Çunkaş, MehmetSağ, Tahir2017-12-122017-12-122008-01-21Sağ, T. (2008). Çok kriterli optimizasyon için genetik algoritma yaklaşımları. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya.https://hdl.handle.net/20.500.12395/7041Gerçek dünya problemleri genelde çok amaçlıdır. Bu problemlerin çözümü birbiriyle çelişen çoklu amaçların eşzamanlı olarak optimizasyonunu gerektirir. Çok amaçlı optimizasyon tek amaçlı optimizasyondan çok farklıdır. Tek-amaçlı optimizasyonda amaç, en iyi olan tek bir tasarım veya kararı elde etmektir. Çok amaçlı optimizasyonda ise birbiriyle çelişen amaçlar, içersinde üzerinde uzlaşma sağlanan bir optimal çözümler kümesi elde edilir. Bu küme genellikle Pareto-Optimal çözümler kümesi olarak adlandırılır. Çok amaçlı optimizasyon problemlerinin çözümü için 1985'ten bu yana evrimsel algoritmaları kullanan çeşitli yaklaşımlar önerilmiştir. Bu tez çalışmasında, başlıca sekiz adet çok amaçlı evrimsel algoritma (Vektör Değerlendirmeli Genetik Algoritma, Çok Amaçlı Genetik Algoritma, Hücrelendirilmiş Pareto Genetik Algoritması, Bastırılmamış Sınıflandırmalı Genetik Algoritma, Bastırılmamış Sınıflandırmalı Genetik Algoritma II, Kuvvet Pareto Evrim Algoritması, Kuvvet Pareto Evrim Algoritması 2 ve Pareto Zarflama-Temelli Seçim Algoritması) orijinal halleri esas alınarak detaylı olarak incelenmiştir. Algoritmaların değerlendirilmesi için bazı performans ölçütleri kullanılmıştır. Tüm algoritmalar için C ailesinin son uzantısı olan nesne yönelimli görsel programlama dili C# kullanılarak MOEAT(Multiobjective Evolutionary Algorithms Tool) adı verilen ortak bir arayüzde editör ve simülasyon yazılımı geliştirilmiştir. Ayrıca, literatürden seçilen sekiz adet test problemi ve iki adet mühendislik problemi aracılığıyla, yazılımın kullanılabilirliği ve işlevselliği denenmiştir.Real world problems are multiobjective in nature. Solution of these problems mostly require the optimization of conflicting objectives each other simultaneously. Multiobjective optimization is principally different from single objective optimization. In single-objective optimization, it is attempted to obtain the best design or decision for an objective. In multiobjective optimization, the objectives which are in competition with each other cause the results to be drifted to not only a solution but to a set of compromise optimal solutions. Such solutions are known as Pareto-Optimal solutions. Various approaches used evolutionary algorithms have been proposed to solve optimization problems since 1985. In this thesis study, mainly eight multiobjective evolutionary algorithms (Vector Evaluated Genetic Algorithm, Multiobjective Genetic Algorithm, Niched Pareto Genetic Algorithm, Nondominated Sorting Genetic Algorithm, Nondominated Sorting Genetic Algorithm-II, Strength Pareto Evolutionary Algorithm, Strength Pareto Evolutionary Algorithm 2, and Pareto Envelope-based Selection Algorithm) have been examined in detail by taking into consideration original papers published. Some performance metrics to evaluate the algorithms have been observed. And all algorithms have been developed as an editor simulation software called MOEAT (Multiobjective Evolutionary Algorithms Tool) in common interface by using object oriented programming language, C#, which is the final extension of C family. Also the software was run over eight test problems, and two real world engineering problems which were used on this issue and taken from literature, and hopeful results were obtained.trinfo:eu-repo/semantics/openAccessÇok amaçlı optimizasyonPareto-optimal çözümlerEvrimsel algoritmalarMultiobjective optimizationPareto-optimal solutionsEvolutionary algorithmsMaster Thesis