3.3. Esnek Hesaplama (Soft-Computing) Temelli Yöntemler
3.3.1. Yapay sinir ağları
YSA kavramının başlangıcı 1800’lü yıllara dayanmaktadır. Anılan tarihlerde ilk olarak insan beyninin, düşünce ve zekasının çalışma mantığını anlamak üzerine araştırmalar yapıldığı ve devam eden süreçte YSA’ların ilk kullanım alanlarının bilgisayar ortamındaki simülasyonlar olduğu bilinmektedir. Bu kapsamda, McCulloch ve Pitts (1943), nörolojik yaklaşımlar ile YSA modellerini ortaya koyarak nöronların çalışma prensiplerinde birtakım varsayımlarda bulunmuştur. Araştırmacıların geliştirdiği ağlar, sabit eşikleri olan ikili eşitlikler şeklinde görülen basit nöronları temel almıştır. Modellerden elde edilen sonuçlar ise “a ve/veya b” şeklinde basit mantıksal fonksiyonlar olmuştur. Diğer taraftan, YSA konusunda Farley ve Clark (1954) ve Rochester, Holland, Haibit ve Duda (1956), tarafından bilgisayar simülasyonlarının kullanıldığı görülmektedir. IBM araştırmacıları olan Farley ve Clark, McGill Üniversitesinden nörobilimciler ile ortak bir araştırma yapmış ancak geliştirilen model hedeflenen şekilde çalışmamıştır. Bu bağlamda, bu araştırmacıların açmış olduğu yoldan çok disiplinli bir alan olan YSA doğmuştur. YSA kapsamında bazı araştırmacılar yapı tanımlama gibi problemlerin çözümüne dönük çalışmalara devam etmişlerdir. Grossberg ve Carpenter (1995), yankı algoritmalarını araştırmış ve bu konuda yeni bir yaklaşımın temellerini atmışlardır. Araştırmacılar, temeli biyoloji olan teorik gelişmelere ilgi göstermiş ve adaptif yapı sınıflandırması konusunda bir makale yayınlayarak öğrenme temeline yönelik matematiksel bir teori ortaya koymuştur. Diğer yandan, Minsky ve Papert (1969)’ın yayımladıkları kitapta ilave analiz yapılmaksızın kabul gören YSA’lara karşı olumsuzlukların belirtilmesi sonucunda, YSA ile ilgili araştırmalar yavaşlamış ancak, 1980’li yılların başında yapım yönetimi ve diğer birçok alanda çalışmalar tekrar hız kazanmıştır (Moselhi ve ark. ,1991; Boussabaine, 1996; Adeli ve Karim, 2005; Sönmez, 2009; Dikmen ve Sönmez, 2011). Bu bağlamda, yapay sinir ağlarının maliyet ve süre tahmini, verimlilik,
risk değerlendirmesi, kar tahmini, zaman ve kaynak yönetimi alanında birçok araştırma yapılmıştır (Adeli ve Karim 2005; Dikmen ve ark., 2009).
3.3.1.1. Yapay sinir ağlarının yapısı
YSA’lar, basit biyolojik sinir sisteminde görülen çalışma yöntemini simüle etmek amacıyla tasarlanmış bilgisayar programlardır. Simüle edilen sinir hücreleri nöronlar içerir ve bu nöronlar muhtelif biçimlerde birbirlerine irtibatlanarak bir ağ meydana getirirler. Sinir ağları; öğrenme, hafızada tutma ve veriler arasındaki olası ilişkiyi açığa çıkarma becerisini taşırlar. Farklı bir ifade ile, YSA’lar, bir insanın gözlemleme ve düşünme ile ilgili olan doğal becerilerini kullanmasını gerekli kılan problemlere yönelik çözümler sağlamaktadır. Bir insanın, düşünme ve gözlemleme becerilerini gerekli kılan problemlere ilişkin çözümler getirebilmesinin esası, insan beyninin sahip olduğu yaşayarak ya da tecrübe ederek öğrenme becerisidir (Sönmez, 2009).
Tipik bir YSA modelinde girdi, gizli ve çıktı katmanları mevcuttur. Çıktı katmanı, girdi katmanından, aradaki gizli katmanlardan da geçerek, girdi ve sinyalleri alır. Gizli katman sayısı, uygulama alanına göre farklılaşırken, Şekil 3.2.’de sadece bir adet gizli katmanı olan tipik YSA modeli gösterilmektedir.
Çok katmanlı perseptron modeli; mühendislik problemlerinin çözümünde kullanılan en yaygın YSA modelleri arasında yer almaktadır. Şekil 3.2.’de gösterilen modelde, x1’den xn’e kadar olan girdiler, girdi katmana beslendikten sonra bir “bağlantı ağırlığı” ile çarpılır ve sonrasında gizli katmana transfer edilir. Gizli katmanda veriler toplanır ve bir “aktivasyon fonksiyonu” vasıtası ile işlenerek gizli katmanda mevcut olan nörondan çıkış elde edilir. Bu işlem verinin, en son çıktı katmanına varmasına kadar bütün gizli katmanlar için yinelenir. Çıktı katmanında ise veri nihai olarak bir defa daha aynı biçimde işlendikten sonra YSA’nın çıktısı meydana gelir. YSA’ların üç temel elemanı Şekil 3.3.’de görülmektedir. Bağlantı; girdi ve çıktı birimlerinin nöronlar vasıtası ile iletişimini sağlarken, bağlantı ağırlıkları nöronlar arasındaki ilişkinin seviyesini belirler.
Şekil 3.3. YSA mimarisinin temel elemanları
YSA’lar daha önceki örneklerden istifade ederek ağırlıkların belirlenmesi sonrasında girdi değişkenleri ile tahmin edilen değişkenler arasında mevcut olan ilişki düzeyini ortaya çıkarırlar. Farklı bir ifadeyle YSA’lar eğitilerek önceki örneklerden elde ettiği bilgilerle yeni durumlar için karar veya sonuç üretir. Bir defa bu ilişkilerin öğrenilmesiyle (ağ eğitildikten sonra), YSA yeni veriler ile çalıştırılarak tahminlerde bulunabilir. Bir YSA’nın performansı, hedeflenen ve ağın çıktısı arasındaki hata kriteriyle ölçülebilir. Ağın çıktısı, hedeflenen çıktıyla karşılaştırılır ve hata payı tespit edilir. Geri Yayılma (back propagation) adıyla anılan bu algoritma hata payı azalacak şekilde ağırlıkların ayarlanması ile kullanılır. Bu işlem birçok kez yinelenerek YSA eğitilir. Eğitim işleminin sürekli tekrar etmesinin sebebi optimum çözümün elde edilmesidir (Dikmen ve Sönmez, 2011).
3.3.1.2. Yapay sinir ağlarının özellikleri
Karmaşık ya da problemli veriden dahi anlamlı sonuçlar çıkarma yeteneğine sahip olan YSA’lardan, insanlar ya da bilgisayarlar tarafından kavranması güç olan trendleri tespit etmek ya da yapıları ortaya çıkarmak amacıyla istifade edilmektedir. Tam olarak eğitilmiş bir YSA modeli, analiz ettiği veriler açısından uzmanlaşmış bir model olarak kabul edilmektedir (Sönmez, 2009). Diğer taraftan, YSA’ların kullanılmasında dikkate alınması gereken bazı dezavantajlar da mevcuttur. Dezavantajlar arasında en önemli olanı veri setinin kalitesidir. Diğer taraftan YSA’ların verimli bir şekilde eğitilebilmesi açısından oldukça geniş bir veri setine gereksinim duyulmaktadır (Boussabaine ve Kaka, 1998; Petruseva ve ark., 2013). Ancak, veri setinin büyüklüğü açısından kesin bir kriter mevcut olmamakla birlikte araştırmaya esas uygulamaya göre değişebilmektedir.
Çok yönlü analiz özelliklerinden istifade edilen YSA’ların yalnızca inşaat projelerinin süre ve maliyet tahminlerinden değil, buna ilave olarak birçok problemde başarılı sonuçları verdiği yapılan araştırmada görülmektedir. YSA’lar ile ilgili özellikler şu şekilde sıralanabilir;
- Doğrusal Olmayan Yapı: YSA’ların en kayda değer özelliklerinden birisi, gerçek hayatta karşılaşılabilme ihtimali olan ve doğrusal olmayan yapıları dikkate almasıdır. White (1990), YSA’ların doğrusal olmayan modeller olarak tanımlanabileceğine ilişkin bulgular elde etmiştir. Nitekim, üstyapı projelerinin birbirinden farklı olması ve insan faktörünün doğrudan etkisinden dolayı doğrusal olmayan bir sistemin varlığı söz konusudur. Sonuç olarak, analiz konusunun içerdiği veri setinin doğrusal ya da doğrusal olmayan yapıda olması, analiz sonucunu etkileyecek kayda değer bir unsurdur.
- Öğrenme: YSA’lar insan beyninin çalışma prensibi esas alınarak tasarlanmıştır. Geleneksel modellerin çözüm sağlayamadığı karmaşık sorunlara, öğrenme özelliği ile çözüm sunabilmektedir.
- Yerel İşlem ve Esneklik: Geleneksel modellerde, her hareket sırasıyla tek bir merkezi işlem elemanı tarafından gerçekleştirir. YSA modelleri esnek bir yapıya sahiptir. Her biri büyük bir problemin parçası ile ilgilenen çok sayıda basit işlem
elemanlarından oluşma ve bağlantı ağırlıklarının ayarlanabilmesi gibi özelliklerinden dolayı yapısal esnekliği önem kazanmıştır. YSA’lar ile oluşturulan modellerde ağda meydana gelebilecek bir problem sonucunda yalnızca performans düşüklüğü yaşanırken, modelin fonksiyonunu bütünüyle kaybetmesi söz konusu değildir. Diğer taraftan, toplam işlem yükünü paylaşan işlem elemanlarının birbirleri arasındaki yoğun bağlantı yapısı, sinirsel hesaplamanın esas güç kaynağıdır. Bu bağlamda YSA; en karmaşık problemlerin çözümü için dahi kullanılabilmektedir.
- Genelleme: YSA önceden ortaya konulmuş olan modelleri temel alarak daha önce karşılaşılmamış durumlar için genelleme yapabilmektedir. Diğer bir ifadeyle, kayıp ya da hatalı verilere yönelik çözüm getirebilmektedir. YSA’lar, tanımlanmamış girdi verilere ilişkin karar alırken genelleme yapabildiklerinden iyi bir tanımlayıcı ve sağlam bir sınıflandırıcı özelliğini taşırlar.
- Kendi İlişkisini Oluşturma: YSA, eşitlik içermeden, girdilere (verilere) bağlı olarak kendi ilişkilerini meydana getirirler.
- Sınırsız Sayıda Değişken ve Parametre: YSA modelleri sınırsız sayıda parametre ve değişken ile çalışarak öngörü doğruluğuyla problemlere genel çözümler sağlayabilmektedir.
3.3.1.3. Aktivasyon ve transfer fonksiyonları
YSA’ların kullanım amacına bağlı olarak birçok türde aktivasyon ve transfer fonksiyonu mevcuttur. En uygun tanımlamanın yapılabilmesi amacıyla aktivasyon ve transfer fonksiyonunun belirlenmesi gerekmektedir. Mühendislik problemlerinde en yaygın kullanılan fonksiyonlar Şekil 3.4. ve Tablo 3.2.’de gösterilmiştir.
Tablo 3.2. Transfer fonksiyonları
Fonksiyon Türü Eşitlik
Lineer f(s) = s
Sigmoid f(s) = 1/(1 + exp(-s))
Hiperbolik tanjant f(s) = (1 - exp(-2s))/(1 +exp(-2s)) Radial tabanlı fonksiyon f(s) = exp(-s2/2)
Şekil 3.4. En çok kullanılan transfer fonksiyonları
Transfer fonksiyonlarının büyük bir bölümü doğrusal olmayan yapıya sahiptir. Bu bağlamda, doğrusal fonksiyonlar incelediğinde çıktının, girdiyle orantılı olduğu görülür. Anılan durum, ilk YSA denemelerinin başarısızlık ile sonuçlanmasının temel sebebi olarak bilinmektedir (Minsky ve Papert, 1969). Çoğunlukla istifade edilen transfer fonksiyonları incelendiğinde sigmoid, eşik, hiperbolik tanjant vb. fonksiyonlar ön plana çıkmaktadır. YSA mimarisinde, transfer fonksiyonu sonucunda ilgili işlem elemanının çıktısı elde edilir. Mühendislik problemlerinin karmaşık ve doğrusal olmayan yapısından dolayı Yapay Sinir Ağları ile yapılan analizlerde çoğunlukla Sigmoid aktivasyon fonksiyonu doğruya en yakın sonuçları vermektedir (Sönmez, 2009). Sigmoid fonksiyonu, kolayca türevi alınabilen, sürekli ve doğrusal olmayan yapısından dolayı, doğrusal olmayan problemlerin çözümünde istifade edilen ve sinir ağlarında yaygın olarak kullanılan bir fonksiyondur. Bu çalışma kapsamında, projelerin tamamlanma sürelerini ve nakit akış profillerini tahmin etmek üzere kademeli olarak önerilen iki ayrı YSA modelinde de yapılan denemeler sonucunda sigmoid aktivasyon fonksiyonunun doğruya en yakın sonuçları verdiği tespit edilmiştir.