1. HABERLER

  2. ARŞİV

  3. DEĞERİMİZ ARADIĞIMIZ ŞEYDE GİZLİDİR...
DEĞERİMİZ ARADIĞIMIZ ŞEYDE GİZLİDİR...

DEĞERİMİZ ARADIĞIMIZ ŞEYDE GİZLİDİR...

ÜTOPYAMIZ İnsan, kendi mizacına göre yaşayabildiği ölçüde bağımsızdır. Bu bağlamda, ancak beyinsel faâliyetleriyle yenilik yaratabilen insan, sosyal yapıyı yeniden kurabilir. İnsanî

A+A-

 

 

 

ÜTOPYAMIZ

İnsan, kendi mizacına göre yaşayabildiği ölçüde bağımsızdır.

 

Bu bağlamda, ancak beyinsel faâliyetleriyle yenilik yaratabilen insan, sosyal yapıyı yeniden kurabilir.

 

İnsanî ortak değerleri, temel hak ve özgürlükleri öne çıkaran, insan odaklı yeni bir oluşum; yeni bir ütopya tanımlayabilir.

 

Kendi ütopyamız için, “Halk Sektörü”nü misallerle anlaşılır hale sokmak; Halk Sektörü'nün hakikî, sahih (doğru, gerçek, tam) ve sağlam temelini gözler önüne sermekten, topluma göstermekten, anlaşılır ve inanarak desteklenir hale getirmekten başka bir yol yoktur.

 

Bu yol ise, Darwin’ in evrim teorisi gibi bir evrimsel süreç kullanarak, bu süreç sonunda en iyi sonucu veren çözüme erişmeye çalışmaktır;

 

 

GENETİK ALGORİTMA

Evrimsel süreç yoluyla sorunlara çözümler üretmeyi, günümüz koşullarında aklın ve bilimin ulaştığı en ileri teknoloji olarak gösterilen, Yapay Zekâ’nın hızla gelişen bir dalı ile yapabiliriz:

 

Yani, "Genetik Algoritma (Genetic Algorithm)" kullanarak; başka bir anlatımla evrimsel hesaplamalar yaparak...

 

Diğer bir deyişle, evrimsel süreçlerin mantığı ve yaşamsal formüllerini sorunlarımızın çözüm süreçlerinin belirlenmesine aktararak sorunlarımıza çözümler üretmeyi yapabiliriz.                                                                                                   Başka bir ifadeyle, yazacağımız programları simülasyon ortamlarında evrimleştirerek birden çok çözüm yaratıp, bu çözümlerin olası yaratacağı sorunlara da çözümler üreterek.

Bu olası çözümler arasından en optimal olanı seçmekle işe başlayıp, değişimi böyle gerçekleştirebiliriz; ancak, unutmayalım ki bu teknikle, bu süreçte simülasyon tekniği ile karşımıza çıkabilecek sorunları ve bu sorunların herbirine de çeşitli çözüm yollarını öngörebileceğiz; hatta önceden, hem olası sorunları hem de her bir soruna çözüm önerilerini görüp ön hazırlıklar yaparak...

 

 

GENETİK ALGORİTMA ve YAPAY EVRİM

Genetik Algoritma ya da diğer adı ile Evrimsel Hesaplama, Ingo Rechenberg’in "Evrim Stratejileri (Ingo Rechenberg (1971): Evolutionsstrategie - Optimierung technischer Systeme nach Prinzipien der biologischen Evolution (PhD thesis)" adlı çalışmasında tanıtılmıştır.

 

Ingo Rechenberg, evrimsel hesaplama ve yapay evrim alanlarındaki araştırmalara öncülük eden bir Alman Bilim İnsanı ve Profesör olup, 1960'lar ve 1970'lerdeki "evrim stratejileri" olarak bilinen "optimizasyon metotları" gibi çok önemli buluşları vardır.

 

Daha sonra, Rechenberg'in bu fikri ve buluşları John Holland gibi diğer araştırmacılar tarafından da geliştirilmiştir.

 

Geliştirilen bu çalışmalar sonucunda, Genetik Algoritmalar, 1960'larda John Holland tarafından bulunmuş; 1960-1970 yılları arasında, Holland ve Michigan Üniversitesi'ndeki öğrencileri tarafından geliştirilmiştir.

 

Bu çalışma sonuçlarına ilaveten, aynı yıllarda, John Holland'ın öğrencisi olan David Goldberg'in "Gaz Borularının Genetik Algoritma İle Optimizasyonu" isimli doktora tezi, genetik algoritmaların yalnızca teorik olmadığını, ayrıca pratik hayatta ve piyasalarda uygulanabilirliği olduğunu göstermiştir.

 

 

AYRIŞTIRMA AĞAÇLARI

1992 yılında John Koza (JK), genetik algoritmaları kullanıp, programları evrimleştirerek belli işleri yapmakta kullandı.  JK kullandığı bu yönteme de “Genetik Programlama” adını verdi.  JK kullandığı bu genetik programlamada LISP dilinde programlar, kısacası "Ayrıştırma Ağaçları (Parse Tree)" kullandı.

 

Ayrıştırma Ağaçları, genetik algoritmaların çalıştığı temel nesnedir.

 

Bu işlemde, yeni çözümler (yavru) üretmek için ele alınan çözümler, uygunluklarına (fitness) göre seçilmektedir. Daha uygun olan çözüm(ler), tekrar üretim için daha fazla şansa sahiptir. Bu süreç belli bir durum (örneğin belli sayıda en iyi çözümün gelişmesi) karşılanana, yani optimal çözüm elde edilene kadar tekrar edilmektedir.

 

BASİT GENETİK PROGRAMLAMA TASLAĞI

A) Kromozom ve gen:

Genetik algoritmanın çözmesi istenen problemin her bir çözümünü göstermektedir. Bir problem için N adet (bir veya birden çok) çözüm olabilir. Genetik algoritmanın bunlar arasından en iyisini arayıp bulması istenmektedir. Kromozomlar ise bu çözümleri gösterirler.

Başlangıçta rasgele atanan çözümler, daha sonra genetik algoritmanın

çalışma ilkesine göre iyleştirilmektedir.

Bir kromozomun elemanlarından her birisi, çözümün bir özelliğini göstermektedir.

Bu çözüm özelliklerine de "gen" denilmektedir.

 

B) Çözüm havuzu:

Problemin en iyi çözümünü aramak için kullanılan ve rastgele belirlenmiş başlangıç çözüm setidir.

Problemlere göre, değişen sayıda kromozom (başlangıç çözümü) belirlenebilir. Başlangıç çözümlerinin yani kromozomların  miktarına ise problem çözüm havuzunun büyüklüğü denmektedir.

 

C) Çaprazlama:

Çaprazlama yöntemi, problem çözüm havuzunda bulunan çözümleri (kromozomları) ikişer ikişer birleştirerek yeni çözümler üretilmesi yöntemidir. Bu yolla, iki kromozomdan iki adet yeni kromozom üretilmektedir.

Bir problem çözüm uzayından kaç adet kromozomun çaprazlanacağı ise çaprazlama oranına göre belirlenmektedir.

 

D) Mutasyon:

Çaprazlama neticesinde farklı çözümlere ulaşmak bazen zor olmaktadır.

Mutasyon işlemi, yeni çözüm aramanın kolaylaştırılması ve aramanın yönünü değiştirmek amacı ile, bir kromozomun bir elemanının (bir genin) değiştirilmesi işlemidir.

Bir problem havuzu içinden kaç kromozomun mutasyona uğratılacağına, mutasyon oranına göre karar verilmektedir.

 

E) Uygunluk fonksiyonu:

Uygunluk Fonksiyonu, belirlenen çözümlerin uygunluk derecelerinin ölçülmesini sağlayan bir fonksiyondur.

Her problem için bir uygunluk fonksiyonunun belirlenmesi gerekmektedir.

Bu fonksiyon, ele alınan her probleme göre değişmektedir.

 

F) Yeniden üretim:

Çözüm havuzundaki kromozomlar, çaprazlama ve mutasyon neticesinde üretilen yeni kromozomlar nedeni ile çoğalacaktır.

Bunların arasından, problem havuz büyüklüğüne göre kromozomlar şeçilerek diğerleri atılır.

Seçilenler ise, bir sonraki nesil çözümü olarak yeniden çaprazlanarak, gelecek çözümleri üretirler.

Yeniden üretim için değişik yöntemler geliştirilmiştir.

Rus Ruleti en yaygın olarak kullanılan yeniden üretme yöntemidir. Bu yöntemde yeni havuz üyeleri rulet mantığı ile seçilmektedir. En iyi çözümlerin, bir sonraki nesil (havuz) içine seçilme olasılıkları daha fazladır. Ancak yine de herhangi bir durum anında diğerlerine göre daha kötü diye nitelenen çözümler de seçilebilirler. Bunun nedeni ise, belki de bu diğerlerine kıyasla daha kötü çözümlerin ileride daha iyi çözümlere yol açabilecek olmalarındandır.

 

CTP'NİN ÖNGÖRÜ SORUNLARINI ÇÖZME MİSYONU

Öngörülerin gerekli olduğu ekonomi, ekoloji, sosyoloji, eğitim ve bunlar gibi çok çeşitli alanlarda yapılan ve yapılacak olan genetik algoritmalar, genetik programlama ve simülasyon teknikleri sayesinde, geleceği tahmin etmenin en kolay ve ucuz yolu tecrübe edilecek ve toplumsal ölçekte geçmişte yaşanan ve CTP tarafından iyi işler yapılmasına ve daha iyileri yapılmak istenmesine rağmen, bazı çözüm öneri ve adımlarından sonra karşılaşılacak sorunların öngörülememesi nedeniyle acı tecrübelerini yaşadığımız durumlar ve bu durumlara  iyi niyetle iş yapılmış olmasına karşın, katalizör olarak sorun yaratan, toplumdaki ve hatta CTP'deki öngörü sorunları aşılacaktır.

 

 

KİŞİNİN DEĞERİ ARADIĞI ŞEYDİR

Buradaki amaç; özelleştirmelerdeki gibi, devletin ihyası için, devletçiliğin ve çalışanlarının tasfiyesi değildir.

 

Kötü kuralları değiştirecek rakip fikirler üretip, kendi "halk sektörleri"mizi yeniden çalışabilir kurallarla yaratmaktır.

 

Bir liderin elinde, çözüm üzerine üç kapı olması, tüm evinizin aydınlığı için önemli bir etkendir.

 

Kişinin değeri aradığı şeydir!

 

Bizim soframızda da en değerli şey ekmektir.

 


Kaynakça:

 1.  Martin J., OxmanS. (1988). Buiding Expert Systems.

2. Goldberg, D.E. (1989). Genetic Algorithms in search, Optimization,

      and Machine Learning.

3. Koza,J. (1992). Genetic Programming.

4. Prof. Dr. Ercan Öztemel (2012) Yapay Sinir Ağları.

 

 

 

 

 

 

 

Bu haber toplam 1017 defa okunmuştur
Önceki ve Sonraki Haberler