Evrimsel Hesaplamada Seçilim ve Optimizasyon

Evrimsel hesaplama tek bir çözümü doğrudan türetmek yerine adaylardan oluşan bir popülasyonu tekrar tekrar değiştirir. Her kuşakta uygunluk ölçülür, seçilim uygulanır ve yeni adaylar çaprazlama ile mutasyon üzerinden üretilir. Aramanın davranışını biyolojik benzetmeden çok temsil biçimi, uygunluk fonksiyonu ve çeşitliliği koruyan operatörler belirler.

Evrimsel Sürecin Hesaplamalı Karşılığı

Bir aday çözüm birey, adaylar kümesi popülasyon, kodlanmış gösterim genotip ve problem üzerindeki davranış fenotip olarak yorumlanabilir. Bu eşleme biyolojik evrimin eksiksiz modeli değil, mühendislik amaçlı bir analojidir.

x* = arg min f(x), x ∈ Ω

Evrimsel algoritma çoğunlukla x* değerini cebirsel olarak hesaplamaz. Çözüm uzayından seçilen adayları yinelemeli olarak değerlendirir ve popülasyonu daha iyi amaç değerlerine sahip bölgelere yönlendirir.

Genel döngü şöyledir:

1. Başlangıç popülasyonu üretilir.
2. Her adayın uygunluğu hesaplanır.
3. Ebeveynler seçilir.
4. Çaprazlama, mutasyon veya yönteme özgü varyasyon uygulanır.
5. Sonraki kuşak oluşturulur.
6. Durdurma koşuluna kadar süreç yinelenir.

Seçilim Baskısı ve Çeşitlilik

Daha yüksek uygunluk değerine sahip adayların daha fazla temsil edilmesi yakınsamayı hızlandırır. Ancak seçilim baskısı aşırı olduğunda popülasyon çeşitliliği erken kaybolabilir ve arama yerel optimum çevresinde sıkışabilir. Turnuva seçimi, rulet seçimi, sıralama tabanlı yöntemler ve elitizm farklı baskı profilleri üretir.

Bir aday mutlak anlamda doğru veya yanlış olmak zorunda değildir. Çözümler çoğunlukla göreli uygunlukla karşılaştırılır. Daha düşük skorlu adaylar çeşitliliği korumak için popülasyonda kalabilir; en yüksek skorlu aday da olasılıksal seçim nedeniyle ebeveyn olmayabilir.

Gösterim, Çaprazlama ve Mutasyon

Genetik operatörlerin anlamı çözüm gösterimine bağlıdır. İkili dizide geçerli olan kesme noktalı çaprazlama, permütasyonla gösterilen bir rota probleminde tekrarlı düğümler üretebilir. Operatörler problem değişmezlerini korumalı veya geçersiz adaylar açık bir onarım politikasıyla düzeltilmelidir.

Mutasyon oranı çok düşükse keşif yetersiz kalır; çok yüksekse süreç kalıtsal yapıyı koruyamayan rastgele aramaya yaklaşır. Parametreler yalnız tek çalışmadaki en iyi skora göre seçilmemelidir. Tekrarlı çalışmalardaki dağılım, değerlendirme sayısı, yakınsama süresi ve başlangıç tohumuna duyarlılık birlikte incelenmelidir.

Uygunluk Fonksiyonunun Riski

Algoritma tanımlanan ölçütü optimize eder; ölçütün gerçek görevi temsil ettiğini garanti etmez. Robot hareketi için örnek bir uygunluk fonksiyonu şöyle olabilir:

F(x) = w1 · mesafe(x) - w2 · enerji(x) - w3 · çarpışma(x)

Ağırlıklar mühendislik önceliklerini temsil eder. Yalnız hızı ödüllendiren fonksiyon enerji tüketimini, mekanik aşınmayı veya güvenliği ihmal edebilir. Simülasyondaki sayısal bir açığı kullanan aday yüksek puan alırken gerçek sistemde başarısız olabilir. Bu nedenle kısıtlar, güvenlik sınırları ve doğrulama senaryoları uygunluk hesabının dışında bırakılmamalıdır.

Evrimsel Robotik ve Simülasyondan Gerçeğe Aktarım

Evrimsel robotikte gövde geometrisi, sensör yerleşimi, denetleyici parametreleri veya sinir ağı topolojisi birlikte optimize edilebilir. Fiziksel deney pahalı ve aşındırıcı olduğu için adaylar çoğunlukla simülasyonda değerlendirilir.

Sensör gürültüsü, sürtünme, mekanik boşluk, gecikme ve modellenmemiş çevresel etkiler simülasyon ile gerçek sistem arasında fark oluşturur. Parametre rastgeleleştirme, farklı çevre koşullarında değerlendirme ve dayanıklılık hedefleri bu farkı azaltabilir; ancak bağımsız gerçek sistem testi yine gereklidir.

Yöntem Ailelerini Ayırmak

Diferansiyel evrim evrimsel bir optimizasyon yöntemidir, ancak klasik genetik algoritmadan farklı mutasyon ve yeniden birleştirme kullanır. Karınca kolonisi, parçacık sürüsü ve yapay bağışıklık sistemleri doğadan esinlenen ayrı ailelerdir. Benzetilmiş tavlama ise fiziksel tavlama sürecinden esinlenen tek çözümlü bir meta-sezgiseldir. Gezgin satıcı problemi bir algoritma değil, bu yöntemlerle çözülebilen birleşimsel optimizasyon problemidir.

Mühendislikte Kullanım Ölçütü

Evrimsel yöntemler her problem için üstün değildir. Dışbükey ve iyi tanımlanmış problemlerde analitik, doğrusal programlama veya türev tabanlı yöntemler daha güçlü yakınsama güvenceleri sağlayabilir. Evrimsel hesaplama; arama uzayı düzensiz, değişkenler karma, amaçlar çatışmalı veya türev bilgisi kullanılamaz olduğunda değer kazanır.

Başarı yalnız bulunan en iyi amaç değeriyle ölçülmemelidir. Çözümün uygulanabilirliği, kısıt ihlalleri, üretilebilirlik, güvenlik, bakım kolaylığı, hesaplama bütçesi ve tekrarlı çalışmalardaki kararlılık birlikte değerlendirilmelidir. Evrimsel yaklaşımın mühendislik değeri biyolojik terimlerden değil, yeterli çeşitliliği anlamlı bir değerlendirme ve kalıtsal iyileştirme süreciyle birleştirmesinden doğar.

Kaynakça

• David E. Goldberg. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley.

• John H. Holland. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press.

• Kalyanmoy Deb. (2001). Multi-Objective Optimization Using Evolutionary Algorithms. Wiley.