ºÝºÝߣ

ºÝºÝߣShare a Scribd company logo

Clonal Selection Algorithm

•Download as PPTX, PDF•
•
AliMETN
AliMETN

Klonal Seçim Algoritması ile test fonksiyonlarının optimizasyonunun gerçekleştirilmesi.

1 of 16
Downloaded 19 times
KLONAL SEÇİM ALGORİTMASI İLE TEST FONKSİYONLARININ OPTİMİZASYONU PROJE ÇALIŞMASI
PROJENİN AMACI: Klonal Seçim Algoritmasını kullanarak test fonksiyonlarının belirtilen aralıklarda optimize edilmesi sonucunda fonksiyonun tanımlı giriş ve çıkış değerlerine en yakın değerleri bulmak ve optimizasyon da kullandığımız parametreler ile hatayı en aza indirgemektir.
1-GİRİŞ KLONAL SEÇiM ALGORiTMASI : Optimizasyon ve örüntü tanıma problemlerinde genel olarak kullanılan yöntem klonal seçim algoritmasıdır. Bu algoritmada her iterasyon sonucunda istenilen duruma yaklaşılması hedeflenmektedir. CSA Akış Şeması
1.Adım: Vücut antikor repertuarını oluşturan antikorlar, başlangıç çözüm kümesini oluştururlar. 2. Adım: Antikorların benzerlik dereceleri hesaplanır. 3. Adım: n adet en yüksek benzerlikli antikor seçilir. 4. Adım: Seçilen n adet antikorun benzerlik dereceleri ile doğru orantılı olarak, yüksek benzerlik dereceli antikorun daha fazla olacak şekilde klonlanması gerçekleşir. 5. Adım: Antikorların benzerlik derecesi yüksek olan, daha az olacak şekilde mutasyona uğratılır. 6. Adım: Mutasyona uğramış klonların benzerlik dereceleri belirlenir. 7. Adım: n yüksek benzerlik dereceli antikorların yeniden seçilmesi . 8. Adım: d adet en düşük benzerlik derecesindeki antikorların yeni üretilen antikorlarla değiştirilmesi.
Klonal Seçim Algoritmasında Kullanılan Değişkenlerimiz: 1- Antikor Sayısı 2- Klon Sayısı 3- İterasyon Sayısı 4- Mutasyon Faktörü 5- Eşik Değeri 6- Çeşitlilik 7- Klonal Seçim Aralığı 8- Alt Sınır 9- Üst Sınır
2-MATERYAL ve METOT OPTiMiZASYON PROBLEMLERi:  Kısaca maksimum verim alabilmek için yapılan optimize islemlerine OPTİMİZASYON denir.  Maksimum verimi, yararı ya da faydayı almak için kullanılan denklemlere ise OPTİMİZASYON PROBLEMLERİ denir.  Optimizasyonda kullanılan fonksiyonlara ise OPTİMİZASYON TEST FONKSİYONLARI denir.(Ancley, Matyas vb..)
MATYAS FONKSİYONU: Projemizde kullandığımız ve projemizi tasarlarken bizim asıl referans aldığımız test fonksiyonlarından olan Matyas Fonksiyonu ile projemizi tanıtacağız. Şekilde görüldüğü gibi yerel minimum noktaları referans alınarak optimizasyonda kullanılan bir test fonksiyonudur.
FORMÜLÜ: f(x; y) = 0.26(x2 + y2) – 0.48xy ARALIKLARI: f(0, 0) = 0 ARANAN ETKİ ALANI: -10 ≤ x, y ≤ +10 Aralıklarında tanımlı fonksiyonumuzu algoritmamızda tanımlı değişkenlerimiz ile optimize ederek aralık değerlerine en yakın değerlere ulaşmaya çalışılacaktır. Bulunan değerlerimiz değişkenlerimizi değiştirerek programa değişkenlerin etkisi araştırılıp değişkenin algoritmamız üzerindeki işleyişi incelenecektir.
PROJEMİZDE KULLANILAN ARAYÜZÜMÜ:
PROGRAMIMIZIN ÇALIŞMA ŞEKLİ: Arayüzümüzde değişkenlerimiz kullanıcı tarafından girilerek fitness(fonksiyon) değerimiz üzerinde işlemler görmektedir. Görülen işlemler sonucundaki çıktı değerlerimiz listBox’lara yazılarak listBox’lar üzerinden minimum olanı seçilmektedir . Seçilen minimum değerler beklenen aralıklardan çıkarılarak hatamız bulumaktadır. Bulunan sonuçlar kayıt edildikten sonra yeni iterasyon butonu ile textBox’larımız temizlenmekte ve değişkenlerin değiştirilmesi ile değişen sonuçlar gözlenmektedir.
UML(BÄ°RLEÅžTÄ°RÄ°LMÄ°Åž MODEL DÄ°LÄ°) ¶ÙÄ°´¡³Ò¸é´¡²Ñ±õ
3.DENEYSEL SONUÇLAR Önceki slaytlarda Matyas Fonksiyonunu tanıttık. Bu bölümde ise Matyas Fonksiyonunun deneysel sonuçlarından bahsedeceğiz. Aşağıda Matyas fonksiyonumuz yazılım ortamında deneyinin örneği gösterilmektedir.
Değişkenlerimizi değiştirerek yaptığımız farklı deneylerden aldığımız sonuçlar yukarıdaki tablomuzda gösterilmektedir. Farklı değerlerle farklı sonuçlar almak olası olarak çalışmaktadır. Programımız her seferinde giriş değerlerinin rastgele(random) aldığından aynı değişken değerleri ile de farklı sonuçlar almak olasıdır.
4.TARTIŞMA ve SONUÇLAR: Projemizde şuana kadar alınan sonuçlar optimizasyon problemleri fonksiyonlarından en çok kullanılanlarından olan Matyas Fonksiyonu üzerinde çalışmalar yapılmıştır ve istenilen aralıklara ulaşılmaya çalışılmış istenilen aralıklara yakın değerler şuanda alınmaya başlanmıştır. Bu aşamadan sonraki amacımız diğer fonksiyonlarda da istenilen sonuçlara ulaşmaya çalışmaktır. Bunlar üzerindeki çalışmalarımız devam etmektedir ve farklı fonksiyonda da sonuçlara ulaşılmaktadır. Devam eden proje sürecinde fonksiyonlar araştırılmakta ve editör üzerindeki uygulamada denemeler yapılmaktadır.
Proje aşamasında gelinen son nokta optimizasyon gerçekleştirimi yapılmıştır. Çalışmalarda çoğunlukla kullanılan Matyas Fonksiyonunun dışına çıkılarak diğer optimizasyon fonksiyonları üzerinde denemelerle sınanmıştır. Beklenen sonuca göre hatalar hesaplanmıştır. Proje ilerleyen dönemlerde grafiksel yaklaşım üzerinde ve optimizasyonda daha iyi sonuçlar alına bilmesi için dereken çalışmalarla devam edebilir.
5.KAYNAKLAR • O. Engin, A. Döyen, "Artificial Immune Systems and Applications in Industrial Problems",G.U. Journal of Sciences:71-84, 2004. • I. Aydın, M. Karaköse, E. Akin, "Negatif Seçim Tabanlı Bulanık Arıza Teşhis Modeli", Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt:24, No:4, s:745-753, 2009. • A. M. Sakiroglu, "Web Siteleri İçin Yapay Bağışıklık Tabanlı Bir Öneri Sistemi", Selçuk Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 2005.

More Related Content

Clonal Selection Algorithm

  • 1. KLONAL SEÇİM ALGORÄ°TMASI Ä°LE TEST FONKSÄ°YONLARININ OPTÄ°MÄ°ZASYONU PROJE ÇALIÅžMASI
  • 2. PROJENÄ°N AMACI: Klonal Seçim Algoritmasını kullanarak test fonksiyonlarının belirtilen aralıklarda optimize edilmesi sonucunda fonksiyonun tanımlı giriÅŸ ve çıkış deÄŸerlerine en yakın deÄŸerleri bulmak ve optimizasyon da kullandığımız parametreler ile hatayı en aza indirgemektir.
  • 3. 1-GÄ°RÄ°Åž KLONAL SEÇiM ALGORiTMASI : Optimizasyon ve örüntü tanıma problemlerinde genel olarak kullanılan yöntem klonal seçim algoritmasıdır. Bu algoritmada her iterasyon sonucunda istenilen duruma yaklaşılması hedeflenmektedir. CSA Akış Åžeması
  • 4. 1.Adım: Vücut antikor repertuarını oluÅŸturan antikorlar, baÅŸlangıç çözüm kümesini oluÅŸtururlar. 2. Adım: Antikorların benzerlik dereceleri hesaplanır. 3. Adım: n adet en yüksek benzerlikli antikor seçilir. 4. Adım: Seçilen n adet antikorun benzerlik dereceleri ile doÄŸru orantılı olarak, yüksek benzerlik dereceli antikorun daha fazla olacak ÅŸekilde klonlanması gerçekleÅŸir. 5. Adım: Antikorların benzerlik derecesi yüksek olan, daha az olacak ÅŸekilde mutasyona uÄŸratılır. 6. Adım: Mutasyona uÄŸramış klonların benzerlik dereceleri belirlenir. 7. Adım: n yüksek benzerlik dereceli antikorların yeniden seçilmesi . 8. Adım: d adet en düşük benzerlik derecesindeki antikorların yeni üretilen antikorlarla deÄŸiÅŸtirilmesi.
  • 5. Klonal Seçim Algoritmasında Kullanılan DeÄŸiÅŸkenlerimiz: 1- Antikor Sayısı 2- Klon Sayısı 3- Ä°terasyon Sayısı 4- Mutasyon Faktörü 5- EÅŸik DeÄŸeri 6- ÇeÅŸitlilik 7- Klonal Seçim Aralığı 8- Alt Sınır 9- Ãœst Sınır
  • 6. 2-MATERYAL ve METOT OPTiMiZASYON PROBLEMLERi:  Kısaca maksimum verim alabilmek için yapılan optimize islemlerine OPTÄ°MÄ°ZASYON denir.  Maksimum verimi, yararı ya da faydayı almak için kullanılan denklemlere ise OPTÄ°MÄ°ZASYON PROBLEMLERÄ° denir.  Optimizasyonda kullanılan fonksiyonlara ise OPTÄ°MÄ°ZASYON TEST FONKSÄ°YONLARI denir.(Ancley, Matyas vb..)
  • 7. MATYAS FONKSÄ°YONU: Projemizde kullandığımız ve projemizi tasarlarken bizim asıl referans aldığımız test fonksiyonlarından olan Matyas Fonksiyonu ile projemizi tanıtacağız. Åžekilde görüldüğü gibi yerel minimum noktaları referans alınarak optimizasyonda kullanılan bir test fonksiyonudur.
  • 8. FORMÃœLÃœ: f(x; y) = 0.26(x2 + y2) – 0.48xy ARALIKLARI: f(0, 0) = 0 ARANAN ETKÄ° ALANI: -10 ≤ x, y ≤ +10 Aralıklarında tanımlı fonksiyonumuzu algoritmamızda tanımlı deÄŸiÅŸkenlerimiz ile optimize ederek aralık deÄŸerlerine en yakın deÄŸerlere ulaÅŸmaya çalışılacaktır. Bulunan deÄŸerlerimiz deÄŸiÅŸkenlerimizi deÄŸiÅŸtirerek programa deÄŸiÅŸkenlerin etkisi araÅŸtırılıp deÄŸiÅŸkenin algoritmamız üzerindeki iÅŸleyiÅŸi incelenecektir.
  • 10. PROGRAMIMIZIN ÇALIÅžMA ÅžEKLÄ°: Arayüzümüzde deÄŸiÅŸkenlerimiz kullanıcı tarafından girilerek fitness(fonksiyon) deÄŸerimiz üzerinde iÅŸlemler görmektedir. Görülen iÅŸlemler sonucundaki çıktı deÄŸerlerimiz listBox’lara yazılarak listBox’lar üzerinden minimum olanı seçilmektedir . Seçilen minimum deÄŸerler beklenen aralıklardan çıkarılarak hatamız bulumaktadır. Bulunan sonuçlar kayıt edildikten sonra yeni iterasyon butonu ile textBox’larımız temizlenmekte ve deÄŸiÅŸkenlerin deÄŸiÅŸtirilmesi ile deÄŸiÅŸen sonuçlar gözlenmektedir.
  • 11. UML(BÄ°RLEÅžTÄ°RÄ°LMÄ°Åž MODEL DÄ°LÄ°) ¶ÙÄ°´¡³Ò¸é´¡²Ñ±õ
  • 12. 3.DENEYSEL SONUÇLAR Önceki slaytlarda Matyas Fonksiyonunu tanıttık. Bu bölümde ise Matyas Fonksiyonunun deneysel sonuçlarından bahsedeceÄŸiz. AÅŸağıda Matyas fonksiyonumuz yazılım ortamında deneyinin örneÄŸi gösterilmektedir.
  • 13. DeÄŸiÅŸkenlerimizi deÄŸiÅŸtirerek yaptığımız farklı deneylerden aldığımız sonuçlar yukarıdaki tablomuzda gösterilmektedir. Farklı deÄŸerlerle farklı sonuçlar almak olası olarak çalışmaktadır. Programımız her seferinde giriÅŸ deÄŸerlerinin rastgele(random) aldığından aynı deÄŸiÅŸken deÄŸerleri ile de farklı sonuçlar almak olasıdır.
  • 14. 4.TARTIÅžMA ve SONUÇLAR: Projemizde ÅŸuana kadar alınan sonuçlar optimizasyon problemleri fonksiyonlarından en çok kullanılanlarından olan Matyas Fonksiyonu üzerinde çalışmalar yapılmıştır ve istenilen aralıklara ulaşılmaya çalışılmış istenilen aralıklara yakın deÄŸerler ÅŸuanda alınmaya baÅŸlanmıştır. Bu aÅŸamadan sonraki amacımız diÄŸer fonksiyonlarda da istenilen sonuçlara ulaÅŸmaya çalışmaktır. Bunlar üzerindeki çalışmalarımız devam etmektedir ve farklı fonksiyonda da sonuçlara ulaşılmaktadır. Devam eden proje sürecinde fonksiyonlar araÅŸtırılmakta ve editör üzerindeki uygulamada denemeler yapılmaktadır.
  • 15. Proje aÅŸamasında gelinen son nokta optimizasyon gerçekleÅŸtirimi yapılmıştır. Çalışmalarda çoÄŸunlukla kullanılan Matyas Fonksiyonunun dışına çıkılarak diÄŸer optimizasyon fonksiyonları üzerinde denemelerle sınanmıştır. Beklenen sonuca göre hatalar hesaplanmıştır. Proje ilerleyen dönemlerde grafiksel yaklaşım üzerinde ve optimizasyonda daha iyi sonuçlar alına bilmesi için dereken çalışmalarla devam edebilir.
  • 16. 5.KAYNAKLAR • O. Engin, A. Döyen, "Artificial Immune Systems and Applications in Industrial Problems",G.U. Journal of Sciences:71-84, 2004. • I. Aydın, M. Karaköse, E. Akin, "Negatif Seçim Tabanlı Bulanık Arıza TeÅŸhis Modeli", Gazi Ãœniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt:24, No:4, s:745-753, 2009. • A. M. Sakiroglu, "Web Siteleri İçin Yapay Bağışıklık Tabanlı Bir Öneri Sistemi", Selçuk Ãœniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 2005.