Yazar "Engin, Burhan" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim
    Öğe
    Makine öğrenmesi kullanarak QAOA parametrelerinin iki şehirli gezgin satıcı problemi için optimizasyonu
    (Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, 2024) Engin, Burhan; Akbulut Özen, Songül
    Bu tez çalışmasında, Kuantum Yaklaşık Optimizasyon Algoritması (QAOA) kullanılarak, iki şehirli Gezgin Satıcı Problemi'nin (TSP) çözümü ve QAOA parametrelerinin makine öğrenmesi ile optimize edilmesi ele alınmıştır. QAOA, kuantum hesaplama yöntemlerinden biri olup, klasik optimizasyon problemlerine etkin çözümler sunmaktadır. Çalışmanın amacı, QAOA yönteminin gamma ve beta parametrelerini optimize ederek, farklı makine öğrenmesi modelleri ile bu parametrelerin etkili bir şekilde tahmin edilmesini sağlamaktır. İlk aşamada, iki şehirli TSP problemi için QAOA yöntemi ile kuantum devreleri oluşturulmuş ve Aer Simülasyon kullanılarak simülasyonlar gerçekleştirilmiştir. Optimizasyon sürecinde gamma ve beta parametreleri çeşitli başlangıç değerleri ile test edilerek en iyi performansı sağlayan parametreler belirlenmiştir. Parametrelerin optimizasyonu sonucunda elde edilen gamma ve beta değerleri, problem mesafesine (distance) göre örneklenmiş ve sonuç olasılıkları (sol_rates) hesaplanmıştır. Farklı 5000 parametre ile yapılan hesaplamada optimizasyon için gereken veriler hazırlanmıştır. Elde edilen veriler, StandardScaler kullanılarak ölçeklendirilmiş ve bu verilerle Sinir Ağları Regresyonu, Destek Vektör Makineleri (SVM) ve Random Forest Regresyonu modelleri oluşturulmuştur. Modeller, verilen mesafe değeri için gamma ve beta parametrelerinin doğru sonucun olasılıklarını 0,2'den büyük yapacak şekilde tahmin etmeye yönelik olarak eğitilmiştir. Eğitim ve test aşamalarında, modellerin performansları değerlendirilmiş ve çok düşük R² ve çok yüksek Ortalama Kare Hata (MSE) değerleri elde edilmiştir. SVM ve Random Forest modellerinin tahminleri, kuantum bilgisayarı ve Aer Simülasyon kullanılarak 10 farklı problem üzerinde test edilmiştir. Sonuç olarak, SVM modelinin 4/10, Random Forest modelinin ise 3/10 oranında doğru sonuca yaklaştığı görülmüştür. Bu düşük performans değerlerine rağmen, çalışmada elde edilen sonuçlar, makine öğrenmesi parametrelerinin optimize edilmesi, model girdilerinin ve model çıktılarının değişkenlerinde yapılacak iyileştirmelerle gelecekte daha başarılı sonuçlar elde edilebileceğine işaret etmektedir. QAOA yöntemi ile elde edilen parametrelerin makine öğrenmesi yöntemleri kullanılarak başarılı bir şekilde tahmin edilebilmesi, klasik optimizasyon problemlerinin kuantum hesaplama yöntemleri ile çözümünde önemli bir adım olarak değerlendirilmektedir. Bu çalışma, QAOA yönteminin optimizasyon problemlerinde kullanımının yanı sıra, kuantum ve klasik hesaplama yöntemlerinin entegrasyonunun potansiyelini ortaya koymaktadır. Gelecekteki çalışmalar, daha karmaşık TSP problemleri ve diğer optimizasyon problemleri üzerinde benzer yaklaşımlar ile genişletilebilir.