Bu çalışmada, seçilen metasezgisel optimizasyon algoritmaları (GA, ACO, PSO) quantum hesaplama yöntemleri kullanılarak geliştirilmiş ve karşılaştırılmıştır.
| Özellik | GA | QGA | PSO | QPSO | ACO | QACO |
|---|---|---|---|---|---|---|
| Representation (Temsil) | Bit dizisi (0/1) kromozom | Qubit dizisi (α, β amplitüdleri) | Konum + hız vektörü | Sadece konum, kuantum olasılık dağılımı | Yol = kenar dizisi, feromon izleri | Yol = qubit süperpozisyonu + feromon |
| Karar verme | Deterministik crossover & mutation | Ölçüm + rotation gate güncellemesi | Hız + pbest + gbest formülü | Kuantum kuyusu → olasılık sıçraması | Feromon + heuristic olasılığı | Qubit amplitüdleri + feromon → ölçüm |
| Çeşitlilik (diversity) | Hızla azalabilir | Uzun süre korunur (süperpozisyon) | Zamanla kümelenir | Çeşitlilik daha uzun süre devam eder | Erken feromon doygunluğu | Süperpozisyon → alternatif yollar canlı kalır |
| Yerel minimumdan kaçış | Mutasyona bağlı | Quantum rotasyon + ölçüm ile daha güçlü | Çoğu zaman sıkışır | “Tünelleme” etkisi ile kaçabilir | Erken yakınsama riski yüksek | Quantum sıçramalar sayesinde kaçabilir |
| Parametreler | Pop. boyutu, crossover, mutasyon | Rotation açıları, ölçüm | w, c1, c2, pop. boyutu | β (dalga genişliği) + pop. boyutu | α, β, ρ (buharlaşma) | Rotation güncelleme + feromon katsayıları |
| Yakınsama | Orta, parametreye bağlı | Daha hızlı ve global | Hızlı ama lokal sıkışma riski | Global odaklı, daha sağlam | İyi ama erken doygunlaşma olabilir | Daha dengeli, global optimum şansı yüksek |
| Path planning etkisi | Yol sabit yapıda, erken sıkışabilir | Alternatif yollar, daha esnek keşif | Çoğu zaman tek güzergâhta kümelenir | Bariyer arkasına sıçrayabilir | Tek baskın yol → global optimum kaçabilir | Çoklu alternatif yol, engellerde daha güçlü |
| algorithm | grid | iteration | cost | population size | ara nokta sayısı | algoritmaya özel parametreler |
|---|---|---|---|---|---|---|
| PSO | 200 | 200 | 33498.28 | 150 | 16 | w=0.8, C1=C2=1.5 |
| PSO | 10 | 100 | 13.26 | 50 | 10 | w=0.7, C1=c2=1.5 |
| QPSO | 200 | 200 | 371.39 | 150 | 30 | alfa = 1.0 |
| ACO | 10 | 50 | 16.14 | 10 | - | MAX_ITER_ACO = 50, KARINCA_SAYISI = 10, ALPHA = 1.0 , BETA = 2.0, RHO = 0.2, Q = 10.0 |
| QACO | 10 | 50 | 15.90 | 10 | - | MAX_ITER_QACO = 50, KARINCA_SAYISI = 10, BETA = 3.0, DELTA_R = 0.05 |
| GA | 50 | 100 | 150 | 70 | - | - |
| QGA | 50 | 100 | 37.0 | 70 | - | - |
Yapılan testlerde QPSO 200x200 haritada rahatlıkla yolu bulabilse de klasik PSO maliyetleri bir türlü düşürememiştir. Klasik PSO daha küçük haritalarda daha stabil çalışmaktadır.
-
200×200 harita ve 26 ara nokta, PSO için büyük bir optimizasyon problemidir:
-
Yüksek Boyutluluk: 26 ara nokta × 2 koordinat (y, x) ⟹ 52 boyutlu bir optimizasyon problemi demektir. Yüksek boyutlu uzayda global optimumu bulmak çok zordur.
-
Lokal Optimumlar: Labirent benzeri haritalarda, ara noktaların koordinatları için sayısız "iyi ama en iyi olmayan" rota bulunur. PSO parçacıkları kolayca bir duvarın hemen yanındaki bir yerel optimuma (Lokal Minimum) takılıp kalır.
-
Sürekli Uzay / Ayrık Problem: PSO, konumu ve hızı sürekli sayılar olarak günceller. Ancak, yolun engelle çarpıp çarpmadığı kararı, koordinatların en yakın tam sayıya yuvarlanmasıyla (np.round()) verilir. Bu sürekli/ayrık geçişi, maliyet fonksiyonunu (fitness) çok pürüzlü (non-smooth) hale getirir ve PSO'nun ince ayar yapmasını zorlaştırır.
-
Arama Alanı Büyüklüğü: Parçacık başına 200×200=40.000 olası nokta vardır. 26 ara nokta için olası rota sayısı astronomiktir.
QPSO Yol Bulma Sonuç Özeti:
Harita Boyutu: 200x200
Toplam İterasyon: 200
Bulunan En İyi Rota Maliyeti: 371.39
Sonuç: Başarıyla Engelden Kaçınılmıştır.
PSO Yol Bulma Sonuç Özeti:
Harita Boyutu: 200x200
Toplam İterasyon: 200
Bulunan En İyi Rota Maliyeti: 33498.28
Sonuç: Yol bulunamadı veya bir engele/sınıra çarpma cezası yüksek.
PSO Yol Bulma Sonuç Özeti:
Harita Boyutu: 200x200
Toplam İterasyon: 200
Bulunan En İyi Rota Maliyeti: 34165.42
Sonuç: Yol bulunamadı veya bir engele/sınıra çarpma cezası yüksek.
PSO Yol Bulma Sonuç Özeti:
Harita Boyutu: 10x10
Toplam İterasyon: 100
Bulunan En İyi Rota Maliyeti: 13.26
Sonuç: Başarıyla Engelden Kaçınılmıştır.
----------------------------------------------------------------
PSO Yol Bulma Sonuç Özeti:
Harita Boyutu: 200x200
Toplam İterasyon: 200
Bulunan En İyi Rota Maliyeti: 337.91
Sonuç: Başarıyla Engelden Kaçınılmıştır.
----------------------------------------------------------------
==================================================
ACO YOL BULMA SONUÇ ÖZETİ (10x10)
==================================================
Bulunan En İyi Rota Uzunluğu (Maliyet): 16.14
Rota Adım Sayısı: 13
==================================================
QACO YOL BULMA SONUÇ ÖZETİ (10x10)
==================================================
Bulunan En İyi Rota Uzunluğu (Maliyet): 15.90
Rota Adım Sayısı: 14
| Parametre | GA | QGA | Yorum |
|---|---|---|---|
| Grid Boyutu | 50x50 | 50x50 | |
| Başlangıç/Hedef | (0,0) -> (50,50) | (0,0) -> (50,50) | |
| Engeller | sabit küme | sabit küme | |
| Popülasyon Büyüklüğü | 70 | 70 | |
| Kromozom uzunluğu | 150 | 150 | |
| Jenerasyon sayısı (GEN) | 100 | 100 | |
| Mutasyon olasılığı | 0.1 | 0.1 | Uygulama Biçimi farklı |
| Mutasyon Tipi | Gen değiştir, rastgele hareket | Olasılık dağılımında uniform'a kaydır | |
| Elitizm | Var (best saklanıyor) | Yok (ama global_best_moves güncel tutuluyor) | |
| Durma kriteri | erken durma var (hedefe ulaştıysa) | erken durma var (hedefe ulaştıysa) |
Her iki algoritma da aynı grid harita, başlangiç/hedef noktaları, popülasyon büyüklüğü ve jenerasyon sayısı altında test edilmiştir. Ancak klasik GA il QIGA'nın doğası gereği evrimsel operatörleri ve fitness tanımları farklıdır. Bu sebeple aynı ortamda göreceli performans analizi yapılmıştır.
| parameters | reached | steps_used | collisions | oob | cost | time_sec |
|---|---|---|---|---|---|---|
| GA | True | 150 | 2 | 0 | 150 | 0.21261811256408691 |
| QIGA | True | 150 | 0 | 0 | 37.0 | 4.139953851699829 |