Transcript Slayt 1 - WordPress.com

META SEZGİSEL YÖNTEMLER
Endüstriyel Çizelgeme Dersi Projesi
Doç. Dr. İnci SARIÇİÇEK
Hazırlayanlar:
151320091007 Özdemir APAYDIN
151320091069 Ayla TÜRKKAN
2012-2013 Bahar Dönemi
1
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
2
ÇİZELGELEME ÇÖZÜM YÖNTEMLERİ
1.Kesin Çözüm Veren Algoritmalar
 Doğrusal Programlama
 Dinamik Programlama
 Dal-Sınır
 vb.
3
ÇİZELGELEME ÇÖZÜM YÖNTEMLERİ
(Devam)
2.Yaklaşık Çözüm Veren Algoritmalar (Sezgisel)
2.1.Çözüm Kurucu Algoritmalar
2.2.Yerel Arama Algoritmalar (Local Search)
2.3.Genel Amaçlı Algoritmalar ( Metasezgisel)
-Genetik Algoritma
-Tavlama
-Karınca Kolonisi
-Değişken Komşu Arama
-Tabu Arama(Tabu Search)
-vb.
4
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.
5
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.
 Dorigo and Stutzle, 2004
Metasezgisel,arama uzayının yüksek kaliteli çözümlerini
kapsayan bölgelerinde aramayı gerçekleştirmek için
probleme özgü sezgisellere rehberlik etmek amacıyla
tasarlanan genel amaçlı sezgisel yöntemdir.
6
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.
7
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.
8
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
9
META SEZGİSEL YÖNTEMLERİN
SINIFLANDIRILMASI
 Metasezgiseller;
 Esinlendikleri kaynaklara
 Aramada kullandıkları çözüm sayısına
 Kullanılan amaç fonksiyonuna
 Kullanılan komşuluk yapısına
 Hafıza kullanımına
göre sınıflandırılır.
10
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
11
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
12
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.
13
META SEZGİSEL YÖNTEMLER
1.Genetik Algoritma (GA)(Genetic Algorithm);
 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.
14
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.
15
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.
16
1.Genetik Algoritma (GA) (Devam)
 GA, arama uzayının büyük ve doğrusal olmadığı (non-
linear) ve matematiksel programlama, birerleme
metodları 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.
17
1.Genetik Algoritma (GA) (Devam)
Literatür incelendiğinde;
 Gezgin satıcı
 Karesel atama
 Yerleşim
 Ulaştırma
 Atölye çizelgeleme gibi
En iyileme problemlerinde GA’nın kullanıldığı
görülmektedir.
18
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.
19
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.
20
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.
21
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.
22
META SEZGİSEL YÖNTEMLER (Devam)
3.Karınca Kolonisi Algoritması(KKA)(Ant Colony
Algorithms);
karıncaların yiyecek toplama mantığından yola
çıkılarak geliştirilmiştir.
 Marco Dorigo(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.
23
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.
24
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.
25
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.
26
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.
27
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.
28
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.
29
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.
30
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.
31
5. Tabu Arama Algoritması (TA) (Devamı)
ÖRNEK(Pinedo pg:350, exp:14.4.4)
Tabu Arama Uygulaması
 Tek makinada toplam ağırlıklı gecikmeyi en küçükleme
problemi (1/dj/ wjTj)
32
İşler
(j)
İşlem Süresi
(Pj)
Teslim Zamanı
(dj)
Ağırlıklar
(w)
1
10
4
14
2
10
2
12
3
13
1
1
4
4
12
12
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
33
34