Buradasınız

Anasayfa » Content

HIZLI EVRİMSEL ENİYİLEME İÇİN YAPAY SİNİR AĞI KULLANILMASI

FAST EVOLUTIONARY OPTIMIZATION USING ARTIFICIAL NEURAL NETWORKS

Journal Name:

  • Havacılık ve Uzay Teknolojileri Dergisi

Publication Year:

  • 2006

Key Words:

Keywords (Original Language):

Author Name
Abstract (2. Language): 
In this paper, the Augmented Genetic Algorithm with Artificial Neural Network (AGANN) is expanded for optimization works, and its implementations to model problems are demonstrated. With the purpose of getting a faster algorithm, a neural network and a real coded genetic algorithm are hybridized in a new way. In this way, instead of predicting objective function calculation of a candidate, a properly trained neural network is used for predicting the candidate itself. At each step of the genetic process, using a simulated annealing based optimization procedure, the trained neural network produces an individual, which is a candidate solution of the optimization problem. Adding this candidate to the population at each step improves the exploration power of the genetic process. The proposed algorithm is tested for some test function problems. The results indicate that the computational efficiency of the implemented algorithm is tremendously high. Due to still being a genetic algorithm based technique, this method is also as robust as the pure genetic algorithms.
Bookmark/Search this post with
Abstract (Original Language): 
Bu çalışmada, daha önce tersten tasarım problemleri için önerilmiş olan Yapay Sinir Ağı ile Güçlendirilmiş Genetik Algoritmanın (YGGA), eniyileme problemlerine uyarlaması yapılmıştır. YGGA eniyileme problemlerine uygulanabilecek şekilde güncellenmiş ve genel anlamda bir eniyileme problemine nasıl uygulanacağı gösterilmiştir. YGGA’da, reel kodlu bir Genetik Algoritma (GA) ile uygun bir Yapay Sinir Ağı (YSA) mimarisi melez bir yapı içerisinde kullanılmıştır. Bu yapı içerisinde YSA, popülasyonun güçlendirilmesini sağlamıştır. Bu amaçla GA’nın her adımında, o adımda kullanılan popülasyondaki bireyler ve bunlara ait uygunluk değerleri kullanılarak YSA eğitilmiştir. Eğitim sırasında, bireyleri ifade eden parametreler YSA’nın girdisi, bireylerin uygunluk değerleri de çıktısı olarak değerlendirilmiştir. Eğitilen bu YSA’ya, Benzetimli Tavlama (BT) yardımıyla bir eniyileme süreci uygulanarak, mevcut popülasyondaki bireylerden daha iyi uygunluk değerine sahip bir birey üretilmeye çalışılmıştır. Elde edilen uygun birey GA tarafından üretilen yeni popülasyona ilave edilmiştir. GA’nın her adımında tekrar edilen bu işlemlerin sonucunda popülasyonun gelişimi daha çabuk sağlandığından, daha az amaç fonksiyonu hesabı ile daha iyi uygunluk değerlerine ulaşılmıştır. Yönteminin etkinliği, model deneme fonksiyonlarına uygulaması yapılarak gösterilmiştir.
FULL TEXT (PDF): 
PDF icon arastirmax-hizli-evrimsel-eniyileme-icin-yapay-sinir-agi-kullanilmasi.pdf
  • 3
1
8
  • Turkish

REFERENCES

References: 

[1] Ong, Y. S., Nair, P. B. and Keane, A. J.,
“Evolutionary Optimization of Computationally
Expensive Problems via Surrogate Modeling,”
AIAA Journal, 41 (4): 687-696, 2003.
[2] Jin, Y., Olhofer, M., and Sendhoff, B., “A
Framework for Evolutionary Optimization with
Approximate Fitness Function,” IEEE
Transactions on Evolutionary Computation, 6
(5): 481-494, 2002.
[3] Hacıoğlu, A., “Yapay Sinir Ağı İle
Güçlendirilmiş Genetik Algoritma Ve Tersten
Kanat Profili Dizaynı”, HUTEN Havacılık ve
Uzay Teknolojileri Dergisi, 1 (3), 2004.
[4] Hacioglu, A., “Augmented Genetic Algorithm
with Neural Network and Implementation to
Airfoil Design,” AIAA 2004-4633, 2004.
[5] Hacioglu, A., “A Novel Usage of Neural
Network in Optimization and Implementation to
the Internal Flow Systems,” Aircraft Engineering
and Aerospace Technology, 77 (5): 369-376,
2005.
[6] Haykin, S., “Neural Network; A Comprehensive
Foundation,” Prentice Hall, 1999.
[7] Holst, T. L., and Pulliam, T. H., “Evaluation of
Genetic Algorithm Concepts Using Model
Problems Part I: Single-Objective Optimization,”
NASA/TM–2003-212812, 2003.
[8] Eshelman, L.J. and Schaffer, J. D., “Real Coded
Genetic Algorithms and Interval Schemata,”
187-202, Foundations of Genetic Algorithms 2,
Morgan Kaufmann Publishers, 1993.
[9] Wright, A., “Genetic Algorithm for Real
Parameter Optimization,” 205-218, Foundations
of Genetic Algorithm 1, Morgan Kaufmann
Publishers, 1990.
[10] Baker, J. E., “Reducing Bias and Inefficiency in
the Selection Algorithm,” 14-21, Proceedings of
the Second International Conference on Genetic
Algorithms, Morgan Kaufmann Publishers,
1987.
[11] Keane, A. J., “Genetic Algorithm Optimization
of Multi-Peak Problems: Studies in Convergence
and Robustness,” Artificial Intelligence in
Engineering, 9 (2), 75-83, 1995.

Thank you for copying data from http://www.arastirmax.com