Genetik algoritmalarda doğal olmayan seçilimin etkileri

Abstract

Genetik algoritma, çözümünde optimizasyon tekniklerine gerek duyulan problemlerde uzun yıllardır kullanılmakta olan sezgisel algoritmalardan biridir. Evrimsel süreçlerin simüle edilmesine dayanan bu algoritma, birbirinden farklı ideal çözüme ulaşma problemlerinde kullanılmış ve ürettikleri çözümler ile literatüre katkı sağlamıştır. Doğadaki seçilim ve evrimsel süreci temel alan genetik algoritmalar, farklı popülasyon grupları üreterek ideal çözüm kümelerine ulaşmayı hedefler. Genetik biliminde gen transferi ve genom düzenleme konuları son yıllarda popülerliğini arttıran çalışma alanlarındandır. Canlılar arası gen transferi için yeni tekniklerin geliştirilmesi, klasik doğal seçilimden daha farklı seçeneklerin oluşmasının önünü açmıştır. Bu çalışmada canlıların genetik yapısına bir başka canlıdan aktarım gerçekleştirilmesinin genetik algoritmalara uyarlanması ve bu işlemin algoritmanın çalışmasında ne gibi değişikliklere yol açacağının görülmesi hedeflenmiştir. Genetik algoritma uygulamalarının çalışma prensibi, iki bireyden çaprazlama yöntemi ile elde edilen gen parçacıklarının birleştirilmesi sonucunda iki yeni birey üretmektir. Çalışmada çaprazlama sürecine üçüncü bir bireyin dahil olması sonucunda oluşturulacak iki yeni bireyin klasik genetik algoritma süreçlerine devam etmesi temel alınmıştır. Üretilen yeni çaprazlama yönteminin klasik yöntem ile kıyaslanabilmesi amacıyla literatürde yaygın olarak kullanılan Sırt Çantası Problemi tercih edilmiştir. Klasik yöntem ve yeni yöntem başarıya ulaşma oranları ve çözüm üretme hızları bakımından karşılaştırılmış olup, karşılaştırma sonuçları tablo halinde sunulmuştur. Çalışmada elde edilen sonuçlar incelendiğinde önerilen yeni çaprazlama yönteminin klasik yönteme kıyasla başarım oranının daha yüksek olduğu ve sonuca daha erken iterasyonlarda ulaştığı görülmüştür.

The genetic algorithm is one of the heuristic algorithms that have been used for many years in problems where optimization techniques are needed in the solution. This algorithm, which is based on simulating evolutionary processes, has been used in different ideal solution problems and has contributed to the literature with the solutions they have produced. Genetic algorithms based on the selection and evolutionary process in nature aim to reach ideal solution sets by producing different population groups. Gene transfer and genome editing in genetics are among the fields of study that have increased their popularity in recent years. The development of new techniques for gene transfer between living things has paved the way for alternatives other than classical natural selection. In this study, it is aimed to adapt the transfer of the genetic structure of living things from another living thing to genetic algorithms and to see what kind of changes this process will cause in the operation of the algorithm. The working principle of genetic algorithm applications is to produce two new individuals as a result of combining the gene fragments obtained by the crossover method from two individuals. The study is based on the continuation of the classical genetic algorithm processes of two new individuals, which will be created as a result of the inclusion of a third individual in the crossover process. In order to compare the new crossover method produced with the classical method, the Knapsack Problem, which is widely used in the literature, was preferred. The classical method and the new method have been compared in terms of success rates and solution generation rates, and the comparison results have been presented in tabular form. When the results obtained in the study were examined, it was seen that the proposed new crossover method had a higher success rate compared to the classical method and reached the result in earlier iterations.