Genetik Algoritma: Mükemmel Sıralamayı Evrimleştirme

Sıralama, bilgisayar bilimlerinin temel taşlarından biri. Bubble Sort, Quick Sort ya da Merge Sort gibi klasik algoritmalar, yıllardır optimize edildi ve yaygın olarak kullanılıyor. Ama bir de alışılmadık bir yöntem var: Genetik Algoritma. Doğal seçilim ve evrimden ilham alarak listeleri sıralayan bu yaratıcı yaklaşımı keşfedeceğiz. Bu yazıda, genetik algoritmanın temellerini, nasıl çalıştığını ve Python ile nasıl uygulandığını açıklayacağım. Kendi deneyimlerimden örneklerle, bu ilginç yöntemi sizin için anlaşılır hale getireceğim. Hazırsanız, başlayalım!

Genetik Algoritma Nedir?

Genetik algoritmalar (GA), doğal seçilimden ilham alan optimizasyon algoritmalarıdır. Türkçe’de “genetik algoritma” terimi, İngilizce’deki “genetic algorithm” için doğrudan kullanılır ve literatürde yerleşmiştir. Karmaşık problemleri çözmek için yaklaşık çözümler üretirler. İşte temel bileşenleri:

• Popülasyon: Olası çözümlerden (bireylerden) oluşan bir küme.
• Uygunluk Fonksiyonu: Her bireyin problemi ne kadar iyi çözdüğünü ölçen bir fonksiyon. Türkçe’de “uygunluk fonksiyonu” (fitness function) standart bir terim.
• Seçim: Daha uygun bireyler, yeni nesiller için ebeveyn olarak seçilir.
• Çaprazlama: Ebeveynlerden yeni bireyler (çocuklar) oluşturmak için genetik recombination yapılır. Türkçe’de “çaprazlama” (crossover) yaygın bir terim.
• Mutasyon: Popülasyona çeşitlilik katmak için rastgele değişiklikler yapılır.
• Sonlandırma: Algoritma, belirli bir nesil sayısına ulaştığında veya yeterli bir çözüm bulunduğunda durur.

Şimdi, genetik algoritmayı sıralama problemine nasıl uyguladığımızı görelim.

Genetik Sıralama Algoritması

Genetik sıralama algoritması, bir listeyi sıralamak için evrim ilkelerini kullanır. Geleneksel karşılaştırma tabanlı yöntemler yerine, rastgele listelerden başlayarak adım adım en iyi sıralamayı bulur. Türkçe’de “genetik sıralama” terimi, bu özel uygulamayı ifade etmek için uygun. İşte nasıl çalıştığı:

• Başlangıç: Rastgele sıralanmış listelerden oluşan bir popülasyon oluşturulur. Her liste, olası bir çözüm.
• Uygunluk Fonksiyonu: Listenin ne kadar “doğru” sıralandığını ölçer. Örneğin, kaç elemanın doğru pozisyonda olduğu.
• Seçim: Daha iyi sıralanmış listeler, yeni nesiller için ebeveyn olarak seçilir.
• Çaprazlama: İki ebeveyn listeden yeni bir liste oluşturulur.
• Mutasyon: Yeni listelerde küçük rastgele değişiklikler yapılır.
• Sonlandırma: Belirli bir nesil sayısına ulaşıldığında veya mükemmel sıralama bulunduğunda durulur.

Hadi bunu Python ile uygulayalım!

Python ile Genetik Sıralama

Aşağıda, bir tamsayı listesini artan sırayla sıralamak için genetik algoritma örneği var:

import random

def uygunluk(dizi):
"""Dizinin uygunluğunu, doğru pozisyondaki eleman sayısına göre hesaplar."""
return sum(1 for i in range(len(dizi)) if dizi[i] == i)

def caprazlama(ebeveyn1, ebeveyn2):
"""İki ebeveynden yeni bir dizi oluşturur."""
caprazlama_noktasi = random.randint(0, len(ebeveyn1) - 1)
cocuk = ebeveyn1[:caprazlama_noktasi] + ebeveyn2[caprazlama_noktasi:]
return cocuk

def mutasyon(dizi, mutasyon_orani):
"""Diziye rastgele değişiklikler uygular."""
for i in range(len(dizi)):
if random.random() < mutasyon_orani:
j = random.randint(0, len(dizi) - 1)
dizi[i], dizi[j] = dizi[j], dizi[i]

def genetik_siralama(dizi, max_nesil=1000, mutasyon_orani=0.01):
"""Genetik algoritma ile diziyi sıralar."""
popülasyon = [random.sample(dizi, len(dizi)) for _ in range(100)]

for nesil in range(max_nesil):
popülasyon.sort(key=uygunluk, reverse=True)
en_iyi_dizi = popülasyon[0]

if uygunluk(en_iyi_dizi) == len(dizi):
return en_iyi_dizi

# Ebeveynleri seç ve yeni nesil oluştur
ebeveynler = popülasyon[:10]
cocuklar = [caprazlama(random.choice(ebeveynler), random.choice(ebeveynler)) for _ in range(90)]

# Çocuklara mutasyon uygula
for cocuk in cocuklar:
mutasyon(cocuk, mutasyon_orani)

# Eski popülasyonu yeniyle değiştir
popülasyon = ebeveynler + cocuklar

return popülasyon[0]

# Örnek kullanım
dizi = [5, 2, 9, 1, 5, 6]
siralanmis_dizi = genetik_siralama(dizi)
print("Orijinal Dizi:", dizi)
print("Sıralanmış Dizi:", siralanmis_dizi)

Bu kodda:

• uygunluk fonksiyonu, dizideki doğru pozisyondaki elemanları sayar.
• caprazlama, iki ebeveyn diziden yeni bir dizi oluşturur.
• mutasyon, dizide rastgele yer değişiklikleri yapar.
• genetik_siralama, rastgele dizilerden başlayarak en iyi sıralamayı bulur.

Bir veri analizi projesinde, genetik algoritmayı kullanarak karmaşık bir sıralama probleminde alternatif çözümler test ettim ve sonuçlar oldukça yaratıcıydı!

Sonuç

Genetik sıralama algoritması, sıralama için alışılmadık ama büyüleyici bir yöntem. Küçük listeler için Quick Sort kadar hızlı olmasa da, evrimsel algoritmaların gücünü gösteriyor. Doğadan ilham alan bu yaklaşım, bilgisayar bilimlerinde yaratıcı çözümler bulmanın ne kadar heyecan verici olduğunu ortaya koyuyor.

Siz genetik algoritmalarla hangi problemleri çözdünüz? İlginç bir deneyiminiz mi var? Yorumlarda paylaşın, birlikte tartışalım! Daha fazla algoritma ipucu için bloguma göz atın veya benimle iletişime geçin!

Notlar

• Terimlerin Türkçe Karşılıkları:
  • Genetik algoritma (genetic algorithm): Türkçede yerleşmiş, doğru ve yaygın.
  • Popülasyon (population), uygunluk fonksiyonu (fitness function), çaprazlama (crossover), mutasyon (mutation): Makine öğrenimi ve algoritma literatüründe standart.
  • Genetik sıralama: Bu bağlamda uygun ve anlaşılır bir terim.