Evrimsel Hesaplamaya Giriş

EVRİMSEL HESAPLAMAYA GİRİŞ

Evrimsel Hesaplama

Bilgisayar bilimlerinde, evrimsel hesaplama; kullanılan algoritmaların türüne göre tanımlanabilen yapay zekânın bir alt alanıdır. Evrimsel algoritmalar olarak adlandırılan bu algoritmalar, Darwinci ilkeleri benimsemek üzerine kurulmuştur. Evrimsel algoritmalar, evrimsel hesaplama alanının önemli kısmını oluşturur. Bu algoritmaların dayandığı en önemli fenomen rastgeleliktir. Örneğin, çeşitli canlı toplulukları zaman içinde değişime uğramaktadır. Evrimsel yaklaşımla bu topluluklardan birey seçimi rastgele yapılmaktadır. Böylece yeni nesiller, rastgele seçilen bireylerden türemektedir. Bütün bu kabuller, aslında insanın bu seçimi matematiksel olarak modelleyememesinden kaynaklanmaktadır. Kısacası, rastgeleliğin gerçekleşebilmesi için önce bilgi eksikliğinin tespit edilmesi gerekir. Evrimsel algoritmalar da işte tam bu noktada devreye girmektedir ve bilinmeyen, verilerin eksik olduğu problemlerde çözüm yolu bulmak için kullanılırlar. Evrimsel algoritmalarının tamamı bir rastgele süreç üzerine kurulur ve kısıtlı bilgi bulunan problemlere çözüm ararlar. Kabaca, bu algoritmalar doğadaki değişimin bilgisayar algoritmalarına uygulanması olarak düşünülebilir. Evrimsel hesaplama, bir popülasyonda büyüme veya gelişme gibi tekrar eden ilerlemeyi kullanır. Ardından, bu popülasyon, arzulanan sonuca ulaşmak için paralel işlemler kullanılarak yönlendirmeli rastgele bir aramada ile seçilir. Bu tür süreçler genellikle biyolojik evrim mekanizmalarından etkilenerek yapılır. Evrimsel hesaplamanın, yüksek düzeyde optimize edilmiş süreçler ve verimli ağlar üretebilmesinden dolayı bilgisayar bilimlerinde birçok uygulaması vardır.

Genetik Algoritmaları

Genetik algoritmalar, doğada gözlemlenen evrimsel sürece benzer bir şekilde çalışan arama ve eniyileme yöntemidir. Karmaşık çok boyutlu arama uzayında en iyinin hayatta kalması ilkesine göre bütünsel en iyi çözümü arar. Genetik algoritmalar problemlere tek bir çözüm üretmek yerine farklı çözümlerden oluşan bir çözüm kümesi üretir. Böylelikle, arama uzayında aynı anda birçok nokta değerlendirilmekte ve sonuçta bütünsel çözüme ulaşma olasılığı yükselmektedir. Çözüm kümesindeki çözümler birbirinden tamamen bağımsızdır. Her biri çok boyutlu uzay üzerinde bir vektördür. Genetik algoritmalar problemlerin çözümü için evrimsel süreci bilgisayar ortamında taklit ederler. Diğer eniyileme yöntemlerinde olduğu gibi çözüm için tek bir yapının geliştirilmesi yerine, böyle yapılardan meydana gelen bir küme oluştururlar. Problem için olası pek çok çözümü temsil eden bu küme genetik algoritma terminolojisinde nüfus adını alır. Nüfuslar vektör, kromozom veya birey adı verilen sayı dizilerinden oluşur. Birey içindeki her bir elemana gen adı verilir. Nüfustaki bireyler evrimsel süreç içinde genetik algoritma işlemcileri tarafından belirlenirler. Problemin bireyler içindeki gösterimi problemden probleme değişiklik gösterir. Genetik algoritmaların problemin çözümündeki başarısına karar vermedeki en önemli faktör, problemin çözümünü temsil eden bireylerin gösterimidir. Nüfus içindeki her bireyin problem için çözüm olup olmayacağına karar veren bir uygunluk fonksiyonu vardır. Uygunluk fonksiyonundan dönen değere göre yüksek değere sahip olan bireylere, nüfustaki diğer bireyler ile çoğalmaları için fırsat verilir. Bu bireyler çaprazlama işlemi sonunda çocuk adı verilen yeni bireyler üretirler. Çocuk kendisini meydana getiren ebeveynlerin (anne, baba) özelliklerini taşır. Yeni bireyler üretilirken düşük uygunluk değerine sahip bireyler daha az seçileceğinden bu bireyler bir süre sonra nüfus dışında bırakılırlar.

Diferansiyel Gelişim Algoritması

Diferansiyel gelişim algoritması küresel optimizasyon için basit, ama güçlü popülasyon tabanlı bir algoritmadır. Aerodinamik şekillerin optimizasyonunda, IIR süzgeç tasarımında, Sinir ağlarının öğrenmesi gibi çoğu uygulamada dinçliği ve gücü gösterilmiştir. DG’ nin basit yapısı, kullanım kolaylığı, hızı ve dinçliği en önemli avantajları arasında yer almaktadır. DG’nin önemli parametreleri: NP, CR, F olarak sayılabilir. D parametresini içeren bir optimizasyon, D boyutlu bir vektör ile gösterilebilir. DG’ de, NP adet çözüm vektörünün bir popülasyonu başlangıçta rasgele meydana getirilir. Bu popülasyon mutasyon, çaprazlama ve seleksiyon operatörleri uygulanarak başarılı bir şekilde geliştirilir. DG, diğer Evrimsel Algoritmalardan mutasyon ve rekombinasyon aramalarında farklılık göstermektedir. DG popülasyonu karıştırmak için, çözüm vektörleri arasındaki ağırlıklandırılmış farkları kullanmaktadır.

ui;G+1 = xi,G + K· (xr3;G _ xi,G) + F · (xr1,G - xr2,G)

Rasgele seçilen r1; r2; r3 ∈{1, 2, ..., n};

r1 ≠ r2 ≠ r3 ≠ i

Bu çalışmada kullanılan DG, DG/current-to-rand/1 olarak bilinir ve rotasyonel olarak değişimsizdir. Bir Diferansiyel Gelirim Algoritması popülasyonu başlangıç parametre sınırları içerisinde rasgele başlatılır. Her bir G jenerasyonunda, popülasyon pertürbasyona uğrar. Birbirinden farklı üç birey ya da x ile gösterilen çözüm vektörleri popülasyondan rastgele seçilir. K katsayısı xr3,G ve mevcut birey xi G arasında meydana gelen birlemenin seviyesini temsil eder. F katsayısı ise xr1,G - xr2,G vektör farkından ileri gelen adım büyüklüğünün ölçeklenmesini gösterir.

Evrimsel Algoritma

Evrimsel algoritma (EA), yapay zeka oluşturmada evrimsel bilgisayımın bir alt kümesi olup meta bulucu optimizasyon algoritması tabanında jenere edilmiş popülasyondur. Evrimsel algoritma, biyolojik evrimden esinlenerek üreme, mutasyon, rekombinasyon ve doğal seçilime benzer mekanizmalar kullanır. Optimizasyon problemlerinin aday çözümleri bir popülasyondaki bireyleri temsil eder ve seçilim değeri fonksiyonları çözümlerin içinde "yaşadığı" çevreyi belirler. Popülasyonun evrimi yukarıdaki operatörlerin tekrarlanan uygulaması sonrasında gerçekleşir. Yapay evrim (YE), başlı başına farklı evrimsel algoritmalar içeren bir süreci anlatmaktadır; EA 'ların her biri, Yapay evrim katılım yapan ayrı bir bileşendir. Evrimsel algoritmalar genellikle her türlü sorunlar için, temelinde yatan seçilim değeri yüzeyi hakkında ideal bir şekilde herhangi bir varsayım yapmadığı için yaklaşık çözümler sunar ve bu, mühendislik, sanat, biyoloji, ekonomi, pazarlama, genetik, yöneylem araştırması, robotik, sosyal bilimler, fizik, siyaset ve kimya gibi çeşitli alanlarda başarılı bir şekilde genel olarak gösterilmiştir. Matematiksel optimizasyonlarda kullanımlarının dışında evrimsel bilgisayım ve algoritma aynı zamanda, biyolojik evrim ve doğal seleksiyon ile ilgili teorilerini doğrulamak için, özellikle yapay yaşam alanında çalışmalarda deneysel bir çerçeve içinde kullanılmıştır. Biyolojik evrim modellemesinde uygulanan evrimsel algoritma teknikleri mikroevrimsel süreçlerin araştırılmasında genellikle sınırlı olmakla birlikte, Tierra ve Avida gibi bazı bilgisayar simülasyonları makro evrimsel dinamik modeline teşebbüs ederler.