0 Genetik Algoritma Nedir?

Tweet

Genetik algoritmalar, türev bilgisi ve çözüm uzayı hakkında başlangıç bilgisi gerektirmeyen bir yöntemdir. Arama mekanizmasının rastlantısal yapısı gereği, çözüm uzayının tümünde arama yapabilme kabiliyetine sahiptir. Bu nedenle, diğer arama ve optimizasyon yöntemlerine göre, genel en iyiyi bulabilme şansı daha yüksektir. Klasik yöntemlerdeki amaç fonksiyonun çok iyi tanımlanmış ve basit olması gerekirken, genetik algoritmalar gürültülü, süreksiz ve zamanla değişen fonksiyonları da optimize edebilmektedir (Chipperfield and Fleming 1996). Genetik algoritmaları matematik tabanlı bir yöntem olarak görmemek gerekir. Hesaba dayalı yöntemlerdeki gibi matematiksel ve iteratif formüller kullanmak yerine, bir kuşaktan diğer kuşağa çözümün geliştirilerek optimumun belirlendiği bir yöntemdir (Man et al 1996).

Genetik algoritmalar doğada var olan bir yarışma ortamında, ancak daha iyi ve daha kuvvetli olan bireylere kazanma şansının verildiği, biyolojik olaylara benzetilerek geliştirilmiş, paralel ve küresel bir arama tekniğidir. Arama uzayında aynı anda bir çok nokta değerlendirildiği için, küresel çözüme ulaşma olasılığı fazladır. Genetik algoritmalar kod yapıları içinde, en iyi olanların yaşayabilme şansı ile yapılandırılmış olsa da, rastgele bilgi alışverişi olaylarını birleştirerek bir arama algoritması oluştururlar. Genetik algoritmalar Darwin’in evrim teorisini kullanırlar. Darwin’e göre, mevcut organizmalar arasında meydana gelen üreme, çaprazlama ve mutasyon işlemlerinin sonucunda yeni tür canlılar oluşmaktadır (Tan et al 1995).

Evrim teorisinin bu kavramları, problemlere daha doğal bir yoldan çözüm aramak amacıyla genetik algoritmalara uygulanmıştır.  Önce problem için olabilecek uygun farklı çözümler, yani kodlu diziler oluşturulur. Sonrada bu çözümlerin ne derece iyi sonuç verdiklerine bakılır.  Bütün olası çözümler arasından, iyi olanların bir kısmı seçilir, diğerleri ise elenerek “en iyinin yaşaması” kuralı uygulanır.  Seçilen çözümlere üreme, çaprazlama ve mutasyon işlemleri uygulanarak, bir önceki kuşağa göre daha iyi sonuç vermesi beklenen yeni bir olası çözümler kuşağı oluşturulur. Bu şekilde yeni kuşak üretimi ve değerlendirilmesi işlemleri, istenene çok yakın bir kuşak yakalanıncaya kadar devam eder.

Uyum kabiliyeti ve hayatta kalabilme özelliklerini öğrenmenin en iyi yolu, biyolojik örneklerin dikkatle incelenmesi olmuştur. Ancak, genetik algoritmalar yönteminin önemli üstünlüğü,  doğayı taklit eder şekilde çalışması değildir. Ulaşılması gereken birden fazla hedef var ve bunların bir başlık altında toplanması zor ise, ayrıca bulunan cevaba yakın diğer çözümlerle ilgili bilgi de gerekiyor ise, genetik algoritmalar hesaba ve sayıma dayalı yöntemlere göre daha üstün bir yöntemdir (Pearce and Cowley 1996).

Genetik algoritmalar yeterli ve etkili bir araştırma gerektiren problemlere uygun bir yaklaşım gerektirdiğinden işletme, fen ve mühendislik alanlarında gittikçe daha fazla uygulanan bir yöntemdir. Genetik algoritmalar; fonksiyon optimizasyonu,  görüntü işleme,  sistem tanılama,  kontrol, robot sistemleri, mühendislik tasarımları gibi birçok farklı alanlarda kullanılmıştır (Kristinsson and Dumont 1992).