Çok amaçlı genetik algoritmalar: Temelleri ve uygulamaları

Bu çalışmada topluluk tabanlı bir optimizasyon yöntemi olan genetik algoritmalar (GA) incelenmektedir. Tezin ana amacı, çok amaçlı genetik algoritmaların (ÇAGA) puanlama ve elitizm mekanizmalarının iyileştirilmesidir. Bireylerin baskınlık gücünden yararlanan, çeşitlilik için farklı yöntemler içeren, iki yeni ÇAGA yöntemi (DOPGA+, DOPGA2) önerilmektedir. Bu yöntemler daha önce önerilen DOPGA yönteminde bazı değişiklikler yapılarak elde edilmiştir. Önerilen yöntemler literatürde sık kullanılan yöntemlerle (SPEA ve SPEA2) yakınsama ve çeşitlilik ölçütleri üzerinden karşılaştırılmışlardır. Ayrıca, literatürde yer alan bazı yöntemlerin (NSGA ve SPEA) puanlama yeteneğini artırmak için, ÇAGA yöntem iyileştirmeleri önerilmiş ve bunlar orjinal yöntemlerle karşılaştırılmışlardır.Bireylerin seçilme baskısının seçme mekanizmasından önce değiştirilerek, ÇAGA' ların başarımının artırılması için gama düzeltmesi ile puan ölçekleme (GDPÖ) yöntemi önerilmiştir. Bu yöntem, çeşitli gama değerleri kullanılarak, tek amaçlı GA' lar ile literatürde sık kullanılan ve yeni önerilen ÇAGA yöntemlerine uygulanmıştır. Sonuç olarak, GDPÖ ile yakınsama yeteneğinin artırılabileceği görülmüştür. Elitizm mekanizması GA' ların başarımını önemli ölçüde artırmaktadır. Bu çalışmada, literatürde yer alan pasif sakla/aktar yapıdaki elitizm mekanizması, sakla/uyar/aktar yapıdaki etkin elitizm mekanizması ile yer değiştirilerek, ÇAGA' ların başarımının artırılabileceği görülmüştür. ÇAGA yöntemlerinin sıralama (puan atama) yeteneklerinin ölçülmesi için Ceza ve Ödül başarım ölçütleri tanımlanmıştır. Bu iki ölçüt ile bir ÇAGA yöntemi tarafından seçme mekanizmasına ne kadar nitelikli bilgi aktarıldığı sezgisel ve istatistiksel olarak tespit edilebilmektedir.Son olarak, önerilen ve literatürde sık kullanılan ÇAGA yöntemlerini içinde barındıran bir kullanıcı arayüzü (MATGAT) tasarlanmıştır. Bu arayüz sayesinde kullanıcılar istedikleri parametreleri, seçme mekanizmasını ve test işlevini, seçtikleri ÇAGA yöntemine uygulayarak, başarımlarını ölçebilmektedirler. In this study, the genetic algorithm (a population-based optimization method) has been investigated and improved. The main goal of the thesis is to improve the fitness assignment and elitism mechanisms of the multi-objective genetic algorithms (MOGAs). The proposed two MOGAs (DOPGA+, DOPGA 2) use the definition of domination power of the individuals. Hence, they do not need extra parameter for promoting diversity. The proposed methods are derived from the existing DOPGA method. The proposed methods have been compared with some well-known methods (SPEA and SPEA2) in terms of diversity and convergence properties. Furthermore, fitness assignment capabilities of some existing methods (NSGA and SPEA) have been modified and improved and the comparative simulation results have been reported.To be able to change the selection pressures of the individuals before the selecting mechanism, a gamma correction based fitness scaling method (GCFS) is proposed in order to improve the performance of the MOGAs. This method is embedded into the single objective GAs and newly proposed MOGAs using different gamma values. As a result, the convergence ability of MOGAs with GCFS shown to be improved. The presence of elitism can also significantly improve the performance of MOGAs. The classical holding/sending back type passive elitism mechanism is replaced by the proposed holding/exciting and sending back type effective elitism mechanism (EFE). It is shown that the convergence performance of MOGAs can slighlty be improved by using the EFE. The reward and punishment concept is introduced to measure fitness assignment capabilities of MOGAs with the help of two proposed metrics. How much useful information can be generated and passed into the selection mechanism by MOGA methods can now be determined heuristically and statistically.Finally, a graphical user interface (MATGAT) is designed for easy-use. Users can measure the performance of selected MOGAs by implementing any parameters, any selection mechanism and any test functions with MATGAT software. 239