YAPAY ZEKA ve UZMAN SİSTEMLER

1. YAPAY ZEKA ve UZMAN SİSTEMLER Ders Notu – 4.2 Sezgisel Arama

2. Sezgisel Problem Çözümleme • İnsan farkında olmadan sezgisel yaklaşımlarla iç içe yaşamaktadır • Kısıtlı zaman içerisinde karar vermeler, • Karmaşık olaylarda seçimin yapılması, • Yargılar, • Bireyler arasında olan ilişkiler, • Düşüncelerin değişmesi vs.

3. Sezgisel Arama Stratejileri • Banch and Bound Search (B&BS) – Dal-Sınır Arama • Best-First Search – En İyi Arama • Gready Search (GBFS) • A* Search (A*) – A* Arama • Iterative Deeping A* Search (IDA*) – IDA* Arama • Hill Climbing Search (HCS) – Tepe Tırmanma • Simulated Annealing (SA)– Isıl İşlem Arama • Tabu Search (TS) – Tabu Arama • Genetik Search (GA) – Genetik Arama

4. Branch and Bound Search (B&BS) (Dal-Sınır Ararama) • Branch and Bound Search, Uniform-Cost Search’ e benzer ancak bu arama metodunda işlemler alt guruplara ayrılarak çözüm aranır. • Başlangıç olarak bir alt sınır bulunur. • Alt gruplar içinde de alt sınırlar bulunur ve bazı alt gruplar işlem dışı bırakılabilir.

5. Greedy Best First Search - GBFS(En İyi Arama) • En İyi Arama, bilgilendiren arama metodlarındandır. • Bu yöntem Breath-First ile Depth-First aramalarının en iyi yönlerini birleştirmiştir. • Düğümler değerlendirme fonksiyonu f(n) ’e göre genişletilir. Geleneksel olarak f bir maliyet ölçüsüdür. • Üretilen düğümler içinden en uygunu seçilir ve bu düğüm genişletilir. Seçme işlemi h(n) (sezgisel fonksiyon)’ e göre yapılır. h(n) : n düğümünden amaç düğüme olan tahmini en ucuz maliyet. • Varsayım : h(n) = 0 ise n amaç düğümdür.

6. A* Search (Toplam Yolu Azaltma) • Belirli ve iyi tanımlanmış koşullar altında, bu sezgisel başlangıç ve amaç noktası arasında, eğer varsa minimum maliyetli yolu en az sayıda düğüm oluşturarak bulacağı garanti edilmiştir. • n düğümü göstermek üzere; f(n)=g(n)+h(n)değerlendirme fonksiyonu tanımlanır g(n) : Başlangıç noktasından, bulunan düğüme kadar olan maliyetin doğru ölçümü (gerçek mesafe olabilir) h(n) : Mevcut düğümden amaç düğümüne kadar en az maliyet tahmini. Bu fonksiyon negatif olmamalı ve asla amaç düğümüne ulaşım maliyetinden daha fazla olmamalı. h fonksiyonu tasarım problemine bağlı olarak değişmektedir.

7. Iterative Deeping A* - IDA* • A* Algoritmasının dezavantajı, bellek yetersizliğidir. • IDA* Arama iterative deeping aramaya (IDS) benzer, fakat f-maliyet limitini derinlik sınırı olarak kullanır. • Herbir iterasyon için, bir önceki iterasyonun f-maliyet kesme sınırını aşmış düğümlerin içinden en düşük f-maliyetlisi kesme sınırını belirler. • Herbir iterasyon geleneksel dept-first aramayı kullanır.

8. Hill-Climbing Search – HCS (Tepe Tırmanma) • Basit bir sezgisel arama metodudur. • Derinlik öncelikli arama + sezgisel bulgu

9. Hill-Climbing (Tepe Tırmanma) Search • Tepe Tırmanmada temel fikir, mevcut durumdan daha iyi olan bir duruma doğru gitmektir. • Tepe Tırmanma teknikleri keşfedilmemiş bölgenin özellikleri üzerinde temel olarak bilgilendirilmemiş olmalarına rağmen, belirli bir düğüm hakkında yerel (local) bilgiden faydalanır. değişim Mevcut durum

10. Hill-Climbing (Tepe Tırmanma) Search • Yerel bilgi, doğrudan düğümün civarında değerlendirme fonksiyonunun eğimi şeklinde bulunur ve yönlendirilir. Bu nedenle bir bakıma derinlik öncelikli aramaya benzer. • Resmi olarak bilgilendirilmemiş araştırma olmasına rağmen, tepenin özellikleri bilgisini kullanır; orada değilseniz tepe daha yukarıdadır ve eğer oradaysanız bütün yollar aşağı gider. • Tepe Tırmanama; yerel arazi bilgisi kullanılarak verimsiz araştırma uzayının çoğunu elimine etmek için çok kullanışlı ve etkin sezgisel bulgu sağlar. Yamaç “Düzlük” Durum uzayı Mevcu durum

11. Soru-1: Sadece bir yükseklik ölçer ve pergel ile donatılmış bir tırmanıcı takımı (topolojik harita olmadan) kendilerini ağır bir sisin içinde bir dağın yamacında bulurlar. Tepeye varmak için optimum strateji nedir? • Soru-2: Televizyon görüntünüz kötü bir şekilde titriyor, bulanık ve korkunç renkler gösteriyor. 4 adet kontrol olasılığı var. İyi bir görüntü elde etmek için optimum strateji nedir?

12. Hill-Climbing’ in Riskleri • Tepe Tırmanma Sezgisel Aramada karşılaşılan problemler, gerçek dağcıların karşılaştığı problemlere benzer. • Yanlış tepe problemi • Yamaç problemi • Plato (yayla) problemi Yayla Yamaç Küçük tepe

13. Tepe Local maximum Yanlış tepe problemi • Dağ tırmanıcıların karşılaştıkları en ciddi problemdir. • Temel problem yanlış bir tepenin, yerel olarak gerçek bir tepenin özelliklerini yansıtmasıdır, dolayısıyla bulgu temelden bozguna uğrar. • Eğer daha yüksek tepe örnekleme işlemi ile üretilirse, tepe tırmanan sezgisel yeni yükselti (yeni düğüm) başlangıç noktası olarak zirve (amaç) noktasına ulaşıncaya kadar tekrarlanır.

14. Yamaç Yamaç problemi • Yamaç problemi, eğer bayır kenarları çok dik ve yükseklik kazanımı (rakım) çok aşamalı ise, özellikle ciddi bir problemdir. • Maximum Eğim algoritmaları, yamaç boyunca sert iniş-çıkışları olan ve çok az yükseklik kaydedilen bir yolla sonuçlanmaya meyillidir. • Yamaç problemi, yamacın yerel maximum bölgesinde işlem yaparken, adım boyutunu düşürmekle çözülebilir. • Böylesi bilgilerin dikkatli yorumu, başarıyla zirveye ulaşan yamacın varlığını ve yönünü gösterir.

15. Plato Plato (yayla) problemi • Tepe Tırmanan arama, en iyi aşamalı, iyi işlenmiş ve tek değerli fonksiyonlar için çalışır. • Topografik haritalardaki kesintiler gerçek dağ tırmanıcılarına olduğu kadar tepe tırmanma sezgiseli için de büyük zorluklar çıkarır. • Tanıdık olmayan arazide sezgiselin tamamen başarısız olması mümkündür.

16. Hill-Climbing Algoritması • AÇIK listesine Başlangıç düğümüne S ‘yi ekle • KAPALI listesini boşalt • AÇIK listesi boş değilse, AÇIK listesinin en solundaki elemanı listeden çıkart . Bu elemanı xolarak adlandıralım. • x‘in çocuklarını bul • x'in tüm çocukları için • Eğer çocuk AÇIK ve KAPALI listesinde değil ise • Çocuğa bir sezgisel değer ata ve AÇIK listesine ekle. • Eğer çocuk AÇIK listesinde ise • Eğer daha kısa bir yol ile ulaşılmış ise AÇIK lisesindeki çocuk kaydının sezgisel değerini değiştir. • Çocuğun ebeveyn bilgisini güncelle. • Eğer çocuk KAPALI listesinde ise • Eğer daha kısa bir yol bulunmuş ise KAPALI listesinden çıkartıp yeni bilgilere göre güncelleyip AÇIK listesine ekle. • xdüğümünü KAPALI listesine ekle • AÇIK listesini sezgisel değerlerine göre yeniden sırala (En iyi seçenek sola gelecek şekilde) • 3. adıma git

17. S 30 40 1 10 20 3 15 35 2 27 18 25 45 Hill-Climbing Search – HCS (Devam)

18. Hill-Climbing Search – HCS (Devam)

19. Hill-Climbing Search – HCS (Devam)

20. Hill-Climbing Search – HCS (Devam)

21. Hill-Climbing Search – HCS (Devam)

22. HC Aramaya göre Arad-Sibiu-Fagares-Bucharest Toplam Uzaklık 140+99+211=450

23. 1 2 1 2 3 1 2 3 8 6 3 8 6 8 6 4 7 5 4 7 5 4 7 5 h = 4 h = 6 h = 6 1 3 1 2 3 1 2 3 8 2 6 8 6 8 5 6 7 5 4 7 5 4 7 4 h = 4 h = 4 h = 5 Örnek:8-puzzle • h = yerinde bulunan taşların sayısı, boşluk dahil • başlangıçta 5 taş yerinde h = 5 3 olası durum, 2 geçerli çözüm 3 Ölü düğüm .En iyi çözümden daha iyisi bulunamadığı için arama sona erer.

24. Ödev • Konu:Simulated Annealing Search – SA (Isıl İşlem, Benzetilmiş Tavlama) • Tanımı • Ne zaman ortaya çıktığı • Kim tarafından geliştirildiği • Nerelerde kullanıldığı • Algoritması • Örnekler • Kaynaklar Süre : 2 hafta

25. Tabu Search-TS (Tabu Arama) • Tabu Search Algoritması, F.Glover tarafından optimizasyon problemlerinin çözümü için geliştirilmiş iteratif bir araştırma algoritmasıdır. • Tabu Search algoritması, bölgesel en iyi çözümün daha ilerisinde bulunan çözümlerin araştırılabilmesi için bölgesel-sezgisel araştırmaya kılavuzluk etmektedir. • TS ‘nin bölgesel optimalliği aşmak amacıyla kullandığı temel prensip, değerlendirme fonksiyonu tarafından her iterasyonda en yüksek değerlendirme değerine sahip hareketin bir sonraki çözümü oluşturmak amacıyla seçilmesine dayanmaktadır. • Yerel prosedür, verilen herhangi bir çözümün komşuluğunu tanımlamak için move olarak söylenen bir işlemi kullanan bir araştırmadır.

26. Tabu Search-TS (Tabu Arama) • Tabu Arama’ nın temel bileşenlerinden birisi daha esnek bir araştırma durumu oluşturan kendi (adaptive) uyarlama hafızasını kullanmasıdır. • Global optimizasyon için genel bir prosedür olan TS sezgisel algoritması bir çok zor optimizasyon problemeri için neredeyse optimale yakın çözümler üreten başarılı bir tekniktir • Optimizasyon problemlerin çözümü için çizelgelemede, tesis düzenleme probleminde, kuadratik atama problemi, grafik bölümlendirme, grafik renklenedirmegibi problemlerde kullanılır.

27. Tabu Search Algoritmasının temel bileşenleri

28. Tabu Search Algoritmasının temel bileşenleri • Kısa Dönem Hafıza:Algoritmanın işlemlere devam etmesi sürecinde bazı seçimlere izin verilmez ve yasaklanır. Yasaklanan bu seçimler tabu olarak bilinir ve diğerlerinden ayırt edilir. Bununla araştırmanın bir alanda dönüp durması engellenir. • Orta ve Uzun Dönem Hafıza:Orta ve uzun dönem hafıza fonksiyonu, araştırmanın global çeşitlendirme ve yerel yoğunlaşmasını sağlamak için tabu araştırması içinde kullanılır. Kısa dönem hafıza fonksiyonu ile birleştirilmiş orta ve uzun dönem hafıza fonksiyonları çözüm uzayının araştırılması ve iyi sonuçlara ulaşılmasında karşılıklı etkileşimi sağlar.

29. Komşuluk Yapısı: Tabu Aramada en önemli bileşenlerden birisi de komşuluk yapısıdır. Komşulukların oluşturulmasında seçilen komşuluk üretme yapısına göre problem boyutu n olduğu durumda (n-1) tane komşuluk üretilir. • Tabu Move: Dolaşan bölümlendirme problemleri için tabu listelerinin kısa dönem hafıza oluşturmada kullanılabilen değişik özellikleri vardır. Bir olasılık bir bloktan başka bir bloğa değiştirilen modül değerine dayalı bir seçimin özelliklerini tanımlamaktır. • Tabu Listesi :Tabu listesi, araştırmanın herhangi bir iterasyonu içinde hangi seçimlerin tabu grubu olmak zorunda olduğu ve kaç tanesi üzerinde karar verme ve tabu listesini güncelleme ile ilgilenir. Tabu listesinin boyutu, sonucu önemli derecede etkileyebilir. Deneysel sonuçlar problemin boyutu büyüdükçe problem boyutu ile orantılı olarak tabu listesi uzunluğunun da büyümesi gerektiğini göstermiştir.

30. Aspirasyon (tabu yıkma): Algoritmanın temel özellikleri korunurken esnekliğini artırmak,yerel optimumdan kaçınmak ve kısır döngüden kurtulmak maksadıyla yasak konumundan (tabu konumundan) geçici olarak serbest bırakılması konumuna aspirasyon işlemi denir. • Durdurma Kriteri:Durdurma kriterleri aşağıdaki şartlara dayandırılır: • 1.Araştırmada iterasyon sayısını verilen maksimum iterasyon sayısından daha büyük olduğunda işlem sonlandırılır. • 2.Eğer o ana kadar bulunan en iyi çözümde arka arkaya yapılan iterasyonda hiç bir iyileşme olmadan verilen iterasyon sayısına ulaşılırsa işlem sonlandırılır.

31. Tabu Search Algoritmasının akış diyagramı

32. Tabu Search (TS) Algoritması Çözüm=Başlangıç çözümü, En_İyi_Çözüm=Çözüm, Tabu_Listesi (Boş), Durdurma_Kriteri, Kontrol=FALSE, Repeat • Eğer Çözüm>En_İyi_Çözüm ise En_iyi_Çözüm=Çözüm • Eğer Durdurma_Kriteri’ ne ulaşılmış ise Çözümü Tabu_Listesine ekle • EğerTabu_Listesi dolu ise ilk gireni listeden çıkar, çözümlerin içinden başka birini Yeni_Çözüm olarak seç • EğerYeni_Çözüm bulunamadıysaveya (Eğergeliştirilen Yeni_Çözüm,Uzun_Dönem_Hafıza da bulunuyor iseYeni_Çözümü rasgele üret) • EğerYeni_Çözüm, Tabu_Listesi’ nde yok iseÇözüm=Yeni_Çözüm Değil ise Kontrol=TRUE Until Kontrol=TRUE

33. Örnek: Makine-Konum atama problemi • Bir işletme, değişik tipte dört yeni makina satınalmıştır. • İşletme içinde makinaların yerleştirilebileceği dört seçenek yer bulunmaktadır. • Birim zaman başına malzeme aktarma giderleri her makina için öngörülmüş ve aşağıda çizelge biçiminde sunulmuştur • Amaç TS Algoritmasını kullanarak en düşük maliyetli veya en düşük maliyetli çözüme yakın makine yerleştirmeyi elde etmek.

34. Başlangıç konumu ve değeri (başlangıç olarak en iyi yerleştirme) DCBA : 14+186+166+146=512 olsun En iyi çözüm : 512 İterasyon sayısı : 5 Tabu Listesi uzunluğu :3 Tabu Listesi : (),(),() Komşuluklar: 1. iterasyon CDBA : 114+154+166+146=580 BCDA : 138+186+150+146=620 ACBD : 180+186+166+46=578 En iyi çözümden daha iyi bir çözüm yok bu nedenle bölgesel çeşitlendirme yapmak için en iyi yerleştirme konumundaki makinelerden 2 tanesinin yeri rasgele değiştirilir. Bu değişim 2. ve 4. konumdaki makineler olsun. DABC : 14+10+166+158=348

35. En iyi yerleştirme : DABC En iyi Çözüm : 348 Tabu Listesi : (a,c),(),() Komşuluklar: 2. İterasyon ADBC : 180+154+166+158=658 BADC : 138+10+150+158=456 CABD : 114+10+166+46=336 En iyi yerleştirme : CABD En iyi Çözüm : 336 Tabu Listesi : (a,c),(c,d),() Komşuluklar: 3. İtersayon ACBD : 180+186+166+46=578 BACD : 138+10+4+46=198 DABC : 14+10+166+158

36. En iyi yerleştirme : BACD En iyi Çözüm : 198 Tabu Listesi : (a,c),(c,d),(b,c) Komşuluklar: 4. İterasyon ABCD : 180+28+4+46=258 CABD : 114+10+166+46=336 DACB : 14+10+4+172=200 En iyi çözümden daha iyi bir çözüm yok bu nedenle bölgesel çeşitlendirme yapmak için en iyi yerleştirme konumundaki makinelerden 2 tanesinin yeri rasgele değiştirilir. Bu değişim 2. ve 4. konumdaki makineler olsun. BDCA : 138+154+4+146=442 Komşuluklar: 5. İterasyon DBCA : 14+28+4+146=192 CDBA : 114+28+166+146=580 ADCB :180+154+186+172=692 En iyi yerleştirme : DBCA En iyi Çözüm : 192 Tabu Listesi : (c,d),(b,c),(d,b)

37. Genetic Search- GA (Genetik Arama) Genetik Algoritmanın Tanımı • Genetik algoritma, doğadaki evrim mekanizmasını örnek alan bir arama metodudur ve bir veri grubundan özel bir veriyi bulmak için kullanılır. • Genetik algoritmalar doğada geçerli olan en iyinin yaşaması kuralına dayanarak sürekli iyileşen çözümler üretir. • Bunun için kullandığı operatörler; • uygunlukfonksiyonu(fitness) : toplumdaki her kromozomun ne kadar iyi olduğu bulmayı amaçlayan fonksiyondur. Bu fonksiyon GA nın beynini oluşturmaktadır. • yenidenkopyalama (recombination) : yeni çözümler üretmek için çaprazlama (crossover) işlemi yapılır ve bu eşleme uygunluk fonksiyonuna göre yapılır. • değiştirme (mutation) : sadece bir çözüm üzerinde yapılan işlemdir.

38. Kromozomun şifrelenmesi • 1. İkili kodlama Bu yöntem ilk GA uygulamalarında kullanıldığı için hala en çok kullanılan yöntemlerdir. Her kromozom, 0 ve 1 lerden oluşan bit dizisidir ve ikili diziyle ifade edilir. Bu dizideki her bit, çözümün bir özelliğini taşır. Dizinin tümü ise bir sayıya karşılık gelir. Kromozom A: 101110010110 Kromozom 2: 010110100000

39. Kromozomun şifrelenmesi (Devam..) • 2. Permütasyon kodlama Bu kodlama Gezgin Satıcı Problemi ve iş sıralama problemleri gibi sıralam problemlerinde kullanılır. Burada her kromozom bir numaralar dizisidir. Kromozom A: 35127604 Kromozom B: 01562347

40. Kromozomun şifrelenmesi (Devam..) • 3.Değer kodlama Bu kodlama , gerçel gibi kompleks sayıların yer aldığı problemlerde kullanılır. Bu tür problemler için ikili kodlama çok zor olur. Her kromozom, değerler dizisidir. Bu değerler ise problemle ilişkilidir. (Örneğin, gerçel sayı, karakter veya bazı kompleks nesneler olabilir.) Kromozom A: 3.274 5.127 0.604 2.123 Kromozom B: ABCDFEKLFG Kromozom C: (geri),(sağ),(ileri),(geri),(sol)

41. Kromozomun şifrelenmesi (Devam..) • 4. Ağaç kodlama Ağaç kodlama genellikle genetik programlamada, programlar ve ifadeler oluşturmak için kullanılır. Ağaç kodlamada her kromozom, nesneler ve nesneler arsaı işlemleri içeren bir ağaç yapısından oluşmaktadır. (z/3)-g - / g z 3

42. Gen takası (Çaprazlama) ve Mutasyon • 1. İkili kodlanmışkromozom - A) Tek noktalı gen takası. • Kromozom-1 : 11011|00100110110 • Kromozom-2 : 11011|11000011110 • Çocuk-1 : 1101111000011110 • Çocuk-2 : 1101100100110110 - B) Çift noktalı gen takası. • Kromozom-1 : 11011|00100|110110 • Kromozom-2 : 11011|11000|011110 • Çocuk-1 : 1101111000110110 • Çocuk-2 : 1101100100011110

43. Gen takası (Çaprazlama) ve Mutasyon (Devam..) - C) Tek biçimli (uniform) gen takası. • Kromozom-1 : 11011001 • Kromozom-2 : 00011110 • Çocuk-1 : 10011010 • Çocuk-2 : 01011101 Mutasyon işlemi : Mutasyon işlemi, problemin problemin populasyondaki çözümlerin yerel optimuma düşmesini engellemek için kullanılır. Mutasyon yeni üretilen çocuk kromozomu rasgele değiştirir. • Çocuk-1(orijinal) : 11011001 • Çocuk-2 : 11111001

44. Gen takası (Çaprazlama) ve Mutasyon (Devam..) • 2. Permütasyon kodlanmışkromozom Çaprazlama: • Kromozom-1 : 123456789 • Kromozom-2 : 453689721 • Çocuk-1 : 123489721 • Çocuk-2 : 453656789 Mutasyon: İkitane rasgele gen seçilir ve bunların yeri değiştirilir. • Çocuk-1(orijinal) : 123456789 • Çocuk-2 : 173456289

45. Gen takası (Çaprazlama) ve Mutasyon (Devam..) • 3. Değer kodlanmışkromozom Çaprazlama: İkili kodlanmış kromozomlarda yapılabilen tüm takas türleri uygulanabilir. Mutasyon: Seçilen değerden küçük bir sayı çıkartılarak veya eklenerek yeni bir kromozom oluşturulur. • Çocuk-1(orijinal) : 1.25 5.68 2.86 4.11 5.55 • Çocuk-2 : 1.25 5.68 2.73 4.22 5.55

46. Gen takası (Çaprazlama) ve Mutasyon (Devam..) • 4. Ağaç kodlanmışkromozom Çaprazlama: Her iki ebeveyinden birer takas noktası seçerek parçalanır. Bu noktaların altındaki kısımlar, aralarında değiştirilerek yeni kromozomlar oluşturulur. Kromozom-1 Kromozom-2 Çocuk-1 (z/3)-g (g/4)*z (4*z)-g Mutasyon: Seçilen düğümdeki numaralar veya işlemler değiştirilir. / - - g * * g / g z 3 4 z 4 z

47. Kromozom Seçimi • 1. Rulet tekeri seçimi Bu yöntemde seçilme işlemi bireylerin (kromozomların) uygunluk değerine göre yapılmaktadır. Fakat uygunluk değeri en büyük olanın seçileceği garanti edilmez, yalnız seçilme şansı daha fazla olacaktır. Bu yöntemde bütün uygunluk değerleri bir tabloya yazılır ve toplanır. Uygunluk değeri toplama bölünerek bireylerin [0,1] aralığında seçilme olasılıkları belirlenir. Rulet tekerleği seçimi çözümlerin uygunluk değerlerinin pozitif olması gerekir.

48. Kromozom Seçimi (Devam..) • 2. Sıralama seçimi Rulet tekeri seçimi, uygunluklar çok farklıysa problemlere yol açar. (Örneğin, en iyi kromozomun uygunluğu %90 ise diğer kromozomlar çok az seçilme şansına sahip olacaktır.) Sıralama seçimi önce populasyonu sıralamakta ve ardından her kromozomun bu sıralamada uygunluğu aranmaktadır. En kötüsü 1 uygunlukta, ikinci kötüsü 2 uygunlukta vb., en iyisi ise N uygunlukta olacaktır. Böylelikle bütün kromozomlara seçilme şansı verilir. Fakat bu yöntemde en iyi kromozomlar, diğerlerinden daha farklı olmadığından çözüme yaklaşma yavaş olacaktır.

49. Kromozom Seçimi (Devam..) • 3. Sabit durum seçimi Bu yönteme göre ebeveyinlerin seçimi için kromozomların büyük parçaları bir sonraki jenerasyona taşınmaktadır. Her nesilde yeni bir birey (çocuk) oluşturmak için birkaç kromozom seçilir (büyük uygunlukta iyi olanlar). Az uygunlukta kötü olan kromozomlar atılır ve yeni çocuk kromozomlar yerine getirilir. Geri kalan kromozomlar değiştirilmeden yeni nesile aktarılır.

50. Genetik Algoritmaların Çalışma Prensibi • Adım 1:Olası çözümlerin kodlandığı bir çözüm grubu oluşturulur (çözüm grubu (population), çözümlerin kodları (string) da kromozom olarak adlandırılır). • Adım 2:Her kromozomun ne kadar iyi olduğu bulunur (fitness function). • Adım 3:Bu kromozomlar eşlenerek (mating), yeniden kopyalama (recombination) ve değiştirme (crossover) operatörleri uygulanır. Bu sayede yeni bir toplum oluşturulur. • Adım 4:Yeni kromozomlara yer açmak için eski kromozomlar ortadan kaldırılır. • Adım 5:Tüm kromozomların uygunlukları tekrar hesaplanır. • Adım 6:İşlemler tekrarlanarak verilmiş zaman içerisinde daha iyi olan yeni nesillerin oluşturulması gerçekleştirilir (3. adıma gidilir). • Adım 7:O ana kadar hesaplanma sırasında en iyi kromozom bulunduğunda istenen sonuç elde edilmiş olur.