralına dayanarak sürekli iyileşen çözümler üretir. Bunun için "iyi"nin ne olduğunu belirleyen bir uygunluk (fitness) fonksiyonu ve yeni çözümler üretmek için yeniden kopyalama (recombination), değiştirme (mutation) gibi operatörleri kullanırlar. Genetik algoritmaların bir diğer önemli özelliği de bir grup çözümle uğraşmasıdır. Bu sayede çok sayıda çözümün içinden iyileri seçilip kötüleri elenebilir. Genetik algoritmaları diğer algoritmalardan ayıran en önemli özelliklerden biri de seçmedir. Genetik algoritmalarda çözümün uygunluğu onun seçilme şansını arttırır ancak bunu garanti etmez. Seçim de ilk grubun oluşturulması gibi rastgeledir ancak bu rastgele seçimde seçilme olasılıklarını çözümlerin uygunluğu belirler (Roubos, 2002).

Genetik algoritmanın çalışmasını aşağıdaki gibi özetleyebiliriz ;

1. Olası çözümlerin kodlandığı bir çözüm grubu oluşturulur (çözüm grubunu, biyolojideki benzerliği nedeniyle, toplum (population), çözümlerin kodları da kromozom olarak adlandırılır).

2. Her kromozomun ne kadar iyi olduğu bulunur.

3. Bu kromozomları eşleyerek yeniden kopyalama ve değiştirme operatörleri uygulanır. Bu sayede yeni bir toplum oluşturulur.

4. Yeni kromozomlara yer açmak için eski kromozomlar ortadan kaldırılır. 5. Tüm kromozomların uygunlukları tekrar hesaplanır.

6. Eğer zaman dolmamışsa 3. adıma gidilir.

7. O ana kadar bulunmuş en iyi kromozom sonuçtur.

Genetik Algoritmaların kullanılma nedenleri ; denklem optimizasyonunda üç tip çözümden bahsedilir.

• Türev-İntegral hesabına (calculus) dayananlar • Sıralamaya (enumeration) dayananalar

Türev-İntegral hesaplamalarına dayanan hesaplama yöntemleri çok derinlemesine çalışılmıştır. Bu yöntemler fonksiyonun türevinin köklerinin fonksiyonun en küçük ve en büyük değer veren noktaları olmasından yararlanır. Gerçek problemler için sıfır veren noktaları bulmak da ayrı bir problemdir.

Diğer bir yöntem ise alınan bir noktadan sadece yukarı ilerleyerek en iyi sonucu bulmayı hedefler. Tepe tırmanma (hill climbing) denen bu yöntem fonksiyon grafiğinin tepelerini tırmanır. Ancak çok sayıda dönme noktası içeren bir fonksiyonda çok sayıda tepe oluşur. Hangi tepenin en iyi çözüm olduğu bilinemez. Numaralama yöntemleri ise oldukça alışalagelmiştir. Sürekli olan reel sayı aralıkları belli sayıda parçaya ayrılarak parçalar denenir. Ancak problemler böyle çözmek için büyük olabilir. Bu yöntemin biraz daha geliştirilmiş şekli Dinamik programlamayla (dynamic programming) oluşturulur. Parçalar arasından iyi görünenler seçilir. Bu parçalar, tekrar parçalara ayrılarak işlem tekrarlanır. Bu yöntem de tepe tırmanma yöntemi gibi yanlış tepeleri araştırabilir. Dinamik Programlama tepelerin olmadığı aralıklarda başarılı ve hızlıdır.

Optimizasyonun iki amacı vardır, • bir işi daha iyi yapmak.

• en iyi şekilde yapmak.

Günümüzde rastgele aramaların kullanımı artmaktadır. Bu tip aramalar en iyilemenin daha iyi yapma amacını sağlamakta daha başarılıdırlar. İnsanların bilgisayarlardan genel beklentisi mükemmellik olduğu için bu tip aramalar başarısız görünebilir. Genetik algoritmalar klasik yöntemlerin çok uzun zamanda yapacakları işlemleri kısa bir zamanda çok net olmasa da yeterli bir doğrulukla yapabilir.

• Genetik algortima parametrelerin kodlarıyla uğraşır. Parametreler kodlanabildiği sürece farketmez.

• Genetik algoritma bir tek yerden değil, bir grup çözüm içinden arama yapar. • Genetik algoritma ne yaptığı konusunda bilgi içermez, nasıl yaptığını bilir.

Bu nedenle bir kör arama (blind search) metodudur.

• Genetik algoritmalar olasılık kurallarına göre çalışır. Programın ne kadar iyi çalışacağı önceden kesin olarak belirlenemez. Ama olasılıkla hesaplanabilir. Genetik algoritmalar biyoteknolojide, parametre kestiriminde, üreme ortamının optimzasyonunda, proses parametrelerinin optimizasyonunda, kontrol profillerinin optimizasyonunda ve model yapısının tanımlanmasında uygulama imkanı bulmaktadır. Biyoteknolojde yapay zeka uygulamaları ile ilgili çok geniş bir literatür taraması Roubos’un (2002) “Bioprocess Modelling and Optimization” çalışmasında bulunabilir.

3. BİYOPROSESLERİN KONTROLÜ ve LİTERATÜR İNCELEMESİ

Endüstriyel boyutlu biyoteknolojik proseslerde seksenli yıllarda bilgisayar teknolojisininde kullanımıyla birlikte önemli gelişmeler gözlemlenmektedir. Teknolojik gelişim doğal olarak biyoteknolojik alanlarda faaliyet gösteren firmaları çok daha fazla rekabet içine sokmaktadır. Rekabette üstünlük sağlamak içinde üretim proseslerinde kaynakların verimli kullanımı öne çıkmaktadır. Biyoteknolojik açıdan bakıldığında kaynakların verimli kullanımı üzerinde çalışılan biyoteknolojik proseslerin optimizasyonu ve kontrolü ile mümkün olmaktadır. Biyoteknolojik proseslerin optimizasyonu ve ileri düzey kontrolü ile verimlilik, ürün kalitesi arttırılır iken istenmeyen bozucu girişlerin etkisi ve kalite dalgalanmaları en aza indirilmektedir.

Diğer taraftan biyoproseslerin modellenmesi ve kontrolünde karşılaşılan proses dinamiğinin zamanla değişimi ve doğrusal olmaması, önemli proses değişkenlerinin (substrat, biyokütle, üreme hızı) ölçülmesi problemi, söz konusu proseslerin optimizasyon ve kontrolünü zorlaştırmakta ve endüstriyel boyutlarda kullanımını sınırlamaktadır. Biyoteknolojik proseslerde optimizasyon ve kontrolün amacı, proses durum değişkenlerini (proseste yeralan bileşenlerin derişimleri) proses kinetiklerindeki değişim ve gürültülere rağmen öngörülen değerlerde kontrol edebilmektir. Bu doğrusal olmayan yapı ve modelleme zorlukları optimizasyon ve kontrol alanındaki gelişmelerin endüstriyel boyutlu biyoproseslere uygulanmasını zorlaştırmakta ve geciktirmektedir.

Biyoproseslerin işletim moduna göre (kesikli, yarıkesikli, sürekli mod), kesikli ve yarıkesikli işletim türünde durum değişkenlerinin öngörülen üssel derişim yörüngelerini takip etmesi amaçlanırken (tracking control), sürekli işletim modunda ise durum değişkenlerinin sabit bir referans değerinde kontrolü (set point control) amaçlanmaktadır. Yakın zamana kadar tüm Dünya’da endüstriyel biyoreaktörlerde gerçekleştirilen kontrol uygulamaları pH, sıcaklık ve bazı dozajların (substrat)

öngörülen değerlerde tutularak gerçekleştirilmiştir. Bu şekilde ekonomik verimlilik maksimize edilmeye çalışılmakta idi. Doksanlı yıllarda yarıiletken sensör ve bilgisayar teknolojilerinin biyoteknolojide kullanımı ile birlikte daha karmaşık ölçüm ve kontrol cihazları, dolayısıyla model esaslı kontrol uygulamaları kullanılmaya başlanmıştır. Biyoteknolojik proseslerin performansını arttıran biyolojik durum değişkenlerinin kontrol edildiği uygulamalar aşağıdaki gibi sınıflandırılabilir.

• Substrat derişiminin kontrolü, biyokütle üremesinin önemli bir parametresidir. Derişimin kritik bir değerden fazla olması, proses ekonomisi açısından verimi düşüreceği gibi, altında olmasıda üreme için gerekli besin kaynağının olmaması anlamına gelmektedir.

• Çözünmüş oksijen derişiminin kontrolü, aerobik biyoproseslerde çözünmüş oksijen derişimi belli bir kritik değerin üzerinde tutularak mikrobiyal aktivitelerin devamlılığı sağlanmaktadır. Biyoproses ortamında çözünmüş oksijenin gereken değerden fazla olması, prosesin ekonomikliğini düşürücü etki yapar.

• Ürün derişiminin kontrolü, özellikle yarıkesikli fermentasyonlarda biyokütle/substrat verimi ile verimlilik arasında varolan ters orantıyı optimize etmede ürün derişiminin kontrolü önemli bir yöntemdir.

• Çıkış gaz debilerinin kontrolü, biyoproseslerin verimli işletiminde uygulanabilecek bir yöntemdir.

Yukarıda verilen kontrol uygulamalarını endüstriyel ortamlarda gerçekleştirmek için pekçok farklı yöntemler araştırılmış ve farklı boyutlarda uygulanmıştır. Tüm yöntemlerin amacı; biyokütle miktarı maksimize edilirken girdi maliyetlerinin minimumda tutulmasıdır. Buda yan ürün oluşumunun önlenmesi ve enerji maliyetlerinin minimize edilmesiyle sağlanmaktadır.