Karma veri modellerinin optimizasyonu için esnek hesaplama yöntemleri
Soft computing methods for optimization of mixed data models
- Tez No: 893529
- Danışmanlar: PROF. ÖZLEM TÜRKŞEN
- Tez Türü: Doktora
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Elastik net, Genelleştirilmiş doğrusal modeller, Genetik algoritmalar, Görünüşte ilişkisiz regresyon, Metasezgisel algoritmalar, Ridge regresyon, Sezgisel algoritmalar, Çok amaçlı programlama, Elastic net, Generalized linear models, Genetic algorithms, Seemigly unrelated regression, Metaheuristic algorithms, Ridge regression, Heuristic algorithms, Multiobjective programming
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gerçek dünya problemlerine ilişkin verilerin hem nitel hem de nicel değerli olması durumunda problem karma veri problemi olarak adlandırılır. Bu tez çalışmasında, karma veri probleminin modellenmesi ve çok amaçlı optimizasyonu amaçlanmıştır. Çok yanıtlı karma veri probleminin modelleme aşamasında, Genelleştirilmiş Doğrusal Modeller (Generalized Linear Models-GLM), Ridge, LASSO, Elastik Net ve Görünüşte İlişkisiz Regresyon (Seemingly Unrelated Regression-SUR) analizleri yapılarak tahmini yanıt fonksiyonları elde edilmiştir. Modelleme aşamasında elde edilen tahmini yanıt fonksiyonları amaç fonksiyonları olarak ele alınıp karma verili çok amaçlı optimizasyon (Multi-Objective Optimization - MOO) problemi oluşturulmuştur. Çalışmada, bu tür problemlerin Pareto çözüm kümesinin bulunması için popülasyon tabanlı bir yapay zeka optimizasyon algoritması olan Baskın Sıralı Genetik Algoritma-II (Nondominated Sorting Genetic Algorithm-II / NSGA-II) ve Baskın Sıralı Genetik Algoritma-III (NSGA-III) uyarlanmıştır. NSGA-II'nin ve NSGA-III'ün değişken gösterimi, başlangıç popülasyonu oluşturma ve genetik operatörlerin uygulanması aşamalarında yapılan uyarlamalarla elde edilen yöntemler Karma Verili Baskın Sıralı Genetik Algoritma-II (Mixed Data Nondominated Sorting Genetic Algorithm-II / MDNSGA-II) ve Karma Verili Baskın Sıralı Genetik Algoritma-III (MDNSGA-III) olarak adlandırılmıştır. Önerilen MDNSGA-II ve MDNSGA-III yöntemleriyle kesikli girdi değişkenlerinin tanım kümesinden değerler alması sağlanarak karma verili çok amaçlı problem optimize edilmiştir. Çalışmanın uygulama aşamasında, UCI Machine Learning Repository veri tabanındaki enerji verimliliği karma veri kümesine ve gıda alanında literatürde mevcut olan deneysel veri kümesinin karma verili hale getirilmesiyle elde edilen veri kümesine MDNSGA-II ve MDNSGA-III yöntemleri uygulanmıştır. MOO sonucunda, MDNSGA-III ile elde edilen Pareto çözüm kümesinde MDNSGA-II'ye göre iyileşme sağlandığı ve daha fazla çözüm çeşitliliğinin elde edilebildiği sonucuna ulaşılmıştır.
Özet (Çeviri)
The problem is called mixed data problem, if the data has both qualitative and quantitative values for a real world problem. In this thesis, modeling and multiobjective optimization of the mixed data problem is aimed. In the modeling phase of the multi response mixed data problem, Generalized Linear Models (GLM), Ridge, LASSO, Elastic Net and Seemingly Unrelated Regression (SUR) analyses are performed to obtain estimated response functions. The estimated response functions obtained in the modeling phase are taken as objective functions and a mixed data multiobjective optimization problem (MOO) is formed. In this study, Nondominated Sorting Genetic Algorithm-II (NSGA-II) and Nondominated Sorting Genetic Algorithm-III (NSGA-III), which are population based artificial intelligence optimization algorithms, are adapted to find the Pareto solution set of such problems. The methods obtained by adapting NSGA-II and NSGA-III in the variable representation, initial population generation and application of genetic operators are named Mixed Data Nondominated Sorting Genetic Algorithm-II (MDNSGA-II) and Mixed Data Nondominated Sorting Genetic Algorithm-III (MDNSGA-III). With the proposed MDNSGA-II and MDNSGA-III methods, the mixed data multiobjective problem is optimized by ensuring that the discrete input variables take values from the definition set. In the application phase of the study, the MDNSGA-II and the MDNSGA-III methods are applied to the energy efficiency mixed dataset from the UCI Machine Learning Repository database and the dataset obtained by converting the experimental dataset available in the literature in the food field into mixed data. As a result of the MOO, it is concluded that the Pareto solution set obtained with the MDNSGA-III, have more solution diversity with improvement than the Pareto solution set of the MDNSGA-II.
Benzer Tezler
- Networked computing-based system identification and control of electromechanical systems with industrial IoT
Endüstriyel IoT ile elektromekanik sistemlerin ağ hesaplama tabanlı sistem tanıma ve kontrolü
RAMAZAN KAYA
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FUAT ERGENÇ
- Hasta aciliyet seviyesinin belirlenmesi için büyük dil modeli ve makine öğrenmesi tabanlı akıllı triyaj sistemi
An intelligent triage system for hospital emergency services based on large language models and machine learning
OMAR SAEED
Yüksek Lisans
Türkçe
2026
BiyomühendislikErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET EMİN YÜKSEL
- Scenario-based robust facility layout design for multi-block manufacturing: a data-driven MILP framework with an ındustrial application
Çok bloklu i̇malat için senaryo tabanli dayanikli tesis yerleşim tasarimi: endüstriyel uygulamali veri odakli bir karma tamsayili doğrusal programlama (MILP) çerçevesi
SADRA SHOARINEJAD
Doktora
İngilizce
2025
Endüstri ve Endüstri MühendisliğiKoç ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. METİN TÜRKAY
- Developing a framework for comprehensive key performance indicators integration in aviation MRO (maintenance, repair, overhaul) organizations
Havacılık MRO (bakım, onarım, revizyon) kuruluşlarında kapsamlı temel performans göstergeleri entegrasyonu için bir çerçeve geliştirilmesi
MEHMET MURAT BAŞTÜRK
Yüksek Lisans
İngilizce
2026
Sivil HavacılıkBahçeşehir ÜniversitesiHavacılık Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ORHAN GÖKÇÖL
- Development of a spatial model on nuclear power plant accidents based on vulnerability and evacuation plans
Kırılganlık ve tahliye planlarına dayalı nükleer santral kazaları için mekansal bir modelin geliştirilmesi
MARYNA BATUR
Doktora
İngilizce
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. REHA METİN ALKAN