Yazar "Sağ, Tahir" seçeneğine göre listele
Listeleniyor 1 - 3 / 3
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe Çok kriterli optimizasyon için genetik algoritma yaklaşımları(Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2008-01-21) Sağ, Tahir; Çunkaş, MehmetGerçek dünya problemleri genelde çok amaçlıdır. Bu problemlerin çözümü birbiriyle çelişen çoklu amaçların eşzamanlı olarak optimizasyonunu gerektirir. Çok amaçlı optimizasyon tek amaçlı optimizasyondan çok farklıdır. Tek-amaçlı optimizasyonda amaç, en iyi olan tek bir tasarım veya kararı elde etmektir. Çok amaçlı optimizasyonda ise birbiriyle çelişen amaçlar, içersinde üzerinde uzlaşma sağlanan bir optimal çözümler kümesi elde edilir. Bu küme genellikle Pareto-Optimal çözümler kümesi olarak adlandırılır. Çok amaçlı optimizasyon problemlerinin çözümü için 1985'ten bu yana evrimsel algoritmaları kullanan çeşitli yaklaşımlar önerilmiştir. Bu tez çalışmasında, başlıca sekiz adet çok amaçlı evrimsel algoritma (Vektör Değerlendirmeli Genetik Algoritma, Çok Amaçlı Genetik Algoritma, Hücrelendirilmiş Pareto Genetik Algoritması, Bastırılmamış Sınıflandırmalı Genetik Algoritma, Bastırılmamış Sınıflandırmalı Genetik Algoritma II, Kuvvet Pareto Evrim Algoritması, Kuvvet Pareto Evrim Algoritması 2 ve Pareto Zarflama-Temelli Seçim Algoritması) orijinal halleri esas alınarak detaylı olarak incelenmiştir. Algoritmaların değerlendirilmesi için bazı performans ölçütleri kullanılmıştır. Tüm algoritmalar için C ailesinin son uzantısı olan nesne yönelimli görsel programlama dili C# kullanılarak MOEAT(Multiobjective Evolutionary Algorithms Tool) adı verilen ortak bir arayüzde editör ve simülasyon yazılımı geliştirilmiştir. Ayrıca, literatürden seçilen sekiz adet test problemi ve iki adet mühendislik problemi aracılığıyla, yazılımın kullanılabilirliği ve işlevselliği denenmiştir.Öğe Efficiency Determination of Induction Motors Using Multi-Objective Evolutionary Algorithms(Elsevier Sci Ltd, 2010) Çunkaş, Mehmet; Sağ, TahirThis paper introduces a method based on multi-objective evolutionary algorithms for the determination of in-service induction motor efficiency. In general, the efficiency is determined by accumulating multiple objectives into one objective by a linear combination and optimizing the resulting single-objective problem. The approach has some drawbacks such that exact information about solution alternatives will not be readily visible. In this paper the multi-objective evolutionary optimization algorithms, the Non-dominated Sorting Genetic Algorithm-II (NSGA-II) and Strength Pareto Evolutionary Algorithm-2 (SPEA2), are successfully applied to the efficiency determination problem in induction motor. The performances of algorithms are compared on the basis of the obtained results.Öğe Sürü zekâsı kullanarak renkli görüntü segmentasyon tekniklerinin geliştirilmesi(Selçuk Üniversitesi Fen Bilimleri Enstitüsü, 2015-06-10) Sağ, Tahir; Çunkaş, MehmetBu çalışmada sürü zekâsı teknikleri kullanılarak görüntü segmentasyonu yapılmıştır. İlk aşamada; tek amaçlı temel Yapay Arı Kolonisi Optimizasyon Algoritması kümeleme yoluyla görüntü segmentasyonuna uyarlanmıştır. Uygunluk fonksiyonu olarak niceleme hatası kullanılmıştır. Elde edilen sonuçlar üzerinden kümelemenin başarısını anlamak amacıyla d_min ve d_max olarak adlandırılan iki ölçüt değeri hesaplanmıştır. Sonuçlar K-Ortalamalar, Bulanık C-Ortalamalar algoritmaları ve Parçacık Sürü Optimizasyonu temelli bir kümeleme algoritması ile karşılaştırılmıştır. Önerilen yaklaşımın tüm gösterge değerleri bakımından daha başarılı sonuçlar elde ettiği görülmüştür. İkinci aşamada; çok amaçlı optimizasyon problemlerinin çözümü için Yapay Arı Kolonisi üzerinde durularak yeni hibrid bir algoritma geliştirilmiştir. Önerilen algoritma Çok Amaçlı Optimizasyon için İyileştirilmiş Arı Kolonisi Algoritması (IBMO) olarak isimlendirilmiştir. IBMO'nun performansı literatürdeki en iyi dört sezgisel algoritma ile karşılaştırılmıştır. Bunlar sırasıyla: Bastırılmamışlık Sıralamalı Genetik Algoritma II (NSGA2), Kuvvetli Evrimsel Pareto Algoritması-2 (SPEA2), Optimal Çok-Amaçlı Parçacık Sürü Optimizasyonu (OMOPSO) ve Çok-Amaçlı Optimizasyon için Arşiv temelli Hibrid Dağılma Araması (AbYSS) algoritmalarıdır. Çalışmada karşılaştırmaların doğruluğunu ortaya koymak açısından 26 farklı test problemi kullanılmıştır. Performans değerlendirmesi amacıyla sonuçlar dört farklı performans göstergesi (Genel Uzaklık, Yayılma, Maksimum Yayılma, Hiper-hacim) kullanılmıştır. IBMO, test problemlerinin büyük çoğunluğunda istatistiksel güven aralığında kalarak en iyi değerlere ulaşmayı başarmıştır. Son aşamada çok-amaçlı optimizasyona dayanan yeni bir renkli görüntü segmentasyon algoritması önerilmiştir. Segmentasyon işlemi, renkli görüntüden çıkarılan özniteliklerin gruplanması yoluyla gerçekleştirilen çok-amaçlı bir kümeleme problemi olarak modellenmiştir. Önerilen yöntem çok-amaçlı optimizasyon algoritması IBMO ve çekirdekli bölge genişletme tekniğine dayanmaktadır. Çekirdek noktalarının optimal koordinatlarını atanması, optimal benzerlik eşik değerlerini belirlenmesi ve segmentasyon kalitesini birden fazla küme doğrulama göstergesi ile değerlendirilmesini sağlamak amacıyla IBMO renkli görüntü segmentasyonuna uyarlanmıştır. Önerilen algoritma Berkeley görüntü segmentasyon veri kümesindeki test görüntüleri üzerinde uygulanmıştır. Elde edilen segmentasyon sonuçlarının bölge-tabanlı tutarlılık göstergeleri hesaplanmıştır. Ayrıca sonuçlar NSGA-II, Bastırılmamışlık Sıralamalı Parçacık Sürü Optimizasyonu (NSPSO) ve Bulanık C-Ortalamalar (FCM) algoritmalarından aynı şartlar altında alınan segmentasyon sonuçlarıyla karşılaştırılmıştır. Elde edilen başarılı sonuçlar önerilen yöntemin genel amaçlı renkli görüntü segmentasyonu için tutarlı bir doğruluğa sahip olduğunu göstermiştir.
