Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: İnönü Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: EBUBEKİR SEYYARER
Asıl Danışman (Eş Danışmanlı Tezler İçin): Ali Karcı
Eş Danışman: Abdullah Ateş
Özet:
Bir problemin en iyi sonucunu aramak ve bulmak için optimizasyon algoritmaları kullanılmaktadır. Kesin ve yaklaşık yöntemler (sezgisel ve meta-sezgisel) olarak ikiye ayrılan optimizasyon algoritmaları, tüm alanlarda kullanıldığı gözlemlenmektedir. Optimizasyon algoritmaları temelde beş bölümden (başlangıç popülasyonu oluşturma, uygunluk hesaplama, seçim, yeni nesil oluşturma ve karar verme) oluşmaktadır. Araştırmacılar ilerleyen teknolojilerle bu beş bölümde değişiklikler ve geliştirmeler yapmışlardır. En az çalışma başlangıç popülasyonu oluşturma bölümünde yapılmıştır. Günümüzde halen en çok rasgele başlatma yöntemi kullanılmaktadır. Bir standart başlatma yöntemi olarak kabul edildiği için araştırmacılar bu konu üzerinde çok araştırma yapmamışlardır. Son yıllarda popülasyon çeşitliliğini ve düzgün dağılımı arttırmak için bir çok yeni popülasyon başlatma yöntemi önerilmektedir. Bu tez kapsamında, başlangıç popülasyonu oluşturma yöntemleri detaylı olarak incelenmektedir ve bu incelemenin sonucunda yeni bir kategorizasyon önerilmektedir. Ayrıca literatüre deterministik yeni bir başlangıç popülasyonu oluşturma yöntemi önerilmektedir. Bu yeni başlatma yöntemi ile başlatılan çok değişkenli bir lineer regresyon (MLR) modeli kullanarak iris veri setini temsil edecek lineer bir fonksiyon elde edilmektedir. Bu fonksiyondaki katsayıların optimum değerlerini bulmak için SGD, Momentum, Adagrad, RMSProp, Adadelta ve Adam optimizasyon algoritmaları kullanılmaktadır. Ayrıca amaç fonksiyonu olarak IAE, ITAE, MSE ve ISE hata fonksiyonlarından yararlanılmaktadır. Öncelikle alt ve üst sınırlar arasında deterministik ve stokastik başlatma yöntemleri ile uygulamaların başlangıç popülasyonları oluşturulmaktadır. Stokastik olarak başlatılan uygulama literatürdeki gibi birçok defa çalıştırılıp ortalama değerleri alınmaktadır. Buna karşılık deterministik olarak başlatılan uygulama ise bir kez çalıştırılmaktadır. Deterministik ve stokastik başlatılan uygulamalarda katsayılar ve adım sayıları birbirine yakın olduğu gözlemlenmektedir. Fakat deterministik olarak başlatılan uygulama ile zamansal kazanım elde edilmektedir. Elde edilen sonuçlar karşılaştırılarak analiz edilmektedir. Karşılaştırmalar sonucunda Adadelta optimizasyon algoritması ve MSE amaç fonksiyonuyla elde edilen lineer model en iyi performansı göstermektedir. Anahtar Kelimeler: Deterministik Başlangıç Popülasyonları, Stokastik Başlangıç Popülasyonları, Çok Değişkenli Lineer Regresyon, Optimizasyon Algoritmaları