Yapay zekadan makale özeti
- Kısa
- Ayrıntılı
- Bu video, bir konuşmacının genetik algoritma konusunu anlattığı eğitim içeriğidir.
- Video, genetik algoritmanın temel prensiplerini açıklayarak başlıyor ve ardından MATLAB programında uygulama sürecini gösteriyor. İçerikte popülasyon, kromozom, uygunluk değeri, mutasyon, çaprazlama ve doğal seçilim gibi kavramlar açıklanıyor. Ayrıca rulet çarkı, turnuva ve random gibi doğal seçilim metotlarının nasıl uygulanacağı detaylı olarak anlatılıyor.
- Videoda 7 boyutlu bir küre fonksiyonu üzerinde 50 kişilik popülasyon, 0.90 çaprazlama olasılığı ve 0.95 mutasyon olasılığı ile optimizasyon uygulaması gösteriliyor. Iterasyon sayısının optimizasyon sürecindeki etkisi ve MATLAB'da grafik arayüzünde sonuçların nasıl görüntüleneceği de gösteriliyor.
- 00:02Genetik Algoritma Nedir?
- Optimizasyon projelerinde sezgisel arama algoritmaları kullanılır ve bunlardan biri genetik algoritmadır.
- Genetik algoritma, çözmesi karmaşık olan problemleri basite indirgemeye yarayan bir algoritmadır.
- Bu algoritma birey mantığıyla ilerler; verilerin genetik kodları mutasyon ve çaprazlama işlemlerinden geçirilerek yeni bireyler ortaya çıkar.
- 01:30Genetik Algoritmanın Çalışma Prensibi
- Örneğin, 50 boyutlu genlerden bir kısmını kesip birleştirerek yeni birey oluşturulabilir.
- Genetik algoritma, çok boyutlu Sphere fonksiyonunu optimize ederek gerçek bir küreyi temsil eder.
- Sphere fonksiyonu 7 boyutlu olup, x1, x2, ..., x7 değerlerinin karelerinin toplamını hesaplar.
- 02:51Algoritmanın Parametreleri
- Problemin alt ve üst sınırları vardır (örneğin -5 ile +5 arasında).
- Uygunluk değeri (fitness fonksiyonu), her bir bireyin değerini gösterir.
- Popülasyon büyüklüğü, algoritmanın başlangıç noktasıdır (örneğin 50 kişilik popülasyon).
- 03:21Algoritmanın Akışı
- Başlangıç popülasyonunda her bireyin kromozomları ve uygunluk değerleri hesaplanır.
- Doğal seçilimde bireyler çaprazlanarak ve mutasyona uğrayarak yeni bireyler elde edilir.
- Algoritma, fonksiyonu optimize edene kadar aynı adımları tekrarlar.
- 04:14Seçim Yöntemleri
- Rulet çarkı yöntemi, bireyleri seçmek için kullanılır; daha yüksek uygunluk değerine sahip bireyler daha büyük olasılıkla seçilir.
- Kümülatif olasılık, önceki matrisin değeri ile mevcut olasılık değerinin toplamıdır.
- Turnuva seçimi, popülasyonu küçük gruplara ayırarak bireylerin kendi aralarında yarışmasını sağlar.
- 06:03Matlab Uygulaması
- Matlab'da genetik algoritma kodları, çaprazlama ve mutasyon işlemleri için gerekli sınıflar bulunmaktadır.
- Algoritma, alt sınır, üst sınır, boyut, popülasyon boyutu, çaprazlama olasılığı, mutasyon olasılığı gibi parametreleri kullanır.
- İterasyon sayısı arttıkça problem çözme ihtimali artar, ancak yerel optimumda takılma riski de artar.
- 07:46Algoritma ve Fitness Fonksiyonu
- Obj amaç fonksiyonu (fitness function) olarak psi kadar değer belirleniyor ve her bireyin fitness değeri hesaplanıyor.
- Fitness fonksiyonu, her bireyin satırındaki değerlerin karelerini alarak hesaplanıyor.
- Doğal seçili metodu (roulette, turnam, random) belirleniyor ve popülasyon, amaç değişkeni, fitness fonksiyonu ve psi değerleri bu metoda gidiyor.
- 08:45Roulette Seçim Metodu
- Minimizasyon problemi olduğu için fitness değerleri bir'e bölünerek olasılıklar oluşturuluyor.
- Roulette seçimi, popülasyondan bir olasılık üreterek rassal sayılarla karşılaştırarak yeni popülasyonu oluşturuyor.
- Çaprazlama olasılığına dahil olan bireyler yeni popülasyona ekleniyor.
- 10:43Çaprazlama İşlemi
- Çaprazlama işlemi, rassal permütasyonlar kullanılarak iki ebeveyn birey seçiliyor.
- Rassal bir sayı üretilerek çaprazlama olasılığı kontrol ediliyor ve çaprazlama noktası belirleniyor.
- Ebeveyn bireylerin belirli kısımları değiştirilerek yeni bireyler oluşturuluyor.
- 12:28Uygulama ve Parametreler
- Fonksiyon -5 ile +5 aralığında, 7 boyutlu ve popülasyon büyüklüğü 50 kişilik olarak belirleniyor.
- Çaprazlama olasılığı 0,90, mutasyon olasılığı 0,95 olarak ayarlanıyor.
- Doğal seçili metodu (roulette, turnam, random) belirlenerek optimizasyon işlemi başlatılıyor.
- 13:31Optimizasyon Sonuçları
- Başlangıçta yüksek değerler (14 gibi) elde edilirken, parametrelerin doğru ayarlanması ve iterasyon sayısının artırılmasıyla daha iyi sonuçlar elde ediliyor.
- Fonksiyonun sıfıra yakınsaması optimize edilmesini gösterir ve iterasyon sayısı arttıkça optimizasyon süreci daha iyi sonuçlar verir.
- Optimizasyonun amacı, fonksiyonun global optimum noktasını bulmak ve günlük problemleri çözmektir.