Parçacık sürü optimizasyonu algoritmasının gezgin satıcı problemine uygulanması ve performansının incelenmesi
| dc.contributor.advisor | Çunkaş, Mehmet | |
| dc.contributor.author | Özsağlam, Mehmet Yasin | |
| dc.date.accessioned | 2018-01-11T10:26:39Z | |
| dc.date.available | 2018-01-11T10:26:39Z | |
| dc.date.issued | 2009 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Elektronik ve Bilgisayar Sistemleri Eğitimi Ana Bilim Dalı | en_US |
| dc.description.abstract | Bir çok optimizasyon tekniği doğadaki olaylardan esinlenerek geliştirilmiştir. Parçacık Sürü Optimizasyonu (PSO), kuş ve balık sürülerinin sosyal davranışlarını gözlemleyerek geliştirilen popülasyon temelli bir optimizasyon algoritmasıdır. Bu çalışmada, PSO algoritması, 8 ayrı test problemi üzerine uygulanmış, Genetik Algoritmalar (GA) ve Diferansiyel Evrim Algoritmaları (DEA) ile performansı karşılaştırılmıştır. PSO ayrıca, NP-zor sınıfına giren Gezgin Satıcı Problemi'nin (GSP) çözümü için uygulanmış ve performansı Genetik Algoritma ile karşılaştırılmıştır. GSP problemleri olarak 6 küçük boyutlu GSP, 4 orta boyutlu GSP, Türkiye haritası üzerinde il merkezleri ve ilk defa ilçe merkezleri ele alınmıştır. Sürekli fonksiyonların çözümünde PSO algoritması oldukça başarılı sonuçlar üretmiştir. DEA ise GA' ya göre iyi performans göstermesine rağmen PSO' ya göre daha kötü sonuçlar üretmiştir. GSP problemlerinde ise PSO jenerasyon sayısı olarak GA' ya göre daha iyi olmasına rağmen, ortalama yol uzunluğu olarak daha kötüdür. Sonuç olarak PSO algoritması sürekli fonksiyonların çözümünde oldukça başarılı bir sonuç göstermiştir. Ayrıca GSP çözümlerinde ise jenerasyon sayıları açısından daha iyi sayılabilir. | en_US |
| dc.description.abstract | Many of the optimisation techniques have been devoloped by the inspiration of naturel occurance events. Particle Swarm Optimization (PSO), is a population based optimization algorithm which is devoloped by the observation of bird and fish swarms social behaviors. In this study, PSO algorithm is applied on a 8 different test functions and the results are compared with Genetic Algorithms (GA) and Differantiel Evolution Algorithms (DEA). PSO specially, applied on the solution of Travelling Salesman Problem (TSP) which is catogorized as a NP-hard and also the solutions are compared with Genetic Algorithms (GA). As the TSP, problems are applied on a 6 small sized TSP, 4 medium sized TSP and province of Turkey map and the first time on the districts of Turkey. On continuous function solutions PSO algorithm has generated a successful solutions. DEA has a successfull performance than GA but less solutions than PSO. On TSP solutions PSO has succesfull generation numbers than GA but unsuccessful by the avarage tour length. As a result PSO algorithm has a good solution on continous functions. Besides PSO can be accepted as successful in terms of generation number. | en_US |
| dc.identifier.citation | Özsağlam, M. Y. (2009). Parçacık sürü optimizasyonu algoritmasının gezgin satıcı problemine uygulanması ve performansının incelenmesi. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/7732 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Selçuk Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.selcuk | 20240510_oaig | en_US |
| dc.subject | Genetik algoritmalar | en_US |
| dc.subject | Genetic algorithms | en_US |
| dc.subject | Optimizasyon | en_US |
| dc.subject | Optimization | en_US |
| dc.subject | Yapay zeka | en_US |
| dc.subject | Artificial intelligence | en_US |
| dc.title | Parçacık sürü optimizasyonu algoritmasının gezgin satıcı problemine uygulanması ve performansının incelenmesi | en_US |
| dc.title.alternative | Application of particle swarm optimisation algorithm to travelling salesman problem and its performance investigation | en_US |
| dc.type | Master Thesis | en_US |
