🧬 Genetik Algoritmalar Nedir?

Günümüzdeki zor ve karmaşık koşullar, problemlere hızlı ve kolay sonuç veren yeni çözüm yöntemleri geliştirilmesine neden olmuştur. Yapılan çalışmalarda klasik metotların yerine evrimsel algoritma kullanımı ön plana çıkmıştır.

📜 Tarihçe

Genetik Algoritma yaklaşımının ortaya çıkışı 1970'lerin başında olmuştur. 1975'te John Holland'ın makine öğrenmesi üzerine yaptığı çalışmalarda canlılardaki evrimden ve değişimden etkilenerek, bu genetik evrim sürecini bilgisayar ortamına aktarması sonucu geliştirilmiştir.

🔑 Temel Kavramlar

• Popülasyon: Problem için olası çözümleri temsil eden birey kümesi
• Birey/Kromozom: Problemin bir aday çözümünü temsil eden yapı
• Gen: Birey içindeki her bir eleman/parametre
• Fitness (Uygunluk): Bireyin çözüm kalitesini ölçen fonksiyon
• Çaprazlama (Crossover): İki ebeveynden yeni birey üretme
• Mutasyon: Bireyde rastgele değişiklik yapma
• Seçilim (Selection): Üreme için birey seçme işlemi

⚙️ Genetik Algoritmanın İşleyişi

Genetik algoritmalar problemlerin çözümü için evrimsel süreci bilgisayar ortamında taklit eder. Popülasyon nesilden nesile geliştikçe kötü çözümler yok olma, iyi çözümler ise daha iyi çözümler oluşturmak için kullanılma eğilimindedir.

📊 GA Adımları

1. Başlatma: Rastgele başlangıç popülasyonu oluşturulur
2. Değerlendirme: Her bireyin fitness değeri hesaplanır
3. Seçilim: Üreme için ebeveynler seçilir (yüksek fitness öncelikli)
   • Rulet Tekerleği Seçimi
   • Turnuva Seçimi
   • Elit Seçimi
4. Çaprazlama: Ebeveynlerden yeni bireyler (çocuklar) üretilir
   • Tek Nokta Çaprazlama
   • İki Nokta Çaprazlama
   • Uniform Çaprazlama
5. Mutasyon: Yeni bireylerde rastgele değişiklikler yapılır
6. Yeni Popülasyon: Eski popülasyon yenisiyle değiştirilir
7. Durdurma Kriteri: Maksimum nesil veya hedef fitness kontrolü
8. Tekrar: Kriter sağlanana kadar 2-6 arası adımlar tekrarlanır

🎲 Kodlama Yöntemleri

• İkili (Binary) Kodlama: 0 ve 1'lerden oluşan bit dizileri [1 0 1 1 0 1]
• Gerçek Sayı Kodlama: Reel sayı dizileri [3.5, 2.1, 8.7]
• Permütasyon Kodlama: Sıralama problemleri için [3, 1, 4, 2]
• Ağaç Kodlama: Programlama ve ifade ağaçları

✅ Genetik Algoritmaların Avantajları

• Sürekli ve ayrık parametreleri optimize eder
• Türevsel bilgi gerektirmez
• Geniş arama uzayında araştırma yapar
• Çok sayıda parametre ile çalışabilir
• Lokal minimum/maksimuma takılmadan çalışır
• Paralel arama yapabilir
• Karmaşık amaç fonksiyonlarına uygulanabilir

🎯 GA Kullanım Alanları

• Optimizasyon: Sayısal ve kombinasyonel optimizasyon, devre tasarımı
• Otomatik Programlama: Network sıralama, ders programı
• Makine Öğrenmesi: Robot sensörleri, yapay sinir ağları
• Mühendislik: VLSI yonga tasarımı, protein yapısal analizi
• Ekonomi: Ekonomik modellerin geliştirilmesi
• Finans: Finansal modelleme uygulamaları
• Pazarlama: Tüketici verilerini analiz etme

🆚 Diğer Yöntemlerden Farkları

• Parametrelerin kodlarıyla çalışır: Değerler yerine kodlar kullanılır
• Noktalar kümesinden başlar: Tek nokta yerine popülasyon kullanır
• Türev kullanmaz: Sadece fitness değerini kullanır
• Olasılıklı kurallar: Deterministik değil, stokastik yaklaşım

⚠️ GA Ne Zaman Kullanılmalı?

• ✅ Arama uzayı büyük ve karmaşık olduğunda
• ✅ Mevcut bilgiyle sınırlı arama zor olduğunda
• ✅ Problem matematiksel model ile ifade edilemediğinde
• ✅ Geleneksel yöntemlerden sonuç alınamadığında
• ❌ Kesin ve hızlı sonuç gereken özel problemlerde kullanılmaz