Ankar Yıldırım Beyazıt University | CENG512 Optimization Algorithm in Artificial Intelligence Course

1. A.Bilal Özcan
175103110
Machanical
Engineering
Differential Evolution Algorithm &
Short Introduction to Simplex

2. 1.İçindekiler
• Tanım
• Temel algoritma ve Diferansiyelgelişim
algoritması
• MATLAB da uygulama
Simplex algoritmasına giriş

3. 2.Tanım
Diferensiyel Gelişim Algoritması basit ama
güçlü popülasyon tabanlı bir algoritmadır.
Özellikle tamamen düzenlenmiş uzayda
tanımlı ve gerçek değerli tasarım
parametrelerini içeren fonksiyonları küresel
olarak optimize etmek amacıyla kullanılan bir
direkt araştırma algoritmasıdır.

4. Gelişime dayalı algoritmanın temel
basamakları şu şekildedir:
1.Başlangıç popülasyonunun oluşturulması
2.Değerlendirme
REPEAT
3.Mutasyon
4.Rekombinasyon
5.Seleksiyon
UNTIL (Durum kriteri sağlanıncaya kadar)

5. 3.Basic Algorithm Of Differential Evolution Algorithm

6. Diferensiyel gelişim algoritması özellikle
numerik optimizasyon için geliştirilmiş bir
gelişim algoritmasıdır. Bu algoritma yeni, ama
sadece basit olmayan aynı zamanda oldukça
da etkili olan bir mutasyon işlemi
uygulamaktadır. Daha önce tanımlanmış,
olasılık dağılım fonksiyonuna dayalı olarak
çalışan genetik algoritma gibi gelişim tabanlı
algoritmaların tersine DGA rastgele olarak
seçilmiş amaç vektör çiftlerinin farkına dayalı
bir mutasyon işlemi kullanır.

7. DGA’da kullanılan basit mutasyon işlemi, algoritmanın
performansını geliştirmekte ve onu daha robust
yapmaktadır. Bu özelliğinin yanısıra
• DGA’nın avantajları;
• Basit yapısı
• Kolay kullanımı
• Hızı ve gürbüzlüğü
• DGA, gerçek değerli değişkenlerle problem çözmek için
en iyi genetik tip algoritmalardan biridir.
• Diferansiyel Evrim Algoritması, pratik uygulamalar için
hemen erişilebilen mükemmel bir yardımcı program
tasarım aracıdır.
• DEA, uzmanlık bilgisine veya karmaşık tasarım
algoritmalarına başvurmadan, neredeyse tartışılmaz
sorunlara etkili çözümler bulmak için çeşitli bilim ve
mühendislik uygulamalarında kullanılmıştır.
Ve daha birçok şey sayılabilir. Başarılı çok proje
gerçekleştirilmiş.

8. 1.Popülasyon Yapısı ve Parametre Sınırları
DGA sabit büyüklükte popülasyon kullanmaktadır. Popülasyon NPxD kayan noktalı dizi formunda tanımlanır.
Amaç vektörlerinin iki dizisi hafızada tutulur. Birinci dizi mevcut ebeveyn popülasyonu için diğeri ise yeni vektörleri
ihtiva eden gelecek jenerasyonu oluşturmak amacıyla kullanılmaktadır. Başlangıç amaç vektörleri iyi tanımlanmış
sınırlamalara sahip bir araştırma uzayından rastgele eleman seçilerek oluşturulur. Pratikte, başlangıç parametre sınırları
genellikle fiziksel şartlara belirlenir. Fiziksel şartlar belirleyici değilse o zaman başlangıç alt ve üst parametre sınırları
küresel optimayı ihtiva eden bölgeleri kapsayacak kadar büyük seçilmelidir. Alt ve üst parametre sınırları başlangıç
parametreleri için kullanıldıktan sonra algoritmanın başlangıçta verilen sınırlar ötesinde araştırma yapmasına imkan
vermek amacıyla ihmal edilebilir. Bununla birlikte sınırlamalar, özellikle düzgün yada düzgüne yakın yani değişim
göstermeyen yüzeyler ile çalışıldığında sonsuza gidişin engellenmesi için gereklidir. Başlangıçta eğer iyi bir çözüm tespit
edilebilmişse veya zaten mevcutsa, algoritma bu nominal çözüm etrafında dağılmış amaç vektörlerinden oluşan
popülasyonla araştırmaya başlayabilir.

9. 2.Mutasyon
Parametre optimizasyonu açısından mutasyon işlemi, var olan bir amaç vektörünün bir veya daha fazla parametreleri
üzerine, rastgele üretilmiş bir artışın ilave edilme işlemine karşılık gelir. İyi bir mutasyon işleminin amacı var olan amaç
vektörlerini doğru zamanda doğru miktar ile doğru yönde hareket ettirecek artışları başka bir ifadeyle adımları
üretmektir. Bu hedefi başarmak esas olarak adımları üretecek dağılımın karakteristiklerine bağlıdır.
DGA , bir amaç vektörüne mutasyon işlemini rastgele seçilmiş amaç vektörler çiftinin ağırlıklaştırılmış farkının bu amaç
vektörüne ilave edilmesiyle gerçekleşir.
Kısaca DGA, gerçek parametre optimizasyonuna rastgele amaç vektörlerinin doğrusal kombinasyonlarını örnekleyen,
mutasyon ve rekombinasyon gibi iki basit operasyon kullanan normal gelişime dayalı bir yaklaşımdır.

10. 3.Seleksiyon
Seleksiyon işlemi, yeni üretilen vektörlerin hangi şartlar altında popülasyona girebileceğini tanımlayan kriterlerdir.
Gelişim stratejisi alternatif olarak birleştirilmiş ebeveyn-çocuk popülasyonunun en iyi performans gösteren üyelerinin
gelişimine müsaade edildiği deterministik bir seleksiyon işlemi kullanmaktadır. Dezavantajı, her jenerasyon sonunda
popülasyonun kalite değerine göre sıraya dizilme maliyetidir.

11. 4.Rekombinasyon (Çaprazlama)
Mutasyon işlemi temel olarak bir popülasyonu robust yapmaktan ve yeni araştırma bölgelerinin araştırılmasından
sorumludur. Rekombinasyon işlemi ise tamamlayıcı bir işlemdir ve amacı var olan amaç vektör parametrelerinden
faydalanarak yeni vektör oluşturmak suretiyle araştırmanın başarılı olması için yardımcı olmaktır. Araştırmanın
maliyetini arttırır lakin araştırmaya önemli ölçüde hızlılık kazandırır.

12. Kavramlar ve
formülizasyonlar

21. How to implement
this algorithm into MATLAB