<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Hilal YÜKSEL on Medium]]></title>
        <description><![CDATA[Stories by Hilal YÜKSEL on Medium]]></description>
        <link>https://medium.com/@hilalyank?source=rss-64833b0837c6------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*VskXItUNJhL-nGCUxGmZXQ@2x.jpeg</url>
            <title>Stories by Hilal YÜKSEL on Medium</title>
            <link>https://medium.com/@hilalyank?source=rss-64833b0837c6------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 06:06:21 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@hilalyank/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Yapay Zeka Optimizasyon Teknikleri Nelerdir ?]]></title>
            <link>https://medium.com/@hilalyank/yapay-zeka-optimizasyon-teknikleri-nelerdir-ce4b927c389d?source=rss-64833b0837c6------2</link>
            <guid isPermaLink="false">https://medium.com/p/ce4b927c389d</guid>
            <dc:creator><![CDATA[Hilal YÜKSEL]]></dc:creator>
            <pubDate>Sat, 14 Nov 2020 09:52:04 GMT</pubDate>
            <atom:updated>2020-11-14T10:33:09.162Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Yapay Zeka Optimizasyon Teknikleri Nelerdir ?</strong></h3><p>Geçtiğimiz yüzyılın son çeyreğinde bilgisayar teknolojisinde yaşanan büyük gelişim sonucu, optimizasyon yöntemlerinin fen, sosyal ve sağlık bilimlerinin her uygulamalarındaki kullanımı giderek artmış ve günümüzün mühendisleri zamanlarının pek çoğunu bilgisayarlar başında, sayısal modellemeler ve çözümler için harcamaya başlamışlardır.</p><p>Bu gelişmelerin ışığında problemlerin hızlı ve az maliyetli çözümü konusunda çeşitli araştırmalar yapılmış ve mevcut yöntemlerin geliştirilmesi yönünde adımlar atılmıştır. Çözüme yönelik optimizasyon yöntemlerinin geliştirilmesi klasik optimizasyon yöntemlerinin çözemediği veya zaman aldığı düşünülerek bunlara alternatif, tamamen doğal olayların modellemesine yönelik ortaya atılan yapay zeka kavramının ortaya çıkmasına neden olmuştur.</p><p>Problemlerin hızlı ve kabul edilebilir bir çözüme ulaşması için optimizasyon teknikleri yapay zeka teknikleri içerisinde önem kazanmaktadır. Bu çalışmada yapay zeka optimizasyon teknikleri tanıtılmaktadır.</p><p><strong>1)Sezgisel Optimizasyon</strong></p><p>Sezgisel algoritmalar, herhangi bir amacı gerçekleştirmek veya hedefe varmak için doğal fenomenlerden esinlenen algoritmalardır. Bu algoritmaların, çözüm uzayında optimum çözüme yakınsaması ispat edilememektedir. Yani sezgisel algoritmalar yakınsama özelliğine sahip olmaktadır, ama kesin çözümü garanti edememektedir ve bu kesin çözümün yakınlarında bir çözüm garanti edebilmektedir. Anlaşılırlık yönünden sezgisel algoritmaların karar verici açısından çok daha basit olabilmesinden, optimizasyon problemlerinin kesin çözümü bulma işleminin tanımlanamadığı bir yapıya sahip olmasından ve öğrenme amaçlı ve kesin çözümü bulma işleminin bir parçası olarak kullanabilirliğinden sezgisel algoritmalara ihtiyaç duyulmaktadır (Karaboğa, 2011).</p><p><strong>2)Sürü Zekâsı Optimizasyon Algoritmaları</strong></p><p>Sürü, birbirleriyle etkileşen dağınık yapılı bireyler yığını anlamında kullanılır. Bireyler insan veya karınca olarak ifade edilebilir. Sürülerde N adet temsilci bir amaca yönelik davranışı gerçekleştirmek ve hedefe ulaşmak için birlikte çalışmaktadır. Kolaylıkla gözlenebilen bu “kollektif zekâ” temsilciler arasında sık tekrarlanan davranışlardan doğmaktadır. Temsilciler faaliyetlerini idare etmek için basit bireysel kurallar kullanmakta ve grubun kalan kısmıyla etkileşim yolu ile sürü amaçlarına ulaşmaktadır. Grup faaliyetlerinin toplamından bir çeşit kendini örgütleme doğmaktadır.</p><p>Sürü Zekası Optimizasyon Algoritmalarının çeşitli örnekleri bulunmaktadır. Şimdi bunları inceleyelim.</p><p>a) Ateş Böceği Sürü Optimizasyonu</p><p>Ateş böceği sürü optimizasyonu, K. N. Krishnanand ve D. Ghose tarafından 2005 yılında geliştirilmiştir (Krishnanand, Ghose, 2005). Çok modelli fonksiyonları optimize etmek için önerilen sürü zekâsı tabanlı bir algoritmadır. Bu yöntemi kullanmanın temel amacı tüm yerel maksimumları yakalamayı sağlamaktır. Çok modelli fonksiyon optimizasyon problemlerinde, ateş böceği sürü optimizasyonu ve önceki yaklaşımlar arasındaki en önemli fark, birden çok zirveyi verimli bir şekilde yerleştiren sürüdeki bireylerin kullandığı dinamik karar alanıdır. Sürüdeki her bir birey komşularını seçmek için karar alanını kullanmaktadır ve komşularından aldığı sinyal gücüyle hareketlerini belirlemektedir. Bu biraz, bir ateş böceğinin eşlerini veya avlarını çekmek için kullandığı ışık yakıp söndürmeye neden olan lusiferine (bir enzim ile birleşerek ışın üreten bir madde) benzer olmaktadır. Daha parlak ışık daha çekici olmaktadır. Bu algoritmanın ateş böceği algoritmasından (firefly algorithm) farkı “komşuların yeterlilik sayısı” sınırı olmaması ve mesafeye dayalı herhangi bir algı sınırı olmamasıdır (Krishnanand, Ghose, 2009).</p><p>b) Karınca Koloni Optimizasyonu</p><p>Gerçek karınca koloni davranışlarının matematiksel modelleri üzerine dayalı bir algoritmadır. İlk çalışma Dorigo ve arkadaşları tarafından yapılmıştır (Dorigo, Maniezzo, Colorni, 1991). Yaptıkları çalışmada kendi sistemlerine “karınca sistemi”, elde ettikleri algoritmaya ise “karınca algoritması” adını vermişlerdir. Karınca çevre şartlarına göre besin kaynağı ile evi arasında gidebileceği yolları belirlemektedir. Belirlenen yollardan birinden ilk geçen karınca yola feremon adında bir koku bırakmaktadır. Eğer yol kısa ise bu koku daha yoğun olmaktadır ve diğer karıncalar da aynı şekilde yolda devam etmektedirler. İki yolun kesiştiği noktada karınca hangi yola gideceğini belirlemektedir. Hangi yolu seçeceğine ilk önce koku miktarının yoğunluğuna göre ikinci olarak ise gelişigüzel bir ölçüte göre karar vermektedir. Bu gelişigüzel seçimin nedeni ise bütün karıncaların aynı yolda gitmesini engelleyerek yeni ve daha kısa yolları keşfetmektir (Karaboğa, 2011).</p><p>c) Parçacık Sürü Optimizasyonu</p><p>Sezgisel yöntemlerden biri olan PSO tekniği ilk olarak kuş ve balık sürülerinin hareketlerinden esinlenerek doğrusal olmayan nümerik problemlere optimal sonuçlar bulmak için 1995–1996 yıllarında sosyolog-psikolog James Kennedy ve elektrik mühendisi Russel Eberhart tarafından ortaya atılmıştır (Kennedy, Eberhart, 1995). PSO popülasyon tabanlı olasılıksal bir optimizasyon yöntemi olup çok parametreli ve çok değişkenli optimizasyon problemlerine çözümler üretmek için kullanılmaktadır (Alataş, 2007).</p><p>Parçacık sürü kavramı basitleştirilmiş sosyal sistemin bir simülasyonu olarak ortaya çıkmıştır. Başlangıçtaki amaç, kuş ya da balık sürü koreografisinin grafiksel olarak simülasyonlarını yapmaktı. Ancak grafiksel simülasyondan sonra, parçacık sürü modelinin bir optimizasyon yöntemi olarak kullanılabileceği keşfedilmiştir.</p><p>Kuş toplulukları gerçek yiyecek kaynağını bilmemelerine rağmen, yiyecek kaynağından ne kadar uzakta olduklarını öğrenmeye çalışırlar. Öğrenmek için izlenen yöntem yiyecek kaynağına en yakın olan kuşu izlemektir. PSO’da her bir kuş parçacık olarak, kuş topluluğu da sürü olarak temsil edilir. Parçacık hareket ettiğinde, kendi koordinatlarının uygunluk değeri yani yiyeceğe ne kadar uzaklıkta olduğu hesaplanır. Bir parçacık, koordinatlarını, hızını yani çözüm uzayındaki her boyutta ne kadar hızla ilerlediği bilgisini, şimdiye kadar elde ettiği en iyi uygunluk değerini ve bu değeri elde ettiği koordinatları hatırlamalıdır. Çözüm uzayında her boyuttaki hızının ve yönünün her seferinde nasıl değişeceği, komşularının en iyi koordinatları ve kendi kişisel en iyi koordinatlarının birleşiminden elde edilecektir (Alataş, 2007).</p><p>d) Yapay Balık Sürüsü Algoritması</p><p>Yapay balık sürüsü optimizasyonu, yiyecek aramada balık sürüsünün sosyal davranışlarının benzetimi tabanlı bir zeki optimizasyon algoritmasıdır. Doğada balık, yiyeceğini besin değeri yüksek alanları tek tek arayarak ya da diğer balıkları izleyerek bulabilmektedir. Çok balıklı bölgenin besin değeri genellikle daha yüksek olmaktadır. Bu optimizasyonun temel fikri, küresel optimuma ulaşmak için balık bireyinin yerel aramasıyla toplanma ve izleme gibi balık davranışlarını taklit etmektir. Bir yapay balığın yaşadığı ortam başlıca çözüm uzayıdır ve diğer yapay balıkların konumudur. Bir sonraki davranışı mevcut durumuna ve yerel çevresel durumuna bağlı olmaktadır. Bir yapay balık kendi faaliyetleri ve arkadaşlarının faaliyetleri yolu ile çevresini etkileyecektir (Jiang, Yuan, Cheng, 2009).</p><p>e) Yapay Arı Koloni Algoritması</p><p>Arıların yiyecek arama davranışı, öğrenme, bilgi paylaşımı ve ezberleme özellikleri, son zamanlarda sürü zekâsında en ilginç araştırma alanlarından biri olmuştur. Bal arıları üzerinde çalışmalar son yıllarda literatürde bir artış trendi içindedir. Ayrıntılı literatür taraması için “A survey: algorithms simulating bee swarm intelligence” (Karaboga, Akay, 2009) makalesi incelenebilir.</p><p>Doğal bir arı kolonisinde arılar arasında yapılacak işlere göre bir görev paylaşımı vardır. Arılar bu iş paylaşımını merkezi bir birim olmadan, kendi kendilerine gerçekleştirmektedirler. Bu iş paylaşımı ve kendi kendine organize olabilme sürü zekâsının iki önemli özelliğidir. Tereshko’nun reaktif difüzyon denklemine dayalı olarak ortaklaşa zekânın ortaya çıkmasını sağlayan minimal yiyecek arama modelinde üç temel bileşen vardır. Bunlar yiyecek kaynakları, görevli işçi arılar ve görevsiz işçi arılardır. Ayrıca bu minimal model bir yiyecek kaynağına yönelme ve yiyecek kaynağını bırakma olmak üzere iki modda çalışmaktadır (Tereshko, 2000).</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ce4b927c389d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zeka]]></title>
            <link>https://medium.com/@hilalyank/yapay-zeka-30e17dbc3277?source=rss-64833b0837c6------2</link>
            <guid isPermaLink="false">https://medium.com/p/30e17dbc3277</guid>
            <dc:creator><![CDATA[Hilal YÜKSEL]]></dc:creator>
            <pubDate>Tue, 23 Jun 2020 12:30:21 GMT</pubDate>
            <atom:updated>2020-06-23T12:30:21.641Z</atom:updated>
            <content:encoded><![CDATA[<p>Biliyorsunuz ki günümüzde çok fazla yaygınlaşan bir teknoloji Yapay Zeka. Her anlamda artık parmaklarımızın ucunda da diyebiliriz. Yakında sizlerle Trafik alanında kullanılan çeşitleri hakkında bilgi vereceğim.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=30e17dbc3277" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>