GENETİK ALGORİTMA YAKLAŞIMI İLE SANAL PAMUK ÜRETİM MODELLEMESİ

Öz

Türkiye, gelişmekte olan bir ülkedir. Türkiye’nin gelişmiş ülkeler düzeyine ulaşabilmesi için sahip olduğu tarım potansiyelinin farkına varması ve katma değeri yüksek ürünler üreterek ihraç etmesi gerekir. Bu bakımdan katma değeri en yüksek ürünlerden biri pamuktur. Pamuk, tekstil endüstrisinin önemli hammaddesidir. Ancak, pamuğu ucuz ve doğru üretmek gerekir. Zira ucuz üretim, rekabetin vazgeçilmez ön koşuludur. Bu çalışmada, bilişim ve istatistik araçlar kullanılarak pamuk üretim modellemesi tanıtılmaktadır. Pamuğun yetişmesi için gerekli olan girdiler, parametre olarak kullanılmakta ve pamuk üretimi bakımından ne kadar önemli oldukları ikili zaman serileri analizi ile test edilmektedir. Bu çalışma ile az sayıda olduğu değerlendirilen tarım üretim araştırmalarına bilişim ve istatistik araçlarının katkısı söz konusu edilmektedir. Genetik algoritma yaklaşımı, tarımsal üretime çok uygun bir yapı sunduğundan optimizasyon modeli olarak kullanılmıştır. İstatistik analiz sonuçlarına göre, pamuk bitkisinin sulama ve gübreleme faktörleri önemli, bakım ve zararlılarla mücadele faktörleri önemsiz bulunmuştur.

Anahtar Kelimeler

• Genetik Algoritmalar,Simülasyon ve Modelleme,Sanal Pamuk Üretimi,İkili Zaman Serileri

Kaynakça

1. Bayaz M. (2016). Pamuk Bitkisini Yetiştirme Usulleri, Ege Üniversitesi Tire Kutsan Meslek Yüksekokulu öğretim üyesi, Tire Gökçen bölgesi pamuk yetiştiricisi.
2. Dağ B. (2005). Genetik Algoritmalar, Türkiye Bilişim Ansiklopedisi, papatya yayıncılık, 405-408.
3. David L. (1991). Handbook of Genetic Algorithms. New York: Van Nostrand Reinhold.
4. Goldberg D.E. (1989). Genetic Algorithms: In Search Optimization, and Machine Learning, New York: Addison-Wesley Publishing Co. Inc.
5. Fitzmaurice M. G, Lipsitz, R.S. (1995). A model for Binary Time Series Data with Serial Odds Ratio Patterns. Applied Statistics. 44, No:1, 51-61.
6. Gürgen Y. (2005). Pamuk Yetiştirme Teknikleri, Çukurova Üniversitesi, Tarımsal Yayım Araştırma ve Uygulama Merkezi Müdürlüğü.
7. İşci Ö, Korukoğlu S. (2003). Genetik Algoritma Yaklaşımı ve Yöneylem Araştırmasında Bir Uygulama. Yönetim ve Ekonomi, Celal Bayar Üniversitesi, Manisa. Cilt:10, Sayı:2.
8. Karr L.C, Freeman L.M. (1999). Industrial Applications of Genetic Algorithms, CRC Press. 350 pages.

9. Kaya A. (2013). Bilgi Sistemlerinde Model, Veri ve İnsan Kaynaklı Riskler, Atatürk Üniversitesi 2. Ulusal Yönetim Bilişim Sistemleri Kongresi, Bildiriler Kitabı 377-385.
10. Kraft D.H., (1994). The use of Genetic Programming to Build Queries for information Retrieval. in Proceeding of the First IEEE Press, 468-473.
11. Martin M.J. (1997). An Approach to An Adaptive Information Retrieval Agent using Genetic Algorithms with Fuzzy Set Genes. Proceeding of the Sixth International Conference on Fuzzy Systems. New York: IEEE Press, 1227-1232.
12. Mitchell, M. ve Forest, S. (1994). Genetic Alghoritms and Artificial Life, Vol.1, No.3, pp. 267-289, Reprinted in C.G. Langton (Ed.) Artificial Life:On Overwie, MIT Press, Cambridge, MA.
13. Nadia N, Luiza de Macedo M. (2002). Minimal Addition Subtraction Chains Using Genetic Algorithms. Advances in Information Systems (ADVIS), 2002, Lecture Notes in Computer Science (LNCS) 2457, 303-313.
14. Oğuz M. (1999). Genetik Algoritmalar, Yıldız Teknik Üniversitesi Endüstri Mühendisliği Lisans Bitirme Tezi.
15. Öktem D, Kaya A, Çakır Ş., (2005), Virtual Plant Evolution with Genetic Algorithms. Lecture Series on Computer and Computational Sciences, Volume 4, 438-443.
16. Whitely D, Hanson T. (1989). Optimising Neural Networks Using Faster, More Accurate Genetic Search Proc. 3rd Intelligence Conference on Genetic Algorithms and Their Applications, 370-374. Goerge Mason University