Klonal Seçim Algoritması ile test fonksiyonlarının optimizasyonunun gerçekleştirilmesi.

1. KLONAL SEÇİM ALGORİTMASI İLE
TEST FONKSİYONLARININ
OPTİMİZASYONU
PROJE ÇALIŞMASI

2. 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.

3. 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

4. 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.

5. 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

6. 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..)

7. 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.

8. 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.

9. PROJEMİZDE KULLANILAN ARAYÜZÜMÜ:

10. 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.

11. UML(BİRLEŞTİRİLMİŞ MODEL DİLİ) DİAGRAMI

12. 3.DENEYSEL SONUÇLAR
Önceki slaytlarda Matyas Fonksiyonunu tanıttık. Bu bölümde ise Matyas
Fonksiyonunun deneysel sonuçlarından bahsedeceğiz. Aşağıda Matyas
fonksiyonumuz yazılım ortamında deneyinin örneği gösterilmektedir.

13. 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.

14. 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.

15. 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.

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
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.