[]
evrimsel algoritmalar
arkadaşlar benim seminer dersi konum bu. türkçe pek kaynak bulamadım doğru düzgün, ingilizceleri de pek anlayamadım. belki içinizden biri böyle bir ders almıştır ya da elinde kaynaklar mevcuttur ve de çok yardım severdir. bekliyorum yardımlarınızı.
(bkz: genetik algoritma)
evrimsel algoritmanın sözlükteki ilk entry'si de buymuş zaten bilmiyordum. machine learning algorithms diye arayarak oralardan da bişeyler bulabilirsin.
evrimsel algoritmanın sözlükteki ilk entry'si de buymuş zaten bilmiyordum. machine learning algorithms diye arayarak oralardan da bişeyler bulabilirsin.
- tepedeki psychedelic adam
(11.12.10 00:45:28 ~ 00:53:26)
3. Genetik Algoritmalar
Genetik algoritmalar: doğal evrim sürecinden yola çıkılarak, makinenin kendi davranışlarını öğrenmesini, deneyim kazanmasını amaçlar.
3.1 Evrim
Evrimin mekanizmasını ve temel kavramları şu şekilde özetleyebiliriz: Evrim, amacı belli olan ya da kontrollü bir süreç değildir; en azından bu şekilde olduğuna dair elimizde geçerli bir kanıt bulunmamaktadır. Kaynakların kısıtlı olduğu değişken bir ortamda, farklı genetik bilgilere sahip canlılar bunlar için yarışırlar ve kabaca güçlü (fıtness) olanlar hayatta kalıp çoğalarak/üreyerek genetik bilgilerini bir sonraki kuşağa (generation) geçirme şansını yakalarlar. Evrimin motoru üreme sonucu oluşan farklılıktır. Üreme iki şekilde olur: Basit canlılarda eşeysizdir - yani yeni oluşan canlı bir öncekinin aynısıdır ve farklılık üreme
(Mutasyon çeşitleri, genlerdeki muhtemel değişimler)
sırasında genlerdeki istemsiz hatalar (mutasyon - değişinim) sonucu olur.
(Biyolojik crossing-over sonucu, yeni tipte varlıkların oluşumu, karşılıklı gen transferi yapılmaktadır, bir önceki nesilden farklı yeni bir nesil ortaya çıkmaktadır)
Yüksek canlılarda ise eşeylidir (seksüeldir) - yani değişik genetik malzemeye sahip iki canlı birleşerek tamamen farklı yeni bir canlı oluşturur; farklılık, çoğalma sırasında hem mutasyonlar hem de yeniden birleşimler (rekombinasyon) sonucu olur (Her iki canlının genetik olarak farklı ama işlevsel olarak eş kromozomları üst üste gelerek bilgi değiş tokuşu yaparlar “crossıng-over”).
Her iki durumda da oluşan farklı canlılardan bir kısmı, bir önceki kuşağa göre değişen çevreye daha iyi uyum gösterip (adaptasyon) daha güçlü olabilir. Bunların yaşaması ve üreyerek soyunu devam ettirmesine doğal seleksiyon denir.
3.2 Yapay Evrim
Yapay yaşam simülasyonlarda, canlı DNA’sı gibi, ancak elbette ki sıfır ve birlerden oluşan kromozomların temsil ettiği bireyler kullanılır.
(Sanal bir gen, kromozom sınıfı ve metodları)
Bu bireylerden topluluklar oluşturulabilir. Simülasyon, bu toplulukların ve bu topluluklarda yer alan bireylerin, kriterler karşısında test edildikleri evrim sürecidir. Genetik algoritma özelliği olarak, bu simülasyonda belli kriterlerde başarısızlığa uğrayan bireyler yok edilir.Bu doğal seleksiyon sonrası, zayıf olan bireyler elendikten sonra, başarılı olmuş bireyler arasında, iki ya da daha fazla birey kromozomu kombinasyonu ile yeni bireyler oluşmasına izin veriliyor. Mutasyonlara da izin verilerek, sabit durumlara yönelim engelleniyor. En sonunda, bu dijital dünyaya en çok adapte olan, en başarılı nesil oluşuyor, bu nesil gene de koşulların değiştirilmesi halinde yeni davranış ve özellikler kazanma yetisine sahip olup, yine gen transferi ve mutasyonlar sonucunda en gelişkin yeni nesilleri oluşturacak nesildir.
Problem çözmede kullanılan teknik olan genetik algoritmaların temel haline bakacak olursak, kromozomlardan (0 ve 1'lerden oluşan dizi) oluşan popülasyonları genetikteki doğal seleksiyon, çaprazlama, mutasyon ve inversion operatörlerini kullanarak yeni popülasyonlara dönüştürme metodu ile, seleksiyon ile en uygun kromozomları tekrar üretim için seçiyor, çaprazlama ile bu kromozomları belli noktalarından parça değiş tokuşuna tabi tutuyor, mutasyon ile çeşitliliği sağlıyor ve inversion metodu ile de kromozomların sırasını düzenliyor.
Basit bir örnek verecek olursak, satrançtaki 8 vezir problemi(8x8lik satranç tahtasına konulacak 8 tane vezirin, hiçbirisinin diğerini tehdit etmemesi gerekir) genetik algoritma ile çözülebilmektedir. Defalarca rastgele olarak, sekiz tane vezirin yerleştirildiği tahtalardan, en başarılı olanlar(en az sayıda vezirin diğerlerini tehdit ettiği) alınarak, başarısız tahtalar elenir. Daha sonra da, başarılı tahtalar birbiri ile kombinasyonal olarak eşlenir ve crossing-over yöntemi ile yeni tahtalar oluşturulur. Bu işlem tekrarlanır, sürekli olarak başarılı tahtalar ayrılı ve başarısız olanlar elenir. Muhtemelen çok sayıda döngü sonucunda, bu problem çözülebilmektedir.
Genetik algoritmalar: doğal evrim sürecinden yola çıkılarak, makinenin kendi davranışlarını öğrenmesini, deneyim kazanmasını amaçlar.
3.1 Evrim
Evrimin mekanizmasını ve temel kavramları şu şekilde özetleyebiliriz: Evrim, amacı belli olan ya da kontrollü bir süreç değildir; en azından bu şekilde olduğuna dair elimizde geçerli bir kanıt bulunmamaktadır. Kaynakların kısıtlı olduğu değişken bir ortamda, farklı genetik bilgilere sahip canlılar bunlar için yarışırlar ve kabaca güçlü (fıtness) olanlar hayatta kalıp çoğalarak/üreyerek genetik bilgilerini bir sonraki kuşağa (generation) geçirme şansını yakalarlar. Evrimin motoru üreme sonucu oluşan farklılıktır. Üreme iki şekilde olur: Basit canlılarda eşeysizdir - yani yeni oluşan canlı bir öncekinin aynısıdır ve farklılık üreme
(Mutasyon çeşitleri, genlerdeki muhtemel değişimler)
sırasında genlerdeki istemsiz hatalar (mutasyon - değişinim) sonucu olur.
(Biyolojik crossing-over sonucu, yeni tipte varlıkların oluşumu, karşılıklı gen transferi yapılmaktadır, bir önceki nesilden farklı yeni bir nesil ortaya çıkmaktadır)
Yüksek canlılarda ise eşeylidir (seksüeldir) - yani değişik genetik malzemeye sahip iki canlı birleşerek tamamen farklı yeni bir canlı oluşturur; farklılık, çoğalma sırasında hem mutasyonlar hem de yeniden birleşimler (rekombinasyon) sonucu olur (Her iki canlının genetik olarak farklı ama işlevsel olarak eş kromozomları üst üste gelerek bilgi değiş tokuşu yaparlar “crossıng-over”).
Her iki durumda da oluşan farklı canlılardan bir kısmı, bir önceki kuşağa göre değişen çevreye daha iyi uyum gösterip (adaptasyon) daha güçlü olabilir. Bunların yaşaması ve üreyerek soyunu devam ettirmesine doğal seleksiyon denir.
3.2 Yapay Evrim
Yapay yaşam simülasyonlarda, canlı DNA’sı gibi, ancak elbette ki sıfır ve birlerden oluşan kromozomların temsil ettiği bireyler kullanılır.
(Sanal bir gen, kromozom sınıfı ve metodları)
Bu bireylerden topluluklar oluşturulabilir. Simülasyon, bu toplulukların ve bu topluluklarda yer alan bireylerin, kriterler karşısında test edildikleri evrim sürecidir. Genetik algoritma özelliği olarak, bu simülasyonda belli kriterlerde başarısızlığa uğrayan bireyler yok edilir.Bu doğal seleksiyon sonrası, zayıf olan bireyler elendikten sonra, başarılı olmuş bireyler arasında, iki ya da daha fazla birey kromozomu kombinasyonu ile yeni bireyler oluşmasına izin veriliyor. Mutasyonlara da izin verilerek, sabit durumlara yönelim engelleniyor. En sonunda, bu dijital dünyaya en çok adapte olan, en başarılı nesil oluşuyor, bu nesil gene de koşulların değiştirilmesi halinde yeni davranış ve özellikler kazanma yetisine sahip olup, yine gen transferi ve mutasyonlar sonucunda en gelişkin yeni nesilleri oluşturacak nesildir.
Problem çözmede kullanılan teknik olan genetik algoritmaların temel haline bakacak olursak, kromozomlardan (0 ve 1'lerden oluşan dizi) oluşan popülasyonları genetikteki doğal seleksiyon, çaprazlama, mutasyon ve inversion operatörlerini kullanarak yeni popülasyonlara dönüştürme metodu ile, seleksiyon ile en uygun kromozomları tekrar üretim için seçiyor, çaprazlama ile bu kromozomları belli noktalarından parça değiş tokuşuna tabi tutuyor, mutasyon ile çeşitliliği sağlıyor ve inversion metodu ile de kromozomların sırasını düzenliyor.
Basit bir örnek verecek olursak, satrançtaki 8 vezir problemi(8x8lik satranç tahtasına konulacak 8 tane vezirin, hiçbirisinin diğerini tehdit etmemesi gerekir) genetik algoritma ile çözülebilmektedir. Defalarca rastgele olarak, sekiz tane vezirin yerleştirildiği tahtalardan, en başarılı olanlar(en az sayıda vezirin diğerlerini tehdit ettiği) alınarak, başarısız tahtalar elenir. Daha sonra da, başarılı tahtalar birbiri ile kombinasyonal olarak eşlenir ve crossing-over yöntemi ile yeni tahtalar oluşturulur. Bu işlem tekrarlanır, sürekli olarak başarılı tahtalar ayrılı ve başarısız olanlar elenir. Muhtemelen çok sayıda döngü sonucunda, bu problem çözülebilmektedir.
- obez kirpi george (11.12.10 01:06:11)
teşekkür ettim bilgiler için. ama aklıma bişey takıldı. şimdi bu evrimsel algoritma denen şeyle genetik algoritma aynı şey mi?
ben aynı şey değil diye biliyorum genetik algoritmayla ilgili baya yazılan şey var ama evrimsel algoritmayla ilgili yok. biraz o kafama takıldı yanlış da biliyor olabilirim sadece sunum yapıcam bu konuda. sunum dersi gibi bişey yani.
ben aynı şey değil diye biliyorum genetik algoritmayla ilgili baya yazılan şey var ama evrimsel algoritmayla ilgili yok. biraz o kafama takıldı yanlış da biliyor olabilirim sadece sunum yapıcam bu konuda. sunum dersi gibi bişey yani.
- contavolta
(11.12.10 01:16:06)
- obez kirpi george (11.12.10 01:21:02)
hidden markov modeli'ne de bi göz atsan olur.
- track one (11.12.10 14:32:45)
1
