Metasezgisel Yöntemler

Metasezgisel yöntemler, araç rotalama problemleri gibi karmaşık yapıdaki kombinasyonel optimizasyon problemlerinin çözümü için geliştirilmiş özel sezgisellerdir. Metasezgisel ifadesi, literatürde ilk kez Fred Glover tarafından 1986 yılında ortaya atılmıştır (Gendreau vd. [168]).

Metasezgisel yöntemler, literatürde birçok değişik yapıdaki araç rotalama probleminin çözümüne uygulanmıştır. Klasik sezgisel yöntemler dikkate alındığında, metasezgisel yöntemlerin çözüm uzayının araştırılmasında daha etkili olduğu ve yerel optimumla sonlanmalarının daha az gerçekleştiği görülmektedir. Metasezgisel yöntemler, genel olarak aşağıda verilen üç temel alana ayrılırlar (Cordeau vd. [161]):

Yerel arama: Tavlama benzetimi, deterministik tavlama ve tabu arama tarafından

içerilir.

Popülasyon arama: Genetik algoritma ve uyarlamalı hafıza prosedürü tarafından

içerilir.

118

Metasezgisel yöntemler tipik olarak, gelişmiş komşuluk arama kurallarını, hafıza yapılarını ve çözüm kombinasyonlarını birleştirirler. Bu yöntemler ile üretilmiş olan çözümlerin kalitesi, genellikle klasik sezgisel yöntemlerle elde edilen sonuçlardan daha iyidir. Fakat metasezgisel yöntemler çözüm elde etmede daha fazla hesaplama zamanı gerektirmektedir. Ayrıca, metasezgisel yöntemlerdeki süreçler genellikle şartlara bağlıdır ve bu sezgiseller bazı zor durumların genelleştirilmesi için parametrelere ihtiyaç duyarlar. Metasezgisel yöntemler, iyileştirme süreçlerinden daha gelişmiş olmamakla beraber, klasik sezgisel yöntemlerin doğal bir iyileştirmesi olarak görülebilirler (Laporte vd. [165]).

Metasezgisel yöntemler, arama sürecine rehberlik eden stratejilerdir. Bu yöntemlerde amaç, en iyi ya da en iyiye yakın çözümleri bulmak için arama uzayını hızlı bir şekilde araştırmaktır. Metasezgisel yöntemler, basit yerel arama algoritmalarından karmaşık öğrenme süreçlerine kadar geniş bir yelpazeyi içermektedir. Metasezgisel yöntemler, yaklaşık algoritmalardır ve genellikle deterministik değildirler. Bu yöntemler, arama uzayındaki yerel en iyi tuzaklardan kurtulmak için çeşitli mekanizmaları kullanırlar. Öte yandan, metasezgisel yöntemler, probleme özgü değildirler ve üst seviye stratejiler tarafından kontrol edilen sezgisellerde probleme özgü bilgi kullanımına izin verirler. İleri seviye metasezgisel yöntemler ise, aramaya rehberlik etmesi amacıyla arama sırasında elde edilen bilgiyi (hafızayı) kullanırlar. Kısacası, bu yöntemler, farklı metotlar ile arama uzayının araştırılması için yüksek seviyedeki stratejilerdir (Aydemir [169]).

Tabu Arama Algoritması: Temel olarak Tabu Arama (TA) kavramı ilk olarak Glover

tarafından 1986 yılında ortaya atılmıştır. Tabu arama algoritmasındaki temel yaklaşım, problemi son çözüme götüren adımın, dairesel hareketler yaratmasını engellemek için bir sonraki döngüde tekrarının yasaklanması veya cezalandırılmasıdır. Tabu arama yöntemi kısmen, benzer olaylarda rastlantısal işlemler gerçekleştirirken insan davranışının tutarsızlığa eğilimli olmasından etkilenmiştir. Tabu arama yöntemi, incelenmiş bir yol olmadığı sürece her çözümü araştırabilen bir süreçtir. Böylece yeni bir çözüm uzayının incelenmesi suretiyle yerel minimumdan kaçınılarak istenilen çözüme ulaşılabilmektedir. Algoritma, yerel minimuma doğru hareket ederek başlar, daha önce yapılmış hareketlere tekrar dönüş yapmayı engellemek için yöntem bir veya birden fazla tabu listesi tutar. Bu tabu listesinin orjinal amacı, önceden yapılmış bir

119

hareketin tekrarından çok tersine dönmesini önlemektir. Tabu listesi kronolojik bir yapıya sahiptir ve tabu arama belleğini biçimlendirir. Belleğin rolü algoritma ilerledikçe değişebilir. Başlangıçta hedef, çözüm uzayında kaba araştırma yapmak iken, aday konumlar belirlendikçe arama yerel optimum çözümü üretmeye daha fazla odaklanır (Cura [21]).

Literatür çalışmalarına bakıldığında araç rotalama problemlerine çözüm üretmek için tabu arama metasezgiselinin son yıllarda sıklıkla kullanıldığı görülmektedir. Cordeau ve diğerlerinin *146+ da periyodik ve çok depolu araç rotalama problemine uygulandıkları tabu arama algoritması, Ho ve Haugland’ın [170] de zaman pencereli ve bölümlü dağıtımlı araç rotalama problemine uyguladıkları tabu arama algoritması, Leung ve diğerlerinin *171+ de iki boyutlu yüklemeli araç rotalama problemi için önerdikleri genişletilmiş tabu arama ve yeni paketleme algoritması, Brandao’nun [172] de heterojen araç rotalama probleminin çözümünde kullandıkları tabu arama algoritması ve Montane ve Galvao’nun [173] de tabu arama algoritması ile çözüm aradıkları eşzamanlı toplama ve dağıtım hizmetli araç rotalama problemi bu çalışmalara örnek olarak verilebilir.

Tavlama Benzetimi Algoritması: Tavlama Benzetimi (TB), bir metalin soğuyarak ve

donarak minimum enerjili kristal yapıya dönüşmesi ile daha genel bir sistemde minimumun araştırılması arasındaki benzerlikten yararlanır. Bu yaklaşımı daha iyi anlayabilmek için doğal tavlamanın esasları ortaya konmalıdır. Doğal tavlamada, herhangi bir katı madde erime noktasını aşıncaya kadar ısıtılır ve ardından katılaşıncaya kadar soğutulursa, bu katı maddenin yapısal özellikleri soğuma hızına bağlı olarak değişir. Örneğin, büyük kristaller çok yavaş soğutulacak olursa gelişmeler gözlenebilirken, hızlı soğutulma neticesinde yapılarında birçok bozulmaları barındırırlar. Yani, ısıtılan ve ardından belli bir hızla soğutularak en iyi biçimine ulaştırılmaya çalışılan bir madde, bir sistemdeki parçacık gibi algılanırsa bu tavlama sürecinden tavlama benzetimi elde edilmiş olunur (Cura [21]).

Literatür çalışmalarına bakıldığında araç rotalama problemlerinin çözümü için tavlama benzetimi metasezgiseli ile diğer sezgisellerin bir araya getirildikleri ve oluşturulan bu melez yapılar ile problemlere çözüm arandığı görülmektedir. Örneğin, Tan ve diğerleri

120

[131] de zaman pencereli araç rotalama probleminin çözümünde tavlama benzetimi, tabu arama ve genetik algoritma sezgisellerini kullanırken, Tavakkoli-Moghaddam ve diğerleri *174+ te ise bağımsız rota uzunluklu kapasite kısıtlı araç rotalama probleminin çözümü için tavlama benzetimi algoritması temelli en yakın komşu arama ve tam sayılı programlama yöntemlerinden oluşan melez bir yapıyı önermişlerdir.

Yapay Sinir Ağları: Yapay Sinir Ağları (YSA), insan beyninin çalışma ilkelerinden ilham

alınarak geliştirilmiş, ağırlıklı bağlantılar denilen tek yönlü iletişim kanalları vasıtası ile birbirleriyle haberleşen, her biri kendi hafızasına sahip birçok işlem elemanından oluşan paralel ve dağınık bilgi işleme yapılarıdır. Yapay sinir ağları gerçek dünyaya ait ilişkileri tanıyabilir, sınıflandırma, kestirim ve işlev uydurma gibi görevleri yerine getirebilir. Desen tanıma tekniğinin gerekliliği, gerçek dünya ile bilgisayar ilişkisinin başlaması ile ortaya çıkmıştır. Bu durum yapay sinir ağlarının çok güçlü örnek tanıma tekniği olarak ortaya çıkmasına ve gelişmesine neden olmuştur (Erdem ve Uzun [175]).

Parçacık Sürü Optimizasyonu: Parçacık Sürü Optimizasyonu (PSO) yaklaşımı,

parçacıkların sürü halindeki toplu hareketinden yararlanan bir tekniktir. Söz konusu parçacıkların her birisi bir çözüm adayını temsil eder ve bir optimizasyon probleminin mümkün çözüm uzayını araştırmak için kullanılırlar. Her bir parçacık başlangıç aşamasında tesadüfi veya sezgisel olarak belirlenir ve daha sonra serbest harekete bırakılır. Her bir optimizasyon adımında, her parçacık kendi uygunluğunu ve çevresindekilerin uygunluğunu ölçer. Bu uygunluk, optimum değere olan uzaklık gibi düşünülebilir. Parçacık sürü optimizasyonu, ilk olarak Kennedy ve Eberhart tarafından 1995 yılında, kuş sürülerinin davranışlarından esinlenilerek geliştirilmiş popülasyon tabanlı bir stokastik optimizasyon tekniğidir. Bu algoritma, potansiyel çözümlerin oluşturduğu bir kümenin, belirli bir problemin uygun çözümüne yaklaşmak için evrime uğradığı popülasyon temelli bir algoritmadır. Bir optimizasyon tekniği olarak amacı, belirli bir çözüm uzayında tanımlanmış bir fonksiyonun global optimum noktasını bulmaktır (Cura [21]).

Literatür çalışmaları incelendiğinde parçacık sürü optimizasyonu yönteminin, araç rotalama problemlerinin çözümünde tek başına kullanılmaktansa diğer metasezgisellerle melez yapı oluşturularak kullanıldığı görülmektedir. Bu çalışmalara

121

örnek olarak, Ai ve Kachitvichyanukul’un [176] da eşzamanlı dağıtım ve toplama işlemlerini kapsayan araç rotalama problemi çözüm çalışması, yine aynı yazarların 2009 yılında gerçekleştirdikleri kapasiteli araç rotalama problemi çözüm çalışması, Marinakis ve diğerlerinin *177+ de araç rotalama probleminin çözümü için önerdiği komşu arama sezgiseli ve parçacık sürü optimizasyondan oluşan çözümü önerisi ve Marinakis ve Marinaki’nin [178] de genetik algoritma ile entegre edilmiş parçacık sürü optimizasyon yöntemi çalışması verilebilir. Yazarlar bu çalışmalarla araç rotalama problemlerinin çözümü için yeni bir yaklaşım ortaya koymuş ve bu yaklaşımla aynı problem türleri için ayrı ayrı kullanılan genetik algoritma ve parçacık sürü optimizasyonu sonuçlarını geliştirmişlerdir.

Yapay Bağışıklık Sistemi Algoritması: Yapay Bağışıklık Sistemi (YBS), yapay sinir ağları

ve genetik algoritmalarda olduğu gibi doğadan taklit edilerek ortaya çıkarılmış genel amaçlı bir sezgisel algoritmadır. Canlılardaki savunma mekanizması özetlenip modellenerek oluşturulmuş bu optimizasyon algoritmasının, mühendislik alanındaki birçok kompleks problemin çözümünde nasıl performans göstereceği incelenmiştir (Duman ve Akın [179]).

Literatür çalışmaları incelendiğinde yapay bağışıklık sistemi algoritmasının kullanım alanları içine araç rotalama problemlerinin yeni yeni girdiği görülmektedir. Bu noktada, 2009 yılında Masutti ve Castro tarafından [180] de gerçekleştirilen çalışmada gezgin satıcı problemini çözmek için bu algoritmanın kullanıldığı görülmektedir. Çalışmada kurulan her bir ağ, iki nöronla başlatılır ve yapay bağışıklık sisteminin temeli olan klonlama prosesi ile ağ içine yeni nöronlar yerleştirilir.

Diferansiyel Gelişim Algoritması: Diferansiyel Gelişim Algoritması (DG), Price ve Storn

tarafından 1995 yılında geliştirilmiş, özellikle sürekli verilerin söz konusu olduğu problemlerde etkin sonuçlar verebilen, işleyiş ve operatörleri itibariyle genetik algoritmaya dayanan popülasyon temelli sezgisel optimizasyon tekniğidir. Temel olarak genetik algoritmaya dayanmaktadır. Aynı anda birçok noktada araştırma yapabilmekte ve iterasyonlar boyunca operatörler yardımıyla problemin çözümü için daha iyi sonuçlar araştırabilmektedir. Genetik algoritmadan farklı olarak değişkenler gerçek değerleriyle temsil edilmektedir. Ayrıca genetik algoritmanın diferansiyel gelişim

122

algoritmasında kullanılan operatörlerinden her biri tüm popülasyona sırayla uygulanmamaktadır. Kromozomlar tek tek ele alınmakta, rastgele seçilen diğer üç kromozomda kullanılarak yeni bir birey elde edilmektedir. Mevcut kromozomla elde edilen yeni kromozomun uygunlukları karşılaştırılarak uygunluğu daha iyi olan, yeni birey olarak bir sonraki popülasyona aktarılmaktadır. Diferansiyel gelişim algoritmasında, üretilen çözümlerin kalitesi, amaç fonksiyonuna ürettikleri değerle (uygunluk değeri) ölçülmektedir. Diferansiyel gelişim algoritmasının diğer sezgisellere göre önemli üstünlüğü kolayca kodlanabilmesidir. Diğer algoritmalar için binlerle ifade edilen satırdan oluşan kodlar söz konusu iken diferansiyel gelişim algoritması için yaklaşık 20 satırlık kod yeterli olmaktadır (Keskintürk [181]).

Literatür çalışmaları incelendiğinde diferansiyel gelişim algoritmasının araç rotalama problemlerine, sıklıkla uygulanmadığı görülmekle beraber, Erbao ve Mingyong’un [182] de yaptıkları araç rotalama probleminin çözümü için stokastik simülasyon ve diferansiyel gelişim algoritmasının entegre edildiği melez yapı çalışması bu algoritmanın araç rotalama problemlerinin çözümünde kullanılabilmesi açısından örnek olma niteliğindedir.