Search

Geçmişte,yatırımcılar portföylerini geleneksel portföy teorisi yaklaşımına göreoluştururken, günümüzde, modern portföy teorisi yaklaşımı daha yaygın tercihedilmektedir. Modern portföy teorisinin temelleri, Harry Markowitz tarafındangeliştirilen ortalama varyans modeli ile atılmıştır. Fazla sayıda menkulkıymetten oluşan bir portföyün işlem maliyeti artacak ve kontrolüzorlaşacaktır. Bu nedenle, ortalama-varyans modeline portföydeki menkul kıymetsayısı kısıtı eklenmelidir. Eleman sayısı kısıtlı portföy optimizasyonuproblemi NP-Zor sınıfındadır. Bu sınıftaki problemlerin, kesin çözüm üreten algoritmalarile kabul edilebilir zaman diliminde çözümü zor olduğundan sezgisel yöntemleregenellikle başvurulmaktadır. Bu çalışmada, portföy optimizasyonu problemiçözümü için bir parçacık sürü optimizasyonu algoritması uyarlanarak ve Borsaİstanbul endeksine uygulanmıştır. Elde edilen deneysel bulgular göstermektedirki, kısıtsız etkin sınıra yaklaşabilmek için düşük risk seviyelerinde dahafazla hisseye yatırım yapılması gerekirken, risk seviyesi arttıkça eldetutulması gereken hisse senedi sayısı azalmaktadır., Whileinvestors used to create their portfolios according to traditional portfoliotheory in the past, today modern portfolio approach is widely preferred. Thebasis of the modern portfolio theory was suggested by Harry Markowitz with themean variance model. A greater number of securities in a portfolio is difficultto manage and has an increased transaction cost. Therefore, the number ofsecurities in the portfolio should be restricted. The problem of portfoliooptimization with cardinality constraints is NP-Hard. Meta-heuristic methodsare generally preferred to solve since problems in this class are difficult tobe solved with exact solution algorithms within acceptable times. In thisstudy, a particle swarm optimization algorithm has been adapted to solve theportfolio optimization problem and applied to Istanbul Stock Exchange. Theexperiments show that while in low risk levels it is required to invest intomore number of assets in order to converge unconstrained efficient frontier, asrisk level increases the number of assets to be held is decreased.

Gezgin Satıcı Problemi (GSP), başlangıç ve bitiş şehirleri aynı olan ve her şehrin sadece bir kez ziyaret edildiği minimum mesafeli turu bulma problemidir. Şehir sayısı arttıkça, kesin yöntemler ile kabul edilebilir sürelerde bir optimum çözüm bulunması zordur. Bu nedenle, son elli yılda GSP’nin çözümü için doğadan ve biyolojiden esinlenen birçok meta-sezgisel yöntem geliştirilmiştir. Bu çalışmada, toprak altındaki bireysel tünel sistemlerinde yaşayan kör farelerin toprak altındaki engelleri geçme stratejisinden esinlenilerek GSP’nin çözümü için yeni bir meta-sezgisel tasarlanmıştır. Geliştirilen yönteme Kör Fare Algoritması adı verilmiştir. Bu yeni sezgisel ile farklı boyutlardaki simetrik test veri setleri için deneyler yapılmış ve sonuçları bilinen en iyi sonuçlar ile kıyaslanmıştır. Önerilen meta-sezgisel henüz literatürdeki diğer algoritmalarla yarışabilecek düzeyde olmamasına rağmen, başlangıç test çözümlerinin umut verici olduğu söylenebilir. Traveling Salesman Problem (TSP) is the problem of finding a minimum distance tour of cities beginning and ending at the same city and that each city are visited only once. As the number of cities increases, it is difficult to find an optimal solution by exact methods in a reasonable duration. Therefore, in recent five decades many heuristic solution methods inspired of nature and biology have been developed. In this paper, a new metaheuristic method inspired of the by-passing the obstacle strategy of blind mole rats living in their individual tunnel systems under the soil is designed for solving TSP. The method is called as Blind Mole-rat Algorithm. The proposed algorithm is tested on different size of symmetric TSP problems and the results are compared to the best known results. Initial test results are promising although proposed metaheuristic is not yet competitive enough among other algorithms in the literature.

In this paper, we consider a sequence-dependent disassembly line balancing problem (SDDLBP) with multiple objectives that concerns with the assignment of disassembly tasks to a set of ordered disassembly workstations while satisfying the disassembly precedence constraints and optimizing the effectiveness of several measures considering sequence-dependent time increments among disassembly tasks. Due to the high complexity of the SDDLBP, there is currently no known way to optimally solve even moderately sized instances of the problem; therefore an efficient methodology based on the simulated annealing is proposed to solve the SDDLBP. © IFAC.

This study proposes a genetic algorithm (GA) based model to generate examination schedules such that they focus on students' success in addition to satisfying the hard constraints required for feasibility. The model is based on the idea that the student success is positively related to the adequate preparation and resting time among exams. Therefore, the main objective of this study is to maximize time length among exams (i.e., paper spread) considering the difficulties of exams. Two different genetic algorithm models were developed to optimize paper spread. In the first genetic algorithm model, a high penalty approach was used to eliminate infeasible solutions throughout generations. The second genetic algorithm model controls whether or not each chromosome joining the population satisfies the hard constraints. To evaluate the models, a set of experiments have been designed and studied using the data collected from the College of Engineering in Pamukkale University.

Üniversite birimlerinde, eğitim öğretim faaliyetleri kapsamında yer alan sınavların çizelgelenmesi önemli ve zor bir görevdir. Sınavların öğrenme sürecinin bir parçası olması nedeniyle, sınavların çakışmadan ve belirlenen sınav döneminde yapılabilmesi öğrenciler açısından yeterli değildir. Sınavların çizelgelenmesi çalışmalarında daha fazla unsura dikkat etmek gerekir. Bu çalışmada, sınav çizelgelemenin öğrencilerin başarısını açığa çıkaracak şekilde düzenlenmesi gerektiği fikri üzerine odaklanılmıştır. Öğrencilerin sınav döneminde başarılı olması, sınavları arasında yeterli hazırlanma ve dinlenme zamanı olmasıyla mutlak bağlantılıdır. Öğrencilerin sınavları arasında ihtiyaç duydukları hazırlanma ve dinlenme zamanı, sınavların zorluk dereceleri ile doğru orantılı olarak artmaktadır. Bu nedenle sınavların sınav dönemine yayılımı gerçekleştirilirken derslerin zorluk derecelerinin de değerlendirilmesi gerekmektedir. Bu çalışmada sınavların çizelgelenmesi için, zorunlu kısıtların sağlanması ön koşulu ile zor olan sınavların birbirinden daha uzak zaman dilimlerine atanmasıyla en uygun sınav dönemi yayılımını sağlamaya yönelik iki farklı genetik algoritma modeli geliştirilmiştir. Bu şekilde, öğrencilere sıradaki sınava en uygun şekilde hazırlanabilmeleri için mümkün olan en uzun hazırlanma ve dinlenme süresini tanınarak öğrenci başarısının artırılabileceği düşünülmektedir. Bir minimizasyon problemi haline getirilen bu sınav çizelgeleme problemini çözmek için geliştirilen ilk genetik algoritma modelinde; zorunlu kısıtların sağlanabilmesi için, istenmeyen çözümler içeren kromozomların uygunluk değerine yüksek bir ceza puanı eklenerek seçim olasılıklarının düşürülmesi ve toplumdan zamanla silinmesi amaçlanmıştır. Geliştirilen ikinci genetik algoritma modelinde ise; topluma yeni katılan her bireyin zorunlu kısıtları sağlayıp sağlamadığı kontrol edilmektedir. Eğer zorunlu kısıtları sağlamıyorsa bir tamir fonksiyonu aracılığı ile çakışmalar ortadan kaldırılmakta, kaldırılamadığında ise kromozom yok edilmektedir. Bu yöntemle, geliştirilen genetik algoritma sadece kabul edilebilir bireylerden oluşan bir toplumda arama yapabilmektedir. Farklı parametre setleri ile yapılan deneyler sonucunda tamir fonksiyonu modelinin daha yavaş olmasına rağmen daha yüksek performans sergilediği görülmüştür. As it is known, exam scheduling is a difficult and lengthy task for which universities devote a large amount of human and material resources every year. Scheduling exams without any conflicts in the examination period is not enough for students because it is accepted that exams are the part of learning process. It is required to pay attention to much more components during timetabling in order to reach a ?good? schedule. In this study, we focus on students? success when scheduling exams. Student success is positively related to the adequate preparation and resting time among examinations. The amount of study time that students need among examinations (i.e. paper spread) is directly proportional to the difficulty of exams. Therefore, the main objective of this study is to maximize paper spread.In this study, two different genetic algorithm models are developed to optimize paper spread under several hard constraints and the difficulties of exams. When a student finishes a difficult examination at a time period, s/he shall have enough time to prepare him(her)self for the other difficult one. In the first genetic algorithm model, a high penalty value is added to the fitness value of the choromosome which generates an infeasible solution. Thus, the selection probabilities of this type of choromosomes for the next generation are decreased. The second genetic algorithm model controls whether each choromosome joining the population satisfies the hard constraints or not. If the hard constraints are not satisfied, conflicts are removed from the chromosome with an embedded repair function. If repair fails, the choromosome is destroyed. This method forces the genetic algorithm to search only in the feasible solution space. A set of experiments have been designed and studied. The results showed that the performance of the repair function model was better than the high penalty value model. 145

Bu tez çalışması Pamukkale Üniversitesi Bilimsel Araştırma Projeleri tarafından 2018FEBE037 nolu proje ile desteklenmiştir. Bu çalışmada magnezyum alaşımının içyapısı ile ilgili davranışlardan hareketle ve literatürde kullanılmış olan sezgisel algoritmalardan farklı bir algoritma kullanılarak, yapay arı kolonisi algoritması ile yorulma ömrü tahmini yapmak amaçlanmıştır. Bunun için yorulma ömrüne etki eden, çentik faktörü, gerilme oranı ve gerilme genliği faktörleri dikkate alınmıştır. Problemin çözümü için üstel trigonometrik matematiksel fonksiyon modeli önerilmiştir. Önerilen fonksiyon modeli, veri setleri ile birlikte algoritmaya entegre edilerek parametre optimizasyonu yapılmıştır. Elde edilen tahmin sonuçları, orijinal deneysel sonuçlar ile karşılaştırılmış ve minimum (kabul edilebilir) bir hata oranı elde edilmiştir. Elde edilen sonuçlar, sezgisel algoritmaların tahmin çalışmalarında uygulanabileceğini göstermiştir. Bu çalışmanın, farklı mühendislik yapı ve malzemeleri için yorulma ömrü tahmininde uygulanabilmesi ve farklı sezgisel yöntemler ile de geliştirilmesine yardımcı olması beklenmektedir. In this study, it is aimed to do fatigue life estimation with artificial bee colony algorithm by using different algorithm from the heuristic algorithms used in literature based on the behaviors related to microstructure of magnesium alloy. For this purpose, notch factor, stress ratio and stress amplitude factors affecting fatigue life were taken into consideration. Exponential trigonometric mathematical function model is proposed to solve the problem. The proposed function model is integrated into the algorithm with data sets and parameter optimization is performed. The estimated results were compared with the original experimental results and a minimum (acceptable) error rate was obtained. The results showed that heuristic algorithms can be applied in estimation studies. It is expected that this research can be applied to fatigue life estimation for different engineering structures and materials and will help to develop it with different heuristic methods.

Yıllardır portföy optimizasyonu gerek yatırımcılar gerekse araştırmacılar için yatırım faaliyetlerinde temel karar verme stratejilerinden birisi olarak kullanılmaya devam etmektedir. Bu alanda en bilindik ve en yaygın olarak kullanılan yöntemlerden birisi de Harry Markowitz tarafından önerilen ortalama varyans yaklaşımıdır. Bu öncü çalışmanın ardından, birçok araştırmacı modelin daha pratik ve gerçek hayat problemlerine daha gerçekçi çözümler üretebilmesi için çeşitli varyasyonlarını geliştirmiştir. Bu çalışma kapsamında, bu varyasyonlardan birisi olan eleman sayısı kısıtlı portföy optimizasyonu problemi ele alınmıştır. Eleman sayısı kısıtı, orijinal kuadratik optimizasyon modelini NP-Zor sınıfında olduğu kanıtlanmış karma tam sayılı kuadratik programlama modeline dönüştürmekte böylelikle klasik kesin çözüm metodolojileri kullanılarak kabul edilebilir zaman dilimlerinde optimal çözümün bulunabilmesini zorlaştırmaktadır. Bu nedenle, araştırmacıların büyük çoğunluğu bahsedilen hesaplama zorluklarının üstesinden gelebilmek için makul sürelerde optimale yakın çözümler üretebilen yakınsama temelli algoritmalardan yararlanmaktadırlar. Bu çalışmada, eleman sayısı kısıtlı portföy optimizasyonu probleminin çözümü için kuadratik programlama ile hibritlenmiş paralel değişken komşuluk arama algoritması önerilmiştir. Önerilen bu iki aşamalı çözüm yaklaşımında değişken komşuluk arama algoritması portföye seçilecek varlık kombinasyonlarını belirlerken, varlıkların ağırlıkları ise kuadratik programlama aracılığıyla hesaplanmıştır. Literatürde sıklıkla kullanılan beş farklı veri seti üzerinde yapılan testler ve literatürdeki diğer çözüm yaklaşımları ile karşılaştırmalı analizler neticesinde önerilen çözüm yaklaşımının son derece rekabetçi sonuçlar verdiği ve özellikle düşük riskli portföylerde daha etkili olduğu tespit edilmiştir. Over the years, portfolio optimization remains as an important decision-making strategy for investment. The most familiar and widely used approach in the field of portfolio optimization is the mean-variance framework introduced by Markowitz. Following this pioneering work, many researchers have extended this model to make it more practical and adapt to real-life problems. In this study, one of these extensions, cardinality constrained portfolio optimization problem, is considered. Cardinality constraints transform the quadratic optimization model into the mixedinteger quadratic programming problem, which is proved to be NP-Hard, making it harder to obtain an optimal solution within a reasonable time by using exact solution methodologies. Hence, the vast majority of the researchers have taken advantage of approximate algorithms in order to overcome arising computational difficulties. In order to develop an efficient solution approach for cardinality constrained portfolio optimization, in this study, a parallel variable neighborhood search algorithm combined with quadratic programming is proposed. While the variable neighborhood search algorithm decides the combination of assets to be held in the portfolio, quadratic programming quickly calculates the proportions of assets. The performance of the proposed algorithm is tested on five well-known datasets and compared with other solution approaches in the literature. Obtained results reveal that the proposed solution approach is competitive with the state-of-the-art algorithms and very efficient especially on the portfolios with low risk.

Permütasyon akış tipi çizelgeleme, üretim planlama, üretim sistemi, lojistik ve bilgisayar tasarımı da dahil olmak üzere birçok alanda kullanılmaktadır. Zamanlama alanındaki en rekabetçi kombinasyonel optimizasyon problemlerinden biri akış tipi çizelgelemedir. Bu tezde, permütasyon akış tipi çizelgelemede toplam akış zamanın en aza indirilmesi amaçlanarak, problemin çözümü için bir değişken komşuluk arama yaklaşımı uyarlanmıştır. Bu çözüm yaklaşımında, başlangıç çözümleri elde edebilmek için NEH algoritması kullanılırken, algoritmanın çalkalama ve yerel arama safhasında çeşitli komşuluk yapıları kullanılmıştır. Çalkalama ve yerel arama aşamasında hangi operatörlerin daha yüksek başarım gösterdiğine sonuçlarda yer verilmiştir. Ayrıca, uygulanan pertürbasyon yapısının hangi aşamada devreye alınması gerektiği üzerine istatistiksel testler yapılmıştır. Taillard deney setleri üzerinde elde edilen sonuçlar ile sınır değerleri aralarındaki sapma oranları verilmiştir ve rekabetçi yapısını göstermek amacıyla literatürdeki diğer başarılı algoritmalarla karşılaştırılmıştır. Permütasyon akış tipi çizelgeleme, üretim planlama, üretim sistemi, lojistik ve bilgisayar tasarımı da dahil olmak üzere birçok alanda kullanılmaktadır. Zamanlama alanındaki en rekabetçi kombinasyonel optimizasyon problemlerinden biri akış tipi çizelgelemedir. Bu tezde, permütasyon akış tipi çizelgelemede toplam akış zamanın en aza indirilmesi amaçlanarak, problemin çözümü için bir değişken komşuluk arama yaklaşımı uyarlanmıştır. Bu çözüm yaklaşımında, başlangıç çözümleri elde edebilmek için NEH algoritması kullanılırken, algoritmanın çalkalama ve yerel arama safhasında çeşitli komşuluk yapıları kullanılmıştır. Çalkalama ve yerel arama aşamasında hangi operatörlerin daha yüksek başarım gösterdiğine sonuçlarda yer verilmiştir. Ayrıca, uygulanan pertürbasyon yapısının hangi aşamada devreye alınması gerektiği üzerine istatistiksel testler yapılmıştır. Taillard deney setleri üzerinde elde edilen sonuçlar ile sınır değerleri aralarındaki sapma oranları verilmiştir ve rekabetçi yapısını göstermek amacıyla literatürdeki diğer başarılı algoritmalarla karşılaştırılmıştır. 88

Literatürde en çok çalışılan portföy optimizasyonu varyantlarından birisiklasik ortalama-varyans modeline kısıtlar eklenerek konveks kuadratik programlıproblemden karma tamsayılı kudratik probleme dönüşmüş NP-Zor sınıfta olankısıtlı portföy opptimizasyonu problemidir. Eklenen kısıtların portföy boyutuüzerinde direkt bir etkisi vardır dolayısıyla hesaplama karmaşıklığı önemli ölçüdearttırmaktadır. Artan hesaplama karmaşıklığının üstesinden gelebilmek içinaraştırmacılar, kesin çözüm tekniklerinin makul süre içerisinde optimal çözümübulmakta yetersiz kalacağı ve büyük boyutlu problemlere uygulandığında etkinolamayacağı için metasezgiseller gibi etkin çözüm algoritmalarınaodaklanmışlardır. Bu çalışmada, kısıtlı portföy optimizasyonu probleminin çözümüiçin yapay arı kolonisi temelli çözümleri uygulanabilir olmaya zorlayan veuygulanabilir olmayan çözümlere tölerans sağlayan bir algoritma sunulmuştur.Elde edilen sonuçlar uygulanabilir çözümlere tölerans sağlayan prosedürün hemstandart yapay arı kolonisine hem de litertürdeki diğer tekniklere karşı etkinliğinigöstermektedir.ANAHTAR KELİMELER: PORTFÖY OPTİMİZASYONU,METASEZGİSELLER, YAPAY ARI KOLONİSİ One of the most studied variant of portfolio optimization problems is withcardinality constraints that transform classical mean-variance model from a convexquadratic programming problem into a mixed integer quadratic programmingproblem which brings the problem to the class of NP-Complete problems.Therefore, the computational complexity is significantly increased since cardinalityconstraints have a direct influence on the portfolio size. In order to overcome arisingcomputational difficulties, for solving this problem, researchers have focused oninvestigating efficient solution algorithms such as metaheuristic algorithms sinceexact techniques may be inadequate to find an optimal solution in a reasonable timeand are computationally ineffective when applied to large-scale problems. In thisthesis, my purpose is to present an efficient solution approach based on an artificialbee colony algorithm with feasibility enforcement and infeasibility tolerationprocedures for solving cardinality constrained portfolio optimization problem.Computational solutions show the effectiveness of infeasibility toleration procedureagainst both standard artificial bee colony algorithm and other techniques in theliterature.KEYWORDS:PORTFOLIO OPTIMIZATION, METAHEURISTICS,ARTFICIAL BEE COLONY 70

Bu tez çalışması Pamukkale Üniversitesi Bilimsel Araştırma Projeleri Birimi tarafından 2015FBE023 nolu proje ile desteklenmiştir. Lojistik pazarı hızla büyüdüğü için, optimizasyon motoru olarak entegre edilen yazılım bileşenleri olan araç rotalama probleminin kullanımını harekete geçiren rotalama sistemleri optimizasyonu temel amaçtır. Rotalama optimizasyonunun önemli bir kilit faktörü, kaliteye karşı tepki zaman performansıdır. Daha güçlü çözümleme algoritmaları ile daha kısa zamanda daha etkili otomasyon süreçleri elde edilebilir. Bu tezin amacı, toplam kat edilen mesafenin minimize edilmesi ile birlikte araç kapasite kısıtlılığını gidermeyi amaçlayarak topla ve dağıt operasyonlarının eş zamanlı olarak kullanıldığı gerçek uygulamalarda ortaya çıkan temel Araç Rotalama Problemi’nin (ARP) popüler bir uzantısı olan Eş Zamanlı Topla Dağıt Araç Rotalama Problemi’ni (ETDARP) çözmektir. Problem NP-Zor olarak bilindiği için Karınca Koloni Sistemi (KKS) ile Değişken Komşuluk Araması’na (DKA) dayanan melez bir metasezgisel alogoritma çözümü geliştirilmiştir. DKA yoğun yerel arama sunan güçlü bir optimizasyon algoritmasıdır. Bununla birlikte, hafıza yapısı bulunmamaktadır. Bu zayıflık KKS’nin uzun süreli hafıza yapısını kullanılarak minimize edilebilir ve bu şekilde algoritmanın genel performansı artırılabilir. Önerilen algoritmada, yerel optimumdan ileri gitmek ve daha çok alan keşfetmek için, karınca yerine DKA kenarlardan feromon salgılarken, karıncalar bu feromon bilgisini kullanarak entegre algoritma için pertürbasyon mekanizması sağlar. Önerilen KKS ile güçlendirilmiş DKA algoritmasının performansı, ETDARP açık literatüründe kıyaslama amacıyla alınan kıyaslama test problemleri ile incelenmiştir. Kıyaslama veri setlerinde, daha kısa sürede sunulan daha iyi sonuçlar, iyi bir performans göstergesi olduğu için geliştirilen yaklaşımın hem çözüm kalitesi hem de CPU süresinde güçlü ve etkili olduğu sayısal sonuçlar ile kanıtlanmıştır. Since the logistics market is growing rapidly, the optimization of routing systems is of primary concern that motivates the use of vehicle routing problem (VRP) solvers as software components integrated as an optimization engine. A critical success factor of routing optimization is quality vs. response time performance. Less time-consuming and more efficient automated processes can be achieved by employing stronger solution algorithms. This thesis aims to solve the Vehicle Routing Problem with Simultaneous Pickup and Delivery (VRPSPD) which is a popular extension of the basic Vehicle Routing Problem arising in real world applications where pickup and delivery operations are simultaneously taken into account to satisfy the vehicle capacity constraint with the objective of total travelled distance minimization. Since the problem is known to be NP-hard, a hybrid metaheuristic algorithm based on an ant colony system (ACS) and a variable neighborhood search (VNS) is developed for its solution. VNS is a powerful optimization algorithm that provides intensive local search. However, it lacks a memory structure. This weakness can be minimized by utilizing long term memory structure of ACS and hence the overall performance of the algorithm can be boosted. In the proposed algorithm, instead of ants, VNS releases pheromones on the edges while ants provide a perturbation mechanism for the integrated algorithm using the pheromone information in order to explore search space further and jump from local optima. The performance of the proposed ACS empowered VNS algorithm is studied on well-known benchmarks test problems taken from the open literature of VRPSPD for comparison purposes. Numerical results confirm that the developed approach is robust and very efficient in terms of both solution quality and CPU time since better results provided in a shorter time on benchmark data sets is a good performance indicator.

Günümüzde ticaretin küreselleşmesi ile birlikte dünyada finans piyasaları da hızla gelişmiştir. Bu ilerlemelerin sonucunda finans alanının bir alt dalı olan portföy yönetimi de oldukça önem kazanmıştır. Geçmişte, yatırımcılar portföylerini geleneksel portföy teorisi yaklaşımına göre oluşturmaktadırlar. İkinci yöntem ise, modern portföy teorisi yaklaşımına göre portföy oluşturmaktır. Modern portföy teorisi yaklaşımında kullanılan temel model H. Markowitz'in geliştirdiği ortalama varyans modelidir. Küreselleşme ile birlikte dünyada yatırım olanakları genişlemiş ve portföye dahil edilebilecek menkul kıymet sayısı artmıştır. Yatırımcı açısından fazla sayıda menkul kıymetten oluşan bir portföyün işlem maliyeti artacak ve kontrolü zorlaşacaktır. Bu durumda, yatırımcı aynı risk ve getiri düzeyinde sınırlı sayıda menkul kıymete yatırım yapmak istemektedir. Bu kısıtın eklenmesi sonucunda portföy optimizasyonu problemi literatürde yer alan NP-Zor sınıfında bir probleme dönüşmüştür. Bu tür problemlerin, belirli bir zaman diliminde çözümü zor olduğundan sezgisel yöntemler geliştirilmiştir. Tezde, portföy optimizasyonu problemi çözümü için genetik algoritma, parçacık sürü optimizasyonu ve yapay arı kolonisi algoritmaları geliştirilmiştir. Geliştirilen sezgisel metotlar önde gelen dünya borsa endekslerine ve Borsa İstanbul endeksine uygulanmıştır. Önerilen algoritmalar ile bulunan sonuçlar etkin sınıra yakınsamaktadır ve yatırımcıya portföy oluşturma sürecinde yardımcı olacaktır.Anahtar Kelimeler: Portföy Seçimi, Genetik Algoritma, Parçacık Sürü Optimizasyonu, Yapay Arı Kolonisi. Today, financial markets have rapidly developed with the globalization of trade. As a result of this progress, portfolio management as a sub-branch of finance has also significantly gained importance. In the past, investors used to decide their portfolio according to the traditional portfolio theory. Today on the other hand, portfolio is created according to the modern portfolio theory proposed by H. Markowitz due to the increase in the number of assets to be held in a portfolio. It is desired to invest in a limited number of assets with the same level of risk and return. Therefore, the portfolio optimization problem with cardinality constraints turns out to be in NP-hard class of problems. Metaheuristic approaches are usually applied to solve this problem since it is often not possible to reach optimal solutions within acceptable time. In this thesis, a genetic algorithm, a particle swarm optimization algorithm and an artificial bee colony algorithm are developed to solve this problem studied. These proposed solution approaches are applied to primary world market data sets and Istanbul market data sets. Computational results confirm that proposed solution approaches are useful tools to converge an efficient frontier that may help the investors to select portfolio.Keywords: Portfolio Selection, Genetic Algorithms, Particle Swarm Optimization, Artificial Bee Colony 115