KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2011 / Cilt: 26 Sayı: 4

BASKIN GEN SEÇİMİ OPERATÖRÜNE DAYALI GENETİK ALGORİTMA MODELİ

Adem Kalınlı
Özgür Aksu
Sayfa
—
Yayın Tarihi
2013-02-20
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)

Elde edilen sonuçlardan önerilen yaklaşımın standart genetikalgoritmanın performansını artırdığı görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada genetik algoritma için baskın gen seçimi operatörüne dayalı yeni bir model önerilmiştir.
📊
Temel Bulgular & Veri:Önerilenmodelin performansı iyi bilinen sürekli test fonksiyonları üzerinde incelenerek sonuçlar standart genetikalgoritmaya ait sonuçlarla karşılaştırılmıştır.
💡
Sonuç & Katkı:Elde edilen sonuçlardan önerilen yaklaşımın standart genetikalgoritmanın performansını artırdığı görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Genetik algoritma · baskın gen seçimi · sürekli optimizasyon.

Özet

Bu çalışmada genetik algoritma için baskın gen seçimi operatörüne dayalı yeni bir model önerilmiştir. Önerilenmodelin performansı iyi bilinen sürekli test fonksiyonları üzerinde incelenerek sonuçlar standart genetikalgoritmaya ait sonuçlarla karşılaştırılmıştır. Elde edilen sonuçlardan önerilen yaklaşımın standart genetikalgoritmanın performansını artırdığı görülmüştür.

🔖

Bu Makaleye Atıf Yap

Kalınlı, A., Aksu, Ö. (2013). BASKIN GEN SEÇİMİ OPERATÖRÜNE DAYALI GENETİK ALGORİTMA MODELİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 26 Sayı: 4. https://ajindex.com/articles/1078489

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (100)

  1. Holland, J.H., Adaption in natural and artificial
  2. systems, University of Michigan Press, Ann
  3. Arbor, 1975.
  4. De Jong, K.A., Spears, W.M., “An analysis of the
  5. interacting roles of population size and crossover
  6. in genetic algorithms”, Parallel Problem
  7. Solving from Nature, Springer, Berlin, Cilt
  8. LNCS 496, 38-47, 1991.
  9. Schaffer, J.D., Caruana, R.A., Eshelman, L.J.,
  10. Das, R., “A study of control parameters affecting
  11. online performance of genetic algorithms for
  12. function optimization”, The 3rd Int. Conf. GAs,
  13. 60, 1989.
  14. Grefenstette, J.J., “Optimisation of control
  15. parameters for genetic algorithms”, IEEE Trans.
  16. SMC, Cilt 16, No 1, 122-128, 1986.
  17. Reeves C.R., Rowe J.E., Genetic algorithms
  18. principles and perspectives: A Guide to GA
  19. Theory, ISBN 978-1402072406, Springer, 2002.
  20. Michalewicz, Z., Schoenauer, M., “Evolutionary
  21. algorithms for constrained parameter optimization problems”, Evolutionary
  22. Computation, Cilt 4, 1-32, 1996.
  23. De Jong, K. A., An analysis of the behavior of a
  24. class of genetic adaptive systems, Doctoral
  25. Thesis, Department of Computer and
  26. Communication Sciences. University of
  27. Michigan, Ann Arbor, 1975.
  28. Grefenstette, J.J., “Optimization of control
  29. parameters for genetic algorithms”, IEEE Trans
  30. on Systems, Man and Cybernetics, Cilt SMC-, 122-128, 1986.
  31. Schaffer, J.D., et al, “A study of control
  32. parameters affecting online performance of
  33. genetic algorithms for function optimization”,
  34. rd International Conference on Genetic
  35. Algorithms, Morgan Kaufmann, San Mateo, CA,
  36. Eshelmvn, L.J., Shaffer, J.D., “Preventing
  37. premature convergence in genetic algorithms by
  38. preventing incest”, Proc. 4 th Int. Conf Genetic
  39. Algorithms, 115-122, 1991.
  40. Andris, P., Frollo, I., “Optimisation of NMR coils
  41. by genetic algorithms”, Measurement Science
  42. Review, Cilt 2, No 2, 13-22, 2002.
  43. Davidor, Y., “Analogous crossover operator”,
  44. Proc 3rd Int.Conf Genetic Algorithms, George
  45. Mason Univ., Arlington, VA., 98-103, 1989.
  46. Fagarty, T.C., “Varing the probability of
  47. mutation in the genetic algorithm”, Proc. 3rd
  48. Int. Conf Genetic Algorithms, 104-109, 1989.
  49. Watanabe, M., Ida, K., Gen, M., “A genetic
  50. algorithm with modified crossover operator and
  51. search area adaptation for the job-shop
  52. scheduling problem”, Computers and Industrial
  53. Engineering, Cilt 48, No 4, 743-752, 2005.
  54. Jiri, K., Jiri, L., “A new genetic operator
  55. maintaining population diversity”, In Dubois
  56. Daniel M., editor(s), Computing Anticipatory
  57. Systems, Liege, Belgium, American Institute of
  58. Physics, ISBN 0-7354-0012-1, 338-348, 2001.
  59. Yang, W.X., “An improved genetic algorithm
  60. adopting immigration operator”, Intelligent Data
  61. Analysis, Cilt 8, No 4, 385-401, 2004.
  62. Silva, R.R., Lopes, H.S., Erig Lima, C.R., “A
  63. new mutation operator for the elitism-based
  64. compact genetic algorithm”, LNCS, Cilt 4431,
  65. Springer Berlin/Heidelberg, 159-166, 2007.
  66. Mitchell, G.G., O'Donoghue, D., Barnes, D.,
  67. McCarville, M., “GeneRepair - A repair operator
  68. for genetic algorithms”, late-breaking paper,
  69. GECCO, Chicago IL, July 2003.
  70. Srinwa, M., Patnaik, L.M., “Adaptive
  71. probabilities of crossover and mutation in genetic
  72. algorithms”, IEEE Trans. SMC, Cilt SMC-24,
  73. , 656-666, 1994.
  74. Grefenstette, J.J., “Qptimization of control
  75. SMC, Cilt SMC-16, No l, 122-128, 1986.
  76. Samples, M.E., Byom, M.J., Diada, J.M.,
  77. “Parameter sweeps for exploring parameter
  78. spaces of genetic and evolutionary algorithms”,
  79. in Parameter Setting in Evolutionary
  80. Algorithms, Fernando G. Lobo, Cl´audio F.
  81. Lima, Zbigniew Michalewicz (Editors), Springer,
  82. 184, 2007.
  83. Holland J.H., “Building blocks, cohort genetic
  84. algorithms, and hyperplane-defined functions”,
  85. Evolutionary Computation, Cilt 8, 373-391,
  86. Aksu, O., Yeni bir paralel genetik algoritma
  87. modeli ve analog devre tasarımına
  88. uygulanması, Yüksek Lisans Tezi, Erciyes
  89. Üniversitesi Bilgisayar Mühendisliği Anabilim
  90. Dalı, Kayseri, Temmuz 2008.
  91. Kalinli, A., Geribeslemeli yapay sinir ağlarının
  92. genetik operatörlere dayalı tabu araştırma
  93. algoritması kullanarak eğitilmesi, Doktora
  94. Tezi, Erciyes Üniversitesi, Elektronik
  95. Mühendisliği Anabilim Dalı, 1996.
  96. Kalinli, A., Karaboga, D., “Training recurrent
  97. neural networks by using parallel tabu search
  98. algorithm based on crossover operation”,
  99. Engineering Applications of Artificial
  100. Intelligence, Cilt 17, No 5, 529-542, 2004.