Çok Amaçlı Genetik Algoritma (MOGA) — Pareto-Optimal Çözümler için Evrimsel Arama
Multi-Objective Genetic Algorithm (MOGA) · Ayrıca şöyle bilinir: MOGA, Multi-objective GA, Evolutionary multi-objective optimization, EMO
Çok Amaçlı Genetik Algoritma (MOGA), aday çözüm popülasyonunu bir Pareto-optimal cephesine doğru evrimleştiren, aynı anda iki veya daha fazla çelişkili amaç fonksiyonunu optimize eden evrimsel bir hesaplama yöntemidir. Takasları tek bir puana indirmek yerine, karar vericinin seçebileceği baskın olmayan çözümler kümesi üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+9 tane daha
Ne zaman kullanılır
Bir problemde iki veya daha fazla çelişkili amaç varsa ve tek bir optimal çözüm yoksa MOGA kullanın — mühendislik tasarımı, tedarik zinciri konfigürasyonu, portföy optimizasyonu ve çevre planlaması tipik alanlardır. Gradyan tabanlı yöntemlerin uygulanamadığı dışbükey olmayan, çok modlu veya kara kutu amaç manzaralarına uygundur. Tek bir iyi tanımlanmış amaç yeterliyse (bunun yerine standart bir GA veya matematiksel programlama kullanın), popülasyon değerlendirmesi hesaplama açısından yasaklayıcıysa ve vekil modeller mevcut değilse, amaçlar bilinen bir ağırlıklı toplam ile bilgi kaybı olmadan meşru olarak toplana biliyorsa veya küçük bir uygun küme kapsamlı listelemeye izin veriyorsa KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Tek bir çalıştırmada çeşitli Pareto-optimal çözümler üretir, karar vericilere tek bir cevap yerine açık takas seçenekleri sunar.
- Gradyan veya probleme özgü matematiksel yapı gerektirmeden dışbükey olmayan, süreksiz ve çok modlu amaç manzaralarında çalışır.
- Doğası gereği popülasyon tabanlıdır, bu da çekirdekler veya dağıtılmış sistemler arasında paralelleştirmeyi kolaylaştırır.
- Esnek kodlama, aynı çerçeve içinde sürekli değişkenleri, tamsayıları, ikili dizileri ve permütasyonları sağlar.
- Olgun yazılım kütüphaneleri (DEAP, pymoo, jMetal) ve onlarca yıllık kıyaslama kanıtlarıyla iyi desteklenir.
- Hesaplama maliyeti, popülasyon boyutuna ve fonksiyon değerlendirmelerinin sayısına göre ölçeklenir; karmaşık simülasyonların her bir değerlendirmesi pahalı olabilir.
- Gerçek Pareto cephesine yakınsama garanti edilmez — sonuçlar, hiperparametre seçimlerine (popülasyon boyutu, çaprazlama oranı, mutasyon oranı) duyarlı sezgisel yaklaşımlardır.
- Amaç sayısı üç veya dördün üzerinde büyüdükçe performans düşer (çok amaçlı optimizasyon, NSGA-III veya MOEA/D gibi özel algoritmalar gerektirir).
- Erken yakınsamadan veya zayıf cephe kapsamından kaçınmak için genetik operatörlerin ve çeşitlilik bakımının dikkatli ayarlanmasını gerektirir.
- Tek bir önerilen çözüm sağlamaz — Pareto cephesinden nihai seçim, hala değer yargıları veya ikincil bir karar kuralı gerektirir.
SSS
MOGA, amaçların ağırlıklı toplamı ile tek amaçlı bir GA çalıştırmaktan nasıl farklıdır?
Ağırlıklı toplam yaklaşımı, önceden atanmış ağırlıklar kullanarak tüm amaçları tek bir skaler değere indirger ve bu ağırlıklara bağlı tek bir çözüm üretir. MOGA, önceden ağırlık belirtmeye gerek kalmadan tüm baskın olmayan çözümlerin bir cephesini eş zamanlı olarak üretir, bu da karar vericinin takasları incelemesine ve sonradan seçim yapmasına olanak tanır.
Pareto cephesi nedir ve neden önemlidir?
Pareto cephesi, herhangi bir tek amacı iyileştirmenin zorunlu olarak en az bir diğerini kötüleştirdiği çözüm kümesidir. Elde edilebilir takasların tam resmini temsil eder. Karar vericiler, bir hedefe ulaşmak için diğerinden ne kadar fedakarlık yapılması gerektiğini anlamak için bu cepheyi inceleyebilirler.
MOGA etkili bir şekilde kaç hedefi işleyebilir?
NSGA-II gibi standart MOGA varyantları iki veya üç hedef için iyi çalışır. Dört hedefin ötesinde, baskın olmayan çözümlerin oranı hızla artar (amaç uzayında boyutluluk laneti), bu da Pareto cephesini büyük ve seçilim baskısını zayıf hale getirir. Dört veya daha fazla hedef için çok amaçlı algoritmalar (NSGA-III, MOEA/D, IBEA) önerilir.
Hangi durdurma kriterini kullanmalıyım?
Yaygın kriterler arasında sabit sayıda fonksiyon değerlendirmesi, maksimum nesil sayısı veya ardışık nesiller boyunca mevcut Pareto cephesi yaklaşımının domine ettiği amaç uzayı hacmi olan hiperhacim göstergesinin yakınsaması bulunur. Hiperhacim büyümesini izlemek en ilkeli yaklaşımdır.
MOGA kısıtlamaları işleyebilir mi?
Evet, kısıtlama işleme teknikleri aracılığıyla: uygun olmayan çözümlerin uygunluğunu düşüren ceza fonksiyonları, uygunluk turnuva seçilimi (uygun çözümler seçilimde her zaman uygun olmayanları yener) veya uygun olmayan çözümleri uygun bölgeye geri yansıtan onarım operatörleri. Seçim, yakınsama davranışını etkiler ve bilinçli yapılmalıdır.
Kaynaklar
- Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine learning. Addison-Wesley. ISBN: 9780201157673
- Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182-197. DOI: 10.1109/4235.996017 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-Objective Genetic Algorithm (MOGA). ScholarGate. https://scholargate.app/tr/simulation/multi-objective-genetic-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Çok Amaçlı OptimizasyonSimülasyon↔ karşılaştır
- Çok Amaçlı Parçacık Sürü Optimizasyonu (MOPSO)Simülasyon↔ karşılaştır
- Çok Amaçlı Benzetimli Tavlama (MOSA)Simülasyon↔ karşılaştır