Diferansiyel Gelişim Algoritması

Öz

Anahtar Kelimeler

• -

Diferansiyel Gelişim Algoritması

Öz

Doğrusal olmayan problemlerin çözümüne yönelik olarak geliştirilmiş bir çok teknik söz konusudur. Özellikle değişken sayısına ve veri tiplerine bağlı olarak problemlerin zorluk dereceleri de artabilmektedir. Bu tip problemlerin deterministik yöntemlerle çözümü, problemin yapısına bağlı olarak hem modellemede hem de çözüm sürecinde zorluklar içerebilmektedir. Bunların üstesinden gelebilmek için sezgisel yöntemler geliştirilmiştir. Diferansiyel gelişim algoritması (DGA), özellikle sürekli verilerin söz konusu olduğu problemlerde etkin sonuçlar verebilen, işleyiş ve operatörleri itibariyle genetik algoritmaya dayanan populasyon temelli sezgisel optimizasyon tekniklerinden biridir. Bu çalışmada, diferansiyel gelişim algoritması tanıtılmış ve aşamaları anlatılmıştır. Çalışmanın sonunda, DGA literatürden alınmış bir probleme uygulanmış, sonuçlar genetik algoritma sonuçları ile karşılaştırılmıştır

Anahtar Kelimeler

• Diferansiyel Gelişim Algoritması, Genetik Algoritma, Mutasyon, Çaprazlama, Seçim

Kaynakça

1. Ali, M. M., Törn, A., (2004), “Population Set-Based Global Optimization Algorithms: Some Modifications and Numerical Studies”, Computer & Operations Research, 31, 1703-1725.
2. Bazaraa, M.S., Shetty, L.M., (1985), “Non-Linear Programming: Theory and Algorithms”, A.B.D., John Wiley & Sons.
3. Becerra, R.L., Coello, C.A.C., (2005), “Cultured Differential Evolution for Constrained Optimization”, Comput. Methods Appl. Mech. Engnrg., Baskıda.
4. Bergey, P.K., Ragsdale, C., (2005), “Modified Differential Evolution: A Greedy Random Strategy for Genetic Recombination”, Omega, 33, 255-265.
5. Goldberg, D.E., (1989), “Genetic Algoritms in Search Optimization and Machine Learning”, A.B.D., Addison Wesley Publishing Company.
6. Holland, J. H., (1975), “Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence”, University of Michigan Press.
7. Hrstka, O., Kucerova, A., (2004), “Improvemenets of Real Coded Genetic Algorithms Based on Differential Operators Preventing Premature Convergence”, Advances in Engineering Software, 35, 237-246.
8. Storn, (2001), http://www.icsi.berkeley.edu/~storn/code.html, [02.02.2006].

9. Karaboğa, D, (2004), “Yapay Zeka Optimizasyonu Algoritmaları”, İstanbul, Atlas Yayın Dağıtım.
10. Lin, Y.C., Hwang, K.S., Wang, F.S., (2004), “A Mixed-Coding Scheme of Evolutionary Algorithms to Solve Mixed-Integer Nonlinear Programming Problems”, Computers and Mathematics with Applications, 47, 1295-1307.
11. Mayer, D.G., Kinghorn, B.P., Archer, A.A., (2005), “Differential Evolution – An Easy and Efficient Evolutionary Algorithm for Model Optimisation”, Agricultural Systems, 83, 315-328.
12. Michalewicz, Z., (1992), “Genetic Algorithms + Data Structure = Evolution Programs”, A.B.D., Springer & Verlag.
13. Schmidt, H., Thierauf, G., (2005), “A Combined Heuristic Optimization Technique”, Advances in Engineering Software, 36, 11-19.
14. Shiakolas, P. S., Koladiye, D., Kebrle, J., (2005), “On The Optimum Synthesis of Six-Bar Linkages Using Differential Evolution and The Geometric Centroid of Precision Positions Technique”, Mechanism and Machine Theory, 40, 319-335.
15. Storn, R., Price, K., (1995), “Differential Evolution: A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces”, Technical Report TR-95-012, International Computer Science Institute, Berkeley.
16. Sun, J., Zhang, Q., P.K. Tsang, E., (2005), “DE/EDA: A New Evolutionary Algorithm for Global Optimization”, Information Sciences, 169, 249-262.
17. Tang, J.F., Wang, D., (1998), “A Hybrid Genetic Algorithm for A Type of Nonlinear Programming Problem”, Computers Math. Applic., 36, 11–21.
18. Zaharie, D., (2002), “Critical Values for Control Parameters of Differential Evolution Algorithms”, Proceedings of Mendel 2002, 8th International Conference on Soft Computing.