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

Öz

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.

Anahtar Kelimeler

• Etmen tabanlı modelleme ve benzetim, yapay bağışıklık sistemi, klonal seçim algoritması, gezgin satıcı problemi.

Kaynakça

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. No 10, 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
59. , 1813-1818, 2010.
60. Singh, C.T. ve Nair, S.B., “An Artificial Immune
61. System for a Multi-Agent Robotics System”,
62. Word Academy of Science, Eng. and
63. Technology, Cilt 11, Sayı 3, 6-9, 2005.
64. Dasgupta, D. ve Nino, F., Immunological
65. Computation: Theory and Applications,
66. Auerbach Publications, 2008.
67. Timmis. J., Hone, A., Stibor, T. ve Clark, E.,
68. “Theoretical Advances in Artificial Immune
69. Systems”, Theoretical Computer Science, Cilt
70. , Sayı 1, 11-32, 2008.
71. Dasgupta, D., “Information Processing
72. Mechanisms of the Immune System”, New Ideas
73. in Optimization, Corne, D., Dorigo, M. ve
74. Glover, F., McGraw-Hill, ABD, 1999.
75. De Castro, L. N. ve Timmis, J., Artificial
76. Immune Systems: A New Computational
77. Intelligence Approach, Springer, ABD, 2002.
78. Macal, C.M. ve North, M.J.; “Agent-based
79. Modeling and Simulation”, Winter Simulation
80. Conference 2009, Austin – ABD, 86-98, 13-16
81. Aralık 2009.
82. Siebers, P.O. ve Aickelin, U., “Introduction to
83. Multi Agent Simulation”, Encylopedia of
84. Decision Making and Decision Support
85. Technologies, Editör: Adam, F., Information
86. Science Reference, ABD, 554-564, 2007.
87. Siebers, P.O., “Lecture Notes”,
88. http://www.cs.nott.ac.uk/~pos/index.html.
89. Bradshaw, J.M., Software Agents, The MIT
90. Press, ABD, 1997.
91. Jennings, N., “On Agent-based Software
92. Engineering”, Artificial Intelligence, Cilt 117,
93. Sayı 2, 277-296, 2000.
94. Pelta, D., Cruz C. ve Gonzalez, J.R., “A Study on
95. Diversity and Cooperation in a Multiagent
96. Strategy for Dynamic Optimization Problems”,
97. International Journal of Intelligent Systems,
98. Cilt 24, Sayı 7, 844–861, 2009.
99. Terna P., “The epidemic of innovation – playing
100. around with an agent-based model”, Economics
101. of Innovation and New Technology, Cilt 18, No
102. , 707–728, 2009.
103. Sakellariou, I., Kefalas, P. ve Stamatopoulou, I.,
104. “Enhancing NetLogo to Simulate BDI
105. Communicating Agents”, SETN '08 Proceedings
106. of the 5th Hellenic Conference on Artificial
107. Intelligence: Theories, Models and App.,
108. Syros, 263-275, 02-04,10, 2008.
109. Tisue, S. ve Wilensky, U., “NetLogo: design and
110. implementation of a multi-agent modeling
111. environment”, Proceedings of Agent, Chicago –
112. ABD, Ekim 2004.
113. Somhom, S., Modares, A. ve Enkawa, T., “A
114. Self-organizing Model for the Traveling
115. Salesman Problem”, J. of the OR Society, Cilt
116. , No 9, 919–928, 1997.
117. Cochrane, E. M., ve Beasley, J. E., “The Coadaptive
118. Neural Network Approach to the
119. Euclidean Traveling Salesman Problem”, Neural
120. Networks, Cilt 16,10, 1499–1525, 2003