Memetik Algoritma
Memetic Algorithms (Hybrid Evolutionary + Local Search) · Ayrıca şöyle bilinir: Hybrid Evolutionary Algorithm, Cultural Algorithm (local-search variant), Genetic Local Search, Memetik Algoritma
Bir Memetik Algoritma (MA), evrimsel bir algoritmanın küresel keşif yeteneğini bireysel öğrenme prosedürlerinin yerel sömürü yeteneği ile birleştiren popülasyon tabanlı bir meta-sezgiseldir. 1989'da Caltech'te Pablo Moscato tarafından tanıtılan MA'lar, çözümlerin yalnızca çaprazlama ve mutasyon yoluyla değil, aynı zamanda her nesilde bireysel iyileştirme yoluyla da gelişebileceği fikrini modellemek için Richard Dawkins'in meme - kültürel aktarım birimi - kavramından yararlanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Memetik algoritmalar, fitness manzarasının birçok yerel optimum içerdiği ve saf evrimsel aramanın çok yavaş yakınsadığı kombinatoryal ve sürekli optimizasyon problemleri için en uygun olanlardır. Gezgin satıcı problemi, araç rotalama, protein yapısı tahmini ve zaman çizelgeleme gibi NP-zor problemler için özellikle etkilidirler. Ön koşullar arasında yerel arama aşaması için iyi tanımlanmış bir komşuluk yapısı bulunur. MA'lar, yerel aramanın kendisi yasaklayıcı derecede maliyetli olduğunda, problem tamamen sürekli ve pürüzsüz olduğunda (gradyan yöntemleri daha hızlıdır) veya aşırı büyük popülasyonlar gerektiğinde ve hesaplama süresi sınırlı olduğunda daha az uygundur.
Güçlü yönler & sınırlılıklar
- Evrimsel algoritmaların küresel arama genişliğini yerel arama derinliği ile birleştirir, genellikle her ikisinden de izole edilmiş halde daha iyi performans gösterir
- Yüksek derecede modüler: yerel arama bileşeni, probleme uygun herhangi bir komşuluk tabanlı yöntemle değiştirilebilir
- Gradyan tabanlı yöntemlerin başarısız olduğu engebeli, çok modlu fitness manzaralarına karşı sağlamdır
- Birçok kombinatoryal kıyaslamada standart genetik algoritmalara göre ampirik olarak daha hızlı yakınsama
- Her birey yerel iyileştirmeden geçtiği için nesil başına hesaplama maliyeti saf evrimsel algoritmalardan daha yüksektir
- Performans, yerel arama operatörünün seçimine ve yoğunluğuna duyarlıdır — kötü seçimler erken yakınsamaya neden olabilir
- Popülasyon çökmesini önlemek için keşif (evrimsel) ve sömürü (yerel arama) arasında dikkatli bir denge gerektirir
- Komşuluk yapısının probleme özgü tasarımı genellikle gereklidir, bu da kutudan çıktığı gibi kullanılabilirliği azaltır
SSS
Memetik bir algoritma genetik bir algoritmadan nasıl farklıdır?
Bir genetik algoritma yalnızca popülasyon düzeyindeki operatörlere (seçim, çaprazlama, mutasyon) dayanır ve nesiller arasında bireysel çözümleri iyileştirmez. Bir memetik algoritma, evrimsel operatörlerden sonra bir yerel arama adımı ekler, böylece her birey bir sonraki nesle katkıda bulunmadan önce yerel komşuluğu içinde iyileştirilir. Bu bireysel öğrenme aşaması, tanımlayıcı farktır ve genellikle zorlu kombinatoryal problemler üzerinde daha hızlı, daha yüksek kaliteli yakınsama sağlar.
Memetik algoritmalarda yaygın olarak hangi yerel arama yöntemleri kullanılır?
Herhangi bir komşuluk tabanlı prosedür yerel arama bileşeni olarak hizmet edebilir. Yaygın seçimler arasında tepe tırmanışı (en dik iniş), rotalama problemleri için 2-opt ve 3-opt hamleleri, birçok yerel optimum içeren problemler için simüle edilmiş tavlama ve döngü söz konusu olduğunda tabu arama bulunur. Seçim, problemin yapısına bağlıdır: komşuluk, hızlı aranacak kadar küçük ancak kötü çözümlerden verimli bir şekilde kaçacak kadar zengin olmalıdır.
Genotip, yerel arama sonrasında güncellenmeli mi (Lamarckçı) yoksa değiştirilmeden mi bırakılmalı (Baldwinci)?
Lamarckçı şemada, yerel olarak iyileştirilmiş çözüm popülasyondaki orijinalinin yerini alır, bu da yakınsamayı hızlandırır ancak erken çeşitlilik kaybı riski taşır. Baldwinci şemada, yalnızca fitness puanı güncellenir ve genotip değiştirilmez, bu da daha yavaş ilerleme pahasına çeşitliliği korur. Ampirik kanıtlar, Lamarckçı güncellemenin genellikle daha hızlı yakınsadığını göstermektedir, ancak en iyi seçim problem manzarasına ve popülasyon büyüklüğüne bağlıdır.
Kaynaklar
- Moscato, P. (1989). On evolution, search, optimization, genetic algorithms and martial arts: Towards memetic algorithms. Caltech Concurrent Computation Program Report 826. link ↗
- Neri, F., & Cotta, C. (2012). Memetic algorithms and memetic computing optimization: A literature review. Swarm and Evolutionary Computation, 2, 1–14. DOI: 10.1016/j.swevo.2011.11.003 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Memetic Algorithms (Hybrid Evolutionary + Local Search). ScholarGate. https://scholargate.app/tr/optimization/memetic-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Hiper-Sezgisel YöntemlerOptimizasyon↔ karşılaştır
- Tabu SearchOptimizasyon↔ karşılaştır