BASKIN GEN SEÇİMİ OPERATÖRÜNE DAYALI GENETİK ALGORİTMA MODELİ

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.

Anahtar kelimeler

Genetik algoritma baskın gen seçimi sürekli optimizasyon.

🔖

Bu Makaleye Atıf Yap

KALINLI, A., AKSU, Ö. (2013). BASKIN GEN SEÇİMİ OPERATÖRÜNE DAYALI GENETİK ALGORİTMA MODELİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 26 - Sayı: 4, 0. https://ajindex.com/articles/20732

📄 Tam Metin PDF Okuyucu

Yeni Sekmede Aç ↗

↗Yeni Sekme

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

Holland, J.H., Adaption in natural and artificial systems, University of Michigan Press, Ann Arbor, 1975.
De Jong, K.A., Spears, W.M., “An analysis of the interacting roles of population size and crossover in genetic algorithms”, Parallel Problem Solving from Nature, Springer, Berlin, Cilt LNCS 496, 38-47, 1991.
Schaffer, J.D., Caruana, R.A., Eshelman, L.J., Das, R., “A study of control parameters affecting online performance of genetic algorithms for function optimization”, The 3rd Int. Conf. GAs, -60, 1989.
Grefenstette, J.J., “Optimisation of control parameters for genetic algorithms”, IEEE Trans. SMC, Cilt 16, No 1, 122-128, 1986.
Reeves C.R., Rowe J.E., Genetic algorithms principles and perspectives: A Guide to GA Theory, ISBN 978-1402072406, Springer, 2002.
Michalewicz, Z., Schoenauer, M., “Evolutionary algorithms for constrained parameter optimization problems”, Evolutionary Computation, Cilt 4, 1-32, 1996.
De Jong, K. A., An analysis of the behavior of a class of genetic adaptive systems, Doctoral Thesis, Department of Computer and Communication Sciences. University of Michigan, Ann Arbor, 1975.
Grefenstette, J.J., “Optimization of control parameters for genetic algorithms”, IEEE Trans on Systems, Man and Cybernetics, Cilt SMC-, 122-128, 1986.
Schaffer, J.D., et al, “A study of control parameters affecting online performance of genetic algorithms for function optimization”, rd International Conference on Genetic Algorithms, Morgan Kaufmann, San Mateo, CA, -60, 1989.
Eshelmvn, L.J., Shaffer, J.D., “Preventing premature convergence in genetic algorithms by preventing incest”, Proc. 4 th Int. Conf Genetic Algorithms, 115-122, 1991.
Andris, P., Frollo, I., “Optimisation of NMR coils by genetic algorithms”, Measurement Science Review, Cilt 2, No 2, 13-22, 2002.
Davidor, Y., “Analogous crossover operator”, Proc 3rd Int.Conf Genetic Algorithms, George Mason Univ., Arlington, VA., 98-103, 1989.
Fagarty, T.C., “Varing the probability of mutation in the genetic algorithm”, Proc. 3rd Int. Conf Genetic Algorithms, 104-109, 1989.
Watanabe, M., Ida, K., Gen, M., “A genetic algorithm with modified crossover operator and search area adaptation for the job-shop scheduling problem”, Computers and Industrial Engineering, Cilt 48, No 4, 743-752, 2005.
Jiri, K., Jiri, L., “A new genetic operator maintaining population diversity”, In Dubois Daniel M., editor(s), Computing Anticipatory Systems, Liege, Belgium, American Institute of Physics, ISBN 0-7354-0012-1, 338-348,