Yapay Sinir Alar

1.SSTEM MODELLEME
Doa bilimleri, sosyal bilimler, mhendislik, i dnyas ve finansn birka rnek balk olarak
sralanabilecei eitli alanlarda modelleme ve ngr gerekletirilmesi arzu edilen ve
dolays ile youn aba sarfedilen aratrma konulardr. ncelenen sistemin giri-k
ilikisini tanmlayan ifadeye matematik model veya ksaca model denir [1].
Sistemin modeli, giri uzay udan k uzay yye bir P operatr olarak tanmlanr ve
tanmlama ilemiyle Pnin ait olduu Q kmesinin zellikleri yakalanmaya allr. Q
kmesi verilmi ve P Q olduu biliniyorken, tanmlama ileminin hedefi
eleman tespit etmektir ki
kaydyla yle bir P

Q
P

Q
Q

olmak

, Pye arzu edilen tarzda

iken P

yaklasn [2].
Modelleme ileminde kullanlan iki temel yaklamn ilki, kmelendirilmi parametre
modellemesi(lumped-parameter modelling), ikincisi ise sistem tanmadr [1]. Kmelendirilmi
parametre modellemesi yaklamnda, sistem, giri-k ilikisi basite ifade edilebilen
bileenlerle yaplandrlmaya allr. Sistem tanma yaklamnda ise deneysel olarak elde
edilmi veya hipotetik olarak retilmi giri-k verilerinin kullanlarak sistemin matematik
modelinin kurulmasna allr. Sistem tanma, parametrik ve nonparametrik balklar altnda
iki grupta incelenebilir. Parametrik model, sonlu sayda parametre ile tamamen belirlenen
fonksiyonel bir formu benimsedii halde nonparametrik modelde ne fonksiyonel form ne de
parametre says ile ilgili bir kstlama vardr.
Modelin kurulabilmesi iin temel gereksinim:
1. Giri-k verisi
2. Model adaylarnn belirlenmesi
3. Modelin seim kriteridir.

Gelecekteki verilerin istatistiksel zelliklerinin gemitekilerle uyumlu olaca varsaymndan

hareketle, modellemeye konu olan sisteme ait gemie dnk verilerin istatistiksel
zelliklerinden yararlanlarak kurulan modele zaman-serisi modeli denir. Modelin, gemiteki
verileri yeterli dorulukta salamas kadar gelecekte tekrarlanma ihtimali yksek zellikleri
tanmlamas da gereklidir.
Kestirim zordur; zellikle, gelecee dnkse Nils Bohr.
Sistemin karmakl veya hedefin hassaslna bal olarak, tasarlanan modellerin youn
ilem gerektiren algoritmalarnn geerlilii, gelien teknolojinin harikas ve vazgeilmez
unsuru bilgisayarlarn elverdii kolaylkla ve hzla snanabilmektedir. Snamay baaryla
geen modeller ngr ileminde kullanlmaktadr. Baarl modellerin sahip olmas istenilen
dier zellikler:

Parametre says asgariye indirilmeli

Parametrelerin kestirimi kolay olmal

Parametreler fiziksel olarak anlamlca yorumlanabilir olmaldr.

deal durumda, yukardaki maddeler de gereklenmi olacaktr, modelin lineer olmas arzu
edilir. Bir H sistemi, x1 x1 (t ) ve x 2 x 2 (t ) keyfi giri deerleri ve c1 , c 2 keyfi sabitleri
iin;

H c1 x1 c 2 x 2 c1 H x1 c 2 H x 2

(2.1a)

denklemini salyorsa; lineerdir. Bu denklemde lineer sistemlerin tad iki zellik olan
toplanabilirlik ve homojenlik verilmitir. Ayr ayr (2.1a) ve (2.1b) eklindedirler:
1. Toplanabilirlik zellii:

H x1 x 2 H x1 H x 2

(2.1b)

2. Homojenlik zellii:
H cx cH x

(2.1c)

Bu zellikler, sperpozisyon ilkesi sayesinde sonlu olmak kayd ile keyfi sayda giri
teriminin toplamna geniletilebilir. zelliklerden birinin salanamad durumda sistemin
nonlineer oluuna delil elde edilmi olunur. Yaplabilecekler sistemin lineerletirilmesi veya

nonlineerlik ile baedebilecek bir tanma algoritmasnn gelitirilmesi ile snrldr. Lineer
sistemler iin gelitirilmi pek ok tanma algoritmas mevcuttur. Ancak, ilgi alan nonlineer
sistemlere kaydnda olanaklar kstldr. Yapay sinir alarnn nonlineer ilikileri renme ve
arzulanan

toleranslar

dahilinde

yaklamda

bulunma

yetenei

duyulan

ilginin

sebeplerindendir.
ncelikle parametrik modellerden AR modeli hakknda ksa bilgi verilecek ve parametrik
olmayan modellerden yapay sinir alar Blm 3 te detayl bir ekilde ele alnacaktr.
1.1. Parametrik Model
1.1.1. AR Modeli
Giri-k ilikisini basite tanmlayan fark denkleminin genel ifadesi (2.2) ile verilmitir. a k
ve bk sabit arpanlar, y n k deerleri ve x n giri deerleri dizisi olmak zere,

k 1

k 0

y n a k y n k bk x n k

(2.2)

Bu denklem, n anndaki kn, nceki k deerlerine balln salayan a k katsaylar ve

nceki giri deerlerine balln salayan bk katsaylarn ierdiinden ARMA modeli
olarak anlr. zel durumlar olarak, AR ve MA modelleri, srasyla, (2.2a) ve (2.2b) numaral
denklemlerle tanmlanrlar [3].

AR Model:

y n a k y n k w n

(2.2a)

k 1

MA Model:

y n bk x n k
k 0

(2.2b)

AR modelin revata olmasnn altnda yatan balca sebep, AR parametrelerinin hesab iin
kullanlan yntemlerin ounun dorusal denklem takmlarnn zmne dayanmas
nedeniyle kolay olmasdr.
1.1.2. AR Model Mertebesinin Belirlenmesi
AR model mertebesi iin en iyi deer, genellikle, nceden bilinemez. Dk mertebeli
modeller az bilgi ieren spektral kestirim sonucu retirken ok yksek mertebeli modellerin
kestirimi sahte detaylar verme eilimindedir. AR model mertebesi arttka kestirimin gc
azalr. Buna kar kestirim hatas gc, artan model mertebesiyle monoton azaldndan
arama srecinin ne zaman durdurulmas gerektii ak deildir.
Model mertebesi, ikisi Akaike tarafndan ortaya atlm eitli kriterler dorultusunda
belirlenebilir. Akaikenin ilk kriteri, nihai kestirim hatas (final prediction error(FPE)) adyla
anlr. Veri says N, model mertebesi

, karlk gelen kestirim hatas gc Pp olmak zere

AR modelinin FPEsi (2.3) eitlii ile tanmlanr [4].

N p 1

FPE P

p
p
N

p
1

(2.3)

Artan pye karlk Pp azald halde (2.3) eitliindeki dier arpan artar. Artan

ye

karlk FPE p deerinin bir minimuma ulamas beklenir. Minimum FPE p deerini

salayan

deeri AR mertebesi olarak seilir.

Akaikenin ikinci kriteri, kestirim hatasnn gcnn,

mertebeli filtrenin bir fonksiyonu

gibi alnarak log-likelihoodunun minimizasyonuna dayanr. Akaikenin bilgi kuraml kriteri

(Akaike Information Theoretic Criterion(AIC)) olarak anlan yaklam (2.4) eitlii ile
tanmldr.

2p
AIC ln P
p
N
p

(2.4) eitliindeki ilk terim, artan

(2.4)

deerine karlk monoton azalr. Eitlikteki ikinci terim,

model mertebesini arttrmaktan doan ceza terimi olarak dnlebilir.

Veri says N, sonsuza gittike AIC p ve FPE p denk olurlar [4].

YAPAY SNR ALARI

Bu blmde, ncelikle yapay sinir alarnn biyolojik kkeninden bahsedilecek ve daha sonra
yapay sinir alar hakknda genel bilgi verilecektir.
1.2. Yapay Sinir Alarnn Biyolojik Kkeni
nsan beyni, dnme, hatrlama ve problem zme yeteneklerine sahip karmak bir
sistemdir. Beyin fonksiyonlarnn bilgisayarla taklit edilmesine ynelik giriimlerin baars
henz ksmi olmaktan teye gidememitir.
Bu karmak yapnn temel birimi nrondur. ekil 3.1de gerek sinir hcresinin ematik
gsterimi verilmitir. Nron, dendritler araclyla sinyalleri alr ve birletirir. Bileke
sinyalin yeterince gl olduu durumda nron ateleme yapar ve sinyal, terminalleri
araclyla dier nronlarn dendritleriyle balantl olan akson boyunca yol alr. Akson
boyunca yol alarak nrona ulaan sinyaller, elektriksel yk deiken hzlarda ileten sv ile
dolu ok kk boluklardan geerler. Bu boluklar, sinaptik balantlar olarak anlr. Sinaptik
balantnn empedans veya kondktans deerinin ayarlanmas, bellek oluumu ve renmeyi
saladndan kritik nemdedir [5].

ekil 3. 1 Gerek sinir hcresinin ematik gsterimi

1.3. Yapay Sinir Hcresi

Sinir alar biribirine paralel olarak alan basit elemanlardan oluur. Gerek bir sinir
hcresinin birimlerine edeer bileenlerle modellenen yapay sinir hcresi ekil 3.2de
gsterilmitir. Gvdenin giri birimi olan balantlarn herbirinin kendine ait bir arlk
arpan vardr. Arlk deeri pozitif veya negatif olabilir. Uygulanan sinyallerin arlk
deeriyle arpmlar, iki ksmdan oluan gvdenin ilk ksmnda toplanr. Bu toplam, ikinci
ksm tanmlayan aktivasyon fonksiyonunun argman olur.

ekil 3. 2 Yapay Sinir Hcresi [6]

1.4. Nron Modelleri

Nronlar, yapay sinir alarnn bilgi ileyen yapsal elemanlardr. Bir nronun yapsnda
temel yapta bulunur:
1. Sinaps ad verilen balantlar: Her sinapsn kendine ait wij ile gsterilen bir arlk
arpan vardr. Bu ifadede i ile sz konusu nron, j ile sinapsn giri uygulanan ucu
tanmlanmaktadr. Arlk arpan pozitif deerli olabilecei gibi negatif deerli de olabilir
[7].
2. Toplayc: Uygun arlklarn uygulanm olduu giri sinyallerini toplamak iin kullanlr
[7].

3. Aktivasyon fonksiyonu: Nronun knn genliini kstlamak iin kullanlr. Genelde

bir nronun normalize edilmi genlii [0,1] veya [-1,1] kapal aralnda ifade edilir [7].
1.5. Aktivasyon Fonksiyonu eitleri
arg = Ij+bj tanmlamas kullanlarak bir nron iin aktivasyon fonksiyonu (arg) ifadesiyle
gsterilir. Aktivasyon fonksiyonunun temel tipi takip eden alt balklarda verilmitir.
1.5.1. Eik Fonksiyonu
Eik fonksiyonu kullanlarak yaplm bir nron literatrde McCulloch-Pitts modeli olarak
adlandrlr. Fonksiyonun grafii ekil 3.3te gsterilmitir [8].

ekil 3. 3 Eik Fonksiyonu

1.5.2. Ksmi Dorusal Fonksiyon

Dorusal olmayan bir genlik artm salayan bu aktivasyon fonksiyonu ekil 3.4te
gsterimitir. Eer dorusal blgedeki genlik arttran katsay yeterince byk alnrsa paral
dorusal fonksiyon eik fonksiyonunua dnr [8].

ekil 3. 4 Ksmi Dorusal Fonksiyon

1.5.3. Sigmoid Fonksiyonu

Yapay sinir alar oluturulurken en ok kullanlan aktivasyon fonksiyonudur. Dorusal ve
dorusal olmayan davranlar arasnda denge salayan srekli artan bir fonksiyon olarak
tanmlanr. Sigmoid fonksiyona bir rnek lojistik fonksiyondur ve ekil 3.5de gsterilmitir
[7].

ekil 3. 5 Lojistik Sigmoid Fonksiyonu

Grlecei zere sigmoid fonksiyonunun trevi alnabilirken eik fonksiyonunun trevi

alnamaz.
Hiperbolik tanjant fonksiyonu da sigmoid fonksiyon rneidir ve ekil 3.6da grlebilir.

ekil 3. 6 Hiperbolik tanjant fonksiyonu

1.6. Yapay Sinir A

Yapay Sinir A, ngrlen sayda yapay sinir hcresinin, veri ilemek amacyla belirli bir
mimaride yaplandrlmasyla ekillenir. Bu yap, genellikle,numaralandrlan birka
katmandan oluur. lk katman, ounlukla numaralandrlmayan, giri katmandr. Bu
katmann numaralandrlmaya katlmaynn sebebi, giri katmanndaki elemanlarn arlk
arpanlar ve aktivasyon fonksiyonlarnn olmamas sebebiyle veri giriinden baka bir ilem
yapmamalardr. k katman da son katmandr. Tercihe bal olarak farkl sayda olabilen
dier ara katmanlarn ortak ad gizli katmandr [7].
1.6.1. A Yaplar
A yaplar tek katmanl ileri beslemeli, ok katmanl ileri beslemeli ve dngl yapay sinir
alar olmak zere temel balkta toplanabilir.
1.6.1.1. Tek Katmanl-leri Beslemeli Sinir Alar (FF)
Tek katmanl ileri beslemeli yapay sinir a en basit a yapsdr. Bir giri katman ve bir k
katman vardr. rnek yaps ekil 3.7de gsterilmitir. Bu tip bir ada bilgi giriten ka
doru ilerler yani a ileri beslemedir. Tek katmanl olarak isimlendirilmesinin sebebi, giri
katmannn veri zerinde hibir ilem yapmadan veriyi k katmanna iletmesidir [7].

ekil 3. 7 Tek katmanl yapay sinir a

1.6.1.2. ok Katmanl-leri Beslemeli Sinir Alar (FF)

Bu tip yapay sinir alarnn zellii, ekil 3.8da da grlecei zere bir veya daha fazla gizli
katman iermesidir. Gizli katmanlarn amac giri ve k katmanlar arasnda gerekli bir
takm ilemler yapmaktr. Giri katman geni olduu zaman gizli katmanlar sayesinde yksek
dereceli istatistiksel veri elde edilebilir. ok katmanl yaplarda (n). katmann k sinyalleri

(n+1). katmann giri sinyalleri olarak kullanlr. m adet giri dm, ilk gizli katmannda h1
adet nron, ikinci gizli katmannda h2 adet nron ve k katmannda q adet nron bulunan
bir ok katmanl ileri besleme a m-h1-h2-q a olarak adlandrlr. Eer her katmanda
bulunan nronlar bir sonraki katmann tm nronlarna bal ise bu tip aa tam balantl a
denir. Eer bu sinaptik balantlardan bazlar eksikse a, ksmi balantl a adn alr [7].

ekil 3. 8 ok katmanl yapay sinir a

1.6.1.3. Radyal Tabanl Sinir Alar (RBF)

Radyal tabanl alar, duyarl alma blgelerinin olduu giri tabakas, radyal tabanl nronlar,
ekil 3.9, ieren gizli tabaka ve ounlukla dorusal aktivasyon fonksiyonlu nronlardan
ibaret k tabakasndan oluur. Radyal tabanl alar, geriyaylm algoritmal ileri beslemeli
alardan daha fazla nron kullanmna ihtiya duyabilirse de eitim sresi ok daha ksadr.
Youn eitim verisiyle daha iyi sonular verir [8].

ekil 3. 9 Radyal tabanl nron

Radbas transfer fonksiyonunun net girii, arlk vektr, w, ile giri vektr, pnin vektrel
uzaklnn bias terimi ile arpmdr. w ile p arasndaki uzaklk azaldka transfer

fonksiyonunun k artar ve uzaklk sfrken k maksimum deeri 1e ular. w ile p

arasndaki uzaklk arttka k sfra gider [8].

ekil 3. 10 Radyal tabanl fonksiyon

Radyal tabanl bir an topolojisi ekil 3.11 de gsterilmtir.

ekil 3. 11 Radyal tabanl a topolojisi

1.6.1.4. Dngl Yapay Sinir Alar (RNN)

Dngl yapay sinir alarnn ileri beslemeli alardan fark en az bir adet geri besleme
evriminin olmasdr.
Yukarda verilen snflandrmada, balantlarn simetrik veya asimetrik olmas durumuna gre
alt snflar ortaya kar. i nronundan j nronuna ynelik bir balant varsa jden iye ynelik
bir balant da vardr. Bu iki balantnn arlklar wij=wji eitse balant simetriktir denir.
Eitsizlik durumunda, balant asimetrik olur.
Farkl katmanlara ait nronlarn balantsna, katmanlararas(interlayer) balant denir. Ayn
katmandaki nronlarn balantsna, katmanii(intralayer) balant, komu olmayan
katmanlardaki nronlarn balantsnada katmanlartesi(supralayer) balant denir. Bunlardan
baka, bir nron kendisiyle balantl olabilir. Ska kullanlan bir terim olan tam-balantllk,
bir katmana ait tm nronlarn komu katmandaki tm nronlarla balantl olduu durumu
tanmlar [7].

1.6.2. YSAda renme ve Hatrlama

YSAnn gerekletirdii iki temel fonksiyon, renme ve hatrlamadr. renme, arlk
deerlerinin, bir giri vektrne karlk arzu edilen k vektrn salamak zere
uyarlanmasdr. YSAnn, belirli bir girie, arlk deerlerine uygun bir k retmesi de
hatrlama olarak tanmlanr.
Arlk deerlerinin ayarland renme sreci denetimli, denetimsiz olabilir. Aralarndaki
farkn kayna eitim verisinin snflandrmasn yapan denetim mekanizmasnn olup
olmaddr. Bu durumda, denetimsiz renme srecinde
renmenin yansra eitim verisinin snflandrmas da baarlmas gereken bir baka
grevdir [7].
Mhendislik uygulamalarnn byk ounluu denetimli renmeyi kullanr. Yapay sinir
ana, yapmas istenilen greve dayal bir dizi rnek bilgi verilerek sinir a eitilir. Burada
ama belirli bir giri iin hedef bir k elde etmektir. Hedef k, denetmen tarafndan
salanr. Elde edilen kla hedef karlatrld zaman hedefe ulalamamsa balantlarn
arlklar benimsenen renme yaklamna gre ayarlanarak ilem tekrarlanr. Blok diagram
olarak ekil 3.12de gsterilmitir.

ekil 3. 12 YSAnn eitimi

1.6.3. Eitim ve Test Verisi Seimi

Yapay sinir ann eitimi ve snamas iin toplanan veri sistemin dzgn alma uzayn
kapsamaldr. rnek kaytlarnn alma uzaynn snrlarn belirledii ve yapay sinir
alarnn yalnzca eitildii alma aral iin gvenilir sonu verebildii, yani,
ekstrapolasyon yeteneinin gvenilemeyecek derecede kstl olduu unutulmamaldr. Genel
zelliklerin net olarak belirlenmesi iin rnek kayd koleksiyonunun geni olmas tercih
edilir. Bu kaytlarn bir ksm eitim aamasnda kullanlrken bir ksm snama aamasnda

an genelletirme yeteneinin teyidi amacyla kullanlr. Snamann baarszl durumunda,

snama amacyla kullanlan kaytlarn bir ksm eitim verisine katlarak eitim ve snama
ilemleri kabul edilebilir bir performans kriterine kadar tekrarlanr [7].
Yapay sinir a eitiminde karlalan temel bir sorun ezberlemedir. Yapay sinir ann eitim
srecindeki hata seviyesi, test srecindeki hata seviyesine gre bariz farkllklar gsterdii
takdirde ezberleme sorunu ile karlalm olur. Bu da tanmlanmas istenen fonksiyel
ilikiden ziyade eitim verisindeki grlt gibi tuhaflklarn da renildii anlamna gelir.
Ezberlemeyi azaltmak iin yaplabilecekler:

Eitimde kullanlan kayt saysn arttrarak grltnn ortalamasnn kendiliinden

dmesini salamak,

Serbest parametre olan nronlarn saysn kullanlmas gerekenin asgarisi ile snrlamak,

Eitimi, ezberleme balamadan kesmek. Yntem, apraz deerlemeli eitim olarak

adlandrlr. Esas, eitim srasnda ezberleme kontrol yapmaya dayanr. Eitim
aamasnda biri eitim, dieri kontrol iin olmak zere iki veri grubu kullanlr. Her
epokun sonunda her iki grup iin hatann RMS deeri hesaplanr ve kontrol kmesinin
hatasnda deiim olmad halde eitim kmesinin hatasnn azalmaya devam ettii
aama tespit edilmeye allr. Bu aamada eitim kesilir [7].

1.6.4. Geri Yaynm Algoritmas (BP)

Uygun arlklarn bulunmas iin en sk kullanlan yntem geriyaynmdr. Geriyaynm
algoritmas, bir hedef fonksiyonu minimize etmek zere tasarlanm optimizasyon
tekniidir[9]. En sk kullanlan hedef fonksiyon hatann karesidir.

, hata terimini gstermek

zere, hata (3.1a) ve hedef fonksiyonun tanmlanmasnda kullanlan hatann karesi (3.2b)
eitliiyle verilir.

q Tq qk ()

(3.1a)

2 q2 Tq qk () 2

(3.1b)

Yukarda kullanlan gsterimde, k katman numaras, q nron numarasn belirlemektedir.

Delta kuralyla ifade edildii zere, arlk deerindeki deiim, hatann karesinin arla
gre deiim oranyla orantldr.

 q2

w pq , k p ,q

(3.2a)

w pq , k

Ksmi trev, zincir kural kullanmyla alarak

w pq ,k p , q

q2
q , k ( )

q ,k ( ) q , k
q , k

(3.2b)

w pq ,k

Bu eitlikte,

q2
q , k ( )

q , k ( )
q , k

2 Tq q , k ( )

q ,k ( ) 1 q , k ( )

(3.3a)

(3.3b)

q ,k w pq ,k p , j ( )

(3.3c)

p 1

q , k
w pq , k

p , j ( )

(3.3d)

(3.3) eitlikleri (3.2b) eitliine yerletirilirse;

w pq , k p , q ( 2 ) Tq q , k () q , k ( ) 1 q , k ( ) p , j ()

(3.4)

Esasen geriyaylacak hata terimi olan ayn zamanda ksa bir gsterim elde etmek iin;

pq ,k ( 2 )Tq q ,k () q , k ()1 q , k ()

(3.5)

olarak tanmlanrsa;

w pq ,k p , q

q2
w pq ,k

p , q pq , k p , j ( )

(3.6)

N, iterasyon sayac olmak zere, (N+1). adm iin ayarlanacak arlk deeri;

w pq , k ( N 1) w pq , k ( N ) p , q pq , k p , j ( )

(3.7)

ile elde edilir.

(3.7) eitliinde tanmlanan ilem, uygun arlk deerlerine ulaabilmek iin k katmannn
tm nronlarna uygulanr. Hedef deerlere ulalamamasnn bir sebebi hatal k katman
arlklaryken dieri, gizli katmann rettii hatal klardr. Gizli katmann arlklarnn
ayarlanmasnda kullanlan denklemler, hedef deer olmakszn hesaplanmas gereken hata
terimi hp, j haricinde ayndr. hp , j , k katmannda balantl olduu her nronun hata
terimine katk yapan gizli katman nronlarnn herbiri iin ayrca hesaplanmaldr.
Hatann arlklara gre gradyan balang noktas alnp zincir kuralyla devam edilirse,

whp , j h , p

q2
whp , j

(3.8a)

q2

q ,k ()

q ,k

q 1

q ,k ( )

q ,k

p , j ()

whp , j h , p

p , j ( ) p , j
p , j

whp , j

(3.8b)

(3.8b) Eitliinin sa tarafndaki terimleri ayr ayr ele alalm:

q2
q , k ()

q , k ( )
q , k

q , k
p , j ( )

p , j ()
p , j

p , j
whp , j

(2) Tq q , k ()

q , k ( ) 1 q , k ( )

(3.9a)

(3.9b)

w pq , k

(3.9c)

p , j () 1 p , j ()

(3.9d)

xh

(3.9e)

(3.9) eitlikleri (3.8b) eitliinde yerlerine koyulursa,

2

whp , j

(2)T
r

q 1

q , k () q ,k () 1 q ,k ( ) w pq ,k p , j ( ) 1 p , j ( ) x h

(3.10a)

whp , j

q 1

pq , k

w pq , k p , j 1 p , j ( ) x h

(3.10b)

 hp , j pq ,k w pq ,k

p , j ( )
p , j

(3.11)

elde edilir.
Son adm olarak, gizli katman nronunun (N+1). iterasyon iin deeri (3.12) ile bulunur:

whp , j ( N 1) whp , j ( N ) hp x h hp , j

(3.12)

Tm gizli katman nronlar iin deiiklik yapldktan sonra yeni giriler uygulanr ve sre
yeniden balar. Hedeflenen hata kriterine ulalana dek iterasyon devam eder. Hata kriterine
ulaldnda eitim tamamlanm olur [5].
1.6.4.1. Geri Yaynml Eitimi Etkileyen Etmenler
Geriyaynml eitimin baarmn arttrmak iin yaplabilecek bir takm dzenlemeler
nerilmitir.
1.6.4.1.1. Bias
Her bir nron iin bir bias eleman ilave edilebilir. Aktivasyon fonksiyonunun apsisi
kestii noktay teleyerek nronun eik seviyesinde deiiklik etkisi yaratr. Genelde, eitim
hzn olumlu etkiler. Giri elemanlarnn bias (+1) olmak durumunda olmasna karn dier
biaslar herhangi bir deer alabilir ve eitilebilir [5].
1.6.4.1.2. Momentum
Hareketli bir cismin momentumunun etkisine benzer, eitim srecinin ynnn korunmas
salar. Bunun iin, arlk ayarlamas srasnda, nceki arlk deiimiyle orantl bir terim
ilave edilir. , momentum terimi olmak zere denklem (3.13) elde edilir:

w pq ,k ( N 1) w pq , k ( N ) p , q pq , k p , j () w pq , k ( N )

(3.13)

Yerel minimumdan kurtulmay salayabildii iin ilgi gren dzenlemelerdendir. Ancak,

geriyaynmn olamad gibi momentum ilavesi de her derde deva deildir [5].
1.6.4.1.3. renme Katsays( )
Pozitif deerli olmak zorundaki renme katsays 2den byk seildiinde YSAnn
kararszlna, 1den byk seildiinde de zme ulamaktansa salnm yapmasna sebep
olur [7]. renme katsays iin 0,1 uygun aralktr. Bu aralkta seilen katsaynn
byklyle, renme adm aral orantldr. Eitim verisinin deiim oranna uygun
katsay seilmelidir. Uyarlanabilir renme katsays kullanm da bavurulabilecek
yntemlerdendir.
1.6.4.1.4. Sigmoid Fonksiyonunun Eim Parametresi( )
Eim parametresine bal deiim ekil 3.13de gsterilmitir. Artan arlk deerleri,
nronun, sigmoid fonksiyonun eiminin(trevinin) ok kk deerli blgelerinde ilem
yapmasna sebep olur. Geri yaymlanan hata terimi trevle orantl olduundan, dk eimde
yeterli eitim gereklemez. Eimin ayarlanmas, eitim sresini ve baarsn dorudan
etkiler [7].

ekil 3. 13 Lojistik sigmoid fonksiyonunun eim parametresiyle deiimi

1.6.4.1.5. Yerel Minimum

Geriyaynm algoritmasnn sknt yaratan yan, yerel minimuma taklmasdr. Algoritma,
gradyan azaltma yntemini kulland iin hata yzeyinin eimi negatif olduu srece

arlklarn minimuma ulamay salayacak ekilde ayarland kabul edilir. Hata yzeyi,
kolaylkla dlebilecek fakat kurtulmann mmkn olamayabilecei tepe ve ukurlar
barndrabilir. Atanan ilk arlk deerleri, civarnda, azalan gradyan ynnde arama yaplacak
noktay belirler. Rasgele seilen ilk noktadan, global minimuma kadar olan mesafede yerel
minimum problemini yaratabilecek hata deerleriyle karlamak muhtemeldir. ekil 3.14
yerel minimumlar gstermektedir.

ekil 3. 14 Karlalan minimum trleri

1.6.5. YSA ile Zaman Serisi Modelleme

YSA, gemie ait verilerin oluturduu zaman serisinin modellenmesi ve gelecee dnk
kestirim yaplmas ilemlerinde artan bir ilgi grmekte ve kullanlmaktadr. Mertebesi
belirlenmi AR, MA veya ARMA modeli kullanlarak yaplan kestirime benzer olarak,
uzunluu YSAnn giri elemanlarnn saysna eit bir pencere, zaman serisi zerinde adm
adm ilerleyerek giri olarak uygulanacak zaman serisi elemanlarn tanmlar. lem ekil
3.15de gsterilmitir. Bu ilem, hem modelleme hem de kestirim srasnda kullanlr.
Modelleme srasnda, pencere uzunluunun p ile verildii durumda, serinin (p+1). eleman
hedef deer olarak alnr. Seri boyunca ilerleyen kayan pencerenin belirledii veriler iin
hedeflenen hata kriterine ulalana dek YSA eitimi devam eder. Gelecee dnk kestirim, bir
admdan daha fazlas iin yaplabilirse de hata artacaktr. Hatann, bir k deerine gre
azaltlmaya allmas zmn doruluunu arttracaktr [7]. Bu noktada vurgulanmas
gereken zellik algoritmann ek yk getirmeden SISO(Tek Giri Tek k), MISO(ok Giri
Tek k) veya MIMO(ok Giri ok k) alabilmesidir [10].

Bundan baka, fark, eitimde kullanlacak veriden kaynaklanan iki alternatif modelleme
yaklamndan birincisinde ilk adm, mevsimsel deiimler gibi periyodiklii bariz
bileenlerin veriden karlmasdr. Gerikalan, detay niteliindeki veri zerinden YSA eitilir.
Eitilen YSAnn kestirimlerinin, daha nce tespit edilmi periyodik bileenlerle
toplanmasyla ilem tamamlanr. Dier yaklamda eitim verisi, ardk elemanlar arasndaki
farkn veya deiim orannn hesaplanmasyla elde edilir [7].

ekil 3. 15 YSA ile zaman serisi modelleme ileminin gsterimi

EVRMC ALGORTMALAR
Evrimci Algoritmalar, tasarm ve gerekletirilmesinde evrim srecinin hesaplamal
modellerinin esas alnd bilgisayar tabanl problem zme sistemlerini tasvir etmekte
kullanlan genel balktr [11]. Evrimci Programlama(Fogel, Owens ve Walsh 1966),
Evrim Stratejileri (Rechenberg 1973) ve Genetik Algoritmalar (Holland 1975) bu
alandaki baskn yntemlerdir. Gelitiricilerinin benimsedikleri gsterim tarz, seim
stratejileri, nfus ynetimi ve genetik operatrlerin nemsenme derecesine gre farkllklar
arz ederler.
1.7. Temel lkeler
ekil 4.1deki gsterimle tanmlanabilecek olan standart EAnn altrlabilmesi iin tespit
edilmesi gereken temel noktalar: kromozom gsterimi, seim stratejisi, oalma operatrleri,
ilk topluluun yaratlmas, sonlandrma kriteri ve deerlendirme fonksiyonudur. Bu noktalarn
belirlenmesinde probleme uygunluu gzetilmelidir.

ekil 4. 1 Evrimci Algoritma ak diagram

1.8. Kromozom Gsterimi

Uygun gsterimden kast, muhtemel zmn bir dizi parametre ile temsil edilebilecei
ilkesinin gayri ihtiyari kabulne uygun olarak parametre saysnn belirlenmesidir.
Parametreler, gsteriminde belirli bir alfabenin kullanld genler olarak kodlanrlar. Genler
bir araya gelerek kromozomlar olutururlar. Genlerin kromozom zerindeki yerleri lokus
adyla anlr. Alfabe sembollerden, iki tabanl saylar olan {0,1}den, tamsaylardan, gerel
saylardan, matrislerden oluabilir. EAnn kullanlmaya baland ilk zamanlarda, parametre
deerleri iin iki tabanl gsterim daha uygun grlp yaygn olarak kullanlm olsa da gerel
deerli gsterim de mmkndr. Michalewicz, almalaryla gstermitir ki arama uzaynn
doasyla uyumlu gsterimler daha iyi sonular saladndan daha verimlidir. Bu balamda,
fonksiyon optimizasyonunda, kromozomlarn temsili iin alt ve st snrlar dahilinde gerel
saylarn kullanm allageldik iki tabanl gsterime kyasla
daha elverilidir [7]. Yaplan almada gerel deerli gsterim kullanlmtr. Gen bilimi
terminolojisinde, belirli bir kromozomun gen ierii, genotip olarak anlr. Genotip, bir
organizmay tekil etmekte gerekli olan bilgiyi ierir. Tekil edilmi grnt de fenotip olarak
anlr. Ayn terimler EA iin geerlidir. rnein, bir tasarm iinde, belirli bir tasarm temsil
eden parametreler genotipi olutururken gerekletirilen tasarm fenotiptir. Kromozomun
uygunluk deeri, fenotipin baarmna dayanr. Bu da uygunluk fonksiyonu kullanlmak
suretiyle kromozomdan hesaplanabilir.
1.9. Uygunluk fonksiyonu
zm istenen her problem iin bir uygunluk fonksiyonu belirlenmelidir. Uygunluk
fonksiyonu, belirli bir kromozomun zme yaknlnn gstergesi olan uygunluk deerinin
hesaplanmasnda kullanlr [12, 13].
1.10. Olgunlamam Yaknsama
lk topluluk rasgele deerlerle yaratldndan bireylerin uygunluk deerleri ve belirli bir
lokusa ait genler arasnda ciddi farkllk olacaktr. Topluluk yaknsadka uygunluk
deerlerinin varyans azalr. zme yaknlnn gstergesi olan uygunluk deerinin
deiimine bal olarak karlalabilecek sorunlar da vardr. lki olgunlamam(premature,
erken) yaknsama ve ikincisi yava sonlanmadr(slow finishing) [12, 13].

Holland'n ema teorisi, bireylere, uygunluk deeriyle orantl oalma frsat tannmasn
nerir. Ancak topluluk nfusunun sonlu olmas zorunluluu nedeniyle olgunlamam
yaknsama gerekleebilir. EAnn nfusu snrl topluluklarda etkin alabilmesi iin
bireylerin kazanaca oalma frsat saysnn ne ok fazla ne de ok az olacak ekilde
denetlenmesi gerekir. Uygunluk deeri leklenerek, erken nesillerde, ar uygunluk deerli
bireylerin toplulukta hakimiyet kurmas engellenir.
1.11. Yava Sonlanma
Olgunlamam yaknsamaya kart sorun yava sonlanmadr. Epey nesil gemesine ramen
topluluk yaklat halde global minimumu konumlandramayabilir. Ortalama uygunluk
deeri yeterince yksek deerli olup en iyi bireyin uygunluk deerine yaknsam olabilir.
Olgunlamam yaknsamay nlemede kullanlan yntemler bu soruna kar da kullanlr [12,
13, 14]. Kullanlan yntemlerle topluluun etkin uygunluk deerinin varyans arttrlr.
1.12. Seim
EAda zme giden yol, bireylerin uygunluk deerinin artn salayan gen ieriinin
edinilmesinden geer. Bu sebeple, yeni nesili oluturacak bireylerin seimi hayati nemdedir.
nerilen eitli temel yaklamlar ve eitlemeleri mevcuttur. Sklkla kullanlan stratejiler,
kesme seimi, rulet tekerlei ve stokastik rneklemedir.
1.12.1. Kesme Seimi
En Gller Yaar prensibinden hareketle uygunluk deerine gre bykten ke
sralanan bireylerden belirlenen sayda en yksek deerli bireyler seilir, dierleri yok edilir.
1.12.2. Stokastik Evrensel rnekleme
James Baker(1987) tarafndan nerilen yntemde rulet stratejisine benzer yaklamla, bireyler
doru zerine yerletirilir. Seilecek birey saysna eit sayda iaretinin, doru zerine eit
aralklarla yerletirilmesiyle rnekleme yaplr. rnein, seilecek birey says Npointer=6
olduunda, rnekleme periyodu 1/Npointer=0.167 olur ve ilk iaretinin yeri [0, 1/NPointer]
aralnda olmak kouluyla rasgele seilir [15].

ekil 4. 2 Stokastik evrensel rnekleme

1.12.3. Rulet tekerlei seimi

Stokastik bir yntemdir. Bireyler, uygunluk deerleriyle orantl uzunluklarla, ardk olarak
bir doru zerine veya her bir diliminin alan uygunluk deeriyle orantl olacak ekilde rulet
tekerlei zerine yerletirilirler. retilen rasgele saynn rastlad araln sahibi birey seilir.
nceden belirlenen birey saysna ulalana dek ilem tekrarlanr [15, 16].

ekil 4. 3 Rulet tekerlei seimi

1.13. oalma
Uygunluk deerini gzeten seim stratejisi sonucu seilen kromozomlarn aprazlanmasyla
yeni nesili oluturan bireylerin retildii evre, oalmadr. Ebeveyn olarak iki kromozom
seildikten sonra gerekleen aprazlama ilemi tek veya ok noktal olabilir. Rasgele
belirlenen noktadan ikiye ayrlan kromozomlardan ba ve kuyruk dizileri elde edilir. ekil 4.4
ve ekil 4.5te grld gibi, ba veya kuyruk dizilerinin deitokuu sonrasnda birletirilen
diziler yeni nesilin iki ferdi olarak kromozom havuzuna kaydedilirler.

ekil 4. 4 Tek noktal aprazlama

ekil 4. 5 ok noktal aprazlama

1.14. Mutasyon
Faydas tartlmaya devam etmekle birlikte ska kullanlan bir dier genetik operatr
mutasyondur. Rasgele seilen kromozomdaki bir veya birka geni rasgele deiiklie uratan
mutasyon operatrnn nesil bana uygulanma orannn dk olmas tavsiye edilir. ekil
4.6da tek noktada ve ekil 4.7de ok noktada mutasyon ilemi gsterilmitir. ki tabanl
gsterimde, genin alabilecei deer { 0 , 1 } ile kstl olduundan 01e, 10a dnr.
Gerel sayl gsterimde ise, gendeki deiim, rasgele belirlenen bir sayyla yerdeiimine
bal olabilecei gibi mevcut deere mutasyon adm olarak anlan kk ilavelerle de
gerekleebilir [7].

ekil 4. 6 Tek noktada mutasyon

ekil 4. 7 ok noktada mutasyon

1.15. Yaknsama
EAnn doru gerekletirildii uygulamalarda, kromozom topluluundaki en iyi ve ortalama
uygunluk deerleri, bireylerin, evrim sonucu geliimiyle biribirine ve global optimuma
yaknsar. Uygunluk kriterini salayan birey yaknsamtr denir. Topluluk ortalamasnn, en iyi
bireyin uygunluk deerine yaknsad durumda topluluk yaknsam olur. Topluluk ve
kromozomun yaknsamasndan baka, genin yaknsamas da tanmlanmtr. Bir nesildeki
kromozomlarn belirli bir lokusu %95 orannda ayn gene sahipse gen yaknsamtr denir [12,
17].
1.16. Tersten Sralama ve Yeniden Dzenleme
Genlerin sralan ok nemlidir. Sralamay deitirerek arama uzayn genileten bir
operatr tersten sralamadr. Bu operatr, bir kromozom zerindeki genlerden rasgele
belirlenmi iki lokus arasnda kalanlar ters srayla yerletirir.
1.17. ift Deerlilik ve Basknlk
leri hayat formlarnda, kromozomlar ikili sarmal dzenindedir, genler iki erit zerine
kodlanmtr. Biribirinin alternatifi iki genin kodland yap, ift deerli(diploid) kromozom
adyla anlr. Bugne kadar olan EA almalar tek erit zerine kodlanm genlerle
gerekletirilmitir. Tek eritli yap haploid kromozom adyla anlr. ift deerliliin
salayabilecei faydalar olmasna kar programlama ve ilem kolayl salamasndan dolay
haploid yap tercih edilmitir. Zamana bal deiimin szkonusu olabilecei ortamlarda farkl
iki zm barndran diploid kromozomlar avantajldr. Ayn parametreyi kodlayan genlerden

biri baskn dieri ekinik olacaktr ve ortamdaki deiimle genler de basknlk/ekiniklik

zelliini deitirebilecektir. ift deerlilik, gende evrim srecinden daha hzl deiim salar
[7].
1.18. Epistasis
Genleraras etkileim epistasis adyla anlr. Bir genin uygunluk deerine katks, dier
genlerin sahip olduu deerlere baldr. Epistasis ok fazla ise EA verimli olmayacaktr. ok
dk olduunda ise dier yntemlerin baarm EAya gre yksek olacaktr [7].
1.19. Aldanma
Evrim sreci iledike, global optimumu salayacak olan emalarn veya yaptalarnn
toplulukta grlme skl artacaktr. Bu optimal emalar, aprazlama operatryle, nesiller
getike biraraya toplanr ve global optimum sonucu salar. Global optimumu bulunmasna
katk salamayacak emalarn grlme sklnn art raksamaya sebep olacaktr. Bu sonu,
aldanma olarak bilinir. Aldanma iin epistasis gerekli fakat yeterli deildir.
1.20. Evrimci Algoritmalarn almas
Yaratclarnca dahi tam olarak anlalamad halde, doal seim srecine benzeimle evrim
geirerek problem zen bilgisayar programlar [18] olan EAnn iyi almasn
garantileyebilmek amacyla deneye dayal kurallarn bulunmasna dnk aratrmalarn
sonucu ulalm ve kabul grm bir genel teori henz yoktur [12]. Yine de baarl
uygulamalar gelitirilmesinde yardmc olan ve EAnn baarsn ksmen izah edebilen iki
ekol vardr. Srasyla izah edilmi olan bu iki yaklam ema Teoremi ve Yapta Hipotezidir
[12]. ema teorisinin bir zellii de EAnn sahip olduu aleni ve st rtl
paralellik(koutluk) zelliklerinden ikincisini aklamasdr. Aleni paralellik, zm
salayaca umulan birden fazla parametre kombinasyonunun iletilmesinden doar [19].
1.21. Arama Uzaynda Keif ve Kefin Kullanm
Global maksimumun bulunmas iin etkin optimizasyon algoritmasnn kullanmas gereken
iki teknik, arama uzaynn yeni ve bilinmeyen blgelerini aratrmak zere yaplan keif ve
daha nce tetkik edilen noktalardan elde edilen bilginin daha iyi noktalar bulmak zere

kullanlmasdr. yi bir arama algoritmas, elien iki gereklilik arasnda bir denge noktas
bulmaldr.
Sade rasgele arama, keif konusunda iyi olduu halde kefin kullanm sz konusu deildir.
Tepe-trmanma yntemi ise az keif yapmasna kar kefin kullanm konusunda baarldr.
Bu iki yntemin birletirilerek kullanm gayet verimli olabilir. Ancak, daha fazla keif
yapmaya karar vermeden nce mevcut kefin kullanmna ne kadar sreyle devam edilecei
konusunda dengenin bulunmas kolay olmayabilir.
Holland gstermitir ki EA, keif ve keif kullanmn ayn anda ve en uygun ekilde
birletirmektedir. Teoride doru olmasna karn, uygulamada, kayna Hollandn
basitletirici kabulleri olan kanlmaz sorunlar mevcuttur. Bu kabuller:
1. Toplululuk nfusu sonsuzdur.
2. Uygunluk fonksiyonu, zmn ie yararl iin doru gstergedir.
3. Kromozomdaki genleraras etkileim bariz deildir.
Birinci kabuln, uygulamada gerekletirilmesinin imkanszlna bal olarak EA stokastik
hataya ak olacaktr. Test fonksiyonlarnn nispeten kolayca salad ikinci ve nc
kabullerin, gerek problemlerde salanmas daha g olabilir [12].
1.22. Kullanlabilirlik
Geleneksel EA uygulamalarnn ounluu, fonksiyonlarn saysal optimizasyonunda
younlamtr. Sreksizlik ieren, ok-tepeli, grltl verilerin ve fonksiyonlarn
optimizasyonunda dier yntemlerden daha baarl olduu gsterilmi olan EA, rasgele
verilerin modellenmesi iin ok uygundur [13].
renme yeteneine sahip sistemlere ynelik uygulamalar da olan EAnn, ekonomik
modelleme ve piyasa ilemleri [13] gibi belirli bir durumu analiz ederken kural tabanl geliim
gstermesi salanabilir.
1.23. Evrimci Yapay Sinir Alar
Yapay Sinir Alar ve Evrimci Arama srelerinin ortak kullanm ile tretilen Evrimci Yapay
Sinir Alar (EYSA), salad renme yetenei olan daha etkin yapay sistemler tasarm
olana ile ilgi grmektedir. Ayr ayr, eitli amalarla kullanlan bu yaklamlarn etkileimli
kullanm konu olduunda bahsedilebilecek uygulamalar, YSA balant arlk deerlerinin,
YSA yapsnn ve YSA renme kurallarnn belirlenmesidir [20, 21, 22]. Genel erevesi

ekil 4.8de verilen etkileimli evrim sreciyle baarm en iyiletirilmi YSA tasarm
gerekletirilebilir. Gerekletirilen uygulamada, zaman serisi modellemede kullanlan YSA
nn balant deerleri geri yaynm algoritmasnn yansra evrimci algoritma kullanmyla
belirlenmitir.

ekil 4. 8 Evrimci Yapay Sinir A genel yaps

1.24. EYSA Balant Arlklarnn Evrimi

YSAda renme, denetimli veya denetimsiz gerekleebilir. nceden belirlenmi uygunluk
kriteri gereklenmek zere arlklarn ayarlanma sreci olan denetimli renmede en sk

kullanlan eitim algoritmas geriyaynmdr(backpropagation). Gradyan azaltarak arama

yapan yntem, YSA kts ile hedef deer arasndaki
farktan

doan

hatann

karesinin

ortalamas

veya

bu

ortalamann

karekknn

minimizasyonunu hedefler. Daha nce de belirtildii zere, ok tepeli fonksiyonlarda yerel

minimum problemiyle baedemez ve trevlenemeyen fonksiyonlarla ilem yapamaz. Baarl
uygulamalar grmek ve daha detayl bilgi edinmek iin [20, 21, 22]ye ve referanslarna
baklabilir.
Yerel minimum probleminin stesinden gelmekte, uygunluk deerlendirmesi iin YSAnn
hata kriteri seilerek, evrim srecine ilerlik kazandrlabilir. Srecin belli bal admlar
aada verilmitir.
1. Kromozomlarn, arlk deeri olarak atanmas
2. Uygunluk deerinin hesaplanmas
3. Uygunluk deerini gzeterek oalma srecinin balatlmas
4. Genetik operatrleri kullanarak yeni neslin elde edilmesi
Kromozomlar oluturan arlk deerlerinin gsterimi ve benimsenen evrim sreci, evrimci
eitim srecinin iki ana baln tekil eder. Arlk deerlerinin temsilinde gerel sayl veya
iki tabanl gsterim kullanlabilir.
1.24.1. ki Tabanl Gsterim
Her arlk deeri, sabit uzunluklu bit dizisi ile temsil edilir. Kromozomlar ise bit dizilerinin
biribirine eklenmesiyle elde edilir. ki tabanl gsterim kullanld durumlarda dorudan iki
tabannda kodlamann yansra Gray kodu, ssel kodlama veya daha karmak bir kodlama
kullanlabilir. Gsterimin znrl, belirlenmeye allan arlk deerinin hassasiyetini
belirlediinden hayati nem
tar. ok ksa gsterim yaknsamay imkanszlatrabilecekken uzun gsterim ilem ykn
ve sresini arttrr. Kullanlacak bit saysnn optimizasyonu, kodlamada kullanlacak deer
aral, kodlama yntemi ak problemdir [7].
1.24.2. Gerel Say Kodlamal Gsterim
ki tabanl gsterimin noksanlarn gidermek zere her bir arla karlk bir gerel say
atamas nerilen yntemde kromozomlar, deerlerin dizi oluturacak tarzda sralanmasyla
oluturulur [23, 21, 22]. aprazlama ilemi, diziyi herhangi bir noktadan blerek
gerekleebilecei gibi genleri blerek basamak dzeyinde de gerekleebilir. Ebeveynlerin
ortalamasn alan aprazlama, rasgele mutasyon ve arama uzayna zel tanmlanabilecek

ilemler, genlerin uygunluk deerini arttracak geliimi salayan dier genetik operatrlerdir.
Montana ve Davis, almalarnda geliime ak evrimci yaklamn eitim sresinin,
ilgilendikleri problem iin, geriyaynm algoritmasna gre daha ksa olduu sonucuna
ulamlardr [21]. Benzer sonuca ulaan Bartlett ve Downs EYSAnn boyutlarnn artmyla
yaknsama sreleri arasndaki farkn evrimci algoritmalar lehine ald sonucuna
ulamlardr. Bu sonucun genel olarak doru olduunun teyit edilmesi iin daha fazla alma
yaplmas gerekmektedir [21].
1.24.3. Evrimci Eitim ve Geriyaynml Eitim Karlatrmas
EA gibi global arama algoritmalarna dayanan ve yerel minimumlara yakalanmayan evrimci
eitim, daha nce de belirtildii zere, karmak, ok tepeli ve trevlenemeyen fonksiyonlarn
da dahil olduu geni bir problem uzayna zm salayabilmesi sebebiyle caziptir. Hata
fonksiyonun trevine ihtiya duymamas nedeniyle trevlenemeyen hata fonksiyonlaryla
karlaldnda sknt yaamaz. Ayrca, eitilmek istenen YSAnn tryle ilgili kstlama
getirmez. Algoritmik adan, EAnn ve zel olarak EAnn global rnekleme yetenei ince
ayar yapabilme yeteneinin nne kar. katmanl ve ileri beslemeli YSAlar iin belirtilen
avantajlarna kar, evrimci algoritmalarn hesaplama maliyeti yksektir [22].
1.24.4. Hibrid Eitim Yaklam
Evrimci eitimin etkinlii, EAnn global rnekleme yetenei ve yerel arama yaklamnn
ince ayar becerisiyle birletirilerek arttrlabilir. Yksek uygunluk deeri vaad eden bir
blgenin bulunmas iin EA kullanmn takiben blgede arama yapmak zere yerel arama
yntemleri iletilebilir.
Belew, arlklarn ilk deer atamasn EA kullanarak yaptktan sonra bulduu yeterince iyi
deerleri iyiletirmek iin geri-yaynm algoritmas kullanmtr [21]. Sistemin baarm, sade
EAya ve sade geri-yaynma gre nispeten artmtr.