<strong>Titresimli</strong> <strong>Genetik</strong> <strong>Algoritma</strong> <strong>ile</strong> <strong>Hizlandirilmis</strong> Kanat Profili Optimizasyonudaha az islemle ve dolayisiyla daha kisa süredeaerodinamik dizayn ve optimizasyon yapilmasinisaglayacak genetik algoritmalara ihtiyaç vardir.Geçtigimiz yakin zaman içerisinde bazi hizli GAyöntemleri ortaya atilmistir. Falco ve digerleri [1]Breeder <strong>Genetik</strong> <strong>Algoritma</strong>si’ni [2] aerodinamik dizaynve optimizasyon için uygulamislar ve hizli yakinsamasaglamislardir. Aerodinamik dizayn ve optimizasyondakullanilacak olan ve hesap süresini azaltan birmutasyon teknigi yine Falco ve digerleri [3] tarafindangelistirilmistir. Vicini ve Qualiarella [4], gradyan esasliyöntemle GA teknigini birlestiren melez (hybrid) birmetot gelistirerek islem sayisini azaltmislardir. Tse veChan [5], mikro genetik algoritma <strong>ile</strong> yapay sinir agikullanimini birlikte yaparak hizli bir algoritma eldeetmislerdir.Titresim yaklasimi tarafimizdan önerilmis ve buyaklasimi kullanan GA, <strong>Titresimli</strong> <strong>Genetik</strong> <strong>Algoritma</strong>(TGA) olarak isimlendirilmistir. Yöntemin,sikistirilamaz, vizkoz olmayan, sesalti akis sartlari içinkanat profili dizaynina uygulamasi [6]'da yapilaraketkinligi gösterilmistir. Bu çalismada TGA, transonikkanat profili optimizasyonuna uygulanarak etkinligiarastirilmistir.<strong>Titresimli</strong> <strong>Genetik</strong> <strong>Algoritma</strong> (TGA), etkin birçesitlililik (diversity) <strong>ile</strong> arama ve bulmayi(exploration/exploitation) saglamasi nedeniyleyakinsama performansini arttiran bir yöntemdir.Titresimden kasted<strong>ile</strong>n, genetik islemlerde kullanilanbirtakim parametrelerde meydana getir<strong>ile</strong>n bazi dalgaformlarindaki salinimdir. Titresim yaklasimi hemmutasyon [6], hem de çaprazlama [6,7] islemleri içinkullanilabilir.2. <strong>Titresimli</strong> genetik algoritmaObayashi ve digerlerinin [8] belirtikleri gibi, reel kodluGA’lar için kullanilan mutasyon oraninin, ikiliksistemde kodlanmis (binary coded) GA’lardakullanilana göre daha büyük degerler almasi gerekir.Bunun nedeni, ikilik sistemde kodlanmis bir sayinin birhanesinde yapilacak bir degisikligin, sayi degerinibüyük oranda degistireb<strong>ile</strong>cek olmasidir. Oysa reelkodlu bir sayi için benzeri bir islemin önemli birdegisiklige yol açma sansi daha azdir. Dolayisiyla,ikilik sistemdeki bir GA <strong>ile</strong> ayni mutasyon oraninikullanan reel kodlu bir GA dizayn uzayini aramaaçisindan daha zayif kalacaktir. Reel kodlu GAkullanilirken mutasyon oraninin yüksek tutulmasi,dizayn uzayinin algoritma tarafindan tam olarakarastirilabilmesini saglayacaktir. Bu düsünce, önermisoldugumuz ve takip eden bölümde açiklanacak olan<strong>Titresimli</strong> Mutasyon teknigi <strong>ile</strong> gerçeklestir<strong>ile</strong>bilir. Bumutasyon esasli titresim yaklasimi, dizayn uzayinindegisik bölgelerinden es zamanli olarak örneklemeyapilmasi ve böylece global optimumun mümkünoldugunca çabuk yakalanabilmesi ilkesine dayanir. Buamaçla, popülasyondaki her birey titresim yaklasimi <strong>ile</strong>periyodik olarak mutasyon geçirir ve popülasyonundizayn uzayina yayilmasi saglanir. Böylece yereloptimumlardan çabuk kurtulmak ya da bunlara hiçyakalanmamak, daha uygun bireyleri kesfetmek mümkünolab<strong>ile</strong>cektir.3. <strong>Titresimli</strong> MutasyonMutasyon esasli titresim yaklasimi yen<strong>ile</strong>meden hemensonra uygulanir. Uygulama, Sekil 1.a’da gösterildigi gibi,genetik sürecin baslangicindan itibaren periyodik olarakgerçeklestirilir. Ilk adimi takiben, genligi rassal birsekilde degisen bir dalga popülasyona etki ettirilir.<strong>Titresimli</strong> mutasyon sirasinda, popülasyondaki bütünkromozomlarin (bireyler) tüm genleri asagidaki dalgayabagli olarak mutasyon geçirirler.ymi?ymim ? 1,...., ni ? 1,...., kn? 1 ? w1?MA?0.5 ? u??Burada y gen (kontrol noktasi), kn kromozomdaki toplamgen sayisi, n popülasyondaki toplam birey (kromozom)sayisi, MA ana genlik ve u [0,1] araliginda rassal bir reelsayi olup, w1, bir civarinda reel bir sayidir.Dalga uygulamasi, ilk kromozomun belirli bir sirasindakigenden baslar ve Sekil 1.b’de gösterildigi gibi digerkromozomlardaki ayni siradaki genler boyunca devameder. Bu islem popülasyondaki tüm bireylere her IPperiyodda uygulanir. IP bir tam sayi olmak üzere,mutasyon orani P m =1/IP’dir. <strong>Genetik</strong> süreç boyunca iyibir performans yakalanmasi için titresim periyodu IP’ninuygun bir degere sabitlenmesi gereklidir. Bu periyoddegerinin (dolayisiyla mutasyon orani P m degerinin)büyüklügü metodun performansini etk<strong>ile</strong>yecektir.Titresim uygulamasi, yeni popülasyondaki bireylerinçözüm bölgesinde (dizayn uzayi) rassal bir sekildeyayilmasini saglar. Bu yeni popülasyondan itibarengenetik süreç belli bir süre (IP periyoduna göre) titresimuygulamasi olmaksizin devam eder. Çünkü titresimsonucu ortaya çikan popülasyondan en uygun bireylerinelde ed<strong>ile</strong>bilmesi biraz zaman alacaktir. Sonra tekrartitresim uygulamasi yapilarak en son adimda bulunmusolan popülasyonun çözüm bölgesine yayilmasi saglanir.Titresimle ortaya çikan rassal bir sekilde çözüm bölgesineyayilmis popülasyon yerel optimumlardan çabukkurtulmayi ya da bunlara hiç takilmamayi saglar.TGA’nin en önemli özelligi budur. Öte yandan, genetiksüreç devam ederken popülasyonun ortalama uygunlukdegerine dikkat edilmesi gereklidir. Ortalama uygunlukdegeri artarken, titresim amaciyla kullanilan dalganin anagenligi azaltilmalidir. Ortalama uygunluk degerininartmasiyla global optimuma yaklasilacagi için, titresimuygulamasi sirasinda popülasyonun baslangiçtaki gibi çok(1)HACIOGLU, ÖZKOL2
<strong>Titresimli</strong> <strong>Genetik</strong> <strong>Algoritma</strong> <strong>ile</strong> <strong>Hizlandirilmis</strong> Kanat Profili Optimizasyonugenis bir bölgeye yayilmasi gereksiz olacaktir ve buayni zamanda performansi olumsuz etk<strong>ile</strong>yecektir.Bununla beraber, global optimuma yaklasilirkenpopülasyonu dar bir aralikta titresime maruz birakmakglobal optimumu yakalamayi hizlandiracaktir. Bunedenle ana genlik degeri MA genetik süreç boyuncaasagidaki gibi belirlenir:? log( 1?AF0)?MA ? ??? log(1 ? AF k ) ?r(2)AF 0 ve AF k sirasiyla genetik sürecin baslangiçadimindaki ve içinde bulunulan adimindaki ortalamauygunluk degerleri olup r reel bir sayidir. <strong>Genetik</strong>sürecin ilk adiminda MA=1 olacaktir. Eger ilk adimiçin 1’den farkli bir sayi arzu edilirse, MA birparametre <strong>ile</strong> çarpilarak istenen ayarlama yapilabilir.MA, olab<strong>ile</strong>cek en büyük dalga genligidir. Denklem(2)’deki r, MA degerin in azalma hizini belirler. Hizlibir azalma için r büyük bir deger almali, yavas birazalma için ise r küçültülmelidir.Bu bölümde ver<strong>ile</strong>n formüller FOTRAN programlamadilinde asagidaki yazilir:MA=(log(1+AF0)/log(1+AFk))**rdo j=1, kndo i=1,ny(i,j)=y(i,j)*(1+w*MA*(0.5-u))enndoenddo<strong>Titresimli</strong> mutasyon islemlerini (ayni zamandayukaridaki FORTRAN kodun) kisaca su sekildeözetleyebiliriz: <strong>Genetik</strong> sürecin ilk adiminda, uygunlukdegerlerinin hesaplanmasi, uygun bireylerin seçimi veyen<strong>ile</strong>me is lemlerini takiben ortaya çikan yeni bireyleretitresim uygulamasi yapilir. Ilk olarak, bütünkromozomlarin ilk siradaki genleri (j=1) bastan sona(i=1’den n’e kadar) titresime tabi tutulur. Bunu takibenbütün kromozomlarin ikinci sirasindaki (j=2) genler aynisekilde (i=1’den n’e kadar) titresimden geçer. Tümkromozomlarin son sirasindaki genler (j=kn) detitresimden geçtikten sonra baslangiç adimi için titresimuygulamasi sana erer. <strong>Genetik</strong> süreç, bunu takip eden IP-1 adiminda (mutasyon orani P m =1/IP), titresimuygulamasi olmaksizin mutat sekilde (uygunlukdegerlerinin hesaplanmasi, seçim, yen<strong>ile</strong>me) devam eder.IP nci adimda, ayni ilk adimda oldugu gibi titresimuygulamasi yapilir. Bu uygulama genetik süreç devamederken her IP adimda bir tekrarlanir.4. Test fonksiyonuna uygulamaTest fonksiyonu asagidaki gibi tanimlanan Griewankfoksiyonudur:fGriewank210 xi? ? ? ?400010i? 1 i? 1? xi?cos?? ? 1? i ?Fonksiyonun –600 <strong>ile</strong> 600 araliginda global optimumubulunacaktir. Bu fonksiyon x i =0, i=1,…,10 için f Griewank =0olacak sekilde global minimuma sahiptir. Griewankfoksiyonu belirt<strong>ile</strong>n aralikta çok fazla yerel optimumuolan bir fonksiyondur.Uygulamada çaprazlama islemi için BLX-? yöntemi [9]kullanilacaktir. Bu yöntem;veYeniBireyYeniBirey12? ? ( 1?2?) u ? ?? (1 ? ? ) ? Birey? ? ? Birey11? ? ? Birey? (1 ? ? ) ? Bireyseklinde tanimlanir. Burada u [0,1] araliginda rastgele bir22Baslangiç PopülasyonuTitresim dogrultulari.SonuçHesaplama{(y 1 ), (y 2 ), (y 3 ),…………, (y kn )} 1{(y 1 ), (y 2 ), (y 3 ),…………, (y kn )} 2SeçimYen<strong>ile</strong>me{(y 1 ), (y 2 ), (y 3 ),…………, (y kn )} 3. . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . .KromozomlarHer IP adimda<strong>Titresimli</strong> MutasyonSekil 1.a: <strong>Titresimli</strong> mutasyonun akis semasi.{(y 1 ), (y 2 ), (y 3 ),…………, (y kn )} nGenlerSekil 1.b: Titresim dogrultulari.HACIOGLU, ÖZKOL3