Genetic Algorithms (Genetik Algoritmalar)

#GelismisAlgoritmalar #EvrimselHesaplama #Optimizasyon #Biyomimetik

Doğal seçilim ve evrimi taklit ederek karmaşık optimizasyon problemlerini çözen popülasyon tabanlı meta-sezgisel algoritmalar.

Genetik Algoritmalar (GA), biyolojik evrimin temel mekanizmalarından — doğal seçilim, çaprazlama (crossover) ve mutasyon — ilham alarak tasarlanmış sezgisel arama ve optimizasyon algoritmalarıdır. 1975 yılında John Holland tarafından Michigan Üniversitesi'nde teorik temelleri atılan bu yaklaşım, özellikle gradyan tabanlı yöntemlerin yetersiz kaldığı karmaşık, çok boyutlu ve türevlenemeyen arama uzaylarında güçlü bir alternatif sunar. GA'nın çalışma prensibi beş temel adımdan oluşur: (1) Başlangıç popülasyonu — olası çözümleri temsil eden bireylerden (kromozomlardan) oluşan rastgele bir popülasyon oluşturulur; her birey genellikle binary bit dizisi, gerçek sayı vektörü veya permütasyon olarak kodlanır. (2) Uygunluk değerlendirmesi — her bireyin kalitesi, probleme özgü bir uygunluk (fitness) fonksiyonuyla ölçülür. (3) Seçilim — daha yüksek uygunluk değerine sahip bireyler ebeveyn olarak seçilme şansını artırır; rulet tekerleği, turnuva ve sıra-tabanlı seçim en yaygın stratejilerdir. (4) Çaprazlama — iki ebeveynin genetik materyali birleştirilerek yeni çocuk bireyler üretilir; tek nokta, iki nokta ve üniform çaprazlama popüler yöntemlerdir. (5) Mutasyon — küçük rastgele değişiklikler eklenerek genetik çeşitlilik korunur ve yerel optimumlara takılma riski azaltılır. Bu döngü, belirlenen nesil sayısına ulaşılana ya da uygunluk eşiği sağlanana dek tekrarlanır. Her nesilde popülasyon ortalama kalitesi artar; en iyi birey "elit seçim" stratejisiyle bir sonraki nesile doğrudan aktarılabilir (elitizm). Genetik Algoritmalar; makine öğrenmesinde hiperparametre optimizasyonu, lojistik rota planlaması (Gezgin Satıcı Problemi), elektronik devre tasarımı, protein katlama, oyun yapay zekası ve NAS (Neural Architecture Search) gibi geniş bir uygulama yelpazesine sahiptir. Simulated Annealing ve Parçacık Sürü Optimizasyonu (PSO) ile sıklıkla karşılaştırılır; GA'nın temel avantajı, paralel popülasyon keşfiyle çok-modlu fonksiyonlarda yerel optimumlardan kaçabilmesidir. Hesaplama maliyetinin yüksek olabileceği ve sonuçların deterministik olmadığı başlıca kısıtlamalar arasındadır.

biotech Bilgisayarda Evrim Nasıl Olur?

Çözmeniz gereken çok zor bir rota problemi var. Algoritma rastgele 100 farklı saçma rota çizer (İlk Nesil). Bu 100 rotayı test eder, en kötü 80 tanesini acımasızca siler (Doğal Seçilim). Hayatta kalan en iyi 20 rotayı birbiriyle eşleştirip (Çaprazlama / Crossover) özelliklerini karıştırır ve yeni 100 rota doğurur. Arada bazılarının genlerini rastgele değiştirir (Mutasyon). Bu işlem 5000 nesil boyunca devam eder. Son nesil, insanın aklına gelmeyecek kadar kusursuz bir rotaya 'evrimleşmiş' olur.

Evrimsel Hesaplamanın Gücü

architecture Tasarım ve Mimari

NASA, bir uzay antenini mühendislere çizdirmek yerine, genetik algoritmalara devretmiştir. Bilgisayar, kemik dokusuna benzeyen ama mühendislerin çizdiğinden %20 daha verimli asimetrik bir anteni kendiliğinden evrimleştirmiştir.

calculate Zor Matematik Problemleri

Gezgin Satıcı Problemi (Traveling Salesman) gibi trilyonlarca ihtimali olan kombinasyonların en iyisini bulmada eşsizdir.

Genetik Algoritmanın Temel Operatörleri

  • check_circle Başlatma ve Uygunluk Değerlendirmesi: Popülasyon, çözüm uzayından rastgele bireylerle başlatılır. Her birey (kromozom), çözümü temsil eden bir genotipi kodlar. Uygunluk fonksiyonu (fitness function) her bireyin kalitesini sayısal olarak değerlendirir; algoritmanın 'optimize ettiği hedef' budur.
  • check_circle Seçim (Selection): Daha uygun bireylerin bir sonraki nesle aktarılma olasılığı daha yüksektir. Rulet tekerleği seçimi uygunlukla orantılı seçim yapar. Turnuva seçimi rastgele alt grup arasından en iyiyi seçer; hem hesaplamalı verimli hem de seçim baskısı ayarlanabilir.
  • check_circle Çaprazlama (Crossover / Recombination): İki ebeveyn bireyin genlerini kombinleyerek çocuk bireyler üretir. Tek noktalı çaprazlama: kromozomun rastgele bir noktasında bölünür, alt parçalar değiştirilir. Çok noktalı ve üniform çaprazlama daha geniş gen kombinasyonları sağlar. Çaprazlama oranı genellikle 0.6-0.9 arasında ayarlanır.
  • check_circle Mutasyon ve Elitizm: Mutasyon rastgele gen değişimleriyle genetik çeşitliliği korur ve lokal optimumlara takılmayı önler; düşük oran (0.001-0.01) önerilir. Elitizm: en iyi bireyler doğrudan bir sonraki nesle kopyalanır; keşfedilen en iyi çözümün kaybolmaması sağlanır.

Genetik Algoritma ile Hiperparametre Optimizasyonu

Makine öğrenmesi modellerinde hiperparametre optimizasyonu, geniş ve süreksiz arama uzaylarında en iyi konfigürasyonu bulmayı gerektirir. Grid search tüm kombinasyonları dener; boyut arttıkça üstel büyür. Random search rastgele örnekler; verimsiz bölgelere de zaman harcar. Bayesian optimizasyon, önceki denemelerden öğrenerek vaat eden bölgelere odaklanır. Genetik algoritma ise popülasyon tabanlı çalışarak birden fazla adayı paralel değerlendirir ve nesiller boyu en iyi konfigürasyona yakınsar. Özellikle derin sinir ağı mimarisi araştırmasında (neural architecture search, NAS) evrimsel yaklaşımlar başarılı sonuçlar vermiştir. GA'nın dezavantajı: her bireyini değerlendirmek için modeli eğitmek gerekir; hesaplama maliyeti yüksek. Bu nedenle pratik hiperparametre optimizasyonunda Optuna veya Ray Tune gibi Bayesian tabanlı araçlar daha yaygın kullanılır; GA büyük ölçekli NAS için rezerve edilir.

Sık Sorulan Sorular

  • check_circle Genetik algoritma nedir?: Genetik algoritma, Darwin'in evrim teorisinden ilham alan meta-sezgisel optimizasyon yöntemidir. Olası çözümlerin bir popülasyonunu tutar; seçim, çaprazlama ve mutasyon operatörleriyle nesiller boyu daha iyi çözümlere yakınsar. Gradyan bilgisi gerektirmeyen 'kara kutu' optimizasyon problemleri için uygundur.
  • check_circle Genetik algoritma ne zaman kullanılır?: Türevlenebilir olmayan, çok modlu (birden fazla yerel optimumlu) veya arama uzayının çok büyük/karmaşık olduğu optimizasyon problemlerinde. Örnekler: iş çizelgeleme, ağ tasarımı, oyun yapay zekası (davranış evrimi), hiperparametre optimizasyonu, sinir ağı mimari araştırması (NAS), mühendislik tasarım problemleri.
  • check_circle Genetik algoritma ile gradyan tabanlı optimizasyon arasındaki fark nedir?: Gradyan tabanlı (SGD, Adam): türev bilgisi gerektirir; hızlı ve verimli ama lokal minimuma takılabilir. Sürekli, türevlenebilir hedef fonksiyonları için idealdir. Genetik algoritma: türev gerektirmez; popülasyon sayesinde global araştırma yapar. Daha yavaş ve hesaplama maliyetli; ancak süreksiz, gürültülü veya çok modlu problemlerde gradyan yöntemlerini geçebilir.