Yapay Zeka Uygulamaları (Popülasyon Tabanlı Teknikler)

Her insan doğuştan belirli bir zekaya sahiptir. Zeka, belirli bir konuda çalışarak, öğretilerek, eğitilerek, edinilen bilgi ve birikimlerle, deneyimlere dayalı becerilerle geliştirilebilir. İlk kez karşılaşılan ya da ani olarak gelişen bir olaya uyum sağlayabilme, anlama, öğrenme, analiz yeteneği, beş duyunun, dikkatin ve düşüncenin yoğunlaştırılması zeka ile gerçekleştirilebilmektedir (Elmas, 2003: 21). Yapay Zeka konusunda ilk çalışma McCulloch ve Pitts tarafından 1940’lı yıllarda yapılmıştır.1943 yılında bu araştırmacılar tarafından yapay sinir sisteminin ilk matematiksel modeli geliştirilmiştir. 1949 yılında Hebb öğrenme için matematiksel bir yaklaşım geliştirmiştir. Sinir hücreleri arasındaki bağlantıların şiddetlerini değiştirmeden oluşan bu yaklaşım ile, öğrenebilen sinir ağları gerçekleştirmesi kolaylaştırmıştır. 1965’de, Zadeh tarafından önerilen bulanık mantık teorisi ise Yapay Zeka’ya yeni bir bakış açısı kazandırmıştır (Sağıroğlu vd., 2003:7-8).

1.1.4.2.7.2.Yapay Zeka Teknikleri

Yapay zeka araştırmacıların baştan beri ulaşmak istediği ideal, insan gibi düşünen ve davranan sistemler yaratmaktadır. Fakat buna ulaşmanın güçlüğü anlaşılınca çalışmanın yönü rasyonel düşünen ve davranan sistemlerin tasarlanmasına çevrilmiştir (Sağıroğlu vd., 2003:11)

1.1.4.2.7.3.Genetik Algoritma

1.1.4.2.7.3.1.Genetik Algoritma Kavramı

Genetik algoritmalar, doğal seçim ilkelerine dayanan bir arama ve optimizasyon yöntemidir. Temel ilkeleri John Holland tarafından ortaya atılmıştır. Temel ilkelerinin ortaya atılmasından sonra, genetik algoritmalar hakkında bir çok bilimsel çalışma yayınlanmıştır. Ayrıca, genetik algoritmaların teorik kısmı ve uygulamaları hakkında bir çok uluslararası konferans da düzenlenmektedir. Genetik algoritmaların, fonksiyon optimizasyonu, çizelgeleme, mekanik öğrenme, tasarım, hücresel üretim gibi alanlarda başarılı uygulamaları bulunmaktadır (Emel ve Taşkın, 2002, 130). Genetik Algoritma temel kavramları ( Tuğrut vd., 2002: 1174):

 Kromozom (Chromosome) bir yada daha fazla genin bir araya gelmesi ile oluşan ve problemin çözümü için gerekli tüm bilgiyi üzerinde taşıyan genetik yapıdır. Örneğin, 100011101 genleri 4, 3, 5 birim uzunluklara sahip olan üç doğru parçasına ait uzunluk bilgisinin ikilik düzende kodlandığı bir kromozomu göstermektedir.

 Çaprazlama (Crossover) iki kromozomun bir araya gelerek genetik bilgi değişimi yapmasıdır. Örneğin, 100011101 ve 010110001 kromozomları üzerinde 4. genden başlayarak tek noktalı çaprazlama yapıldığında, 100110001 ve 010011101 kromozomları elde edilmektedir.

 Evrim (Evolution) genetik bilgi taşıyan bir topluluk üzerine genetik işlemlerin uygulanması sürecidir.

 Gen (Gene) kendi başına anlamlı genetik bilgi taşıyan en küçük genetik yapıdır.

 Genetik Programlama (GP, Genetic Programming) genlerinde program parçacıklarının kodlandığı kromozomlar üzerinde çalışan bir genetik algoritma yoluyla istenilen işi yapan bir programın geliştirilmesidir.  Tersinme (Inversiyon) bir kromozomu ulaştıran genlerden ardışık bir

grubun kendi içerisinde birbirleri ile yer değiştirerek ters dizilmeleridir. Örneğin, 011110101 kromozomu 5. ve 8. gen konumları arasında tersindiğinde ortaya 011101011 kromozomu çıkmaktadır.

 Eşleme (Mating) iki kromozomun çaprazlama amacıyla seçilmesidir.  Değişim (Mutasyon) bir kromozomun taşıdığı genetik bilgide bir

nedene bağlı olmaksızın rastgele değişim olmasıdır. Örneğin, 100110000 kromozomunun 3. geninde değişim olması sonucunda, 101110000kromozomu oluşmaktadır.

 Çoğalma, Kopyalama (Reproduction) bir kromozomun kendisi ile aynı genetik bilgiyi taşıyan bir kopyasının oluşturulmasıdır. Örneğin, 100111011 kromozumu çoğaltıldığında 100111011 ve 100111011 kromozomları elde edilmektedir.

 Seçme (Selection) bir kromozom havuzundaki kromozomlardan hangilerinin yeni oluşturulacak havuza aktarılacağının, kromozomların başarı değerlerini dikkate alarak belirlenmesidir.

1.1.4.2.7.3.2.Genetik Algoritma Özellikleri

Çeşitli problemlerin çözümünde kullanılan genetik algoritmalar aşağıdaki özellikleri taşırlar (Özçakar, 1998: 70):

a. Uygun çözümler için bir veya daha fazla “popülasyon” mümkündür.

b. Önceden bilinen çoklu çözümlerin özelliklerini bir araya getirerek, yeni uygun çözümler üreten bir mekanizmaya sahiptir.

c. Önceden bilinen bir çözümün düzenini rastgele (tesadüfi) bir şekilde değiştirerek, yeni bir uygun çözüm üreten mekanizmaya sahiptir.

d. Popülasyon içinden, önceden vererek, ayrı çözümleri seçen bir mekanizmaya sahiptir.

1.1.4.2.7.4.Bulanık Mantık

Lotfy A. Zadeh 1964 yılında şekillenmeye başlayan düşüncelerini 1965 yılında “The Theory of Fuzzy Logic and Fuzzy Sets” [Bulanık Mantık ve Bulanık Kümeler Kuramı] adıyla yayınladı. L. Zadeh için kuramda geçen bulanık sözcüğü matematiksel bir niceliği ifade eder. Gerçek dünyanın genel görünümü, 0 ile 1 arasındaki yüzlerce aralıktan, benzerlikten ve karşıtlıktan ibarettir. Daha salt ve yeğin olarak söylersek; dünya, kesikli-kesintili değildir; o bir sürekli-kesintisizdir. Yani, beyaz ile beyazımsı arasındaki sınır, kırmızı ile kırmızımsı arasındaki sınır belli ve net değildir; birinden diğerine sürekli kesintisiz bir geçiş vardır; bu bir oluştur; geçişler süreklilik gösterir (Işıklı, 2008: 3-4).

Bulanık mantığın uygulama alanlarından bazıları (Altaş, 1999: 81)

• Otomatik Kontrol Sistemleri: Robotik, otomasyon, akıllı denetim, izleme sistemleri, ticari elektronik ürünler, vb.

• Bilgi Sistemleri: Bilgi depolama ve yeniden çağırma, Uzman sistemler, bilgi tabanlı sistemler, vb.

• Görüntü Tanımlama: Görüntü işleme, makine görüntülemesi.

• Optimizasyon: Fonksiyon optimizasyonu, süzgeçleme, eğri uydurma, vb.

1.1.4.2.7.5.Tabu Araştırma

Tabu araştırması temel olarak belirli bir problem üzerine elde edilen ilk çözüm etrafındaki komşuluklar oluşturmaktır. Komşuluk mekanizması ele alınarak birbirini izleyen seçilmiş çözümlerden daha iyi olanı Tabu Listesi olarak atanır. Tabu arama algoritmasında tabu listesi olarak oluşturulan ilk aday çözüm ve değişken komşu çözüm sayısı, bir tür tabulaştırma görevi yapmaktadır. Kötü sonuç veren bölgelerde daha fazla işlem yapılmaması (bu elemanların komşu sayılarının azaltılması), istenen çözüme daha az hesaplamayla, dolayısıyla daha hızlı ulaşmayla sağlamaktadır. İyi sonuç veren parametrelerin bir sonraki iterasyonda komşu sayıları artmakta, böylece algoritmanın verimliliği de artmış olmaktadır (Yalçınöz vd., 2002: 31).

1.1.4.2.7.6.Karınca Algoritması

KKA, Dorigo ve arkadaşları tarafından önerilmiş en yeni sezgisel algoritmalardan biridir. Algoritma gerçek karınca kolonilerinin davranışları üzerine dayalıdır. Günümüze kadar KKA’ nın yeni modelleri ortaya çıkmış ve bu modellerin özellikle ayrık optimizasyon problemlerinin çözümüne uygulanması konusunda çeşitli çalışmalar yapılmıştır. Gerçek karıncalar, yuvaları ile yiyecek kaynağı arasındaki en kısa yolu bulma kabiliyetine sahiptirler ve ayrıca çevredeki değişimlere de adapte olabilmektedirler (Kalınlı, 2003: 267-268).