META SEZGİSEL YÖNTEMLER

1. META SEZGİSEL YÖNTEMLER Endüstriyel Çizelgeme Dersi Projesi Doç. Dr. İnci SARIÇİÇEK Hazırlayanlar: 151320091007 Özdemir APAYDIN 151320091069 Ayla TÜRKKAN 2012-2013 Bahar Dönemi

2. SUNUŞ PLANI • Meta Sezgisellerin Çözüm Yöntemlerindeki Yeri • Meta Sezgisel Yöntemlerin Tanımı • Meta Sezgisel Yöntemlerin Özellikleri • Meta Sezgisel Yöntemlerin Sınıflandırılması • Meta Sezgisel Yöntemler • Tabu Arama Örneği

3. ÇİZELGELEME ÇÖZÜM YÖNTEMLERİ 1.Kesin Çözüm Veren Algoritmalar • Doğrusal Programlama • Dinamik Programlama • Dal-Sınır • vb.

4. ÇİZELGELEME ÇÖZÜM YÖNTEMLERİ (Devam) 2.Yaklaşık Çözüm Veren Algoritmalar (Sezgisel) 2.1.Çözüm Kurucu Algoritmalar 2.2.Yerel Arama Algoritmalar (LocalSearch) 2.3.Genel Amaçlı Algoritmalar ( Metasezgisel) -Genetik Algoritma -Tavlama -Karınca Kolonisi -Değişken Komşu Arama -Tabu Arama(Tabu Search) -vb.

5. METASEZGİSEL YÖNTEMLERİN TANIMI Çözüm uzayını etkin bir şekilde aramayı sağlayacak temel sezgisel yöntemleri birleştirmeye çabalayan yeni yaklaşık yöntemlerin geliştirilmesidir. • Osman ve Laporte,1996 Metasezgisel, arama uzayında araştırma ve işletme için farklı kavramları zeki bir şekilde birleştirerek alt seviye sezgisellere rehberlik eden iteratif üretim sürecidir.

6. METASEZGİSEL YÖNTEMLERİN TANIMI (Devam) • Voß et al. 1999 Metasezgisel, yüksek kaliteli çözümleri etkin bir şekilde üretmek için altseviye sezgisellere rehberlik eden bir iteratif üst seviye prosestir. Her iterasyonda, bir çözümü ya da çözümlerin bir topluluğunu kullanır. Alt seviye sezgiseller, basit yerel arama algoritması yada çözüm kurucu bir yöntem olabilir. • DorigoandStutzle, 2004 Metasezgisel,arama uzayının yüksek kaliteli çözümlerini kapsayan bölgelerinde aramayı gerçekleştirmek için probleme özgü sezgisellere rehberlik etmek amacıyla tasarlanan genel amaçlı sezgisel yöntemdir.

7. METASEZGİSEL YÖNTEMLERİN ÖZELLİKLERİ • Metasezgiseller, arama sürecine rehberlik eden stratejilerdir. • Amaç, en iyi yada en iyiye yakin çözümleri bulmak için arama uzayını hızlı bir şekilde araştırmaktır. • Metasezgiseller,basit yerel arama algoritmalarından karmaşık öğrenme proseslerine kadar geniş bir yelpazeyi içermektedir. • Metasezgiseller, yaklaşık algoritmalardır ve genellikle deterministik değildir.

8. METASEZGİSEL YÖNTEMLERİN ÖZELLİKLERİ (Devam) • Arama uzayındaki yerel en iyi tuzaklardan kurtulmak için çeşitli mekanizmaları kullanırlar. • Metasezgiseller , probleme özgü değildirler. • Metasezgiseller, üst seviye stratejiler tarafından kontrol edilen sezgisellerde probleme özgü bilgi kullanımına izin verirler. • İleri seviye metasezgiseller, aramaya rehberlik etmesi amacıyla arama sırasında elde edilen bilgiyi (hafızayı) kullanırlar. Kısacası, metasezgiseller, farklı metodlar ile arama uzayının araştırılması için yüksek seviye stratejilerdir.

9. METASEZGİSEL YÖNTEMLERİN ÖZELLİKLERİ (Devam) • Metasezgisellerin en önemli özelliği; çeşitlendirme (diversification) ve yoğunlaşma (intensification) arasındaki dinamik dengeyi oluşturmasıdır. Çeşitlendirme; arama uzayında araştırmayı Yoğunlaşma; arama sırasında elde edilen tecrübenin (bilginin)işletilmesi

10. META SEZGİSEL YÖNTEMLERİN SINIFLANDIRILMASI • Metasezgiseller; • Esinlendikleri kaynaklara • Aramada kullandıkları çözüm sayısına • Kullanılan amaç fonksiyonuna • Kullanılan komşuluk yapısına • Hafıza kullanımına göre sınıflandırılır.

11. META SEZGİSEL YÖNTEMLERİN SINIFLANDIRILMASI (Devam) • Esinlendikleri Kaynaklarına Göre; • Doğadan esinlenilen;genetik algoritmalar, karınca kolonisi • Doğadan esinlenilmeyen; tabu arama(tabu search) • Aramada Kullandıkları Çözüm Sayısına Göre; • Tek çözüme dayalı;tabu arama • Çözümlerin topluluğuna dayalı; genetik algoritma,karınca kolonisi

12. META SEZGİSEL YÖNTEMLERİN SINIFLANDIRILMASI (Devam) • Kullanılan Amaç Fonksiyonuna Göre; • Dinamik amaç fonksiyonu; yönlendirilmiş yerel arama • Statik amaç fonksiyonu; genetik algoritmalar, karınca kolonisi • Kullanılan Komşuluk Yapısına Göre; • Bir komşuluk yapısı; değişken komşu arama dışındaki tüm metasezgiseller • Çeşitli komşuluk yapısı; değişken komşu arama

13. META SEZGİSEL YÖNTEMLERİN SINIFLANDIRILMASI (Devam) • Hafıza Kullanımına Göre; • Hafıza kullanmayan; tavlama benzetimi • Hafıza kullanan; tabu arama, genetik algoritma, karınca kolonisi, kuş sürüsü Metasezgisellerin sınıflandırılmasında kullanılan en önemli özellik, arama sırasında aramadan elde edilen geçmiş bilgiyi kullanıp kullanmamasıdır.

14. META SEZGİSEL YÖNTEMLER 1.Genetik Algoritma (GA)(GeneticAlgorithm); • 1970’li yıllarda John Holland tarafından önerilmiştir. • GA, herhangi bir problemin çözümünde biyolojik sistemlerin gelişim sürecini taklit eden bir stokastik arama algoritmasıdır. • Doğada bireyler arasında; yiyecek,su ve barınak gibi kıt kaynaklar ve ya eşler için yapılan mücadeleler yüksek uyumlu ya da uygun bireylerin zayıf olanlara üstünlüğü ile sonuçlanır.

15. 1.Genetik Algoritma (GA) (Devam) • Uyumu yüksek bireyler çocuk sahibi olabilirken, uyumu düşük olan bireyler arası çocuk sahibi olma olasılığı daha zayıftır. Dolayısıyla uygun bireylerin genleri sonraki kuşaklara daha fazla bireye dağılacaktır. Bu durumda bulunduğu çevre için giderek daha uygun olan türler elde edilmektedir. • GA, sezgisel bir metot olduğundan dolayı en iyi çözümü vermeyebilir.

16. 1.Genetik Algoritma (GA) (Devam) • GA, • Parametrenin kendisi yerine parametreleri temsil eden dizileri kullanması, • Noktadan noktaya arama yerine noktaların bir yığını ile arama yapması ve • stokastik olması nedeniyle bilinen eniyileme metotlarından ayrılmaktadır.

17. 1.Genetik Algoritma (GA) (Devam) • GA, arama uzayının büyük ve doğrusal olmadığı (non-linear) ve matematiksel programlama, birerlememetodları gibi deterministik en iyileme metotlarının başarısız olduğu problemlerin çözümünde kullanılmaktadırlar. • GA, çözümlerin bir yığınını kullanarak aynı anda birçok bölgede aramayı gerçekleştirdiği için yerel en iyiye yakalanma olasılığı diğer metotlara göre daha azdır.

18. 1.Genetik Algoritma (GA) (Devam) Literatür incelendiğinde; • Gezgin satıcı • Karesel atama • Yerleşim • Ulaştırma • Atölye çizelgeleme gibi En iyileme problemlerinde GA’nın kullanıldığı görülmektedir.

19. 1.Genetik Algoritma (GA) (Devam) Genetik algoritmanın adımları; (Kurt, Semetay, 2001:2): • Adım 1: Başlangıç n adet kromozom içeren popülasyon oluşturulur. • Adım 2: Uyumluluk Her x kromozomu için uyumluluğun f(x) üzerinde değerlendirmesi yapılır.

20. 1.Genetik Algoritma (GA) (Devam) • Adım 3: Yeni popülâsyon • Adım 4: Değiştirme Oluşan yeni popülâsyon kullanılır. • Adım 5: Test Eğer sonuç tatminkâr ise algoritma durdurulur. Aksi takdirde adım 6’ya gidilir. • Adım 6: Döngü Adım 2’ye geri dönülür.

21. META SEZGİSEL YÖNTEMLER (Devam) 2.Tavlama Benzetimi(TB); Tavlama Benzetimi ismi, katıların fiziksel tavlanma süreci ile olan benzerlikten ileri gelmektedir. • TB, birbirinden bağımsız olarak; • Kirkpatrick, Gerlatt ve Vecchi (1983) • Cerny (1985) tarafından ortaya konmuştur.

22. 2.Tavlama Benzetimi(TB); TB, bir katının minimum enerji durumu elde edilene kadar yavaş yavaş soğutulduğu fiziksel tavlama sürecini taklit eden stokastik arama yöntemidir. Bu yöntem ile üretilen çözümler sırasının amaç fonksiyon değerleri genel bir azalma eğilimindedir. Ancak, bazı durumlarda amaç fonksiyonu değerleri yüksek olan çözümlerde kabul edilebilmektedir. Bu tür kötü çözümlerin kabul edilmesindeki amaç bir yerel en iyi etrafında yapılan aramadan çıkıp global en iyi için aramaya devam etmektir.

23. META SEZGİSEL YÖNTEMLER (Devam) 3.Karınca Kolonisi Algoritması(KKA)(Ant ColonyAlgorithms); karıncaların yiyecek toplama mantığından yola çıkılarak geliştirilmiştir. • MarcoDorigo(1992) tarafından ortaya konmuştur. • Karıncalar, yiyecek kaynaklarından yuvalarına en kısa yolu görme duyularını kullanmadan bulma yeteneğine sahiptirler. Aynı zamanda çevredeki değişime adapte olma yetenekleri vardır.

24. 3.Karınca Kolonisi Algoritması(KKA) • Aşağıdaki şekilde karıncalar A dan E ye gitmektedir. Bu iki nokta arasına bir engel koyulduğu zaman, karıncalar ilk önce hem C hem de H tarafını kullansa da, uzun vadede sadece C noktasını kullanmıştır. Karıncaların her zaman kısa yolu seçmelerinin sebebi salgıladıkları feromenlerdir.

25. 3.Karınca Kolonisi Algoritması(KKA) (Devam) KKA Algoritma Adımları; • 1.Başlangıç feromon değerleri belirlenir. • 2.Karıncalar her düğüme rastsal olarak yerleştirilir. • 3.Her karınca, sonraki şehri denklemde verilen lokal arama olasılığına bağlı olarak seçmek suretiyle turunu tamamlar. • 4.Her karınca tarafından kat edilen yolların uzunluğu hesaplanır ve lokal feromon güncellemesi yapılır. • 5.En iyi çözüm hesaplanır ve global feromon yenilemesinde kullanılır. • 6.Maksimum iterasyon sayısı yada yeterlilik kriteri sağlanana kadar adım 2 ye gidilir.

26. META SEZGİSEL YÖNTEMLER (Devam) 4. Değişken komşu arama; Mladenovi´c ve Hansen tarafından 1997‟de ortaya konmuştur. • Bu meta-sezgiselin ana fikri, arama içerisinde kullanılan komşuluğun sistematik olarak değiştirilmesidir.

27. 4. Değişken Komşu Arama • Bir komşuluk yapısında yerel en iyi bir diğeri için en iyi olmak zorunda değildir. • Bir genel minimum bütün komşuluk yapıları için bir minimum noktasıdır. • Birçok problem için, yerel en iyi bir veya birden fazla komşuluk için birbirine nispeten yakındır.

28. META SEZGİSEL YÖNTEMLER (Devam) 5. Tabu Arama Algoritması (TA) (Tabu Search); Tabu Arama, Tavlama benzetiminin bir benzeri tekniğidir. Lokal aramaya dayanan bu teknik, ardışık çözümleri hafızada saklama ve çözüm eğilimini zamanla değiştirme özelliği ile bilinmektedir • 1989 yılında Glover tarafından ortaya konmuştur.

29. 5. Tabu Arama Algoritması (TA) • TA metodunun temelini, komşuluk yapısı, hareketler, tabu listesi ve arzu edilme kriteri oluşturmaktadır. Hareket, mevcut bir çözümden komşu bir çözümün üretilmesi işlemidir. • Tabu listesi ise, yasaklanan hareketlerin oluşturduğu bir listedir ve bu listedeki bir harekete izin verilmez. • TA işlemi, bir başlangıç çözümle başlar ve komşu çözümler arasında, amaç fonksiyon değerinde en fazla iyileşme sağlayan, diğer bir çözüme yasak olmayan bir hareketle devam eder.

30. 5. Tabu Arama Algoritması (TA) (Devamı) TA Algoritma Adımları; k: İki iş arasındaki sıralama farkı olmak üzere; • Adım 1: Bir başlangıç çözümü (S) al. Başlangıçta değer atanması gereken parametreler için (tabu listesi uzunluğu, durdurma kriteri, vs) değerlerini ata. • Adım2: Belirlenen komşuluk yapısı ile S’ye ait komşu çözümler üret ve bu çözümler arasından tabu listesinde olmayan tüm en iyi kabul edilebilir olan en iyiyi seç.

31. 5. Tabu Arama Algoritması (TA) (Devamı) • Adım 3: Mevcut çözümü (S), S en iyi ile yer değiştir ve tabu listesini yenile. • Adım 4. Durdurma kriteri sağlanıncaya kadar adım 2 ve adım 3’ü tekrar et.

32. 5. Tabu Arama Algoritması (TA) (Devamı) ÖRNEK(Pinedopg:350, exp:14.4.4) Tabu Arama Uygulaması • Tek makinada toplam ağırlıklı gecikmeyi en küçükleme problemi (1/dj/ wjTj)

33. 5. Tabu Arama Algoritması (TA) (Devamı) Stratejiler; • Yasaklama stratejisi • Tabu listesinden neyin ne zaman çıkacağını kontrol eden serbest bırakma stratejisi • Statik kural : • Dinamik kural: rastgele seçim • Durdurma Kriteri

34. Dinlediğiniz İçin Teşekkürler..