Course Name Code Semester T+U Hours Credit ECTS
Sezgisel Optimizasyon Metodlari ENM 546 0 3 + 0 3 6
Precondition Courses
Recommended Optional Courses
Course Language Türkçe
Course Level Yüksek Lisans
Course Type Seçmeli
Course Coordinator Dr.Öğr.Üyesi NEVRA AKBİLEK
Course Lecturers Dr.Öğr.Üyesi NEVRA AKBİLEK,
Course Assistants
Course Category
Course Objective

Optimizasyon ve teknikleri konusu ile ilgili temel bilginin edinilmesi . Literatürün takip edilmesi, meta sezgisellerle güncel uygulama ve analiz becerisinin geliştirilmesi. Yapay zekanın bir dalı olan sezgisel tekniklerin yöneylem araştırması problemlerinde çözüm aracı olarak kullanılmasının gösterilmesi.  Buna bağlamda uygulama projeleri ile tavlama benzetimi(simulated annealing), yasaklı arama( tabu search), genetik algoritma(genetic algorithms), karınca kolonisi(ant colony), parçacık sürü optimizasyonu(particle swarm optimization) sezgisel optimizasyon tekniklerinin öğrenilmesi ve uygulanması.

 

Course Content

Yapay zekanın bir dalı olan sezgisel arama nedir ve hangi problemler için kullanılır. Kurucu, yerel arama(local-search) ve meta-sezgisel(meta-heuristic) algoritmaların farkının ve kullanım alanlarının anlaşılması. NP-Karmaşık(NP-Complete) , Karar (Decision Theory) ve tahmin problemlerinde kullanımı ve çözüm yöntemlerinin: tavlama benzetimi(simulated annealing), yasaklı arama( tabu search), genetik algoritma(genetic algorithms), karınca kolonisi(ant colony), parçacık sürü optimizasyonu(particle swarm optimization)  uygulanması. Ceza(Penalty function) ve kısıt ele alma tekniklerinin kullanılması.

# Course Learning Outcomes Teaching Methods Assessment Methods
1 Parçacık sürü optimizasyonu kullanımı bilgisi Anlatım, Soru-Cevap, Tartışma, Gösterip Yaptırma, Proje Temelli Öğrenme , Sınav , Proje / Tasarım,
2 Evrimsel algoritmalarda kısıt ele alma teknikleri bilgisi Anlatım, Soru-Cevap, Tartışma, Alıştırma ve Uygulama, Proje Temelli Öğrenme , Sözlü Sınav, Proje / Tasarım,
3 Çok yönlü ve hibrid metotlar kullanımı bilgisi Anlatım, Tartışma, Alıştırma ve Uygulama, Örnek Olay, Sınav , Proje / Tasarım,
4 Öğrenci teknikleri nasıl ve niçin kullanacağı bilgisini edinir Anlatım, Soru-Cevap, Problem Çözme, Ödev,
5 Genetik algoritmalar kullanımı bilgisi Anlatım, Soru-Cevap, Tartışma, Gösterip Yaptırma, Proje Temelli Öğrenme , Sınav , Proje / Tasarım,
6 Literatürdeki güncel optimizasyon uygulamaları bilgisi Anlatım, Soru-Cevap, Tartışma, Grup Çalışması, Proje Temelli Öğrenme , Sınav , Proje / Tasarım,
7 Karınca kolonisi kullanımı bilgisi Anlatım, Soru-Cevap, Tartışma, Gösterip Yaptırma, Proje Temelli Öğrenme , Sözlü Sınav, Proje / Tasarım,
8 Sonuçları değerlendirebilme becerisi Anlatım, Soru-Cevap, Örnek Olay, Sınav ,
9 Tabu arama kullanımı bilgisi Anlatım, Soru-Cevap, Tartışma, Gösterip Yaptırma, Proje Temelli Öğrenme , Sınav , Proje / Tasarım,
10 Mevcut uygulamaların değerlendirilmesi ve analizi bilgisi Anlatım, Soru-Cevap, Örnek Olay, Sınav , Proje / Tasarım,
11 Adaptif yordamına giriş bilgisi Anlatım, Soru-Cevap, Tartışma, Sözlü Sınav,
12 Gerçek bir problemin bir meta sezgisel yöntemi ile modelleme becerisi Anlatım, Soru-Cevap, Tartışma, Proje Temelli Öğrenme , Sınav , Sözlü Sınav, Proje / Tasarım,
13 Geliştirilen modellerin değerlendirilip, tartışılması Anlatım, Soru-Cevap, Tartışma, Grup Çalışması,
14 Tavlama benzetimi kullanımı bilgisi Anlatım, Soru-Cevap, Tartışma, Gösterip Yaptırma, Proje Temelli Öğrenme , Sözlü Sınav, Proje / Tasarım,
15 Çok amaçlı optimizasyon kullanımı bilgisi Anlatım, Soru-Cevap, Tartışma, Alıştırma ve Uygulama, Proje Temelli Öğrenme , Sınav , Proje / Tasarım,
Week Course Topics Preliminary Preparation
1 Adaptif arama yordamına giriş
2 Tavlama benzetimi
3 Genetik algoritmalar
4 Evrimsel stratejiler
5 Tabu arama
6 Karınca kolonisi
7 Parçacık sürü optimizasyonu
8 Çok yönlü ve hibrid metotlar
9 Evrimsel algoritmalarda kısıt ele alma teknikleri
10 Çok amaçlı optimizasyon
11 Literatürdeki güncel optimizasyon uygulamaları
12 Mevcut uygulamaların değerlendirilmesi ve analizi
13 Gerçek bir problemin bir meta sezgisel yöntemi ile ele alınması projesi
14 Geliştirilen projelerin değerlendirilip, tartışılması
Resources
Course Notes
Course Resources

[1] Yapay zeka ve optimiz

asyon algoritmaları_Derviş Karaboğa

[2] Metaheuristics for Hard Optimization: Methods and Case Studies
Johann Dréo, Alain Pétrowski (Author), Patrick Siarry (Author), Eric Taillard (Author), A. Chatterjee (Translator)
[3] Genetic Algorithms in Search, Optimization and Machine Learnin(Goldberg)
[4] Genetic Programming (Koza)
[5] Genetic Algorithms and Simula

ted Annealing (Davis)
[6] Simulated Annealing and Boltzmann Machines (Aarts and Korst)
[7] Evolution and Optimum Seeking (Schwefel)

Order Program Outcomes Level of Contribution
1 2 3 4 5
1 Mühendislik alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşabilme, bilgiyi değerlendirme, yorumlama ve uygulamaktır. X
2 Sınırlı ya da eksik verileri kullanarak bilimsel yöntemlerle bilgiyi tamamlayabilme ve uygulama becerisi; değişik disiplinlere ait bilgileri bütünleştirebilmektir. X
3 Mühendislik problemlerini kurgulayabilme, çözmek için yöntem geliştirme ve çözümlerde yenilikçi yöntemler uygulamaktır. X
4 Yeni ve orijinal fikir ve yöntemler geliştirme becerisi; sistem, parça veya süreç tasarımlarında yenilikçi çözümler geliştirebilmektir.
5 Analitik, modelleme ve deneysel esaslı araştırmaları tasarlama ve uygulama becerisi; bu süreçte karşılaşılan karmaşık durumları analiz etme ve yorumlamaktır. X
6 Gereksinim duyulan bilgi ve verileri tanımlama, bunlara ulaşma ve ileri düzeyde değerlendirmektir. X
7 Çok disiplinli takımlarda liderlik yapma, karmaşık durumlarda çözüm yaklaşımları geliştirebilme ve sorumluluk almaktır. X
8 Çalışmalarının süreç ve sonuçlarını, o alandaki veya dışındaki ulusal ve uluslar arası ortamlarda sistematik ve açık bir şekilde yazılı ya da sözlü olarak aktarabilmektir. X
9 Mühendislikte uygulanan modern teknik ve yöntemler ile bunların sınırları hakkında kapsamlı bilgileri yorumlamaktır. X
11 Mühendislik uygulamalarının sosyal ve çevresel boyutlarını anlama ve sosyal çevreye uyum sağlamaktır. X
12 Verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetmektir. X
Evaluation System
Semester Studies Contribution Rate
1. Proje / Tasarım 100
Total 100
1. Yıl İçinin Başarıya 60
1. Final 40
Total 100
ECTS - Workload Activity Quantity Time (Hours) Total Workload (Hours)
Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) 16 3 48
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) 16 1 16
Ara Sınav 1 10 10
Ödev 1 10 10
Proje / Tasarım 1 30 30
Performans Görevi (Uygulama) 1 10 10
Final 1 10 10
Total Workload 134
Total Workload / 25 (Hours) 5.36
dersAKTSKredisi 6