www.teknolojikarastirmalar.

com ISSN:1305-631X
Yap Teknolojileri Elektronik Dergisi 2006 (1) 51 - 59

TEKNOLOJK
ARATIRMALAR

Teknik Not

Evrimsel Algoritmalarn naat Mhendisligi Sistemlerinde Kullanm

aban YURTCU, Ylmaz AA Afyon Kocatepe niversitesi, Teknik Eitim Fakltesi, Yap Eitimi Blm, Afyonkarahisar

ZET Evrimsel Algoritmalar (EA), doal seleksiyon ve doal genetik mekanizmasna dayanan aratrma algoritmalardr. Evrimsel algoritmalar formlize edililerine gre genetik algoritmalar, evrimsel programlama, evrim stratejileri ve genetik programlama gibi deiik isimlerle anlmaktadrlar. Bu almada, bir ok farkl alanda baaryla uygulanmalarndan dolay son yllarda byk ilgi gren, evrimsel hesaplama tekniinin bir parasn oluturan genetik algoritmalar teknik ynleri ve temel prensipleri ile tantlmtr. Ayrca genetik algoritmalarn naat Mhendislii alanndaki uygulamalar iin literatr taramas yaplm ve bu almalar ve sonular hakknda bilgi sunulmutur. Anahtar Kelimeler: Genetik algoritma, doal seleksiyon, evrim stratejileri, genetik programlama.

1. GR Genetik algoritmalar yapay zekann gittike genileyen bir kolu olan evrimsel hesaplama tekniinin bir parasn oluturmaktadr. Genetik algoritma doada en iyinin yaamas kuralndan esinlenerek oluturulan, bir veri beinden zel bir veriyi bulmak iin kullanlan bir arama yntemidir. Genetik algoritmalar geleneksel yntemlerle zm zor veya imkansz olan problemlerin zmnde kullanlmaktadr. Herhangi bir problemin genetik algoritma ile zm, problemi sanal olarak evrimden geirmek suretiyle yaplmaktadr [1]. Evrimsel hesaplama ilk olarak 1960larda I. Rechenberg tarafndan Evrim Stratejileri (Evolutionsstrategie) isimli eserinde tantlmtr [2]. Onun fikri daha sonra baka aratrmaclarn da ilgisini ekmi ve gelitirilmitir. John Holland evrim srecinin bir bilgisayar yardmyla kullanlarak, bilgisayara anlayamad zm yntemlerinin retilebileceini dnd. Evrimsel Algoritma (EA) bylece John Holland tarafndan bu dncenin bir sonucu olarak bulundu. Onun rencileri ve arkadalar tarafndan gelitirildi ve bu sayede Hollandn kitab Dogal ve Yapay Sistemlerde Adaptasyon (Adaption in Natural and Artificial Systems) 1975 ylnda yaynland [3]. Genetik algoritmalar, deneysel almalarda optimizasyon aamasnda, endstriyel uygulamalarda ve snflandrmalarda uygulama alan bulmaktadr. naat mhendislii alannda en ok optimizasyon amal olarak kullanlmakta ve dier klasik yntemlerle karlatrldnda iyi sonu verdii grlmektedir.

Teknolojik Aratrmalar : YTED 2006 (1) 51 - 59

Evrimsel Algoritmalarn naat Mhendisligi Sistemlerinde Kullanm

2. GENETK ALGORTMALAR Genetik algoritmalar, baz doal olaylar modelleyen stokastik bir arama yntemidir. Biyolojik evrimin ileyi biimini taklit eden, doal seleksiyon mekanizmasna dayanan saysal optimizasyon algoritmalardr [4]. Darwinin en iyi olan yaar (survival of the fittest) prensibine dayal olarak bir poplasyonu oluturan bireylerin rekabet etmelerini salayan, evrimsel sreci taklit eden Genetik algoritmalar ilk olarak John Holland tarafndan ortaya atlmtr [3]. Genetik algoritma teknii, zm uzaynn byklne ramen iyi bir zme ksa zamanda yaknsamaktadr [5]. Genetik algoritma evrim srecinden etkilenerek, canllarda yaanan genetik srecin bilgisayar ortamnda gerekletirilmesi ilemidir. lemler bilgisayar hafzasna depo edilmi kromozomlar zerinde icra edilmektedir. aprazlama operatr vastasyla, kromozomlar arasndaki genetik bilgi srekli olarak deimekte ve topluluun baars artmaktadr. 2.1. alma Prensibi Genetik algoritmalar doal seim ilkesine dayanan bir saysal optimizasyon yntemidir. Genetik algoritma, zm dizilerinden oluan bir balang nesliyle, aprazlama ve mutasyon gibi doal seim operatrlerini kullanmaktadr [6]. Genetik algoritmada bamsz parametrelerin kromozomlar iinde kodlanmas gerekmektedir. Yndaki her birey ikili dzende veya tamsay olarak kodlanmaktadr. Genetik algoritmalar olduka genel prensiplerle ekil 1de ak emasnda grld gibi almaktadr. ncelikle ele alnan problem iin bir rastgele n kromozomlu poplasyon oluturulur. Daha sonra poplasyondaki her bir kromozom iin f(x) uygunluk fonksiyonu hesaplanr. Yeni bir poplasyon oluuncaya kadar aadaki admlar tekrar edilir. 1. Seleksiyon (Seim): ki ebeveyn kromozomun f(x)e gre seimi, burada uygunluk derecesi yksek olann seilme ans yksektir. 2. aprazlama: Yeni bir fert oluturmak iin ebeveynlerin bir aprazlama olaslna gre aprazlanmas. Eer aprazlama uygulanmazsa bireyler atalarnn tamamen kopyas olacaklardr. 3. Mutasyon: Kromozom zerindeki baz genlerin deerleri deitirilerek nesillerin yozlamas nlenir. 4. Ekleme: Yeni bireyin yeni topluma eklenmesi, 5. Deitirme: Algoritmann yeniden altrlmasnda oluan yeni toplumun kullanlmas, 6. Test: Eer sonu tatmin ediliyorsa algoritmann sona erdirilmesi ve son toplumun zm olarak sunulmas, 7. Dng: 2. adma geri dnlmesi [7].

ekil 1. Genetik algoritmann genel ak emas [4].

52

Yutu , . aa, Y.

Teknolojik Aratrmalar : YTED 2006 (1) 51 - 59

Yeni poplasyon kabul edildikten sonra hesaplama yeni poplasyonla tekrarlanr. Hedeflenen uygunluk deerine ulaldnda program durdurulur ve poplasyondaki en iyi zm alnr. Genetik algoritmalarda kromozomlarla bir balang poplasyonu rastgele oluturulur. Burada poplasyon geniliinin belirlenmesi gerekmektedir. Byk poplasyonlarda, zm uzay iyi rneklendii iin aramann etkinlii artmakta, fakat buna bal olarak da arama sresi uzamaktadr. Kk poplasyonlarda ise, zm uzayn yeterli rnekleyememe ve zamansz yaknsama oluabilmektedir [4]. Genetik algoritmann her evriminde, yndaki dizilerin bir deerlendirme fonksiyonu yardmyla uygunluk deeri hesaplanr [8]. Uygunluk fonksiyonu her bir zmn yeni nesil zmlere katk salayp salamayacana karar verir. Sonrasnda insan remesindeki gen transferine benzer operasyonlar kullanan algoritma yeni bir zm aday poplasyonu oluturur. Genellikle genetik algoritmalarn baars bu fonksiyonun verimli ve hassas olmasna baldr [9]. 2.1.1. Seim Operatr Balang poplasyonu oluturulduktan sonra yeni poplasyonun oluturulabilmesi iin seim yntemine karar verilmesi gerekmekte ve yksek uyuma sahip bireylerin seilme olasl daha fazla olmaktadr. Seim operatrleri ile tpk gerek doada olduu gibi en iyilerin hayatta kalmas salanmaktadr. Seim operatr ile seilmi olan bireyler aprazlama havuzuna girmeye hak kazanrlarken seilemeyen bireyler yok olmaktadr. Seim yntemi olarak gelitirilmi bir ok yntem bulunmakla beraber, rulet emberi, turnuva ve elitist seim yntemleri en yaygn kullanlanlardr. Goldberg, Turnuva, Rulet emberi gibi farkl seim operatrlerinin avantaj ve dezavantajlarndan bahsetmitir [10]. Rulet emberi yntemi ile reme ilemi gerekletirilir. Bu seim ynteminde tm bireylerin uygunluk deerleri hesaplanr ve bu deerler toplanr. Tm bireylerin uygunluk degerleri toplama blnerek (0,1) aralnda saylar elde edilir ve saylarn hepsi bir izelgede toplanr. izelgedeki saylar birbirine eklenerek rastgele olarak bir sayya kadar ilerlenir ve bu sayya ulaldnda son eklenen saynn ait olduu zm seilmi olur. Turnuva seim ynteminde yerine koyarak yada koymadan rastgele t adet birey seilir ve bu bykle turnuva genilii ad verilir. Bu gruptaki en iyi birey, yeni poplasyona kopyalanr. Bu ilem kullanc tarafndan nceden kararlatrlan evrim says kadar tekrarlanr. Elitist seim ynteminde poplasyonun en iyi bir bireyi korunup, poplasyonun geri kalan elemanlarn uyum orantl seim yntemlerinden birini kullanarak yeni bireyler ile deitirilir. Burada hedef en iyi uyum deerine sahip bireyin, genetik operatrler kullanldnda kaybolmasn nlemektir [4]. Yeni zmler elde etmek iin seim ynteminden sonra uygulanan aprazlama ve mutasyon ad verilen iki genetik operatr vardr. 2.1.2. aprazlama Operatr Kromozomlarn nasl temsil edileceine karar verildikten sonra yaplan aprazlama, genetik algoritma uygulamalarnda en nemli operatrdr. aprazlama ile ebeveynlerden baz genler alnarak yeni bireyler oluturulur. Ele alnan probleme bal olarak, kullanc tarafndan seilen 4 farkl aprazlama operatr bulunmaktadr. Tek nokta aprazlama ki nokta aprazlama ok nokta aprazlama
53

Teknolojik Aratrmalar : YTED 2006 (1) 51 - 59

Evrimsel Algoritmalarn naat Mhendisligi Sistemlerinde Kullanm

Uniform aprazlama [11]. aprazlama operatrlerin uygulamalar ayn rnek zerinde ekil 2 de grlmektedir. Tek nokta aprazlama, genetik algoritmann kulland en basit aprazlamadr. Rastgele seilen kromozom iftine aprazlama uygulanr. Tek nokta aprazlama ilemi iin kromozomda aprazlama yaplacak blge kullanc tarafndan rastgele seilebilir. Oluan yeni birey ebeveynlerin baz zelliklerini alarak her ikisinin kopyas olacaktr [12]. ki nokta aprazlamada iki nokta arasnda iki nokta arasnda kalan alt dizilerin deitirilmesiyle iki yeni birey elde edilir. ok nokta aprazlama yntemi, iki nokta aprazlamann gelimi bir halidir. Kromozomlar daha fazla paralara ayrlr ve bir atlanarak elde edilen iftler arasnda deitirilerek yeni bireyler elde edilir. niform aprazlamada rastgele olarak aprazlama maskesi oluturulur. Birinci ve ikinci kromozoma karlk gelen genin kopyalanmasyla oluturulur. aprazlama maskesinde bir o genin birinci kromozomdan, sfr ise o genin ikinci kromozomda kopyalanaca anlamna gelmektedir.

ekil 2. aprazlama yntemleri ve etkileri [4]. ki kromozomdan aprazlama yaplm elemanlar, ekil 2de her bir aprazlama operatr iin alt izili olarak gsterilmitir [4]. 2.1.3. Mutasyon Operatr Mutasyon oluan yeni zmlerin nceki zm kopyalamasn nlemek ve sonuca daha hzl ulamak amacyla yaplr [13]. rnein, ikili bir kodlamann kullanld bir dizide mutasyon operatr ile rastgele olarak seilen eleman deeri 1 ise 0 veya 0 ise 1 olarak deitirilerek yeni bir dizi elde edilir. Mutasyon operatr olarak, ele alnan problemin yapsna gre en uygun olan aadakilerden biri seilir. Ters evirme Ekleme Yer deiiklii Karlkl deiim Mutasyon operatrlerinin uygulamalar ekil 3 de grlmektedir. ekilde alt izgili olarak verilen eleman deerleri mutasyona uram elemanlar gstermektedir. Ters evirmede, mutasyon iin seilen kromozomdan iki pozisyon rastsal olarak seilir ve bu iki pozisyondaki alt diziler ters evrilir [14]. Eklemede ise rastgele bir parka seilir ve rastgele bir yere yerletirilir. Yer deiiklii mutasyonunda,
54

Yutu , . aa, Y.

Teknolojik Aratrmalar : YTED 2006 (1) 51 - 59

rastgele bir alt dizi seilir ve rastgele bir yere yerletirilir. Karlkl deiim mutasyonunda, rastgele seilen iki genin yerleri deitirilir.

ekil 3. Mutasyon yntemleri ve etkileri [4]. 3. NAAT MHENDSL SSTEMLERNDE EVRMSEL ALGORTMALAR LE YAPILAN ALIMALAR Genetik algoritmalarn inaat mhendislii alannda kullanm ile ilgili almalar incelendiinde, aratrma alan ok byk boyutlu ve karmak ise, matematik analiz ile zm mmkn deilse veya geleneksel aratrma yntemleri ile baarsz olunmu veya iyi sonu alnamam ise optimum zme ulamak iin genetik algoritmalardan faydalanld grlmtr. ncelenen yurt ii ve yurt d literatrden nemli olanlar aada zetlenmitir. 3.1. Betonarme Sahab ve arkadalar, yaplan almada binalarda dz plaka betonarme betonu iin genetik algoritma deiimine dayanarak iki aamal melez optimizasyon algoritmas kullanmlardr. lk aamada yzey aratrma tasarm, ikinci aamada Jeeves ve Hooke metotlarnn genetik algoritma ile zm kritie tabi tutulmutur. Sonu olarak optimum zm iin genetik algoritma ile zmden nce yeterli miktarda deerlendirme fonksiyonu salanmas gerektiine karar verilmitir [15]. Sahab ve arkadalar, binadaki her bir kolon ve deme boyutlarnn bulunmas ve betonarme plak betonu iin optimum maliyetin hesaplanmasnda baarl ekilde melez optimizasyon algoritmalarn kullanmlardr [16]. Lagaros ve arkadalar, evrimsel hesaplama tekniinin bir parasn oluturan genetik algoritmalar ve evrim stratejilerini, byk lekli yapsal boyutlandrma problemlerinde kullanarak ekil ve boyut optimizasyonlarn gerekletirmilerdir [17]. Govindaraj ve arkadalar, Hindistan standartlar artnamelerini esas alarak srekli kiri betonarme betonunun optimum detayl tasarm iin genetik algoritmalar uygulam rasyonel, gvenilir, ekonomik ve kullanl tasarm elde etmilerdir [18]. ada almasnda, betonarme demelerin akma izgisi yntemiyle zmnde akma izgisi deseninin belirlenmesi iin genetik algoritma tekniini uygulamtr. Allm demelerin yan sra deiik geometrilere sahip demeler, deiik mesnetlenme ve ykleme koullarnda analiz edilmitir [19]. Kaya almasnda, yksek kirilerde donat aplarnn optimum tasarmn gerekletirmek zere kesit zellikleri pratikte hazr olan standart kesitlerden seebilen bir genetik yaklam sunulmaktadr. Deerlendirme, seim, kopyalama, aprazlama,ve mutasyon operatrlerinden oluan genetik algoritma
55

Teknolojik Aratrmalar : YTED 2006 (1) 51 - 59

Evrimsel Algoritmalarn naat Mhendisligi Sistemlerinde Kullanm

kullanlarak yksek kiri elemanlar iin zerlerine etki eden ykleri belli bir emniyetle tayacak ekilde yatay ve dey ortoganal donat aplar belirlenmitir. Yksek kirilerin ACI da belirtilen koullara gre analizi yaplarak ACI nin yksek kirilerin analizinde uygulamada karlalan glkler ve snrlamalar ortaya konmutur. Ayn problemlerin gelitirilen bilgisayar program ile de analizi yaplarak bu programn ne derece kullanl olduu ortaya konmutur [20]. Dalolu ve arkadalar yaplan almada , dzlem elik erevelerin optimum tasarmn gerekletirmek zere kesit zelliklerini pratikte hazr olan standart kesitlerden seebilen bir genetik yaklam sunulmaktadr. Kopyalama, aprazlama ve deiim operatrlerinden ibaret olan basit genetik algoritma kullanlm ve yap gerilme, stabilite ve izin verilebilen maksimum deplasman snrlayclar altnda boyutlandrlmtr. Bileik gerilme snrlaycs TS 648e gre dikkate alnmtr. Yntemin uygulanabilirliini gstermek zere eitli saysal rnekler verilmitir. Karlatrma yaplabilmesi amacyla rnekler literatrden seilmitir [21]. 3.2. Statik Toan ve Dalolu, genetik algoritma kullanarak, eitli paralel balkl dzlem kafes sistemlerin boyut ve ekil optimizasyonlarn gerekletirmi ve sonuta sistem arlnn minimize edilebileceini gstermilerdir [22]. Turgut ve Arslan, alt aklkl srekli bir kirite maksimum aklk ve mesnet momentlerini veren hareketli yk kombinezonlarnn genetik algoritmalarla otomatik bir ekilde dzenlenmesini incelemilerdir. Sunulan metodun hesaplama hz, tesir izgileri yntemi gibi klasik yntemlerle yaplan zme kyasla olduka yksek olduunu gstermilerdir [23]. Bekirolu ve arkadalar, almalarnda genetik algoritmada deer kodlamas kullanarak kafes sistemlerinin minimum arlkl tasarmn amalamlar ve deer kodlamas kullanlarak hazrlanan programn kafes sistemlerin genetik algoritma ile minimum arlkl olarak boyutlandrlmasnda etkin bir ekilde kullanldn gstermilerdir [24]. Toan yapt almada genetik algoritma kullanarak at makaslarnn farkl yklemeler altnda optimum tasarmlarn yapmtr. Gerilme, burkulma ve kme snrlayclar gz nne alnm ve iki tip tasarm problemi incelemitir. nce eitli at makaslarnn minimum arlkl boyut optimizasyonlar gerekletirilmi daha sonra at makaslarnn eleman kesit alanlaryla birlikte optimum geometrilerini de bulacak ekilde boyut ve ekil optimizasyonlar gerekletirilmitir [25]. 3.3. Zemin Zolfaghari ve arkadalar, Zemin kayma stabilitesi analizinde deprem ve bina yk etkisinin aratrlmas iin genetik algoritmalar baaryla kullanmtr [26]. Morcous ve arkadalar ok byk boyutlu ve karmak bir yapya sahip olan alt yap ebeke sistemlerinin bakm optimizasyonu iin genetik algoritmalar baarl bir ekilde uygulamlardr [27]. 3.4. antiye Wang ve arkadalar, evresel bina tasarmnda optimal zme ulamak iin genetik algoritmalar baaryla uygulamlardr [28]. Perng ve arkadalar, tarihi binalarn onarmnda optimal bte tasarm iin genetik olgoritmalar uygulamlardr. Uygulama sonunda genetik algoritma metodunun geleneksel metotlardan daha etkili ve ekonomik karar nerdiini tespit etmilerdir [29].
56

Yutu , . aa, Y.

Teknolojik Aratrmalar : YTED 2006 (1) 51 - 59

Fairbairn ve arkadalar, ktle beton yaplarnn inasnda (malzeme cinsi, ortam scakl, pompa ykseklii vb. kriterleri kullanarak) optimum inaat maliyetini elde etmek iin genetik algoritmalar baaryla uygulamlardr[30]. 3.5. Ulatrma Ceylan ve arkadalar, GAlarn ehirleraras ulam talep tahmin modellerinde kullanlabilirlii aratrm ve oluturulan modeller yardm ile 2025 ylna kadar lkemizde ehirler aras yollarda beklenen yolcu, yk ve tat hareketi talepleri bulunmu ve hesaplanan deerler Avrupa Birlii lkeleri ile karlatrlarak uzun dnemli planlama iin talep ynnden bir deerlendirme yaplarak neriler sunulmutur [7]. 3.6. Su Uaner ve arkadalar, me suyu ebekelerinde ek klorlamann yaplaca yerler, klor miktar ve dzeninin bulunmasnda Genetik Algoritmalar kullanmlardr. Uygulanma sonucu mevcut klorlama stratejisinin gelitirilebilecei grlmtr [5]. Baylar ve arkadalar, Su kaynaklar sistemlerindeki dinamik, lineer ve lineer olmayan optimizasyon problemlerini Genetik Algoritmalar ile hesaplamlardr. Bu amala, Genetik Algoritma esasl bir optimizasyon program gelitirilmitir. Elde edilen sonulara gre, genetik arama metodunun hassas sonular verdii gzlenmitir [31]. Karahan ve arkadalar, Aylk ak serilerinin modellenmesinde Genetik Algoritma (GA) tekniini uygulamlardr. alma sonular, GA yaklamnn ak serilerindeki eksik verilerin tamamlanmasnda ve gelecee ynelik ak tahmininde kullanlabileceini gstermitir [32]. 4. SONU Evrimsel hesaplama tekniinin bir parasn oluturan genetik algoritmalar geleneksel yntemlerle yaplan zmlerin yannda, geleneksel yntemlerle zm zor olan veya zlemeyen problemlerin zmnde yaygn olarak kullanm imkan bulmaktadr. Mhendislik almalarnda, daha ok optimizasyon iin kullanlmakta ve dier klasik yntemlere gre daha iyi sonu verdii gzlemlenmektedir. Bu almada genetik algoritma yntemi teknik ynleri ve temel prensipleri ile incelenmi ve en iyi bireyi elde etmek iin kullanlan aprazlama ve mutasyon operatrleri, yaplar ve kullanm yerine gre zellikleriyle karlatrmal olarak gzden geirilmitir. Son olarak genetik algoritmalarn naat Mhendislii alanndaki uygulamalar iin yurt ii ve yurt d literatr taramas yaplm ve bu almalar ve sonular hakknda bilgi sunulmutur. KAYNAKLAR 1. ELMAS, ., 2003. Bulank Mantk Denetleyiciler, Birinci Bask, s. 24, Sekin Yaynevi, ss. 225, Ankara. 2. RECHENBERG, I., 1973. Evolution strategy: optimization of technical systems according to the principles of biological evolution (in German), Frommannn-Holzboog, Stuttgart. 3. HOLLAND, J., 1975. Adaptation in natural and artificial systems, University of Michigan Pres, Ann Arbor, Mich.
57

Teknolojik Aratrmalar : YTED 2006 (1) 51 - 59

Evrimsel Algoritmalarn naat Mhendisligi Sistemlerinde Kullanm

4. BOLAT, B., EROL, K., ve MRAK, C., 2004. Genetic Algorithms in Engineering Aplications and the Function of Operators Journal of Engineering and Natural Sciences, s. 264-265, Sigma. 5. UANER, M., ve ZDEMR, O., 2002. Genetik Algoritmalar ile me Suyu ebekelerinde Ek Klorlama Optimizasyonu, Gazi niv. Mh. Mim. Fak. Der. Cilt 17, No 4, 157-170. 6. PAPADRAKAKS, M., and LAGAROS, N.D., 1994. Advances in Structural Optimization, nstitute of Structural Analysis and Seismic Research, National Technical University, Zografou Campus, GR-157 73 ,Civil-Comp Press, Athens, Greece. 7. CEYLAN, H., ve HALDENBLEN, S., 2005. ehirler Aras Ulam Talebinin Genetik Algoritma ile Modellenmesi, MO Teknik Dergi, Yaz 238, 3599-3618. 8. DENGZ, B., ve ALTIPARMAK, F., 1998. Genetik Algoritmalar, Bilimleri Enstits Dergisi, 11: (3), 523-541. Gazi niversitesi Fen

9. LUGER, G. F., 2002. Artificial Intelligence, Structures and Strategies for Complex Problem Solving, Fourth Edition, at page 471, Harlow, England: Addison-Wesley. 10. GOLDBERG, D. E., 1989. Genetic Algorithms in Search, Optimization and Machine Learning, Addison Wesley, Mass. 11. CHENG, R., GEN.M., ve TSUJIMURA,Y., 1999. A Tutorial Survey of Job Shop Scheduling Problems Using Genetic Algorithms: Part II. Hybrid Genetic Search Strategies, Computers and Industrial Engineering 37, 51-55. 12. EKSN, I., ve EROL, O. K., 2001. Evolutionary Algorithm with Modifications in the Reproduction Phase, IEE Proceedings-Software, 75-80, 148 (2). 13. KURT, M., ve SEMETAY, C., 2001. Genetik Algoritma ve Uygulama Alanlar, Mhendis ve Makine, 42 (501), 19-24. 14. ENGN, O., 2001. Ak Tipi izelgeleme Problemlerinin Genetik Algoritma ile zmn Performansnn Artrlmasnda Parametre Optimizasyonu, Doktora Tezi, .T.. Fen Bilimleri Enstits, stanbul. 15. SAHAB, M.G., ASHOUR, A.F and TOROPOV, V.V., 2005. Cost optimisation of reinforced concrete flat slab buildings, Engineering Structures 27, 313322. 16. SAHAB, M.G., ASHOUR, A.F and TOROPOV, V.V., 2005. A hybrid genetic algorithm for reinforced concrete flat slab buildings, Computers and Structures 83, 551559. 17. LAGAROS, N.D., PAPADRAKAKS, M., and KOKOSSALAKS, G., 2002. Structural optimization using evolutionary algorithms, Computers and Structures, 80, 571589. 18. GOVNDARAJ, V., and RAMASAMY, J.V., 2005. Optimum detailed design of reinforced concrete continuous beams using Genetic Algorithms, Computers and Structures 84, 3448. 19. ADA, .U., 2001. Betonarme Demelerin Akma izgileri Yntemiyle Analizinde Akma izgisi Deseninin Genetik Algoritma le Belirlenmesi, Gazi niversitesi, Fen Bilimleri Enstits, Yksek Lisans Tezi. Ankara.

58

Yutu , . aa, Y.

Teknolojik Aratrmalar : YTED 2006 (1) 51 - 59

20. KAYA, M., 2001. Betonarme Yksek Kiri Tasarmnda Genetik Algoritmalarn Kullanlmas, Gazi niversitesi, Fen Bilimleri Enstits, Yksek Lisans Tezi. Ankara. 21. DALOLU, A., ARMUTU, M., 1998. Genetik Algoritma le Dzlem elik erevelerin Optimum Tasarm, Teknik Dergi, Cilt 9, Say 2. 22. TOAN, V., ve DALOLU, A., 2003. Genetik Algoritma (GA) ile Paralel Balkl Dzlem Kafes Sistemlerin ekil ve Boyut Optimizasyonu, Deprem Sempozyumu, s. 508, Kocaeli. 23. ARSLAN, A., ve TURGUT, P., 2001. Srekli Bir Kirite Maksimum Momentlerin Genetik Algoritmalar ile Belirlenmesi, DE Mhendislik Fak. Fen ve Mhendislik Dergisi, 3: (3), 1-9. 24. BEKROLU, S., AYVAZ, Y., ve DEDE, T., 2003. Deer Kodlamas Kullanlarak Kafes Sistemlerinin Genetik Algoritma ile Minimum Arlkl Boyutlandrlmas, 3.Uluslararas leri Teknolojiler Sempozyumu, Gazi niversitesi, Ankara. 25. TOAN, V., ve DALOLU, A., 2003. Genetik Algoritma ile at Makaslarnn ekil ve Boyut Optimizasyonu, 3.Uluslaras leri Teknolojiler Sempozyumu, Gazi niversitesi, Ankara. 26. ZOLFAGHAR, A.R., HEATH, A.C., and MCCOMBE, P.F., 2005. Simple genetic algorithm search for critical non-circular failure surface in slope stability analysis, Computers and Geotechnics 32, 139152. 27. MORCOUS, G., and LOUNS, Z., 2005. Maintenance optimization of infrastructure networks using genetic algorithms, Automation in Construction 14, 129 142. 28. WANG, W., ZMEUREANU, R., and RVARD, H., 2005. Applying multi-objective genetic algorithms in gren building design optimization, Building and Environment 40, 15121525. 29. PERNG, Y. H., JUAN, Y and HSU, H. S., 2005. Genetic algorithm-based decision support fort he restoration budget allocation of historical buildings, Building and Evvironment, accepted 11 Septenber 2005, (n press) 30. FARBARN, E.M.R., SLVOSO, M.M., FLHO, R.D.T., ALVES, J.L.D., and EBECKEN, N.F.F., 2004. Optimization of mass concrete construction using genetic algorithms., Computers and Structures 82, 281299. 31. [BAYLAR, A., EMROLU, M.E., ve ARSLAN, A., 2000. Su Kaynaklar Sistemlerinde Optimizasyon Problemlerinin Genetik Algoritma ile zm, Teknik Dergi, Cilt 11 Say 1 32. KARAHAN, H., CEYLAN, H., Ak Serilerinin Genetik Algoritma ile Tahmini, Pamukkale niversitesi, Mhendislik Fakltesi, naat Mhendislii Blm, Knkl Kamps, 20017, Denizli.

59