mat c Algor )

Müslüm ÖZTÜRK Turan PAKSOY Melek ÖZTÜRKKilis 7 Selçuk Üniversitesi Kilis 7

mozturk@kilis.edu.tr tpaksoy@yahoo.com melekozturk@kilis.edu.tr

Öz

genetik algoritma yerine Gerçek Kodlu Genetik Algoritma; seçme yöntemi olarak da Turnuva Seçim Yöntemi

. Çünkü Genetik Algoritmalarda (GA) “1” ve “0”

hassa

tahmini o

Anahtar Kelimeler: Yapay Zeka, Genetik Algoritma, Gerçek Kodlu Genetik Algoritma, Nüfus

AbstractIn this study, it is aimed to predict population growth by using software with graphical user interface C # programming language which was developed in the .NET environment by making use of genetic algorithms which is a sub-discipline of artificial intelligence. In this context, based on the census conducted by Turkish Statistical Institute was taken as basis and the developed software was able to estimate the population growth for the following years. In the scope of the study, in terms of speed and performance Real Coded Genetic Algorithms was used instead of Binary Genetic Algorithms;Tournament Selection Method was used as the selection method. Because Genetic Algorithms (GA) is Binary Genetic Algorithms; the expression of the parameters with "1" and "0" increases size of the chromosomes considerably and that results limited sensitivity. However, it is more advantageous to use genuine coded GA, which can code with real numbers instead. The real code GA is both more accurate and takes up less space in the PC memory. In addition, in the developed software in order to avoid the complexity and difficulties of use of existing software, population growth forecast is being made initially after user enters the number of populations, the number of iterations, the crossover rate and the population counts of previous years information obtained from Turkish Statistical Institute. Within the context of this study, data collected from Turkish Statistical Institute for 2016 estimates of population growth were made for Turkey and Konya provinces and estimated increase rate was compared with the actual data. The estimated population increase rate for 2020 for Turkey and Konya province is given thereafter. In

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 40

Gönderme ve kabul tarihi: 10.02.2018-05.05.2018

addition to that, the developed software is designed for flexibility and structure that can predict population growth for continents, countries, cities, borders and even villages with available data.

Keywords: Artificial Intelligence, Genetic Algorithm, Binary Genetic Algorithms, Real Coded Genetic Algorithms, Population Growth Prediction, C #. NET, graphical user interface.

1.

[1]büyük ölçüde taklit eden genetik algoritmalar, optimizasyon süreçlerinde ve hesaplama yükünün

potansiyeline sahiptir [2].

emi içerir: seçim, çaprazlama ve mutasyon. Seçimde,

n yinelemelerine ise nesiller denir [3].

yla evrim

çözümleri ifade eden kromozomlar çözüm içerisinde yer alan onluk düzendeki

ifade edilir. Bu özellik

[4]. Birçok gerçek optimizasyon

problemlerin çözümünde daha

çözüm

ikili koderle

probleminin

layabilmektedir [5–6].

Temel olarak, GA, biyolojik dünyadaki en uygun

[7]. ] gibi birçok

kodlanm ], en sezgisel

ve kodlama ve kod çözme prosedürlerine gerek gerçek kodlu genetik

algoritmalar; özellikle yüksek boyutlu veya yüksek hassasiyetli problemler için GA’lar içerisinde önemli bir yere sahiptirler. Bu konuda gerçek kodlu genetik

,15,16]ek olarak [17], birçok

yüksek boyutlu veya yüksek hassasiyetli problemler için, birçok

(kromozomlardan) olpopülâsyonunun

isinde belirlenirler ve daha önceden belirlenen bir amaç fonksiyonundan

uk

Seçim operatörü ile belirlenen iki ebeveyne çaprazlamaebeveynin genetik bilgisinin

yeni bir çocuk birey elde edilir. Fakat GGA’da çaprazlama

Gerçek

çaprazlama

veolan mutasyon

uygun formda çözümlerin

ve yeni [4].

gerçek kodlu genetik algoritma ak Türkiye geneli ve Konya ili için 2020

i

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 41

iç bilinecektir.

p olmak üzere;

p = 100 1 (1)

Burada; Ny: (tyNy: te

p

1 p

p < 1 ise p=1

p > 3 ise p=3 a

Gelecekteki nüfus (tn tp tahminin Ny p

N = N 1 + (2)

p ty dir.

2.2.1. Genetik algoritmalar

gözlemlenen evrimsel sürece benzer bir

arar.

ilk kez Michigan Üniversitesi'nde John Holland

[19]. Daha sonra Holland, 1975

esinlenen bir metaheuristiktir (sezgi üst). Genetik algoritmalar özellikle, çok popülasyonlu bir

[20].

algoritmalar içinde eniyileme problemleri için

Genetik algoritmalar problemlere tek bir çözüm

kümesi üretir.birçok nokta endirilmekte ve sonuçta bütünsel

kümesindeki çözümler birbirinden tamamen

bir vektördür [18]. Genetik algoritmalar problemlerin çözümü için evrimsel süreci bilgis

temsil eden bu küme genetik algoritma terminovektör, kromozom

elemana gen

belirlenirler.

Bilgisa

ki tüm elemankapsayabilecek uzunluktaki bitler dizisi ile temsil

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 42

a)

[21].

zom,

b) Kodlama:

Bir problem çözümüne

c) Seçim:

Amaç; seçilen uygunluk fonksiyonuna ve seçim yöntemine göre elimizdeki popülasyondan yeni bir neslin bireylerini seçmektir. Ebeveynler uygunluk

ihtimali daha yüksektir.

2.2. Seçim YöntemleriGenetik

elitist

2.3. Çaprazlama

kromozomlar üretmek ve böylelikle zaten uygunluk

uygunluklu çocuk kromozomlar üretmektir.

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 43

yer alan Çizelge

Çizelge 1. Kromozom1 11011 00100110110Kromozom1 11011 11000011110Yavru1 11011 11000011110Yavru2 11011 00100110110

2.4. MutasyonYeniden ve sürekli yeni nesil üretimi sonucunda, belli bir süre sonra nesildeki kromozomlar

tutulur. Çizelge

Çizelge 2. 11011110000111101101100100110110

Mutasyonlu Yavru1 1100111000011110Mutasyonlu Yavru2 1101101100110100

2.7ir. Bu problemde

2.8. Uygunluk Fonksiyonu

3. Problemin Çözümlenmesi ve

Bu

parametrelerin “1” ve “0” larla ifade edilmesi,

rakamlarla kodlam

[17]’a göre

kodlu

Parametreli GA” olarak da bilinmektedir. Bu

parametrelerin “1” ve “0” lar yerine gerçek

e

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 44

eldeki v

girmektedir. Bundan sonra “veriyi çek” butonu ile

önce siste

ekil 4. Sisteme Verilen Yüklenmesi ve Sistemden Verilerin Çekilmesi

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 45

popülâsyonunu “

a

pdenklem (5

= Ü ü / Ü ü (3)

Ü = 1/( ü ü ) (4)

= 100 Ü 1 (5)

t olarak göre h p

g1, g2 ve g3 . Daha sonra tahmini nüf denklem (8)

= 1 + ( 100) (6)

Ü = 35 + ü (7)

ü = ü Ü (8)

Bilindi turulurken bir uygunluk fonksiyonuna göre seçilir ve yeni

uygunluk fonksiyonubozan bir unda, amaç fonksiyonu

Amaç (uygunluk) fonksiyonu 9) olarak

= 100 ( 1 + 2 + 3 ) (9)

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 46

rastgele Genetik butonuna basarak belirlenen

-7-8-9’da

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 47

i nüfus

Kr

ise

bilgileri baz

kromozom Konya iline ait 2016-

-

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 48

i

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 49

görü

5. Sonuç ve Öneriler

önüne geçmek için genetik algoritmalardan gerçek

güçlü dillerinden olan C# programlama dili

konya ili

Türkiye geneli için maksimum tahmini nüfus ise 111 milyon 171 bin olarak tahmini hesaplama

milyon 693 bin olarak tahmini hesaplama

etmenler [22

gerçek kodlusistem kimliklendirme

kodlu genetik algoritma, ikili kodlu genetik

-

entegre edilm

daha labilir. Gelecekte

algoritmalar ku

Kaynakça

[1] Bolat“Genetic Algorithms in Engineering Applications and the Function of Operators”. Journal of Engineering and Natural Sciences, ss 264-271.

[2] SatmanSerilerinde Uygun Arma Modelinin Genetik

Üzerine Bir Uygulama. 57(1).

[3] Akbari, M., Rashidi, H. And Alizadeh, S. H. (2017). “An Enhanced Genetic Algorithm With New Operators For Task Scheduling In Heterogeneous Computing Systems”. 61, pp 35–46.

[4] Kimliklendirme.

[5] Chang, W. D. (2007). Nonlinear system identification and control using a real-coded genetic algorithm. Applied Mathematical Modelling, 31(3), 541-550.

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 50

[6] Khalik, M. A., Sherif, M., Saraya, S., & Areed, F. (2007). Parameter identification problem: Real-coded GA approach. Applied mathematics and Computation, 187(2), 1495-1501.

[7] Chuang, Y. C., Chen, C. T., & Hwang, C. (2015). A real-coded genetic algorithm with a direction-based crossover operator. Information Sciences, 305, 320-348.

[8] Press, W. H. (2007). Numerical recipes 3rd edition: The art of scientific computing. Cambridge university press

[9] MacKay, D. J. (2003). Information theory, inference and learning algorithms. Cambridge university press.

[10] Goldberg, D. (1989). Genetic algorithms in optimization, search and machine learning. Reading: Addison-Wesley.

[11] Goldberg, D. E. (1991). Real-coded genetic algorithms, virtual alphabets, and blocking. Complexsystems, 5(2), 139-167.

[12] Kuo, H. C., & Lin, C. H. (2013). A directed genetic algorithm for global optimization. Applied Mathematics and Computation, 219(14), 7348-7364.

[13] Nakanishi, H., Kinjo, H., Oshiro, N., & Yamamoto, T. (2007). Searching performance of a real-coded genetic algorithm using biased probability distribution functions and mutation. Artificial Life and Robotics, 11(1), 37-41.

[14] Higuchi, T., Tsutsui, S., & Yamamura, M. (2000, September). Theoretical analysis of simplex crossover for real-coded genetic algorithms. In International Conference on Parallel Problem Solving from Nature (pp. 365-374). Springer, Berlin, Heidelberg.

[15] Kita, H., Ono, I., & Kobayashi, S. (1999). Theoretical analysis of the unimodal normal distribution crossover for real-coded genetic algorithms. Transactions of the Society of Instrument and Control Engineers, 35(11), 1333-1339

[16] Qi, X., & Palmieri, F. (1994). Theoretical analysis of evolutionary algorithms with an infinite population size in continuous space. Part I: Basic

properties of selection and mutation. IEEETransactions on Neural Networks, 5(1), 102-119.

[17]with Binary and Real Coded Genetic Algorithms. Selcuk University The Journal of Engineering, 7(2), 11-17.

[18] Eshelman, L. J., & Schaffer, J. D. (1993). Real-coded genetic algorithms and interval-schemata. In Foundations of genetic algorithms (Vol. 2, pp. 187-202). Elsevier.

[19] Holland, J. H. (1992). Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. MIT press.

[20] Zhang, K., Du, H. and Feldman, M. V. (2017). “Maximizing influence in a social network: Improved Results Using a Genetic Algorithm”, 478, ss 20–30.

[21] , M. (2006). Genetik Algoritmalar ve

Fakültesi, Konya, ss 1-78.

[22] Özçelik, Y. Gerçek Kodlu Genetik

TÜRK YE B L M VAKFI B LG SAYAR B L MLER ve MÜHEND SL DERG S (2018 Cilt:11 - Say :1) - 51