Genetik Algoritma (GA) evrim ve doğal seleksiyon fikirlerinden esinlenerek oluşturulmuş bir arama ve optimizasyon algoritmasıdır. GA çeşitli optimizasyon problemlerinde başarılı sonuçlar vermektedir, ancak çözüm kalitesinin artırılması ve hesaplama süresinin kısaltılması açısından hala geliştirilmeye ihtiyacı vardır.Bu çalışmanın amacı standart GA'nın çözüm kalitesinin geliştirilmesi ve daha akıllı bir algoritmanın oluşturulmasıdır. Genetik Algoritma (GA) ile sırasıyla Karınca Kolonisi Optimizasyonunu (KKO) ve Parçacık Sürü Optimizasyonunu (PSO) birleştiren iki farklı yeni ve akıllı algoritma önerilmiştir. Bu şekilde standart GA'nın daha da geliştirilmesi ve çözüm kalitesinin iyileştirilmesi hedeflenmiştir.Elde edilen melez algoritmalar literatürdeki en çok bilinen NP-Tam problemleri olan Gezgin Satıcı Problemi (GSP) ve Araç Rotalama Problemlerine (ARP) uygulanmıştır. Önerilen algoritmaların GA'dan daha iyi sonuçlar verdiği istatistiksel yöntemler kullanılarak ispatlanmıştır.

Genetic Algorithm (GA) is a heuristic search and optimization algorithm inspired by the ideas of evolution and natural selection. It depends on the concept of survival of fittest. GA provides good results especially for large scale optimization problems. However, it still needs improvement in increasing solution quality and decreasing computation time.Objective of this study is to improve solution quality and to generate smarter algorithm. To achieve this, two novel algorithms are generated by combining Genetic Algorithm with Ant Colony Optimization (ACO) and Particle Swarm Optimization algorithms (PSO). Main objective is to improve solution quality of GA by utilizing advantages of both algorithms.Proposed hybrid algorithms are applied to Traveling Salesman Problem (TSP) and Vehicle routing problem (VRP). They are most well-known NP-hard problems. It is statistically proven that new hybrid algorithms provide better results than GA.

89