B R AFET YARDIM MERKEZ N N SEZG SEL ALGOR TMALAR YARDIMIYLA KONUMLANDIRILMASI Numan ÇELEB stanbul Üniversitesi ÖZET Dünyada her yl deprem, sel ve tusunami gibi çok sayda afet meydana gelmektedir. Son yllarda afetlerin saysnda önemli bir art oldu u gözlenmektedir. Ülkemizde de benzer afetler sk ya anmaktadr. Ülkemiz dünyann en aktif deprem fay ku aklarndan olan kuzey Anadolu fay hattnn üzerinde yer almaktadr. Bu hattn bati ucunda 1999 ylnda Marmara depremi adyla bilinen çok büyük bir deprem meydana gelmi tir. Gelecekte benzer depremlerin meydana gelme ihtimali kaçnlmaz bir gerçektir. Bu ihtimal, deprem öncesi hazrlk çal malarnn yaplmasn daha da önemli klmaktadr. Hazrlklarn ilk basama n yardm amaçl da tm merkezi tesis yerinin belirlenmesi problemi olu turur. Son 70 ylda 5 önemli deprem ile büyük zararlar görmü Sakarya ili çal ma alan olarak seçilmi tir. Çal mada problem tek bir tesis yeri belirleme problemi (Weber problemi) olarak göz önüne alnm tr. Dört farkl sezgisel algoritma kullanlarak en uygun tesis yeri konumu belirlenmi ve algoritmalarn kar la trmal sonuçlar verilmi tir. AnahtarKelimeler: Tesis Yeri Konumlandrma, Sezgisel Algoritma, Afet Yönetimi
USING HEURISTIC ALGORITHMS FOR LOCATION A DISASTER RELIEF CENTER ABSTRACT Many disasters such as earthquake, flod, and tsunami occur in the world every year. In recent years, it has been observed that there is an increase in disasters number. Similar disasters take place also very often in our country. It is located in one of the most active fault zone known as North Anatolian Fault in the world. A devastating earthquake occured in the western part of this fault belt in 1999. It is an unavoidable true that similar earthquake will be occur in the future. This probability makes the preparedness very important issue before an earthquake. The first step of the problem is how to define the relief center location. Sakarya city is selected as the case study area, has been faced five heavy damaged earthquakes in last seventy years. The problem is considered as a single facility location problem (Weber problem). The optimal facility location is determined using four different meta-heuristics and the comperative results of the heuristics are given. Keywords: Facility Location, Heuristic Algorithm, Disaster Management
641
N. Çelebi 1. G R Tesis yeri belirleme problemi (Facility Location Problem) yöneylem ara trmas bilim dalnn ilgilendi i temel problemlerin ba nda gelmektedir. Yöneylem ara trmas yardmyla problemin matematiksel modeli kurularak çözüm(ler) elde edilmeye çal lr. Bu modellerde, bir ya da birden fazla amaç fonksiyonu en küçüklenmek (ta ma maliyetleri) ya da en büyüklenmek (kar) amaçlanr. Tesis yerle im teorisi kapsamnda ilk çal ma Weber tarafndan yaplm ve Weberin çal mas daha sonraki çal malar için matematiksel bir temel olu turmu tur (Hansen vd., 2009). Tek bir tesis için geli tirilen bu çal ma, literatürde Fermat problemi, Fermat-weber problemi, gibi farkl adlarla da anlmaktadr. Weber problemi ( ai , bi ) koordinatlarndaki n sabit noktadan a rlkl uzakl en aza indiren ( x, y ) minisum noktasnn bulunmasn amaçlar. Weber problemine en basit örnek, (ai , bi ) sabit koordinatlarnda bulunan hizmet alm noktalarna olan ta mann maliyetini en aza indirecek noktalardan P birine ( x, y ) , tek bir tesisin yerle iminin yaplmas olarak açklanr. X tesis yerini ve i de bu tesisten hizmet alan noktalar ifade etsin. Bu durumda Weber problemi a a daki formülle ifade edilir. n
min f ( x)
(1) wi d ( X , Pi ) Formüldeki w de eri ise tesis yeri X ile hizmet alan noktalar Pi arasndaki önem derecesini (a rl ) temsil etmektedir. Tesis yeri ile hizmet alan noktalar arasndaki mesafe d ( X , Pi ) genellikle Euclidean i 1
mesafe ölçüsü olarak bilinilen a a daki formülle hesaplanr.
d ( X , Pi )
(( x a i ) 2
( y bi ) 2 ))1 / 2
(2)
Bu problemin temel iki özelli i vardr (Osinuga ve Bamighola, 2007). Birincisi, f (x) d bükey (convex) bir fonksiyon olup, herhangi bir yerel optimum noktasnn ayni zamanda global bir optimum noktas oldu unu garanti eder. kincisi, yeni tesis yerinin optimum konumunun, mevcut tesis yerlerinin (ya da talep noktalarnn) d bükey e risi içinde olmas gerekti ini ifade eder. Bu problem, daha karma k optimizasyon kriterlerini de içine alan günümüzde de önemli oranda uygulama alan bulunan haberle me hatlarnn ba lant yerlerinin belirlenmesinde (Hub location problem), enerji iletim hatlarnn optimizasyonunda (Power line optimization), afet/deprem gibi felaketlere hazrlk öncesi da tm ve ilk yardim merkezlerinin (Determining humanitarian relief distribution centers) belirlenmesi gibi uygulama alan olan yöneylem ara trmasnn önemli optimizasyon problemlerinden biridir. Tek tesisli ya da çok tesisli ve birden çok amaç fonksiyonu içeren tesis yeri belirleme problemlerini matematiksel programlama yöntemleri ile hesaplamak oldukça zor ve zaman alc bir süreçtir. Bu yöntemler optimizasyon i leminde, her bir arama (search) noktas için amaç fonksiyonun e imini hesaplayarak yerel minimumu bulmaya çal rlar. Bu yöntemlerin çe itli zorluklar vardr. Amaç fonksiyonunda global minimumu bulmak için, yerel minimumlardan kaçmak zordur. Matematiksel programlamann bu olumsuz durumundan kurtulmak için meta-sezgisel yöntemler geli tirilmi tir. Organizmalarn (sürülerin) davran larndan esinlenerek geli tirilmi bu yöntemler sayesinde global minimum noktasn bulmak için fonksiyonun her yön de i tirmesinde yerel minimum noktalarnn tekrarl olarak hesaplanmas zorlu u a lm olur. Bu sayede fonksiyonun optimizasyonu sa lanr. Çal mann geri kalan ksmnda; ikinci bölümde sezgisel algoritmalar açklanm ve sözde kodlar verilmi tir. Üçüncü bölümde, çal mann yapld ehire ait gerekli olan açklamalar yaplm tr. Dördüncü bölümde algoritmalara ait deneysel sonuçlar ve grafiksel açklamalar sunulmu tur. Be inci bölümde ise, genel sonuçlar ve gelecekte yaplmas dü ünülen çal malardan bahsedilmi tir. 2. SEZG SEL OPT M ZASYON YÖNTEMLER Bu bölümde, çal mada kullanlan sezgisel teknikler; parçack sürü optimizasyonu, tavlama benzetimi algoritmas, evrimsel algoritma ve Weiszfelds algoritmas srasyla açklanm tr. 2.1. Parçack Sürü Optimizasyonu Parçack sürüsü optimizasyonu (Particle Swarm Optimization, PSO), ku sürülerinin davran larndan esinlenerek geli tirilmi bir popülasyon tabanl stokastik optimizasyon tekni idir. Bu teknik, çok parametreli ve çok de i kenli optimizasyon problemlerine çözüm bulmak için kullanlr (Poli vd., 2007).
642
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011 Ku larn uzayda yerini bilmedikleri yiyece i aramalar bir probleme çözüm aramaya benzetilir. Ku lar yiyecek ararken yiyece e en yakn olan ku u takip ederler. Parçack olarak adlandrlan her tekil çözüm esasnda arama uzaynda bir ku u temsil etmektedir. Parçack hareket etti inde kendi koordinatlarn bir fonksiyona gönderir ve böylece parçac n uygunluk de erleri hesaplanr. Yani yiyece e ne kadar uzaklkta oldu u ölçülmü olur. Bir parçack koordinatlarn, çözüm uzayndaki hzn, o ana kadar elde etti i uygunluk de erini ve bu de eri elde etti i koordinatlar hafzasnda saklar. Parçac n her seferinde hznn ve yönünün nasl de i ece i, kom ularnn en iyi koordinatlar ve kendi koordinatlarnn bir birle imi olarak elde edilir. PSO belirli bir parçack sürüsü ile ba latlr ve parçacklarn hzlar, konumlar sürekli olarak güncellenerek optimum çözüm elde edilmeye çal lr. Her iterasyonda parçack konumlar, iki de ere göre güncellenir ( ekil 1). Birincisi, o ana kadar parçac n kendisinin elde etti i en iyi çözümü sa layan koordinatlardr. Bu de er pBest olarak adlandrlr ve hafzada saklanr. kinci de er ise sürüde o ana kadar tüm parçacklar tarafndan elde edilen pBest de erleri içerisinden en iyi çözümü sa layan koordinatlardr. Bu koordinatlar en iyi global de eri olarak belirlenir ve gBest de eri olarak adlandrlr. Her parçac n ayr bir pBest de eri olurken, gBest de eri ise tüm popülasyon için tek de ere sahiptir.
ekil 1. Parçack Konumlarnn Güncellenmesi Bu iki de erin bulunmasndan sonra yukardaki açklamalar a a da verilen denklemlerle ifade edilir.
vik
1
a * vik
c1 * rnd1 () * ( pBest ik
xik
1
x ik
1
vik
xik ) c 2 * rnd 2 () * ( gBest k
xik )
(3) (4)
Denklem (3) deki c1 ve c 2 de erleri parçacklar pBest ve gBest koordinatlarna do ru çeken stokastik hzlanma terimlerini ifade eden sabitlerdir ve ö renme faktörleri olarak adlandrlrlar. c1 parçac n geçmi en iyi de erlerine göre hareket etmesini, c 2 ise sürüdeki di er parçacklarn tecrübelerine göre hareket etmesini sa lar. Denklemdeki rnd 1 () ve rnd 2 () ise [0,1] arasnda düzgün da lma uyan rasgele saylardr. Formüldeki k de eri ise iterasyon saysn belirtmektedir. Ayrca atalet de eri olarak kullanlan bir sabit vardr ve bu sabit bu çal mada a ile temsil edilmi tir. Denklem (4) parçacklarn hzlarna göre yeni konumlarn belirlemek için kullanlr (Yapco lu vd. 2007). A a da PSO algoritmasnn sözde kodu (pseudo) verilmi tir. PSO algoritmasnn sözde kodu: For her parçack için ba langç de erlerini ata (konum, hz) End Do For her parçack için Uygunluk (fitness) de erini hesapla E er Uygunluk de eri pBest de erinden iyi ise Uygunluk de erini yeni pBest de eri olarak ata End En iyi pBest de erine sahip parçac n de erini gBest olarak seç
643
N. Çelebi For her parçack için Denklem (3) i kullanarak parçacklarn hzlarn güncelle Denklem (4) yi kullanarak parçacklarn yeni konumlarn belirle End While Maksimum iterasyona erisene kadar döngüye devam et. 2.2. Tavlama Benzetimi Algoritmas Tavlama Benzetimi (Simulated Annealing), optimizasyon problemlerinin çözümünde kullanlan rassal bir arama yöntemidir ve ilk olarak (Kirkpatrick vd., 1983) tarafndan ekilsiz bir katnn kristal bir yapya dönü mesi için yava yava so utulmas i leminden esinlenerek geli tirilmi tir. Tavlama Benzetimi (TB) algoritmas bir ba langç çözümle ba lar ve adm adm iyile tirme yaparak sonuca ula r. Tavlama benzetimi yönteminin düzensizlik (perturbation) ve tavlama (annealing) eklinde iki önemli özelli i vardr. Düzensizlik özelli i mevcut çözümden yeni çözümler üretmek için kullanlr, tavlama özelli i ise scakl n azaltlma orann kontrol eder. Mevcut durum her tekrarl i lemden (iterasyon) sonra di er iki durum olan kom u ve optimal çözümle kar la trlr. Ba langçta üç durumda birbirinin ayndr. Ara trma ba lad nda, mevcut durumda küçük bir de i iklik yaplarak kom u durum elde edilir. Her durumun uygunluk de eri çözülmesi istenen probleme ait bir amaç fonksiyonu kullanlarak hesaplanr. E er kom u çözüm, optimal çözüm de erinden dü ük ise hem mevcut hem de optimal çözüm de erleri bir sonraki iterasyon için kom u çözümün de erine e itlenir. E er kom u çözüm de eri, mevcut durum çözümünden dü ük fakat optimal çözüm de erinden büyük ise, bu durumda yalnzca mevcut durum güncellenir. Kom u çözüm de eri, mevcut durum de erinden büyük olmas durumunda, bir de i im olasl na ba l olarak; mevcut durum için kom u duruma geçi ans hala var olur. E er geçi olasl düzgün da lma göre rasgele üretilen saydan (u ) büyük ise, o zaman yeni durumumuzdaki enerji seviyesi daha yüksek ve sistem so umuyor snyor demektir. Bu ise sistemin daha kötüye gitti inin bir i aretidir ve do al olarak kabul edilir bir durum de ildir. Bu durumda, iterasyon says bir arttrlr ve ba ka bir kom u çözüm üretilir. Bu algoritmada, her tekrarl i lemde yalnzca bir kom u çözüm üretilir ve mevcut çözüm ile kar la trlr. Geçi olasl nn büyüklü ü, kom u çözümün de eri, mevcut durum de eri ve scaklk olarak adlandrlan pozitif kontrol parametresi arasndaki farka ba ldr. Daha yüksek scaklk (T ) , ya da iki çözüm arasnda olan daha küçük bir fark f (S ' ) f ( S ) , daha yüksek geçi olasl sonucunu verir. E er scaklk kademe kademe azalrken, tekrarl i lem says artarsa, tavlama olarak bilinen so utma i lemine maruz kalnr. Bu tahmini (stochastic) i lem izin verilen en büyük iterasyon saysna kadar devam eder (Zolfaghari vd. 1998). (
)
En çok kullanlan tavlama yöntemi üstel so utma olarak adlandrlr ve e T olarak ifade edilir (Alkhedhairi, 2008). Üstel so utma i lemi bir kontrol parametresi olan ba langç scakl T ile ba lar ve scakl her iterasyonda veya belirli iterasyon says sonunda Ti 1 Ti eklinde azaltr. Burada parametresi 01 aral nda de i en bir scaklk azaltma faktörüdür. Kabul olasl mevcut çözüm ile bu çözümden üretilen kom u çözüm arasndaki farktr. yile tirme srasnda sadece iyi çözümler kabul edilmez. Ayn zamanda kötü çözümlerde belli bir kabul olasl ile kabul edilir. Böylece algoritmann yerel optimumlardan kurtulmas sa lanr. Bu i lem TB nin temel özelliklerinden birisidir. Bu algoritma ortaya çk ndan itibaren pek çok alanda uygulanm tr. Problemlere uygulanmasndaki kolaylk ve yerel optimumlardan kaçnmak için kulland rassal metot nedeniyle TB, günümüzde bile kullanlan popüler bir yöntemdir. TB nin kolay uygulanabilirli i ve çözüm kalitesinin iyi olmas yannda, çözüm zamannn uzunlu u ve parametre seçiminin zorlu u gibi dezavantajlar da vardr. Bu algoritmann sözde kodu a a da verilmi tir. Bir ba langç çözümünü seç: S 0
S ve amaç fonksiyonu f ( S 0 ) hesapla; Bir ba langç scakl n belirle: T 0 ; Scaklk de i im sayacn sfrla: t 0; S S 0 ; f (S ) f (S0 ) ; S iyi S 0 ; f (S iyi ) f (S0 ) 644
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011 Repeat
n 0; Repeat S nin bir kom usu olan S ' çözümünü ( S
N (S )) rassal olarak üret;
'
f (S ) f (S ) ; 0 ise S S'; de ilse ( 0,1) aral nda düzgün da lmdan bir rassal say üret ( u ) ve ) ise S S'; T f (S ' ) f ( S iyi ) ise S iyi S' ; n n 1; Until n M t t 1; T T (t ) ;
u
exp(
Until (durdurma art sa lanana kadar) S iyi problem için bulunan sezgisel çözüm 2.3. Evrimsel Algoritma Evrimsel algoritma (EA) organizma popülasyonlarnn çevrelerine adapte olmalarna izin veren biyolojik i lemler; genetik kaltm, en iyinin ya amas evrim fikrine dayanan optimizasyon amaçl geli tirilmi stokastik bir tekniktir (Datoussaid vd., 2002). Evrimsel algoritmada, problem için aday çözümlerin bir popülasyonu olu turulur ve bu popülasyona oldukça küçük mutasyon (mutation), üreme (reproduction) ve seçme (selection) olarak bilinen stokastik operetörler kümesi iteratif olarak uygulanarak zamanla evrimle mesi sa lanr. EAda her biri probleme farkl bir çözüm aday olan kromozomlardan bir havuz olu turulmakta ve bu havuz evrimsel yöntemlerle de i ikli e u ratlmaktadr. Kromozom biçemindeki ve problemin bir aday çözümü olan bu havuz ö elerine ba ka bir ifade ile problemin çözümünü kodlayan veri yapsna birey (kromozom) veya fenotip denmektedir. Mutasyon aday bir çözümü geli igüzel de i tirir; üreme iki ayr çözümü yeni çözümler olu turmak için adaylar çiftle tirir; seçim i lemi ise bir popülasyonda bulunan en ba arl aday çözümler içerisinden belli bir kalite oranna ba l olarak bir sonraki ku a a hangi bireylerin aktarlaca n belirler. Havuz ya da popülasyon içerisindeki bir adayn çözüme ne kadar yakn oldu u, çözülmesi istenen probleme ba l bir amaç fonksiyonudur. Algoritma her adayn ne kadar güçlü oldu unu bu amaç fonksiyonuna göre hesaplar ve buna göre bir sonraki neslin olacak ebevynleri ya da yok olacak bireyleri belirler. Daha sonra, makul bir yeni nesil olu turmak için ebeveynlere genetik arama i lemcilerini (üreme ve mutasyon) uygular. Bu döngü her defasnda daha güçlü bireyler olu turarak tekrarlanr. Bu algoritmada genel olarak iki üyeli Evrimsel Strateji olarak bilinen bir üreme-seçim (reproduction-selection) emas kullanlr. Bu emada; ebeveyn saysn, çocuk saysn temsil etmek üzere yer iki seçim stratejisi vardr (Nissen, 1994). Birinci strateji en iyi çocuk ya da çocuklarn ebeveyn ile yer de i tirme stratejisi ( , ) dr. Bu stratejide çocuk(lar) ( ) , onun ebeveyninden ( ) türetilir ve daha sonra performans ailesinin performans ile karsla trlr. Çocuk ve ebeveynden hangisi daha iyi uygunluk de erine sahipse bir sonraki nesil için o birey ya atlr (seçilir). kinci strateji çocuk ve ebeveynin bir sonraki nesile aktarlma stratejisi ( ) dr. Bu yakla m emasnda ise, hem çocuk ve hem de ebeveyn bir sonraki nesile beraber ( ) aktarlr. Bu algoritmaya ait isleyi admlarnn sözde kodu a a da verilmi tir. Rassal olarak
boyutlu ba langç popülasyonunu seç
645
N. Çelebi Repeat For i 1 to Normal da lma uyan bir olaslkla
boyutlu popülasyon içerisinden bir ebeveyn seç;
oranndaki çocuk saysn elde etmek için mutasyona u rat (hareket ettir) Next Ya: en iyi çocu u ( , ) ebeveyn ile yer de i tirme stratejisini, ya da hem çocuk hem de ebeveynin ( ) bir sonraki nesile aktarma stratejisini uygula Until (Durma kriterine eri ilene kadar) 2.4. Weiszfelds Algoritmas Weiszfelds algoritmasnn amaç fonksiyonu mevcut tesis yerleri ile yeni tesis yeri arasndaki toplam mesafenin minimum olmasna çal r. Bu algoritma hem düzlemsel hem de iki boyutlu ya da üç boyutlu a (network) problemlerinin çözümünde kullanlabilir. Weiszfelds algoritmas, amaç fonksiyonuna ba l olarak toplam mesafenin minimum edilmesini amaç edinen Weber problemini iteratif bir yakla mla çözer (Kotain, 2005).
wi ( x a i ) 2
Minimize f ( x, y )
( y bi ) 2
(5)
Bu denklemde, Mevcut lokasyonlar için a rlklar
wi x Ba langç çözümünün ve daha sonraki iterasyonlarda elde dilen ba arl çözümlerin x koordinat. y Ba langç çözümünün ve daha sonraki iterasyonlarda elde dilen ba arl çözümlerin y koordinat. a i Mevcut lokasyonun x koordinat. bi Mevcut lokasyonun y koordinat. A a da düzlemsel uzayda Euclidean amaç fonksiyonu kullanlarak yerle im problemini çözmek için kullanlan Weiszfelds algoritmasnn i leyi admlar verilmi tir. Adm 1: Ba langç koordinatlarn ( x, y ) rasgele olarak belirle. Adm 2: Her bir
i
de eri için 6nolu denklemi çöz.
wi i
x y
( x ai ) 2
(6)
( y bi ) 2
Bu denklemde, Algoritma için gerekli olan ba langç noktasnn x koordinat Algoritma için gerekli olan ba langç noktasnn y koordinat Adm 3: Her
i de
eri için toplam
( x, y ) yi denklem 7yi kullanarak bul.
m
( x, y )
i
( x, y )
(7)
i 1
Adm 4: Tüm
i i
de erlerini formül 8i kullanarak belirle.
646
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011
i
i
( x, y )
( x, y ) ( x, y )
(8)
Adm 5: Weiszfelds (x) ve Weiszfelds ( y ) de erlerini formül 9 ve formül 10 yardmyla belirle.
WFx
(i
1.....m)
i
ai
(9)
WFy
(i
1.....m)
i
bi
(10)
Adm 6: Tüm i de erleri için bireysel amaç fonksiyonu de erlerini toplayarak toplam amaç fonksiyonu de erini formül 11 yardmyla belirle.
f euc
wi ( x ai ) 2
( y bi ) 2
(11)
Adm 7: Durma kriteri sa lanana kadar admlar tekrar et. Rasgele bir ba langç noktas göz önüne alarak, ikinci bir deneme de erleri (WFx, WFy ) elde etmek için algoritma de erlendirilir. Elde edilen koordinatlar, bir sonraki koordinatlar elde etmek için bir önceki koordinatlarn yerine geçer ve i leme bu ekilde tekrarl bir biçimde devam edilir. x ve y koordinatlar için Weiszfelds de erlerini tekrar tekrar hesaplayarak amaç fonksiyonu için optimal çözüme yakn ya da e it çözüm(ler) bulanabilir. Bir sonraki de er ile bir önceki de er arasndaki fark sfra e it veya sfrdan küçük olunca durma artlar sa lanm olur. 3. ÇALI MA ALANI Çal ma alan olarak ele alnan Sakarya ehri, Türkiyenin kuzey batsnda, do udan batya uzanan dünyann bilinen en aktif faylarndan biri olan Kuzey Anadolu Fay (KAF) hatt üzerinde yer alr. Geçmi teki deprem kaytlar incelendi inde Sakarya ili oldukça yüksek sismisiteye sahiptir. ehrin sahip oldu u zemin özellikleri nedeniyle muhtelif zamanlarda meydana gelen depremlerde (Tablo 1) büyük hasarlar görmü tür (Sünbül vd., 2007). Tablo 1. Son Yetmi Ylda Sakaryay Etkileyen Büyük Depremler Deprem 1943 Hendek 1957 Bolu-Abant 1967 Adapazar 1999 Marmara 1999 Düzce
Büyüklük 6.6 7.1 7.2 7.4 7.2
Deprem bölgeleri haritalarna göre Sakarya ili, I. dereceden deprem bölgesi içerisinde yer alr. 1999 Marmara depremi verilerine göre, depremden etkilenen bölgede meydana gelen a r hasarn %29u, orta hasarn %18i ve hafif hasarn %23u Sakarya ilinde meydana gelmi tir. Ayni verilere ba l olarak 1999 depreminde meydana gelen can kayplarnn %22si Sakarya ilinde gerçekle mi tir (Bayndrlk Bakanl , 2002). 2000 ylnda yaplan bir bilimsel ara trmaya göre (Parsons vd., 2000), gelecekte Sakarya ilini de içine alan Marmara bölgesinde 100 km yarçapl bir alan içerisinde, 6 büyüklü ünde yeni bir depremin 10 yl içerisinde gerçekle me ihtimalinin %32±12, 30 yl içerisinde gerçekle me ihtimalinin ise %62±15 civarnda oldu u saptanm tr. Bundan dolay deprem bu il için üzerinde durulmas gereken kaçnlmaz bir gerçektir. 4. DENEYSEL SONUÇLAR Bu çal mada, olas bir deprem annda Sakarya iline hizmet verecek afet yardm da tm merkezi için en uygun yerle im yerinin belirlenmesi problemi, parçack sürü optimizasyonu, tavlama benzetimi, evrimsel algoritma ve Weiszfelds algoritmas yöntemleri kullanlarak çözümlenmi ve elde edilen sonuçlara ba l olarak sezgisel arama yöntemleri kar la trlm tr. Çal mann ayrntlar a a da özetlenmi tir. Depreme hazrlk amaçl afet yardm da tm merkezi yerle im problemi, Weber problemi olarak ele alnm olup her ilçenin bir talep noktas oldu u kabul edilmi tir. lçelerin geometrik merkezleri koordinat düzleminde enlem ve boylam olmak üzere Tablo 2de verilmi tir. lçeler ile tesis yeri arasndaki mesafeler
647
N. Çelebi öklit uzaklk ölçütü ile hesaplanm ve amaç fonksiyonu olarak formül (5) kullanlm tr. Kapasite kst göz önüne alnmam tr. Ayrca wi a rlk parametresinin de eri tüm talep noktalar için 1 olarak alnm tr. Tablo 2. Talep Noktalarnn Koordinatlar Talep Enlem Boylam Noktalar lçe 1 40.78 30.40 lçe 2 40.75 30.40 lçe 3 40.71 30.36 lçe 4 40.72 30.38 lçe 5 40.69 30.62 lçe 6 40.93 30.48 lçe 7 40.51 30.29 lçe 8 40.80 30.75 lçe 9 40.64 30.54 lçe 10 41.07 30.78 lçe 11 41.03 30.31 lçe 12 41.05 30.85 lçe 13 40.51 30.17 lçe 14 40.69 30.27 lçe 15 40.88 30.45 lçe 16 40.40 30.49 Yöntemlerin uygulanmasna ait algoritmalarn kodlamas JAVA programlama dili ile gerçekle tirilmi tir. Çözümler programlarn i letim sistemi Windows Vista olan, Intel Core2 Duo 2.10 GHz i lemcili ve 4 GB belle e sahip bir bilgisayarda yürütülmesiyle elde edilmi tir. Problemin PSO, TB, EA ve Weiszfelds algoritmas yöntemleri ile çözümlenmesinden elde edilen sonuçlar Tablo 3de verilmi tir. Tablo 3. Sezgisel Algoritmalar ile Elde Edilen Optimum Afet Yardm Merkezi Yerle im Koordinatlar Sezgisel algoritma ad PSO Evrimsel Algoritma Tavlama Benzetimi Weiszfelds Algoritmas
Amaç fonksiyonu 3.6476713154468468 3.647671319674603 3.6901535073608063 3.647671315446848
Enlem 40.74940278614658 40.7494098587225 40.778007267191455 40.74940278594689
Boylam 30.409379113056623 30.409383510544544 30.42689050952593 30.409379113547004
Deneysel sonuçlar dikkate alnd nda, elde edilen çözümlere göre üç sezgisel algoritma (PSO, Evrimsel Algoritma ve Weiszfelds algoritmas) amaç fonksiyonuna göre ayn sonucu vermi tir. Tavlama benzetimi algoritmas ise %4lük daha yüksek bir de er üretti i gözlenmi tir. Sezgisel algoritmalar ayrca amaç fonksiyonunun iterasyon süreçlerine göre kar la trlm tr. Kar la trma sonuçlarna ait grafiksel gösterimler her algoritma için ekil 2 -5te srasyla verilmi tir. 3,7800 3,7600 3,7400 3,7200 3,7000 3,6800 3,6600 3,6400 0
200
400
600
800
terasyon says
ekil 2. PSO Algoritmas terasyon Süreci
648
1000
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011
4,0000 3,5000 3,0000 2,5000 2,0000 1,5000 1,0000 0,5000 0,0000 0
200
400
600
800
1000
terasyon says
ekil 3. Evrimsel Algoritma terasyon Süreci
3,6930 3,6925 3,6920 3,6915 3,6910 3,6905 3,6900 3,6895 0
200
400
600
800
1000
terasyon says
ekil 4. Tavlama Benzetim Tekni i terasyon Süreci
3,6580 3,6560 3,6540 3,6520 3,6500 3,6480 3,6460 0
200
400
600
800
1000
terasyon says
ekil 5. Weiszfelds Algoritmas terasyon Süreci
649
N. Çelebi Grafikler incelendi inde, evrimsel algoritma optimum çözüme ilk iterasyonda ula t görülmektedir. Yine benzer bir durum Weiszfelds algoritmas içinde söylenebilir. Bu algoritmada Evrimsel algoritmaya göre çok ksa bir zaman sonra, birkaç iterasyondan sonra, optimum çözüme ula t görülmektedir. PSO algoritmas ise bu iki algoritmadan farkl olarak optimum sonuca daha uzun bir sürede ula m tr. Tavlama benzetimi algoritmas ise optimum sonuca bu üç algoritmaya göre oldukça uzun bir süre sonunda ula abilmi tir. Bunun en ana nedeni, ba langç çözümü, ba langç scakl , scaklk azaltma katsays ve son scaklk parametrelerinin bu yöntemin ba armnn parametre seçimine çok duyarl olmasndan kaynaklanmaktadr. 5. SONUÇLAR VE GELECEK ÇALI MASI Son yllarda kombinasyonel optimizasyon problemlerinin çözümünde yaygn olarak sezgisel arama yöntemleri kullanlmaktadr. Bu çal mada, iki boyutlu uzayda tek tesisli (single-facility) yer belirleme problemine Euclidean mesafe ölçüsü kullanlarak sezgisel algoritmalar yardmyla çözüm sunmak amaçlanm tr. Tavlama benzetimi, PSO, evrimsel algoritma ve Weiszfelds algoritmas, Sakarya ili afet yardm merkezi tesis yerinin belirlenmesi problemine uygulanm olup elde edilen sonuçlar sunulmu tur. Sezgisel arama yöntemleri matematik yöntemlerle çözümü zaman alan kombinasyonel optimizasyon problemlerinin çözümünde, daha ksa sürede etkin sonuçlar üretebilmektedir. Bu çal mada göz önüne alnan probleme ba l olarak Evrimsel algoritma çok hzl sonuç üretmi tir. Weiszfelds algoritmas, evrimsel algoritmaya benzer biçimde, fakat evrimsel algoritmadan çok az bir zaman sonra optimum çözüme ula m tr. Weizsfelds algoritmas, düzlemsel yer belirleme problemleri için geli tirilmi bir algoritma oldu undan bu sonuç beklenen bir sonuçtur. Sürü zekas algoritmas (PSO) ise di er iki algoritmaya göre optimum sonuca daha uzun sürede ula m tr. Bunun nedeni sürü zekas algoritmas di er iki algoritmaya göre daha stokastik bir arama yöntemi kullanmasndan kaynaklanmaktadr. Tavlama benzetimi algoritmas ise amaç fonksiyonu de erleri ve iterasyon zamanlar açsndan di er üç algoritmaya göre daha az ba arl bir sonuç vermi tir. Bu sonuç tavlama benzetiminin ba langç parametrelerine çok duyarl olmas ile izah edilebilir. Ancak, ba langç parametrelerini belirlemek için geli tirilmi herhangi bir kesin yöntem olmad ndan bu durum, sezgisel algoritmalarn uygulanmasnda belirli bir zorluk olu turmaktadr. Bu çal mada kullanlan statik afet yardm merkezi yerle im modeli yalnzca mesafe kriterini kullanmaktadr. Bu ba langç çal ma için yeterli görünse de gelecekteki uygulamalarda, nüfus yo unlu u, ula labilirlik ve bölgesel sismisite gibi kriterler göz önüne alnarak kurulacak matematiksel modeller yardmyla daha gerçekçi çözümler elde edilebilecektir. Ayrca, çok maçl optimizasyon modelleri kurarak elde edilecek çözümler ile yer seçimi konusunda karar vericilere yardmc olacak çözümler sunan bir çal ma yapmak, gelecekte di er bir çal ma konusu olarak dü ünülmektedir.
KAYNAKÇA Al-khedhairi, A. Simulated Annealing Metaheuristic for Solving p-Median Problem, Int. J. Contemp. Math. Sciences, Vol. 3, no. 28, 1357 1365, 2008. Bayndrlk ve skân Bakanl , 1999 yl Deprem Raporu, 2002 Datoussaid, S. Verlinden, O. Conti, C. Application of Evolutionary Strategies to Optimal Design of Multibody Systems, Multibody System Dynamics 8: 393408, 2002. Hansen, P. Mladenovic, N., Taillard, E., Heuristic Solution of the Multisource Weber Problem as a p-Median Problem, eri im adresi: http://mistic.heig-vd.ch/taillard/articles.dir/ localloc1.pdf Kirtpartrick, S. Gelatt C.D. Vecchi, M.P. Optimization by Simulated Annealing, Science, Volume 220, Number 4598, 1983 Kotain, S. R. Planar k-centra Single Facility Euclidean Location Problem, Master of Science, College of Engineering and Technology, Ohio University, 2005 Osinuga, I.A. Bamighola, O. M. On the Minimum Norm Solution to Weber Problem, SAMSA Conference Proceedings, 5460, 2730 November 2007
650
XI. Üretim Ara trmalar Sempozyumu, 23-24 Haziran 2011 Nissen, V. Solving the Quadratic Assignment, Problem with Clues from Nature, IEEE Transactons on Neural Networks, Vol. 5, no. 1, january 1994 Parsons, T. Toda, S. Stein, RS. Barka, A. Dieterich, JH., Heightened odds of large earthquakes near Istanbul: An interaction-based probability calculation, Science 288:661-665, 2000. Poli, R. Kennedy, J. Blackwell, T. Particle swarm optimization, Swarm Intel., 1: 3357, 2007, DOI 10.1007/s11721-007-0002-0 Sünbül, A.B. Da deviren, U. Gündüz, Z. Çaklco lu, . Analysis of the Damage Assessments of Adapazari City after 1999 Marmara Earthquake, International Earthquake Symposium, Kocaeli, 2007 Yapicioglu, H. Smith, A.E. Dozier, G. Solving the semi-desirable facility location problem using biobjective particle swarm, European Journal of Operational Research 177, 733749, 2007. Zolfaghari, S. Liang, M., Machine cell/part family formation consedering processing times and machine capacities: A simulated annealing approach, Computers in Eng, Vol.34, No. 4, pp, 813-823, 1998
651