Search

International audience; In today’s world, healthy eating is a very important issue affecting a large proportion of the population. In this study, we propose to extend the classical diet problem formulated by Stigler in 1945 and model it as a many-objective optimization problem. In our model, the objectives are inspired from the foraging behaviour of animals and take into account user preferences as well as cost, while satisfying the recommended daily nutrient intake constraints for a user’s gender and age group as defined by the USDA. Inspired by the animal foraging theory, the proposed many-objective diet problem has several objectives, such as: minimize cost, maximize user’s liked foods, maximize availability of ingredients, minimize meal preparation times, maximize variety in meal plans. For making meal plan recommendations, a database containing complete recipes (like "cream of mushroom soup"), as opposed to individual food items (like mushroom), is used. Therefore, the recommendations become more realistic meal plans, which in turn make them more applicable by the users. As far as the authors know, this is the first study that models the diet problem as a many-objective and multi-constraint optimization problem and solves it using modern meta-heuristics such as many-objective evolutionary or ant-colony algorithms to make healthy meal recommendations. Thus, the study can have an academic impact as well as a social one by helping people stay healthy through eating healthy meals.

Son zamanlarda önerilen metotlar daha çok statik eniyileme problemleri için geliştirilmişlerdir. Fakat gerçek hayatta karşılaşılan eniyileme problemlerinin pek çoğu dinamik bir yapı göstermektedir. Dinamik bir ortamda, eniyileme yönteminin üzerinde çalışmaya başladığı ortamda zaman içinde değişimler olabilir. Ancak bu problemlerin çözümünde genelde bu dinamiklik göz ardı edilerek klasik eniyileme yaklaşımları uygulanmaktadır. Halbuki bu dinamikliği de göz önüne alarak çalışan bir eniyileme yaklaşımı, ortamdaki değişimleri hızlı bir şekilde izleyebilmeli ve bunlara uyum sağlayabilmek için adaptif olmalıdır. Eniyileme algoritması açısından bakıldığında problem ortamı, problemin tanımlı değerleri, eniyilemede kullanılan amaç fonksiyonları ve kısıtlardan oluşur. Ortamdaki dinamiklik, problem ortamını oluşturan bu parçalardan herhangi birisinde veya birkaçında meydana gelen tekil ya da eş zamanlı değişimlerden kaynaklanabilir. Farklı problemlerde bu değişimler de farklı özellikler göstermektedir. Bu özellikler genelde değişimlerin şiddetine, sıklığına, periyodik olup olmamasına göre sınıflandırılırlar. Ortamdaki dinamizmin özelliklerine göre farklı durumlarda farklı yaklaşımlar başarılı olmaktadır. Bu ise eniyileme yaklaşımını seçerken ortamdaki değişimlerin özelliklerinin bilinmesi anlamına gelir. Halbuki gerçek hayatta bu her zaman mümkün olmayabilir. Ayrıca ortamın gösterdiği değişimin özellikleri de zaman içinde değişebilir. Bu durumda başta seçilen yaklaşım, eniyilemenin ilerleyen aşamalarında başarılı olmayabilir. Üst-sezgiseller problem uzayında problem ile etkileşim halinde olan ve aday çözümü güncelleyen alt seviyedeki sezgiseller aracılığı ile arama yapar. Alt seviyede kullanılan, probleme özel sezgiseller ise problemin çözüm uzayında arama yaparlar. Bu nedenle alt seviyedeki sezgiseller, üst-sezgiseller ile problemin çözüm uzayı arasında bir ara katman olarak düşünülebilir. Böylece problem uzayında aramayı alt sezgiseller yapmış olur. Bu özellik sayesinde bir üst-sezgisel, uygun alt sezgisellerin kullanılmasıyla, değiştirilmeden çeşitli problemlere uygulanabilir.Sezgisel seçen üst-sezgiseller konusunda yapılan araştırmaların temel hedefi, eniyilemenin genelleştirme seviyesini yükselterek pek çok farklı problem domeninde ve farklı özellikler gösteren ortamlarda uygulanabilir bir yaklaşım geliştirmektir. Bu nedenle üst-sezgiseller, doğaları gereği adaptif yapıdadırlar. Bu özellikleri sayesinde dinamik ortamlardaki değişimlere, herhangi bir dış müdahale gerektirmeden hızla uyum gösterip, etkin çözümler üretebilirler. Bu tezde öncelikle literatürde var olan üst-sezgisellerin dinamik ortamlar için uygunluğu üzerinde çalışılmıştır. Elde edilen bilgiler ışığında dinamik ortamlarda başarılı çözümler üretecek yeni üst-sezgisel yaklaşım geliştirilmiş ve başarımı ölçülmüştür.Tezin ilk aşamasında, otuz beş tek çözüm üreten sezgisel seçen üst-sezgisellerin başarımını, farklı değişim dinamikleri sergileyen sürekli dinamik eniyileme problemleri için değerlendirdik. Deneylerde üzerinde çalışmak için yapay oluşturulmuş test problemi (Moving Peaks Benchmark) kullanılmıştır. Ayrık eniyileme problemleri için sezgisel seçen üst-sezgisellerin birçok başarılı uygulamaları olmasına rağmen, bilgimiz dahilinde, bu çalışma reel değerli (sürekli) eniyileme problemleri için sezgisel seçen üst-sezgisellerin ilk uygulamalarından biridir. Bunun yanı sıra bu çalışma, bu teknikleri kullanarak dinamik eniyileme problemlerini ele alan çok az çalışma arasında yer almaktadır. Deneysel sonuçlar göstermiştir ki; uygun bileşenli öğrenme tabanlı üst-sezgiseller ortamdaki farklı tipteki değişimlere hızlı bir şekilde tepki gösterebilmekte ve onları takip edebilmektedir. Bu çalışma üst-sezgisellerin dinamik eniyileme problemlerini çözmek için uygun olduğunu göstermektedir. İkinci aşamada, karınca kolonisi algoritmasından esinlenerek yeni öğrenme tabanlı üst-sezgisel yaklaşım, karınca tabanlı seçim, geliştirilmiştir. Önerilen üst-sezgisel düşük seviyeli bütün sezgisel çiftleri arasındaki feromon yoğunluklarının bir matrisini tutar. Her adımda bir sezgisel, önceden çağırılan sezgisel ile düşük seviyeli sezgisel kümesinden her bir eleman arasındaki feromon değerlerine göre seçilir. Bu çalışmada iyileştiren ve eşit hareket kabul yöntemi kullanılmıştır. Önerdiğimiz üst-sezgisel yönteminin başarımı yapay oluşturulmuş test problemi (Moving Peaks Benchmark) kullanılarak değerlendirilmiştir. Test sonuçlarına göre, önerilen yaklaşım daha önceden dinamik ortamlar için en iyi olarak belirlenen sezgisel seçme yöntemleri ile benzer sonuçlar vermiştir.Önerilen yaklaşım ortam değiştiğinde herhangi bir özel eyleme gerek duymamaktadır. Fakat hareket kabul yönteminin doğası gereği, her bir değişimden sonra üretilen ilk çözüm adayı niteliğine bakılmaksızın kabul edilmektedir. Bundan dolayı hareket kabul yöntemi ortamdaki değişikliği algılamak zorundadır. Bu çalışmada ortamdaki değişimleri algılamak için basit bir yöntem kullanılmıştır. Bu yöntemde şu anki çözümün başarım değeri her adımda tekrardan hesaplanmaktadır. Eğer şu anki çözümün başarım değerinde bir değişiklik varsa ortam değişmiş demektir. Sezgisel seçme yöntemi olarak seçin fonksiyonu, destekli öğrenme ve karınca tabanlı seçim kullanılmıştır. Test sonuçlarına göre yeniden değerlendirme yöntemi bütün yaklaşımların başarımını azaltmıştır. Bu çalışmada ayrıca önerilen yaklaşımın kapsamlı bir analizi yapılmıştır. Bu amaçla önerilen yaklaşımın adaptasyon yeteneği ve algoritmaların parametrelerinin başarıma etkisi incelenmiştir. Deneysel sonuçlara göre, önerilen yaklaşım hızlı bir şekilde değişimlere uyum sağlayabilmektedir. Önerilen yaklaşım parametre atamalarından çok fazla etkilenmemekte ve geniş aralıklı parametre değerleri için benzer sonuçlar vermektedir. Tezin son aşamasında, önerilen yaklaşımın başarımı üç farklı uygulamada değerlendirilmiştir. Öncelikle, sezgisel seçen üst-sezgiseller çok popülasyonlu hibrid bir çerçeve içinde kullanılmışlardır. Bu çerçeve çevrimiçi ve çevrimdışı öğrenme mekanizmalarına dayanan üst-sezgiseller ile dağılım tahmini algoritmasının hibridleştirilmesine olanak sağlamaktadır. İyi çözümler üretmek için olasılık vektörlerinin listesi ilk aşamada çevrimdışı olarak öğrenilir. İkinci aşamada iki ayrı popülasyon ve her popülasyonun kendi olasılık vektörleri vardır. Bir alt popülasyon dağılım tahmini algoritması kullanarak örneklendirilirken, diğer alt popülasyon çevrimiçi olarak uygun olasılık vektörünü çevrimiçi aşamada öğrenilen olasılık vektörleri listesinden örneklemek için üst-sezgiselleri kullanır. Önerilen hidrid yöntemin başarımı farklı sezgisel seçme yöntemleri kullanılarak denenmiştir ve Rastgele Permütasyon metodunun daha başarılı olduğu gözlemlenmiştir. Ayrıca bu hibrid yapı literatürde iyi bilinen benzer yaklaşımlarla karşılaştırılmış ve bunlara göre daha iyi sonuç verdiği gözlemlenmiştir.Önerilen yöntem dinamik ortamlar için önerilmiştir. Bununla birlikte, yöntemin statik ortamlardaki başarımını gözlemlemek için, ikinci uygulama olarak, önerilen metot HyFlex arayüzü üzerinde uygulanmıştır. HyFlex'in Java uygulaması CHeSC2011 yarışmasında kullanılmıştır. Bu uygulama altı statik problem domeni sağlamaktadır. Önerilen yaklaşımın başarımı yarışmadaki katılımcılarla karşılaştırılmıştır. Son uygulama olarak önerilen yaklaşımın başarısı gerçek dünya problemi kullanılarak değerlendirilmiştir. Yapay oluşturulmuş test problemleri problem örneklerini yaratmak için kullanılan önemli araştırma araçları olup verilen domende bu örneklerin özelliklerini kontrol etmemizi sağlar. Bu problem örnekleri farklı algoritmaların başarımını karşılaştırmak için çoğunlukla kullanılmaktadırlar. Öte yandan, gerçek dünya problemleri yapay olarak oluşturulan örneklerden farklı olabilir. Yapay örnekleri kullanarak yapılan algoritmaların test edilmesi verilen algoritmanın gerçek dünya problemi üzerindeki asıl performansını yansıtmayabilir. Dolayısıyla, bu çalışmada, Dinamik Gezgin Satıcı Problemi olarak bilinen gerçek dünya problemi ele alınmış ve önerilen yaklaşımın başarımı değerlendirilmiştir. Dinamik Gezgin Satıcı Problemi örneklerini oluşturmak için literatürde çokça kullanılan Gezgin Satıcı Problemi' nin örneklerine trafik faktörü eklenmiştir. Genel olarak, test edilen problemler üzerinde önerilen metodun iyi sonuç verdiği gözlemlenmiştir. En son yapılan testler üst-sezgisellerin genel bir yapı olduğunu vurgulamıştır. Üst-sezgiseller hiçbir değişikliğe ya da parametre ayarlarına gerek duymadan bu çalışmada kullanılan tüm eniyileme problemlerine uygulanmıştır. Current state-of-the-art methodologies are mostly developed for stationary optimization problems. However, many real world problems are dynamic in nature. To handle the complexity of dealing with the changes in the environment, an optimization algorithm needs to be adaptive and hence capable of following the change dynamics. From the point of view of an optimization algorithm, the problem environment consists of the instance, the objectives and the constraints. The dynamism may arise due to a change in any of the components of the problem environment. Existing search methodologies have been modified suitably with respect to the change properties, in order to tackle dynamic environment problems. Population based approaches, such as evolutionary algorithms are frequently used for solving dynamic environment problem. Hyper-heuristics are high-level methodologies that perform search over the space of heuristics rather than solutions for solving computationally difficult problems. They operate at a higher level, communicating with the problem domain through a domain barrier. Any type of problem specific information is filtered through the domain barrier. Due to this feature, a hyper-heuristic can be directly employed in various problem domains without requiring any change, of course, through the use of appropriate domain specific low-level heuristics. Selection hyper-heuristics are highly adaptive search methodologies that aim to raise the level of generality by providing solutions to a diverse set of problems having different characteristics. In this thesis, we investigate single point search based selection hyper-heuristics in dynamic environments. We first work on the applicability of selection hyper-heuristics proposed in literature for dynamic environments. Then, we propose a novel learning hyper-heuristic for dynamic environments and investigate the performance of the proposed hyper-heuristic and its variants. In the first phase, the performances of thirty-five single point search based selection hyper-heuristics are investigated on continuous dynamic environments exhibiting various change dynamics, produced by the Moving Peaks Benchmark generator. Even though there are many successful applications of selection hyper-heuristics to discrete optimization problems, to the best of our knowledge, this study is one of the initial applications of selection hyper-heuristics to real-valued optimization as well as being among the very few which address dynamic optimization issues using these techniques. The empirical results indicate that learning selection hyper-heuristics which incorporate compatible components can react to different types of changes in the environment and are capable of tracking them. This study shows the suitability of selection hyper-heuristics as solvers in dynamic environments. In the second phase, we propose a new learning hyper-heuristic, called the {/em Ant-based Selection} ({/em AbS}), for dynamic environments which is inspired from the ant colony optimization algorithm components. The proposed hyper-heuristic maintains a matrix of pheromone intensities (utility values) between all pairs of low-level heuristics. A heuristic is selected based on the utility values between the previously invoked heuristic and each heuristic from the set of low-level heuristics. For this study, we employ the generic Improving and Equal acceptance scheme. We explore the performance of the proposed hyper-heuristic and its variants using Moving Peaks Benchmark (MPB) generator. The empirical results indicate that the proposed heuristic selection scheme provides slightly better performance than the heuristic selection scheme that was previously reported to be the best in dynamic environments. The proposed approach does not require any special actions whenever a change occurs in the environment. However, the first candidate solution generated after each change is accepted regardless of its quality. Therefore, the move acceptance needs to detect the change. In this study, we use a simple detection mechanism in which the current solution is re-evaluated at each step. If there is a change in the fitness of the current solution, a change is considered to be detected. We consider {/em Ant-based selection}, Choice Function and Reinforcement Learning as the heuristic selection methods. The results show that the re-evaluation process slightly deteriorates the performance of approaches for especially high frequency changes, however, the approach is suitable for cases where changes cannot be made known to the optimization algorithm. We then investigate the effect of the parameters of the proposed algorithm on overall performance. The results show that the settings of the parameters are not very sensitive and similar results are obtained for a wide range of parameter values.In the third phase, we explore the performance of the proposed hyper-heuristic through three different applications. As the first application, the selection hyper-heuristics are used in a hybrid multi-population framework. We use a hybridization of the Estimation of Distribution Algorithm (EDA) with hyper-heuristics in the form of a two-phase framework. We investigate the influence of different heuristic selection methods. The empirical results show that a heuristic selection method that relies on a fixed permutation of the underlying low-level heuristics is more successful than the learning approaches across different dynamic environments produced by a well-known benchmark generator. The proposed approach also outperforms some of the top approaches in literature for dynamic environment problems. Ant-based selection is proposed for dynamic environments. However, to see its performance in a stationary environment, Ant-based Selection is applied to six stationary optimization problems provided in HyFlex as the second application. The results are compared with the results of participants in CHeSC2011 competition. Finally, we present the performance of Ant-based Selection on a real-world optimization problem referred to as the Dynamic Traveling Salesman Problem. The overall results show that the proposed approach delivers good performance on the tested optimization problems. These last set of experiments also emphasize the general nature of hyper-heuristics. For all optimization problems in this study, all hyper-heuristics are applied without requiring any modifications or parameter tuning. 146

ÖZETSTATİK VE DİNAMİK GENELLEŞTİRİLMİŞ ATAMA PROBLEMLERİ İÇİN YARDIMLI BULUŞSAL YAKLAŞIMLARStatik optimizasyon problemlerinde uygunluk alanları süreç boyunca değişmezler ve önerilen algoritmaların asıl amacı verilen bir problem için optimum çözümü bulmaktır. Bununla birlikte, dinamik optimizasyon problemlerinde uygunluk fonksiyonu, problemin kısıtları, karar değişkenleri veya parametreler zamanla değişebilmektedir. Dinamik ortamlarda uygunluk alanları değişebildiğinden ana hedef global optimum değeri takip etmektir. Bu projede genelleştirilmiş atama problemlerinin statik ve dinamik versiyonları üzerine çalıştık. Genelleştirilmiş atama problemi NP-tam bir problemdir. Bu problemde amaç, her bir işin iş istasyonların kapasitelerini aşmadan yalnızca bir iş istasyonuna atanacak şekilde minimum maliyeti bulmaktır. Bu problemin dinamik versiyonunda işlerin maliyeti, kaynak tüketimleri ve kapasite kısıtlamaları süreç boyunca değiştirilmektedir. Bu projede ilk olarak statik genelleştirilmiş atama problemi için yardımlı buluşsal yaklaşımlar kullandık. Bir yardımlı buluşsal yöntem düşük seviyedeki sezgisel yöntemleri adaptif olarak kontrol eden yüksek seviyedeki bir sezgisel yöntemdir. Bu projede, önerdiğimiz yardımlı buluşsal yöntemler literatürde verilen iki algoritma ile karşılaştırıldı. Gerçekleştirdiğimiz deneylere göre, yardımlı buluşsal yöntemlerin diğer yöntemlerle benzer sonuçlar verdiğini gözlemledik.Ek olarak, dinamik genelleştirilmiş atama problemi için farklı yardımlı buluşsal yaklaşımlara bellek tabanlı teknik ekleyerek yeni buluşsal yaklaşımlar geliştirdik. Yardımlı buluşsal yaklaşımların diğer bellek tabanlı teknikten çevrimdışı performans metriği açısından daha iyi sonuçlar verdiğini gözlemledik. ABSTRACTHYPER-HEURISTIC BASED APPROACHES FOR STATIC AND DYNAMIC GENERALIZED ASSIGNMENT PROBLEMSIn a stationary optimization problem, the fitness landscape does not change during the process and the main goal of a proposed algorithm is to find an optimal solution for the given problem. On the other hand, in dynamic optimization problems, the fitness function, problem constraints, decision variables or even environmental parameters may change in time. Since the fitness landscape may change over time, the main motivation in a dynamic optimization problem is to track the global optimum value.In this thesis, we study the static and dynamic versions of the generalized assignment problem. The generalized assignment problem is an NP-complete problem to assign a set of jobs to a set of agents such that each job is assigned to exactly one agent to minimize the total cost without exceeding each agent’s resource capacity. On the other hand, the costs of jobs, resource consumption and the capacity constraints are changed during the process, in dynamic version of the problem. In this thesis, we first present the hyper-heuristic based approaches for the static generalized assignment problem. A hyper-heuristic is a high-level heuristic that adaptively controls a set of simple, predefined low-level heuristics. In this thesis, our proposed hyper-heuristic approaches are compared with three algorithms given in the literature. Based on the experimental study, it is observed that the hyper-heuristic approaches give competitive results with respect to quality of solutions for various problem instances.Additionally, we present new heuristics for the dynamic generalized assignment problem by extending the memory-based technique with various hyper-heuristic approaches. Our hyper-heuristic based approaches significantly outperform memory-based technique for various problem instances with respect to quality of solutions which is expressed with the offline performance metric.

Geçtiğimiz yıllarda, yapay zeka (AI) ve makine öğrenmesi alanlarında muhteşem bir araştırma yapılmıştır. Bununla birlikte, geçmiş ve son yıllarda, araştırma, yaklaşımı, makine öğreniminin ileri alanı olan 'Derin Öğrenme' alanına yoğunlaşmıştır. Bu yeni araştırma alanı, algoritmalarını görüntü tanıma, görüntü sınıflandırma, konuşma tanıma gibi problemlere uygularken daha iyi sonuçlar vererek çok ilgi çekici bir araştırma alanı haline gelmiştir. Bu çalışmada, Derin Sinir Ağları (Deep Neural Network - DNN) veya Çok Katmanlı Algılayıcı (Multi-Layer Perceptron - MLP), Evrişimsel Sinir Ağı (Convolutional Neural Network - CNN) ve Uzun Kısa Süreli Bellek (Long Short Term Memory - LSTM) adı verilen özel Reccurent Sinir Ağı (Recurrent Neural Network - RNN) olmak üzere üç Derin Öğrenme algoritması kullanarak MNIST, FASHION-MNIST, CIFAR-10 ve ARAPÇA veri setleri aracılığıyla el yazı karaktere tanıma ve resim sınıflandırma problemlere uygulandıktan sonra, ilk aşamada modellerimizin sonuçları karşılaştırılmıştır. İkinci aşama ise kullanılan algoritmalar literatürde önerilen benzer modellerin sonuçlarıyla kıyaslamıştır. Bu araştırmada, gerekli yöntem ve ortam hazırladıktan sonra DNN, CNN ve RNN modelleri oluşturarak hiper-parametrelerini belirlenmiştir. Deneysel bölümünde, kullanılan veri setlerine göre, önerilen modeller test verilerindeki doğruluk (accuracy) ve kayıp (loss) değerleri bakımından alınan sonuçları Tensorboard ortamında optimum dönem (epoch) sayıları bazında modellerin test tamamladığında davranışları grafiksel olarak gösterilmiştir. Modellerin kıyaslaması için yine veri setlerine göre sütun grafikleri çizilmiştir. Kıyaslamadan el yazı karakter ve resim sınıflandırmada, CNN modeli en iyi olduğunu kaydedilmiştir. RNN ve CNN açısından, aynı veri seti kullanılan benzer çalışmalar karşılaştığında, bu tezde oluşturulan modellerin daha iyi sonuç verdikleri izlenmiştir. Deneysel çalışma sonunda, tüm modellerimiz RNN (LTSM) Cifar-10 veri seti hariç, doğruluk değerlerinin gittikçe arttıkları ve kayıp değerlerinin gittikçe azaldıkları kaydedilerek modellerin iyi eğitmeleri ve test etmelerini ortaya çıkmıştır. RNN (LTSM) modeli, iyi sonuçları vermesine rağmen karakter tanıma ve resim sınıflandırmada pek uygun olmadğını kaydedilmiştir. Bu çalışmanın ardından Zıt Konumluluk Kavramı kullanılarak İkili Parçacık Sürü Optimizasyonu bir algoritması önerilerek DNN modeli Arapça veri seti üzerinde doğruluk ve kayıp değerleri değerlendirilmiştir. Through the past years, a marvelous research has been done on the fields of artificial intelligence or AI and machine learning. However, in the past and recent years, research has concentrated to the deep learning area which is the approach of AI, the advanced field of machine learning. This new field of reseach has given the better results while applying its algoritms to the problems such images recognation, images classification, speech recognation and that made it become a very interesting field of research. In this work, we apply three of Deep Learning algorithms which are Deep Neural Networks (DNN) or Multi Layers Perceptron (MLP), Convulutional Neural Network (CNN) and special type of Reccurent Neural Network (RNN) called Long Short Term Memory (LSTM). Those algorithms are applies to the problems such image recognition and image classification through MNIST, FASHION-MNIST, CIFAR-10 and ARABIC datasets in order to compare our models results between them at the first time, and secondly with others models that used the similar models in solving problems. In this study, after preparing the necessary methods and environment, DNN, CNN and RNN models were created and hyper-parameters were determined. In the experimental part, the results of the proposed models in terms of accuracy and loss values in the test data according to the data sets used are shown graphically when the models complete the test on the basis of the optimum epoch numbers in the Tensorboard environment. For comparison of the models, column chart were drawn according to the data sets. From that comparison, CNN model is recorded as the best one. In terms of RNN and CNN, it was observed that the models produced in this thesis yielded better results when compared to similar studies using the same data set. At the end of the experimental study, Except RNN (LTSM) model when tested with Cifar-10 dataset, it was recorded that the accuracy values were increasing and the loss values were decreasing gradually up to their optimum epoch values which mean the models are well trained and tested. Although good results were noted with RNN (LTSM) model, it seems not to be a very suitable model in charater recognition and image classification. Following this study, Binary Particle Swarm Optimization together with Opposition-Based Learning was proposed to evaluate the accuracy and loss values on the Arabic data set of DNN model. 95

Bu tezde, çok amaçlı çok atamalı anadüğüm ağ tasarımı ve yönlendirme problemi için yenibir model sunuyoruz. Model, ağdaki ana düğümlerin atanmasını, ana düğümler arası ve anadüğüm ve düğümler arası ağın tasarımı, ve her bir kaynak-hedef düğüm ikilileri için ağiçerisindeki yönlendirmenin tasarlanmasını kapsar. Seçilen ana düğümlerin herbirinin kendiiçerisinde bağlı olma koşulu yoktur, ve ağdaki herbir ana düğüm ve düğümler arasıbağlantıların önceden belirlenmiş kapasite kriterleri vardır. Çok amaçlı problemin amaçları;toplam sabit masrafların ve yönlendirme masraflarının toplamının minimizasyonu veyönlendirmedeki maksimum ulaştırma süresinin minimizasyonudur. Bu tezde çok amaçlıproblem için matematiksel formül tasarlanmış ve bu alanda sıklıkla kullanılan çok amaçlıgenetik algoritma ve benzetimli tavlama tabanlı meta-sezgisel çözümler sunulmuştur.Tasarlanan matematiksel formülasyonu kullanarak, 5 düğümlü ve 7 düğümlü küçük ağlariçin optimum çözümü bulabiliyoruz. Geliştirdiğimiz sezgisel yaklaşımın performansınıgerçek verilerle ölçmek için, hesaplama deneyleri 20 düğüme indirgenmiş Avustralya postaveri seti ve Türk posta sistemi veri seti üzerinde yapılmıştır. Karşılaştırmalı kıyaslamalargeliştirilmiş tüm sezgisel operatörler için yapılmış, en iyi konfigürasyonların sonuçlarıtartışılmıştır. Sonuçlar, tasarladığımız sezgisel yaklaşımın makul süreler içerisinde;Avustralya posta sistemi için 15 saniyeden kısa bir sürede ve Türk posta sistemi için 10dakikadan kısa bir sürede olası çözümler bulabilmiştir. In this thesis, we propose a new model for the multi-objective multiple allocation hubnetwork design and routing problem which contains determining the location of hubs, thedesign of hub network, and the routing of commodities between source-destination pairs inthe given network. The selected hubs are not assumed to be fully connected, and each nodeand arc in the network has capacity constraints. The multiple objectives of the problem arethe minimization of total fixed and transportation costs and the minimization of themaximum travel time required for routing. We propose a mathematical formulation for themulti-objective problem and present 2 meta-heuristic solutions, one based on a well-knownmulti-objective evolutionary algorithm and the other based on simulated annealingalgorithm. Using the proposed formulation, we are able to find optimal solution for smallnetworks of 5 nodes and 7 nodes. To evaluate the performance of our heuristic approach onreal data, the computational experiments are conducted on reduced AP data set with 20nodes and Turkish postal system data set. Comparative benchmarks are applied to a numberof heuristic operators and results of best configurations are discussed. The resultsdemonstrate that our heuristic approach can find feasible solutions to the problem inreasonable execution time, which is less than 15 seconds for AP data set and less than 10minutes for Turkish postal system data set. 82

Bu tezde, çok amaçlı çok atamalı anadüğüm ağ tasarımı ve yönlendirme problemi için yenibir model sunuyoruz. Model, ağdaki ana düğümlerin atanmasını, ana düğümler arası ve anadüğüm ve düğümler arası ağın tasarımı, ve her bir kaynak-hedef düğüm ikilileri için ağiçerisindeki yönlendirmenin tasarlanmasını kapsar. Seçilen ana düğümlerin herbirinin kendiiçerisinde bağlı olma koşulu yoktur, ve ağdaki herbir ana düğüm ve düğümler arasıbağlantıların önceden belirlenmiş kapasite kriterleri vardır. Çok amaçlı problemin amaçları;toplam sabit masrafların ve yönlendirme masraflarının toplamının minimizasyonu veyönlendirmedeki maksimum ulaştırma süresinin minimizasyonudur. Bu tezde çok amaçlıproblem için matematiksel formül tasarlanmış ve bu alanda sıklıkla kullanılan çok amaçlıgenetik algoritma ve benzetimli tavlama tabanlı meta-sezgisel çözümler sunulmuştur.Tasarlanan matematiksel formülasyonu kullanarak, 5 düğümlü ve 7 düğümlü küçük ağlariçin optimum çözümü bulabiliyoruz. Geliştirdiğimiz sezgisel yaklaşımın performansınıgerçek verilerle ölçmek için, hesaplama deneyleri 20 düğüme indirgenmiş Avustralya postaveri seti ve Türk posta sistemi veri seti üzerinde yapılmıştır. Karşılaştırmalı kıyaslamalargeliştirilmiş tüm sezgisel operatörler için yapılmış, en iyi konfigürasyonların sonuçlarıtartışılmıştır. Sonuçlar, tasarladığımız sezgisel yaklaşımın makul süreler içerisinde;Avustralya posta sistemi için 15 saniyeden kısa bir sürede ve Türk posta sistemi için 10dakikadan kısa bir sürede olası çözümler bulabilmiştir.--------------------In this thesis, we propose a new model for the multi-objective multiple allocation hubnetwork design and routing problem which contains determining the location of hubs, thedesign of hub network, and the routing of commodities between source-destination pairs inthe given network. The selected hubs are not assumed to be fully connected, and each nodeand arc in the network has capacity constraints. The multiple objectives of the problem arethe minimization of total fixed and transportation costs and the minimization of themaximum travel time required for routing. We propose a mathematical formulation for themulti-objective problem and present 2 meta-heuristic solutions, one based on a well-knownmulti-objective evolutionary algorithm and the other based on simulated annealingalgorithm. Using the proposed formulation, we are able to find optimal solution for smallnetworks of 5 nodes and 7 nodes. To evaluate the performance of our heuristic approach onreal data, the computational experiments are conducted on reduced AP data set with 20nodes and Turkish postal system data set. Comparative benchmarks are applied to a numberof heuristic operators and results of best configurations are discussed. The resultsdemonstrate that our heuristic approach can find feasible solutions to the problem inreasonable execution time, which is less than 15 seconds for AP data set and less than 10minutes for Turkish postal system data set.