Hızlı evrimsel eniyileme için yapay sinir ağı kullanılması
Bu çalışmada, daha önce tersten tasarım problemleri için önerilmiş olan Yapay Sinir Ağı ile Güçlendirilmiş Genetik Algoritmanın (YGGA), eniyileme problemlerine uyarlaması yapılmıştır. YGGA eniyileme problemlerine uygulanabilecek şekilde güncellenmiş ve genel anlamda bir eniyileme problemine nasıl uygulanacağı gösterilmiştir. YGGA 'da, reel kodlu bir Genetik Algoritma (GA) ile uygun bir Yapay Sinir Ağı (YSA) mimarisi melez bir yapı içerisinde kullanılmıştır. Bu yapı içerisinde YSA, popülasyonun güçlendirilmesini sağlamıştır. Bu amaçla GA 'nın her adımında, o adımda kullanılan popülasyondaki bireyler ve bunlara ait uygunluk değerleri kullanılarak YSA eğitilmiştir. Eğitim sırasında, bireyleri ifade eden parametreler YSA 'nın girdisi, bireylerin uygunluk değerleri de çıktısı olarak değerlendirilmiştir. Eğitilen bu YSA 'ya, Benzetimli Tavlama (BT) yardımıyla bir eniyileme süreci uygulanarak, mevcut popülasyondaki bireylerden daha iyi uygunluk değerine sahip bir birey üretilmeye çalışılmıştır. Elde edilen uygun birey GA tarafından üretilen yeni popülasyona ilave edilmiştir. GA 'nın her adımında tekrar edilen bu işlemlerin sonucunda popülasyonun gelişimi daha çabuk sağlandığından, daha az amaç fonksiyonu hesabı ile daha iyi uygunluk değerlerine ulaşılmıştır. Yönteminin etkinliği, model deneme fonksiyonlarına uygulaması yapılarak gösterilmiştir.
Fast evolutionary optimization using artificial neural networks
In this paper, the Augmented Genetic Algorithm with Artificial Neural Network (AGANN) is expanded for optimization works, and its implementations to model problems are demonstrated. With the purpose of getting a faster algorithm, a neural network and a real coded genetic algorithm are hybridized in a new way. In this way, instead of predicting objective function calculation of a candidate, a properly trained neural network is used for predicting the candidate itself. At each step of the genetic process, using a simulated annealing based optimization procedure, the trained neural network produces an individual, which is a candidate solution of the optimization problem. Adding this candidate to the population at each step improves the exploration power of the genetic process. The proposed algorithm is tested for some test function problems. The results indicate that the computational efficiency of the implemented algorithm is tremendously high. Due to still being a genetic algorithm based technique, this method is also as robust as the pure genetic algorithms.
___
- 1.Ong, Y. S., Nair, P. B. and Keane, A. J., "Evolutionary Optimization of Computationally Expensive Problems via Surrogate Modeling," AIM Journal, 41 (4): 687-696, 2003.
- 2.Jin, Y., Olhofer, M, and Sendhoff, B., "A Framework for Evolutionary Optimization with Approximate Fitness Function," IEEE Transactions on Evolutionary Computation, 6 (5): 481-494,2002.
- 3.Hacıoğlu, A., "Yapay Sinir Ağı İle Güçlendirilmiş Genetik Algoritma Ve Tersten Kanat Profili Dizaynı", HUTEN Havacılık ve Uzay Teknolojileri Dergisi, 1 (3), 2004.
- 4.Hacioglu, A., "Augmented Genetic Algorithm with Neural Network and Implementation to Airfoil Design," AIA'A 2004-4633,2004.
- 5.Hacioglu, A., "A Novel Usage of Neural Network in Optimization and Implementation to the Internal Flow Systems," Aircraft Engineering and Aerospace Technology, 77 (5): 369-376, 2005. .
- 6.Haykin, S., "Neural Network; A Comprehensive Foundation;'Prentice Hall, 1999.
- 7.Holst, T. L., and Pulliam, T. H., "Evaluation of Genetic Algorithm Concepts Using Model Problems Part I: Single-Objective Optimization," NASA/TM-2003-212812, 2003.
- 8.Eshelman, L.J. and Schaffer, J. D., "Real Coded Genetic Algorithms and Interval Schemata," 187-202, Foundations of Genetic Algorithms 2, Morgan Kaufinann Publishers, 1993.
- 9.Wright, A., "Genetic Algorithm for Real Parameter Optimization," 205-218, Foundations of Genetic Algorithm 1, Morgan Kaufinann Publishers, 1990.
- 10.Baker, J. E., "Reducing Bias and Inefficiency in the Selection Algorithm," 14-21, Proceedings of the Second International Conference on Genetic Algorithms, Morgan Kaufmann Publishers, 1987.
- 11.Keane, A. J., "Genetic Algorithm Optimization of Multi-Peak Problems: Studies in Convergence and Robustness," Artificial Intelligence in Engineering, 9 (2), 75-83,1995.
- ISSN: 1304-0448
- Yayın Aralığı: Yılda 2 Sayı
- Başlangıç: 2003
- Yayıncı: Dr. Öğr. Üyesi Fatma Kutlu Gündoğdu
Sayıdaki Diğer Makaleler
Sanayi işletmeleri projelerinde başarı ve başarısızlık nedenlerinin analizi
Morphological image processing with fuzzy logic
Hızlı evrimsel eniyileme için yapay sinir ağı kullanılması
Alçak IF alıcı için (CCII) akım taşıyıcılarla gerçekleştirilen çok fazlı süzgeç katı
Bir uçağın irtifa kontrolünde klasik ve bulanık PD denetleyici performanslarının karşılaştırılması
AYŞE KAHVECİOĞLU, OSMAN PARLAKTUNA, Hakan KORUL, YASEMİN IŞIK