Dergiler / Trakya Üniversitesi Mühendislik Bilimleri Dergisi / 2016 / Cilt: 17 - Sayı: 2

GENETİK ALGORİTMA VE DİFERANSİYEL EVRİM ALGO-RİTMASININ YENİ BİR UYGULAMA ALANINDA KARŞILAŞTIRILMASI

GENETIC ALGORITHM AND DIFFERENTIAL EVOLUTION ALGORITHM COMPARED ON A NOVEL APPLICATION DOMAIN

Sayfa
45–56
Yayın Tarihi
2016-12-30
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)

Alınan sonuçlar, GA'nın DE tekniğinden biraz daha iyi sonuçlar elde ettiğini göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, genetik algoritmalar (GA) ve diferansiyel evrim (DE) algoritmaları gibi çok popüler iki optimizayson tekniği kullanılarak performans karşılaştırmaları yapılmıştır.
📊
Temel Bulgular & Veri:Bu iki tekniği kıyaslayan pek çok çalışma yapılmış olsa da, bu kıyaslamanın algoritmaların eğitim materyalleri üzerinde kullanılarak yapılmış olması literatüre katkı değerinde olacaktır.
💡
Sonuç & Katkı:Alınan sonuçlar, GA'nın DE tekniğinden biraz daha iyi sonuçlar elde ettiğini göstermiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Genetik algoritmalar · Differansiyel evrim · Sıralama

Özet

Bu çalışmada, genetik algoritmalar (GA) ve diferansiyel evrim (DE) algoritmaları gibi çok popüler iki optimizayson tekniği kullanılarak performans karşılaştırmaları yapılmıştır. Bu iki tekniği kıyaslayan pek çok çalışma yapılmış olsa da, bu kıyaslamanın algoritmaların eğitim materyalleri üzerinde kullanılarak yapılmış olması literatüre katkı değerinde olacaktır. Ele alınan problem bir sıralama problemi olup, işlenen konuların sırası önem kazanmaktadır. Ders içeriğinin doğru seçimi, öğrencilerin eğitim seviyesinin yükselebilmesi için çok önemlidir. Dersin öğretim üyesi için, ders içeriğini doğru sıra ile aktarmak kritik bir görevdir. Bu çalışmada, bir desin içeriğinin doğru sırada aktarılmasının önemine dikkat çekilmiş ve GA ile DE tekniklerinin kullanılmasıyla oluşturulmuş ders içeriği sıralama mekanizmasının performans karşılaştırmaları yapılmıştır. Alınan sonuçlar, GA'nın DE tekniğinden biraz daha iyi sonuçlar elde ettiğini göstermiştir.

Abstract

In this paper, the performances of genetic algorithms (GA) and differential evolution (DE), which are two of the most popular optimization techniques used, are compared. There exist many other studies which compare these two; however, comparing those on an education material domain will be the contribution to the literature. The problem is stated as a sequencing problem of education material, in which the order of the topics covered really matters. Selection of the contents of the courses to be given to the students is an important factor to improve the level of education of the students. Representing the content of a course in the correct order is a critical task for instructors. In this study, the importance of the order of the contents of a course was emphasized and the performance of a course content sequencing mechanism using GA and DE was compared. The results put forward that, sequencing the course contents with GA performs better; however, DE is also obviously successful with a close score to that of the GA's.

🔖

Bu Makaleye Atıf Yap

Abidin, D. (2016). GENETİK ALGORİTMA VE DİFERANSİYEL EVRİM ALGO-RİTMASININ YENİ BİR UYGULAMA ALANINDA KARŞILAŞTIRILMASI. Trakya Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 17 - Sayı: 2, 45–56. https://ajindex.com/articles/807414

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. ABIDIN, D., ÇAKIR, Ş. (2011): Rule-Based Genetic Algorithm for In-Service Training Curriculum Plan. Proc International Conference on Computers, Digital Communications and Computing (ICDCCC’11), Barcelona, Spain:160 – 166. ABIDIN, D., ÇAKIR, Ş. (2014): Analysis of a Rule Based Curriculum Plan Optimization System with Spearman Rank Correlation. Turkish Journal of Electrical Engineering and Computer Sciences, 22:176-190.
  2. AGRAWAL, R., SRIKANT, R. (1994): Fast Algorithms for Mining Association Rules. Proc 20th International Conference on Very Large Databases, Morgan Kaufmann, Santiago, Chile:487-499.
  3. BALLI, S., et al. (2009): Neuro – Fuzzy Decision Support System for Selecting Players in Basketball. Journal of İstanbul Technical University, 8:15-25.
  4. BISSONETTE, V.L. (2011): Critical Values of the t Distribution. [Online]: http://facultyweb.berry.edu/vbissonnette/tables/t.pdf
  5. DE MARCOS, L., et al. (2008): Competency-Based Curriculum Sequencing: Comparing Two Evolutionary Approaches. Proc IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology, Sydney, Australia:339 – 342. ELSAYED, S.M., SARKER, R.A., ESSAM, D.L. (2012): On an Evolutionary Approach for Constrained Optimization Problem Solving. Applied Soft Computing, Elsevier, 12:3208-3227.
  6. GARCIA-CAMACHO, F., et al. (2011): Genetic Algorithm Based Medium Optimization for a Toxic Dinoflagellate Microalga. Harmful Algae, 10:697-701.
  7. GHOSH, S., et al. (2012): A Differential Covariance Matrix Adaptation Evolutionary Algorithm for Real Parameter Optimization. Information Sciences 182:199-219,
  8. Elsevier. GOLDBERG, D.E. (1989):
  9. Genetic Algorithms in Search, Optimization and Machine Learning. Reading, Addison Wesley. GREFFENSTETTE, J.J., BAKER, J.E. (1989): How Genetic Algorithms Work: A Critical Look at Implicit Parallelism. Proc 3rd International Conference on Genetic Algorithms, San Mateo, CA, USA, Morgan Kaufmann Publishers:20-27.
  10. HEGERTY, B., HUNG, C.C., KASPRAK, K. (2009): A Comparative Study on Differential Evolution and Genetic Algorithms for Some Combinatorial Problems. 1st Workshop on Intelligent Methods in Search and Optimization - WIMSO. HOLLAND, H.J. (1975): Adaptation in Natural and Artificial Systems. Cam-bridge: MIT Press.
  11. HSIEH, S.-T., SUN, T.-Y., LIU, C.-C., (2009): Potential Offspring Production Strategies: An Improved Genetic Algorithm for Global Numerical Optimization. International Journal of Expert Systems with Applications, 36:11088-11098.
  12. KAMIYAMA, D., TAMURA, K