KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 27 Sayı: 4

YAPAY BAĞIŞIKLIK SİSTEMİNİN ÇOKLU ETMEN BENZETİM ORTAMINDA REALİZE EDİLMESİ VE GEZGİN SATICI PROBLEMİNE UYGULANMASI

Adil Baykasoğlu
Alper Saltabaş
A. Serdar Taşan
Kemal Subulan
Sayfa
—
Yayın Tarihi
2013-02-19
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Ayrıca geleneksel klonal seçim algoritmasının performansını arttırmak için reseptördeğişim süreci ve çaprazlama mekanizması önerilen modele entegre edilmiş ve doğal oluşları daha gerçekçimodelleyebilen etmen tabanlı yaklaşımlar ile de etkin çözümler elde edilebileceği gösterilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kombinatoryal optimizasyon problemlerinin çözümü için geliştirilen birçok meta-sezgisel algoritmabulunmasına rağmen bu algoritmaları etmen tabanlı modelleme ortamında realize eden çalışmaların sayısı çokazdır.
📊
Temel Bulgular & Veri:Bu amaçla ilk defa mevcut çalışmada, bir kombinatoryaloptimizasyon problemi olan gezgin satıcı probleminin (GSP) modellenmesi ve çözümü için yapay bağışıklıksistemi algoritmalarından klonal seçim algoritması çoklu etmen benzetim ortamında modellenmiş vealgoritmanın gösterdiği davranışın incelenmesi için farklı GSP setleri üzerinde benzetim deneylerigerçekleştirilmiştir.
💡
Sonuç & Katkı:Ayrıca geleneksel klonal seçim algoritmasının performansını arttırmak için reseptördeğişim süreci ve çaprazlama mekanizması önerilen modele entegre edilmiş ve doğal oluşları daha gerçekçimodelleyebilen etmen tabanlı yaklaşımlar ile de etkin çözümler elde edilebileceği gösterilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Etmen tabanlı modelleme ve benzetim · yapay bağışıklık sistemi · klonal seçim algoritması

Özet

Kombinatoryal optimizasyon problemlerinin çözümü için geliştirilen birçok meta-sezgisel algoritmabulunmasına rağmen bu algoritmaları etmen tabanlı modelleme ortamında realize eden çalışmaların sayısı çokazdır. Özellikle Yapay Bağışıklık Sisteminin (YBS) dinamiklerini modelleyen algoritmaların adaptasyonyeteneğine sahip popülasyon tabanlı yaklaşımlar olması, YBS’nin etmen tabanlı modelleme ortamında gerçeğedaha yakın bir şekilde realize edilmesini sağlayacaktır. Bu amaçla ilk defa mevcut çalışmada, bir kombinatoryaloptimizasyon problemi olan gezgin satıcı probleminin (GSP) modellenmesi ve çözümü için yapay bağışıklıksistemi algoritmalarından klonal seçim algoritması çoklu etmen benzetim ortamında modellenmiş vealgoritmanın gösterdiği davranışın incelenmesi için farklı GSP setleri üzerinde benzetim deneylerigerçekleştirilmiştir. Etmen tabanlı modellerin geliştirilmesi ve benzetim testlerinin yapılabilmesi için Netlogoyazılımı kullanılmıştır. Ayrıca geleneksel klonal seçim algoritmasının performansını arttırmak için reseptördeğişim süreci ve çaprazlama mekanizması önerilen modele entegre edilmiş ve doğal oluşları daha gerçekçimodelleyebilen etmen tabanlı yaklaşımlar ile de etkin çözümler elde edilebileceği gösterilmiştir.

🔖

Bu Makaleye Atıf Yap

Baykasoğlu, A., Saltabaş, A., Taşan, A. S., Subulan, K. (2013). YAPAY BAĞIŞIKLIK SİSTEMİNİN ÇOKLU ETMEN BENZETİM ORTAMINDA REALİZE EDİLMESİ VE GEZGİN SATICI PROBLEMİNE UYGULANMASI. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 27 Sayı: 4. https://ajindex.com/articles/1078446

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (116)

  1. De Castro, L. ve Von Zuben, F., “Learning and
  2. Optimization Using The Clonal Selection
  3. Principle”, Evolutionary Computation, Cilt 6,
  4. Sayı 3, 239-251, 2002.
  5. Gao, S., Dai, H., Yang, G. ve Tang, Z., “A Novel
  6. Clonal Selection Algorithm and Its Application to
  7. Traveling Salesman Problem”, IEICE Trans.
  8. Fundamentals, Cilt E90–A, No 10, 2007.
  9. Dai, H., Yang, Y. ve Li, C., “Improved Quantum
  10. Crossover Based Clonal Selection Algorithm”,
  11. Third International Conference on Intelligent
  12. Networks and Intelligent Systems, Shenyang -
  13. Çin, 366-369, 01-03 Kasım 2010.
  14. Dai, H., Yang, Y. ve Li, C., “Distance
  15. Maintaining Compact Quantum Crossover Based
  16. Clonal Selection Algorithm”, Journal of
  17. Convergence Information Technology, Cilt 5,
  18. , 56-65, 2010.
  19. Machado, R.B., Boukerche, A., Sobral, J.B.M.,
  20. Juca, K.R.L. ve Notare, M.S.M.A., “A Hybrid
  21. Artificial Immune and Mobile Agent Intrusion
  22. Detection Based Model for Computer Network
  23. Operations”, 19th IEEE International Parallel
  24. and Distributed Processing Symposium,
  25. Denver – ABD, 04-08 Nisan 2005.
  26. Grilo, A., Caetano, A. ve Rosa, A., “Agent Based
  27. Artificial Immune System”, Genetic and
  28. Evolutionary Computation Congress (Proc.
  29. GECCO-01), San Francisco – ABD, Cilt LBP,
  30. 151, 07-11 Temmuz 2001.
  31. Ou, C.M. Wang, Y.T. ve Ou, C.R., “Intrusion
  32. Detection Systems Adapted From Agent-Based
  33. Artificial Immune Systems”, IEEE
  34. International Conference on Fuzzy Systems,
  35. Taipai – Tayvan, 115-122, 27-30 Haziran 2011.
  36. Mendao, M., Timmis, J., Andrews, P.S. ve
  37. Davies, M., “The Immune System in Pieces:
  38. Computational Lessons from Degeneracy in the
  39. Immune System”, IEEE Symposium on
  40. Foundations of Computational Intelligence,
  41. Havai, 394-400, 01-05 Nisan 2007.
  42. Sathyanath, S. ve Sahin, F., “Application of
  43. Artificial Immune System Based Intelligent Multi
  44. Agent Model to a Mine Detection Problem”,
  45. IEEE International Conference on Systems,
  46. Man and Cybernetics, Hammamet – Tunus, 06-
  47. Ekim 2002.
  48. Mamady, D., Tan, G., Toure, M.L. ve Alfawaer,
  49. Z.M., “An Artificial Immune System Based
  50. Multi-Agent Robotic Cooperation”, Novel
  51. Algorithms and Techniques in
  52. Telecommunications, Automation and
  53. Industrial Electronics, 60-67, 2008.
  54. Chingtham, T.S., Sahoo, G. ve Ghose, M.K., “An
  55. Artificial Immune System Model for Multi
  56. Agents Resource Sharing in Distributed
  57. Environments”, International Journal on
  58. Computer Sciences and Engineering, Cilt 2, No, 1813-1818, 2010.
  59. Singh, C.T. ve Nair, S.B., “An Artificial Immune
  60. System for a Multi-Agent Robotics System”,
  61. Word Academy of Science, Eng. and
  62. Technology, Cilt 11, Sayı 3, 6-9, 2005.
  63. Dasgupta, D. ve Nino, F., Immunological
  64. Computation: Theory and Applications,
  65. Auerbach Publications, 2008.
  66. Timmis. J., Hone, A., Stibor, T. ve Clark, E.,
  67. “Theoretical Advances in Artificial Immune
  68. Systems”, Theoretical Computer Science, Cilt, Sayı 1, 11-32, 2008.
  69. Dasgupta, D., “Information Processing
  70. Mechanisms of the Immune System”, New Ideas
  71. in Optimization, Corne, D., Dorigo, M. ve
  72. Glover, F., McGraw-Hill, ABD, 1999.
  73. De Castro, L. N. ve Timmis, J., Artificial
  74. Immune Systems: A New Computational
  75. Intelligence Approach, Springer, ABD, 2002.
  76. Macal, C.M. ve North, M.J.; “Agent-based
  77. Modeling and Simulation”, Winter Simulation
  78. Conference 2009, Austin – ABD, 86-98, 13-16
  79. Aralık 2009.
  80. Siebers, P.O. ve Aickelin, U., “Introduction to
  81. Multi Agent Simulation”, Encylopedia of
  82. Decision Making and Decision Support
  83. Technologies, Editör: Adam, F., Information
  84. Science Reference, ABD, 554-564, 2007.
  85. Siebers, P.O., “Lecture Notes”,
  86. http://www.cs.nott.ac.uk/~pos/index.html.
  87. Bradshaw, J.M., Software Agents, The MIT
  88. Press, ABD, 1997.
  89. Jennings, N., “On Agent-based Software
  90. Engineering”, Artificial Intelligence, Cilt 117,
  91. Sayı 2, 277-296, 2000.
  92. Pelta, D., Cruz C. ve Gonzalez, J.R., “A Study on
  93. Diversity and Cooperation in a Multiagent
  94. Strategy for Dynamic Optimization Problems”,
  95. International Journal of Intelligent Systems,
  96. Cilt 24, Sayı 7, 844–861, 2009.
  97. Terna P., “The epidemic of innovation – playing
  98. around with an agent-based model”, Economics
  99. of Innovation and New Technology, Cilt 18, No, 707–728, 2009.
  100. Sakellariou, I., Kefalas, P. ve Stamatopoulou, I.,
  101. “Enhancing NetLogo to Simulate BDI
  102. Communicating Agents”, SETN '08 Proceedings
  103. of the 5th Hellenic Conference on Artificial
  104. Intelligence: Theories, Models and App.,
  105. Syros, 263-275, 02-04,10, 2008.
  106. Tisue, S. ve Wilensky, U., “NetLogo: design and
  107. implementation of a multi-agent modeling
  108. environment”, Proceedings of Agent, Chicago –
  109. ABD, Ekim 2004.
  110. Somhom, S., Modares, A. ve Enkawa, T., “A
  111. Self-organizing Model for the Traveling
  112. Salesman Problem”, J. of the OR Society, Cilt, No 9, 919–928, 1997.
  113. Cochrane, E. M., ve Beasley, J. E., “The Coadaptive
  114. Neural Network Approach to the
  115. Euclidean Traveling Salesman Problem”, Neural
  116. Networks, Cilt 16,10, 1499–1525, 2003