Ders Adı Kodu Yarıyıl T+U Saat Kredi AKTS
Heurıstıc Optımızatıon Methods ENM 546 0 3 + 0 3 6
Ön Koşul Dersleri
Önerilen Seçmeli Dersler
Dersin Dili İngilizce
Dersin Seviyesi YUKSEK_LISANS
Dersin Türü Seçmeli
Dersin Koordinatörü Dr.Öğr.Üyesi ELİF ELÇİN GÜNAY
Dersi Verenler
Dersin Yardımcıları
Dersin Kategorisi Diğer
Dersin Amacı

Obtaining basic knowledge about optimization and its techniques. Following the literature, developing up-to-date application and analysis skills with meta-heuristics. Demonstrating the use of heuristic techniques, a branch of artificial intelligence, as a solution tool in operations research problems. In this context, learning and applying heuristic optimization techniques such as simulated annealing, tabu search, genetic algorithms, ant colony, and particle swarm optimization with application projects.

Dersin İçeriği

What is a heuristic search and for what problems it is used? Understanding the applications of local-search and meta-heuristic algorithms. NP-Complete problems, Decision Theory and its use in estimation problems and solution methods: simulated annealing, tabu search, genetic algorithms, ant colony, implementation of particle swarm optimization. Use of penalty function and constraint handling techniques.

# Ders Öğrenme Çıktıları Öğretim Yöntemleri Ölçme Yöntemleri
1 Understanding the concept of adaptive search Anlatım, Soru-Cevap, Beyin Fırtınası,
2 The student acquires the knowledge of how and why to use the techniques. Soru-Cevap, Anlatım,
3 Apply simulated annealing Eğitsel Oyun, Tartışma, Anlatım,
4 Apply genetic algorithm Eğitsel Oyun, Anlatım,
5 Apply Tabu search Tartışma,
6 Apply Ant colony optimaztion Tartışma,
7 Apply particle swarm optimization Tartışma,
8 Apply hybrid methods Tartışma,
9 Knowledge of constraint handling techniques in evolutionary algorithms Tartışma,
10 Apply multi-objective optimization Tartışma,
11 Knowledge of current optimization practices in the literature Tartışma,
12 Knowledge of evaluation and analysis of current practices Tartışma,
13 Ability to model a real problem with a meta-heuristic Tartışma,
14 Evaluation and discussion of the developed models Tartışma,
15 Interpreting the results Tartışma, Anlatım,
Hafta Ders Konuları Ön Hazırlık
1 Introduction to optimization an heuristic optimization
2 Simulated annealling
3 Genetic algorithms
4 Evolutionary strategies
5 ant colony optimization
6 Particle swarm optimization
7 Hybrid optimization
8 Constraint handling techniques in evolutionary algorithms
9 Multi objective optimization
10 Recent optimization applications in the literature
11 Evaluation and analysis of current practices
12 Dealing a real problem with a meta-heuristic approach
13 Evaluation and discussion of the developed projects
14 Analyzing and interpreting the results
Kaynaklar
Ders Notu
Ders Kaynakları

[1] Yapay zeka ve optimizasyon 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)

Sıra Program Çıktıları Katkı Düzeyi
1 2 3 4 5
1 Yaşadığı toplumun bilgi toplumu olmasına katkıda bulunmak, toplumsal, bilimsel, kültürel ve etik sorunlara çözüm sunmak amaçlarıyla alanındaki bilimsel, teknolojik, sosyal veya kültürel ilerlemeleri ulusal ve uluslararası bilimsel ortamlarda (toplantılarda) tanıtır.
2 Alanında bilimsel araştırma yaparak bilgiye genişlemesine ve derinlemesine ulaşır, alanında güncel teknik ve yöntemler ile bunların kısıtları hakkında kapsamlı bilgiye sahip olup ve elde ettiği bilgiyi değerlendirir, yorumlar ve uygular.
3 Alanı ile ilgili problemleri tanımlar ve formüle eder, yeni ve/veya özgün fikir ve yöntemler geliştirir; karmaşık sistem veya süreçleri tasarlar ve tasarımlarında yenilikçi/alternatif çözümler ile gelişmekte olan yenilikçi yöntemleri kullanır.
4 Kuramsal, deneysel ve modelleme esaslı araştırmaları tasarlar ve uygular, belirsiz, sınırlı ya da eksik verileri bilimsel yöntemlerle tamamlar; verilerin toplanması, yorumlanması, duyurulması aşamalarında ve mesleki tüm etkinliklerde toplumsal, bilimsel ve etik değerleri gözetir.
5 Alanındaki uygulamaların sosyal, çevresel, sağlık, güvenlik, hukuki boyutlarını ve iş hayatı uygulamalarını bilir ve bunların getirdiği kısıtların farkındadır. Disiplin içi ve çok disiplinli takımlarda etkin bir biçimde birlikte ve ya bağımsız çalışabilir ve sorumluluk alır.
6 sürdürülebilir kalkınma ve endüstri mühendisliğinin gelişen koşullara göre gelişmelerini izleyebilmek ve uygulayabilmek için yaşam boyu öğrenme, bilim ve teknolojideki gelişmeleri izler ve bunun için kendini sürekli yenileme becerisine sahip olur.
Değerlendirme Sistemi
Yarıyıl Çalışmaları Katkı Oranı
Toplam 0
Toplam 0
AKTS - İş Yükü Etkinlik Sayı Süre (Saat) Toplam İş Yükü (Saat)
Proje / Tasarım 1 30 30
Sınıf Dışı Ders Çalışma Süresi(Ön çalışma, pekiştirme) 16 1 16
Ara Sınav 1 10 10
Ödev 2 8 16
Performans Görevi (Uygulama) 1 10 10
Final 1 20 20
Ders Süresi (Sınav haftası dahildir: 16x toplam ders saati) 16 3 48
Toplam İş Yükü 150
Toplam İş Yükü / 25 (Saat) 6
Dersin AKTS Kredisi 6