GERİ DÖN

Ders Öğretim Planı

Dersin Kodu Dersin Adı Dersin Türü Yıl Yarıyıl AKTS Kredi
BLG518 Optimizasyon Seçmeli Ders Grubu 1 1 6.00 3.00

Dersin Seviyesi

Yüksek Lisans

Dersin Sunulduğu Dil

Dersin Amacı

Bu dersin amacı, literatürde karşılaşılan karmaşık optimizasyon problemlerinin çözümüne yönelik matematiksel ve hesaplamalı yöntemlerin kazandırılmasıdır. Öğrenciler, doğrusal ve doğrusal olmayan modellerin yanı sıra stokastik, evrimsel, çok amaçlı ve sezgisel optimizasyon algoritmalarını Python, MATLAB ve açık kaynaklı kütüphaneler üzerinden uygulamalı olarak öğrenirler.

Dersi Veren Öğretim GörevlisiGörevlileri

Dr. Öğr. Üyesi Gülsüm ŞANAL

Öğrenme Çıktıları

1 Optimizasyonun teorik temellerini açıklar.
2 Doğrusal ve doğrusal olmayan programlama tekniklerini uygular.
3 Gradyan tabanlı ve gradyansız yöntemleri karşılaştırır.
4 Kısıtlı ve kısıtsız optimizasyon problemlerini çözümleştirir.
5 Stokastik ve evrimsel algoritmalarla karmaşık sistemleri optimize eder.
6 Python (SciPy, Pyomo, DEAP) veya MATLAB ortamında çözüm uygular.
7 Gerçek yaşamdan alınmış mühendislik optimizasyon projelerini tasarlar ve raporlar.

Öğrenim Türü

Birinci Öğretim

Dersin Ön Koşulu Olan Dersler

– Lineer cebir, diferansiyel hesap, türev ve integral kavramları – Algoritmik düşünme, karmaşıklık analizi, temel veri yapıları – Lineer sistemlerin çözümü, hata analizi, iteratif yöntemler – Olasılık dağılımları, istatistiksel modelleme, varyans analizi – Değişken tanımlama, döngüler, fonksiyonlar, veri analizi, temel görselleştirme

Ders İçin Önerilen Diğer Hususlar

- Dersin Uygulama Alanı - Laboratuvar ve Yazılım Kullanımı - Araştırma ve Proje Odaklı Yaklaşım - Disiplinlerarası Etkileşim - Etik ve Akademik Bütünlük - Uzaktan Eğitim ve Hibrit Uygulama Desteği - Güncel Akademik Kaynaklara Yönlendirme Ders kapsamında IEEE, Springer, Elsevier gibi yayınevlerinden güncel makaleler incelenir. Öğrenciler, bu kaynaklardan seçtikleri optimizasyon temelli bir makaleyi analiz edip tartışma sunumu yaparlar. - Değerlendirme Ek Unsurları Ders içi performans, yazılım uygulama becerisi, araştırma disiplini ve rapor formatına uygunluk da değerlendirmeye dâhildir. Proje notlamasında modelleme doğruluğu, algoritmik yenilik ve sonuç yorumlama yeteneği dikkate alınır. - Beklenen Yetkinlikler • Analitik düşünme ve problem çözme • Bilimsel modelleme becerisi • Hesaplamalı optimizasyon yazılımlarını etkin kullanma • Akademik araştırma ve yayın hazırlığı • Ekip çalışması ve sunum becerisi

Dersin İçeriği

Bu ders, bilgisayar mühendisliği alanında karşılaşılan karmaşık problemlerin çözümü için kullanılan matematiksel ve hesaplamalı optimizasyon yöntemlerini kapsamaktadır. Konu başlıkları arasında doğrusal ve doğrusal olmayan programlama, çok amaçlı optimizasyon, tamsayılı ve stokastik modeller, evrimsel ve sezgisel algoritmalar (Genetik Algoritmalar, Parçacık Sürüsü vb.), konveks optimizasyon, duyarlılık analizi ve Python/MATLAB uygulamaları yer almaktadır. Ders, teorik anlatımın yanı sıra laboratuvar uygulamaları, makale incelemeleri ve proje çalışmalarıyla desteklenir.

Haftalık Ayrıntılı Ders İçeriği

Hafta Teorik [OgretimYontemVeTeknikleri] [OnHazirlik]
1 Optimizasyona Giriş Teorik ders anlatımı, kavram tartışması Temel matematiksel kavramların (fonksiyon, türev, integral) gözden geçirilmesi
2 Matematiksel Modelleme Örnek problem analizi, tahtada model kurma Gerçek hayattan bir mühendislik problemi seçilmesi
3 Doğrusal Programlama ve Simpleks Yöntemi Problem çözme, uygulama örnekleri, yazılım destekli çözüm Doğrusal denklem sistemlerinin tekrar edilmesi
4 Dualite ve Duyarlılık Analizi Tartışma, grafik yorumlama, hesaplama uygulamaları Simpleks çözüm çıktılarının incelenmesi
5 Doğrusal Olmayan Optimizasyon Ders anlatımı, Python ile uygulama Gradyan, konvekslik kavramlarının gözden geçirilmesi
6 Kısıtlı Optimizasyon MATLAB/Python uygulaması, örnek analiz Lagrange çarpanları hakkında ön okuma
7 Karesel ve Konveks Programlama Vaka çalışması, laboratuvar uygulaması Konveks fonksiyon özelliklerinin incelenmesi
8 Ara Sınav
9 Newton Yöntemi
10 Eşlenik Gradyen Yöntemi
11 Quasi-Newton Yöntemleri
12 Kısıtlı Öğrenme
13 Global Optimization
14 Proje Sunumları

Ders Kitabı Malzemesi Önerilen Kaynaklar

Temel Kaynaklar : • Bazaraa, M. S., Sherali, H. D., Shetty, C. M. Nonlinear Programming: Theory and Algorithms • Boyd, S., Vandenberghe, L. Convex Optimization • Deb, K. Multi-Objective Optimization using Evolutionary Algorithms • Nocedal, J., Wright, S. J. Numerical Optimization • Winston, W. L. Operations Research: Applications and Algorithms Yardımcı Kaynaklar • SciPy, Pyomo, CVXPY, DEAP, Gurobi ve MATLAB Optimization Toolbox dökümantasyonları • Öğretim elemanı ders notları • Güncel IEEE, Springer, Elsevier makaleleri (Optimization & AI fields)

Planlanan Öğrenme Aktiviteleri ve Metodları

- Teorik Dersler - Uygulamalı Laboratuvar Çalışmaları - Problem Çözme Oturumları - Makale İnceleme ve Tartışma - Dönem Projesi - Sunumlar ve Seminerler - Danışman Görüşmeleri - E-Öğrenme ve LMS Desteği - Akademik Yazım ve Raporlama - Değerlendirme Etkinlikleri - Bağımsız Çalışma ve Araştırma

Değerlendirme

Yarıyıl (Yıl) İçi Etkinlikleri Adet Değer
Ara Sınav 1 100
Toplam 100
Yarıyıl (Yıl) Sonu Etkinlikleri Adet Değer
Final Sınavı 1 100
Toplam 100
Yarıyıl (Yıl) İçi Etkinlikleri 40
Yarıyıl (Yıl) Sonu Etkinlikleri 60

Staj Durumu

yok

İş Yükü Hesaplaması

Etkinlikler Sayısı Süresi (saat) Toplam İş Yükü (saat)
Ara Sınav 1 72 72
Final Sınavı 1 76 76
Ara Sınav İçin Bireysel Çalışma 1 1 1
Final Sınavı içiin Bireysel Çalışma 1 1 1
Toplam İş Yükü (saat) 150

Program ve Öğrenme Çıktıları İlişkisi

ÖÇ 1
ÖÇ 2
ÖÇ 3
ÖÇ 4
ÖÇ 5
ÖÇ 6
ÖÇ 7
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek