Python ile Yapay Zekâ için Hill Climbing Algoritmasını Uygulama

Hill climbing algoritması, yapay zekâ ve bilgisayar bilimlerinde en eski ve en basit optimizasyon algoritmalarından biridir. Artımlı iyileştirmeler yaparak çözümler bulan yerel arama (local search) algoritmaları kategorisine girer.

Algoritmanın adı faydalı bir benzetmeden gelir: Gözleri bağlı bir yürüyüşçünün bir tepenin zirvesine ulaşmaya çalıştığını hayal edin. Tüm manzarayı göremediği için yalnızca hemen çevresindeki zemini hissedebilir. Her adımda yukarıya götüren yöne ilerler. Bu, algoritmanın çalışma şekline benzer — yakın çözümleri değerlendirir ve daha iyilerine doğru yinelemeli olarak hareket eder, en iyi çözümü (tepenin zirvesini) bulmaya çalışır.

Bu yazıda, hill climbing algoritmasını, varyasyonlarını ve Python'da nasıl uygulanacağını ayrıntılı olarak inceleyeceğiz. Yapay zekâda yeniyseniz, temelleri kapsayan AI Fundamentals beceri yolumuzu mutlaka inceleyin. 

Yapay Zekâda Hill Climbing Algoritması Nedir?

Hill climbing, bir dağın zirvesine ulaşmaya çalışan bir yürüyüşçü gibi, bilgisayarların mümkün olan en iyi cevabı bularak sorunları çözmesinin basit bir yoludur. Yapay zekâda (AI) çoğu zaman birçok olası seçenek arasından en iyi çözümü bulmamız gerekir. Buna optimizasyon denir.

"Sıcak-soğuk" oyunu oynarken en yüksek noktayı bulmaya çalıştığınızı düşünün. Bu oyunda yalnızca hareket ettikçe "ısındığınızı" (daha iyi) ya da "soğuduğunuzu" (daha kötü) kontrol edebilirsiniz. Hill climbing de aynı şekilde çalışır — yakındaki çözümlere bakar ve daha iyi olanlara doğru ilerler.

Basit adımlarla nasıl çalıştığı şöyle:

1. Herhangi bir olası çözümle başlayın
2. Yakındaki çözümlere bakın
3. Yakındaki bir çözüm daha iyiyse ona geçin
4. Daha iyi bir çözüm bulunamayıncaya kadar 2–3. adımları tekrarlayın

Örneğin bir robota yürümeyi öğretmeye çalışıyorsanız, Hill Climbing şunları yapabilir:

• Rastgele bacak hareketleriyle başlayın
• Biraz farklı hareketler deneyin
• Robotun daha iyi yürümesine yardımcı olanları koruyun
• En iyi yürüme düzenini bulana kadar tekrarlayın

Hill climbing her zaman AI'deki en gelişmiş yöntem olmasa da, bilgisayarların tıpkı minimax algoritması gibi kendi başlarına nasıl problem çözebildiklerini anlamamıza yardımcı olan önemli bir yapı taşıdır.

Hill Climbing Algoritmalarının Türleri

Her biri en iyi çözümü arama biçimi farklı olan üç ana hill climbing türü vardır:

1. Basit hill climbing

Basit hill climbing, bulduğunuz ilk iyi adımı atmaya benzer. Bu sürümde:

• Algoritma yakın çözümlere tek tek bakar
• Daha iyi bir çözüm bulur bulmaz onu seçer
• Diğer seçenekleri kontrol etmez
• Hızlıdır ama biraz daha uzaktaki daha iyi çözümleri kaçırabilir

2. En dik çıkış (steepest-ascent) hill climbing

Bu sürüm, basit hill climbing’den daha kapsamlıdır:

• Hamle yapmadan önce TÜM yakın çözümlere bakar
• Buldukları arasından en iyi seçeneği seçer
• Daha uzun sürer ama genellikle daha iyi çözümler bulur
• Adım atmadan önce her yolu dikkatle kontrol etmeye benzer

3. Stokastik hill climbing

Bu tür, aramayı daha etkili kılmak için biraz rastgelelik ekler:

• Her zaman en iyiyi seçmek yerine, daha iyi seçenekler arasından rastgele seçim yapar
• Daha iyi çözümlerin seçilme olasılığı daha yüksektir
• Bu rastgelelik, kötü noktalarda sıkışmayı önlemeye yardımcı olur
• Bazen sırf nereye çıkacağını görmek için farklı bir patikayı seçmeye benzer

Her türün kendi güçlü yanları vardır ve farklı problem türlerinde daha iyi çalışır. Basit hill climbing hızlı ama temel düzeydedir, en dik çıkış kapsamlıdır ama yavaştır, stokastik yaklaşım ise sıkışmayı önlemek için faydalı bir rastgelelik katar.

Hill Climbing Algoritması Nasıl Çalışır

Hill climbing algoritması, en iyi mümkün çözüme ulaşana kadar küçük iyileştirmeleri adım adım yaparak çalışır. Nasıl çalıştığını ana bölümlerine ayıralım.

1. Başlangıç

Her hill climbing algoritmasının bir başlangıç noktasına ihtiyacı vardır. Bunu bir dağda yürüyüşe nereden başlayacağınıza karar vermek gibi düşünün. Rastgele başlayabilir ya da problem hakkında bildiklerinizi kullanarak iyi bir başlangıç noktası seçebilirsiniz. 

Nereden başladığınız gerçekten önemlidir — iyi bir nokta seçerseniz en iyi çözüme hızlıca ulaşabilirsiniz. Kötü bir nokta seçerseniz, dağın zirvesini bulmak yerine küçük bir tepede sıkışıp kalabilirsiniz.

Örneğin yapay sinir ağlarını eğitirken, başlangıç noktası nöronlar arasındaki bağlantıların ilk ağırlıklarını seçmek anlamına gelir. Bu ağırlıkları rastgele başlatabilirsiniz; bu, yürüyüşe dağın rastgele bir noktasından başlamak gibidir. Ya da ağ yapısına dayalı akıllı başlangıç ağırlıkları seçen Xavier başlatma gibi teknikler kullanabilirsiniz. 

İyi bir başlatma, ağın daha hızlı öğrenmesine ve daha iyi çözümler bulmasına yardımcı olurken; kötü bir başlatma, doğruluğun düşük kalmasına ve hiç iyileşmemesine yol açabilir.

2. Yakındaki çözümlere bakma

Algoritma aramasına başladığında, mevcut konuma benzer komşu çözümleri değerlendirir. Bunu, yakın çevreyi küçük adımlarla keşfetmek gibi düşünün. Örneğin şehirler arası bir teslimat rotasını optimize etmeye çalışıyorsanız ve mevcut rotanız [A -> B -> C -> D] ise, algoritma [A -> B -> D -> C] veya [A -> C -> B -> D] gibi benzer rotaları, toplam kat edilen mesafeyi azaltıp azaltmadıklarını görmek için inceler. Rotadaki her küçük değişiklik, mevcut olandan potansiyel olarak daha iyi olabilecek bir "komşu" çözümü temsil eder.

Bu karşılaştırmaları yapmak için algoritma, her olası çözüme bir puan veya değer atayan, amaç fonksiyonu denilen şeye dayanır.

Bu fonksiyon bir pusula gibi davranır; algoritmanın hangi yönlerin daha iyi çözümlere doğru “yokuş yukarı”, hangilerinin “yokuş aşağı” olduğunu anlamasına yardımcı olur. Bir teslimat rotası için amaç fonksiyonu toplam kat edilen mesafeyi hesaplar — daha kısa toplam mesafe daha iyi bir çözüm demektir. 

Dolayısıyla X rotası 100 mil sürüyor, Z rotası 90 mil sürüyorsa, B rotası daha iyi (daha düşük) bir puana sahip olur. Algoritma böylece B rotasına benzer çözümler yönünde ilerlemesi gerektiğini bilir. Amaç fonksiyonu, rota optimizasyonu gibi karmaşık bir problemi karşılaştırıp en aza indirgenebilen basit bir sayıya dönüştürür.

3. Sonraki adımı seçme

Yakın çözümlere baktıktan sonra, algoritmanın bir sonraki hamleyi belirlemesi gerekir. Algoritma, yakın çözümlerin puanlarını mevcut çözümle karşılaştırır. Daha iyi bir çözüm bulursa oraya geçer. Hill climbing’in farklı sürümleri bu seçimi farklı şekillerde yapar:

• Basit sürüm, bulduğu ilk daha iyi çözümü alır
• Dikkatli sürüm, en iyisini seçmeden önce tüm yakın çözümleri kontrol eder
• Rastgele sürüm, bazen en iyi olmayan çözümleri seçer; bu da sıkışmayı önlemeye yardımcı olabilir

4. Ne zaman duracağını bilme

Algoritma, daha iyi çözümler aramayı ne zaman bırakacağını bilmelidir. Genellikle şu durumlardan biri gerçekleştiğinde durur:

1. Yakında daha iyi çözümler bulamaz
2. Çok uzun süredir çalışıyordur
3. Yeterince iyi bir çözüm bulmuştur

Algoritma çalışırken genellikle bir desen izler. Başta hızlıca daha iyi çözümler bulur; bu, dik bir yokuşta büyük adımlar atmaya benzer. Sonra zirveye yaklaştıkça yavaşlar, küçük iyileştirmeler yapar ve sonunda durur. 

Bazen yol düz ve nettir; bazen de iniş çıkışlarla dolu, daha zorlu olabilir.

AI’de Hill Climbing’in Avantajları ve Sınırlamaları

Hill climbing’in ne işe yaradığını ve kullanırken ne tür sorunlarla karşılaşabileceğinizi inceleyelim.

Avantajlar

Hill climbing, anlaşılması ve programlanması en kolay optimizasyon algoritmalarından biridir. Temel bir kuralı izler: “Daha iyiyse, oraya git.” Bu, birçok problemi çözmek için iyi bir başlangıç noktası yapar.

Problem net olduğunda, hill climbing iyi çözümleri hızlıca bulabilir. Her olası çözümü araştırmakla vakit kaybetmez — sadece yukarı giden yolu takip eder.

Algoritma fazla bellek veya işlem gücü gerektirmez. Nerede olduğunu hatırlaması ve yakın çözümlere bakması yeterlidir; bu da onu birçok gerçek dünya problemi için pratik kılar.

Sınırlamalar

Elbette, her yöntemde olduğu gibi bazı potansiyel dezavantajlar vardır: 

1. Küçük tepelerde takılmak

Hill climbing’in en büyük problemi, “yerel maksimumlar”da takılabilmesidir — yakında bir dağ olmasına rağmen küçük tepelere benzerler. Algoritma küçük bir tepenin zirvesine ulaştığında, çevresindeki her şey daha alçak olduğu için durur; oysa başka yerlerde çok daha iyi çözümler olabilir.

2. Düz zemin problemi

Bazen algoritma, yakındaki tüm çözümlerin eşit derecede iyi olduğu düz bir zeminde (plateau) kalır. Düz bir futbol sahasında yürürken en yüksek noktayı bulmaya çalıştığınızı hayal edin — hangi yöne gideceğinizi bilmek zordur!

3. Sırt (ridge) problemi

Dar bir dağ sırtının üzerinde yürümeye çalıştığınızı düşünün. Algoritma, zirveye doğru ilerlemek yerine sırt üzerinde sağa sola zigzag yaparak zaman kaybedebilir. Bunun nedeni, yana atılan her adımın, rotada kalmak kadar iyi görünmesidir.

4. Başlangıç noktası çok önemlidir

Nereden başladığınız, algoritmanın ne kadar iyi çalıştığını büyük ölçüde etkiler. Bu bir yürüyüşe başlamak gibidir — yanlış yerden başlarsanız, en yüksek zirveyi asla bulamayabilirsiniz.

Bu sınırlamalar, hill climbing’in kötü bir seçim olduğu anlamına gelmez — sadece onu ne zaman ve nasıl kullanacağımız konusunda dikkatli olmamız gerektiği anlamına gelir. Bazen bu sorunların üstesinden gelmek için onu diğer tekniklerle birleştirebiliriz; bir sonraki bölümde bunu tartışacağız.

Sınırlamaların Üstesinden Gelme Stratejileri

Hill climbing kullanırken, daha önce tartıştığımız sorunları çözmek için birkaç akıllı strateji uygulayabiliriz. Hill climbing’i daha etkili kılan iki ana yaklaşımı inceleyelim.

Rastgele başlatmalı (random-restart) hill climbing

Küçük tepelerde sıkışmayı önlemenin en iyi yollarından biri, farklı başlangıç noktalarından tırmanmayı denemektir. Bu yaklaşıma rastgele başlatmalı hill climbing denir ve tam da göründüğü gibi çalışır — sıkışırsanız, yeni bir yerde yeniden başlarsınız.

Sisli bir sıradağda en yüksek dağı bulmaya çalıştığınızı düşünün. Karşınıza çıkan ilk tepeyi tırmanıp zirvesine ulaşırsanız, yakındaki çok daha yüksek bir dağı kaçırabilirsiniz. Ama farklı noktalara ışınlanıp tekrar tırmanmaya başlasaydınız, en yüksek zirveyi bulma şansınız çok daha yüksek olurdu.

Nasıl çalışır: Önce normal hill climbing algoritmasını, sıkışana kadar çalıştırırsınız. Vazgeçmek yerine, bulduğunuz en iyi çözümü kaydeder ve sonra rastgele yeni bir noktadan tekrar başlarsınız. Bunu birkaç deneme boyunca sürdürür, sonunda tüm denemeleriniz arasından en iyi çözümü seçersiniz.

Rastgele başlatmanın güzelliği basit ama etkilidir. Her yeniden başlatma size en yüksek zirveyi bulmak için yeni bir şans verir. Normal hill climbing’den daha fazla zaman alsa da, en iyi çözümü bulma olasılığı çok daha yüksektir.

Benzetimli tavlama (simulated annealing)

Teknik olarak hill climbing olmasa da, benzetimli tavlama hill climbing’in birçok sorununu çözmeye yardımcı olan akıllı bir varyasyondur. Metal işçiliğinde metallerin soğuyup sertleşmesinden esinlenmiştir. Metal yavaşça soğuduğunda atomlar daha iyi konumlar bulur ve metal daha sağlam hale gelir.

Bu yaklaşımda, algoritma özellikle başlangıçta zaman zaman bilerek daha kötü çözümleri kabul eder. Zaman geçtikçe, kabul ettiği çözümler konusunda daha seçici hale gelir. Bu, engebeli bir zeminde zıplayan bir topa benzer — başta tepeciklerin üzerinden zıplayacak kadar enerjisi vardır, fakat enerji kaybettikçe iyi bir noktaya yerleşir.

Nasıl çalışır: Başlangıçta, algoritma mevcut çözümden daha kötü bir çözümü nispeten yüksek bir olasılıkla kabul edebilir. Bu olasılık iki şeye bağlıdır: yeni çözümün ne kadar daha kötü olduğu ve algoritmanın ne kadar süredir çalıştığı. Zamanla, daha kötü çözümleri kabul etme olasılığı azalır ve sonunda normal Hill Climbing gibi davranır.

Benzetimli tavlamanın asıl gücü, özellikle aramanın başlarında küçük tepelerden ve düz alanlardan kaçabilmesidir. Bazen daha kötü çözümleri kabul ederek şunları yapabilir:

• Yerel maksimumlardan (küçük tepeler) sıçrayıp çıkmak
• Plâtoları (düz alanlar) aşmak
• Sırtları (dar zirveler) aşmak
• Çözüm uzayının daha fazlasını keşfetmek

Örneğin, bir odadaki mobilyaları alanı en üst düzeye çıkaracak şekilde düzenlemeye çalıştığınızı hayal edin. Bir sandalyeyi hareket ettirmek geçici olarak odayı daha sıkışık hale getirebilir, ancak sonrasında diğer parçaları çok daha iyi konumlara taşımanıza olanak tanıyabilir. Benzetimli tavlama, özellikle sürecin başında bu geçici olarak daha kötü düzenlemeleri denemeye istekli olur ve böylece en iyi genel düzeni bulabilir.

Bu stratejiler, bazen bir problemi çözmenin en iyi yolunun her zaman bariz adımı atmak olmadığını gösterir. Rastgelelik ve kontrollü kaosu ekleyerek, çoğu zaman düz yolun her zaman seçilmesinden daha iyi çözümlere ulaşabiliriz.

Python’da Basit Bir Hill Climbing Algoritması Uygulama

Artık hill climbing’i rastgele başlatma ve benzetimli tavlama gibi stratejilerle nasıl geliştireceğimizi anladığımıza göre, bunu gerçek bir finansal probleme uygulayalım: portföy optimizasyonu.

Portföy optimizasyonu, yatırımcıların paralarını farklı yatırımlar arasında nasıl dağıtacaklarına karar vermelerine yardımcı olur. Yatırımcılar bir portföy oluştururken, risklerini düşük tutarken mümkün olan en yüksek getiriyi elde etmek isterler. Bu dengeyi bulmak zordur — birçok malzemeli mükemmel bir tarif bulmaya benzer.

1952’de Harry Markowitz adlı bir iktisatçı bu soruna akıllı bir çözüm buldu. Yatırımcıların, birlikte hareket etmeyen yatırımları karıştırarak risklerini azaltabileceklerini gösterdi. Buna çeşitlendirme denir — tüm yumurtaları tek sepete koymamaya benzer.

Bir portföy oluştururken üç ana şeyi çözmemiz gerekir:

• Ne kadar para kazanmayı beklediğimiz (Beklenen Getiri)
• Yatırımların ne kadar riskli olduğu (Portföy Riski)
• Olası kârların riske değip değmediği (Riske Göre Ayarlanmış Getiri)

Hill Climbing bu problem için iyi çalışır çünkü paramızı bölüşme biçimimizdeki küçük değişiklikler, genellikle portföy performansında küçük değişikliklere yol açar. Paranızın yatırılabileceği her yolu temsil eden pürüzsüz bir tepe hayal edin. Daha yüksek noktalar daha iyi yatırım tercihlerini gösterir.

Hill Climbing ile iyi bir portföy bulmak için şunları yapacağız:

1. Yatırımların rastgele bir karmasıyla başlayın
2. Biraz farklı karmaların daha iyi çalışıp çalışmadığını deneyin
3. Daha iyi seçenekler bulamayıncaya kadar küçük iyileştirmeler yapmaya devam edin
4. Bulduğumuz en iyi karmayı kullanın

Hill climbing’i bu şekilde kullanarak, yatırımcılara milyonlarca olası kombinasyon arasından daha iyi portföyler bulmalarında yardımcı olabiliriz. Bu, riski ve getiriyi iyi dengeleyen farklı yatırım karmalarını hızla test edebilen akıllı bir yardımcıya sahip olmak gibidir.

Öncelikle, beklenen getirileri riskle dengeleyen bir portföy performansı ölçüsü olan amaç fonksiyonumuzu tanımlayalım. Bu fonksiyon, girdi olarak portföy ağırlıklarının bir listesini alır ve daha yüksek puanların daha iyi portföyleri gösterdiği bir skor döndürür.

def objective_function(state):
   """
   Portfolio optimization objective function that maximizes expected returns while minimizing risk.
   The state represents portfolio weights for different assets.

   Args:
       state (list): List of portfolio weights for different assets (should sum to 1)

   Returns:
       float: Portfolio score combining returns and risk
   """
   # Expected annual returns for assets (example values)
   expected_returns = [0.1, 0.12, 0.18, 0.1, 0.15]  # 8%, 12%, etc.

   # Risk (volatility) for each asset
   volatilities = [0.1, 0.2, 0.3, 0.2, 0.2]  # 10%, 20%, etc.

   # Validate input length matches expected returns/volatilities
   if len(state) != len(expected_returns):
       return float("-inf")  # Return worst possible score for invalid states

   # Calculate expected portfolio return
   portfolio_return = sum(w * r for w, r in zip(state, expected_returns))

   # Calculate portfolio risk (simplified, not using covariance matrix)
   portfolio_risk = sum(w * v for w, v in zip(state, volatilities))

   # Penalize if weights don't sum to 1 (invalid portfolio)
   weight_sum_penalty = abs(sum(state) - 1) * 100

   # Penalize negative weights (no short selling)
   negative_weight_penalty = sum(abs(min(0, w)) for w in state) * 100

   # Combine return and risk with risk aversion factor of 2
   # Higher score is better: maximize return, minimize risk and penalties
   score = (
       portfolio_return
       - 2 * portfolio_risk
       - weight_sum_penalty
       - negative_weight_penalty
   )

   return scoreAltyapı:

objective_function yukarıda, belirli bir yatırım portföyünün ne kadar iyi olduğunu değerlendirmemize yardımcı olur. Nasıl çalıştığını şöyle özetleyebiliriz:

Önce, paramızı farklı varlıklara (hisse senedi veya tahvil gibi) ne oranda yatırmak istediğimizi temsil eden bir sayı listesi alır. Örneğin beş varlığımız varsa, her birine yüzde 20 yatırabiliriz.

Fonksiyon iki önemli bilgiyi kullanır:

1. Beklenen getiriler: Her varlıktan ne kadar kazanç beklediğimiz (yılda yüzde 8 veya 12 gibi)
2. Oynaklıklar: Her varlığın ne kadar riskli olduğu — daha yüksek sayılar, varlığın değerinin daha öngörülemez şekilde değiştiği anlamına gelir (kripto gibi)

Fonksiyon ardından şunları yapar:

• Her varlığın beklenen getirisini, ona ne kadar yatırım yaptığımızla çarparak portföyün toplam beklenen getirisini hesaplar
• Her varlığın oynaklığına bakarak toplam riski bulur
• Yatırım yüzdelerimizin toplamının yüzde 100 edip etmediğini kontrol eder (etmelidir!)
• Sahip olmadığımız varlıkları satmaya çalışmadığımızdan emin olur (negatif yüzdelere izin yok)

Sonunda tüm bu bilgileri tek bir skorda birleştirir. Daha yüksek skor daha iyi bir portföy demektir. Skor, daha yüksek getirilerle artar ama daha yüksek riskle azalır. Yüzdeler toplamı yüzde 100 etmezse veya negatif yüzdeler kullanmaya çalışırsak skor belirgin biçimde düşer.

Bu fonksiyon, aşağıdaki hill climbing algoritmasını kullanarak en iyi yatırım karmasını bulmamıza yardımcı olacak. Amaç fonksiyonunu tam olarak anlamasanız da sorun değil — önemli olan, belirli bir yatırım karmasının ne kadar iyi olduğunu söylemesi ve bizim de daha iyi kombinasyonlar bulmak için bunu kullanacak olmamız.

Şimdi, ağırlıklarda küçük ayarlamalar yaparak komşu portföy durumları üreten yeni bir fonksiyon tanımlayalım.

def get_neighbors(state):
   """
   Generates neighboring states by making small adjustments to portfolio weights

   Args:
       state (list): Current portfolio weights

   Returns:
       list: List of neighboring portfolio weight configurations
   """
   neighbors = []
   step_size = 0.01  # Small adjustment to weights (1%)

   for i in range(len(state)):
       for j in range(len(state)):
           if i != j:
               # Transfer weight from asset i to asset j
               neighbor = state.copy()
               if neighbor[i] >= step_size:  # Only transfer if enough weight available
                   neighbor[i] -= step_size
                   neighbor[j] += step_size
                   neighbors.append(neighbor)

   return neighborsAltyapı:

get_neighbors fonksiyonu, mevcut portföy ağırlıklarımızda küçük ayarlamalar yaparak benzer portföy dağılımları üreten hill climbing algoritmamızın kritik bir parçasıdır. Şöyle çalışır:

Portföyümüzdeki her varlık çifti için, bir varlıktan diğerine küçük bir miktar (%1) aktararak yeni bir portföy dağılımı oluşturur. Örneğin beş varlığımız varsa, şunları dener:

• Varlık 1’den Varlık 2’ye %1 taşımak
• Varlık 1’den Varlık 3’e %1 taşımak
• Varlık 1’den Varlık 4’e %1 taşımak
• Varlık 1’den Varlık 5’e %1 taşımak
• Varlık 2’den Varlık 1’e %1 taşımak ve tüm olası çiftler için bu böyle sürer.

Fonksiyon, yalnızca kaynak varlığın yeterli payı varsa (en az %1) aktarım yapmamızı sağlayan bir güvenlik kontrolü içerir. Bu, gerçek bir portföyde mantıklı olmayan negatif ağırlıkları önler.

Bu küçük ayarlamaların her biri bir “komşu” oluşturur — mevcut olana çok benzeyen ama biraz farklı bir portföy dağılımı. Hill climbing algoritması daha sonra bu komşuları değerlendirecek ve daha iyi portföy dağılımları bulacaktır.

%1’lik adım boyutu, farklı dağılımları keşfetmek ile kontrollü değişiklikler yapmak arasında iyi bir denge sunar. Daha büyük bir adım boyutu, optimal çözümleri kaçırabilir; daha küçük bir adım boyutu ise aramayı aşırı yavaşlatır.

Şimdi, nihayet basit bir hill climbing algoritmasını uygulayalım:

def simple_hill_climbing(initial_state, max_iterations=1000):
   """
   Implements Simple Hill Climbing algorithm
  
   Args:
       initial_state (list): Starting point for the algorithm
       max_iterations (int): Maximum number of iterations to prevent infinite loops
  
   Returns:
       tuple: (best_state, best_value) found by the algorithm
   """
   current_state = initial_state
   current_value = objective_function(current_state)
  
   for _ in range(max_iterations):
       # Get neighboring states
       neighbors = get_neighbors(current_state)
      
       # Flag to check if we found a better neighbor
       found_better = False
      
       # Check neighbors one by one (Simple Hill Climbing)
       for neighbor in neighbors:
           neighbor_value = objective_function(neighbor)
          
           # If we find a better neighbor, move to it immediately
           if neighbor_value > current_value:
               current_state = neighbor
               current_value = neighbor_value
               found_better = True
               break
      
       # If no better neighbor was found, we've reached a peak
       if not found_better:
           break
  
   return current_state, current_valueAltyapı:

Fonksiyon, bir başlangıç durumundan hareketle, yerel bir maksimuma ulaşana ya da maksimum yineleme sayısına varana kadar daha iyi komşu durumlara yinelemeli olarak geçer.

Fonksiyon iki parametre alır:

• initial_state: Optimizasyon için başlangıç noktası; değerler listesi olarak temsil edilir
• max_iterations: Sonsuz döngüleri önlemek için güvenlik parametresi; varsayılan 1000 yineleme

Algoritma şu şekilde çalışır:

1. initial_state ile başlar ve onun amaç fonksiyonu değerini hesaplar
2. Her yinelemede şunları yapar:

• get_neighbors() ile komşu durumları üretir
• Her komşuyu tek tek değerlendirir
• Daha iyi bir komşu (daha yüksek amaç değeri) bulur bulmaz o duruma geçer
• Daha iyi komşu bulunamazsa yerel bir maksimuma ulaşılmıştır ve süreç sonlanır

Fonksiyon şu ikiliyi döndürür:

• Bulunan en iyi durum (değerler listesi)
• Bu durumun amaç fonksiyonu değeri

Hill climbing’in bu “basit” varyantı açgözlüdür — tüm komşuları değerlendirip en iyisini seçmek yerine, bulduğu ilk daha iyi komşuya hareket eder. Bu onu hızlı kılarken, daha kapsamlı bir aramayla bulunabilecek daha iyi çözümleri kaçırabilir.

Algoritma yerel en iyileri bulmak için kullanışlıdır ancak bu yerel maksimumlarda sıkışıp kalarak küresel maksimumu kaçırabilir. Bu sınırlamaya rağmen basitliği ve verimliliği nedeniyle popülerliğini korur.

Bunu örnek bir portföy üzerinde test edelim:

# Example usage
initial_state = [0.15, 0.25, 0.1, 0.3, 0.2]
best_state, best_value = simple_hill_climbing(initial_state)
print(f"Initial State: {initial_state}")
print(f"Best State Found: {best_state}")
print(f"Best Value: {best_value}")

[OUT]:

Initial State: [0.15, 0.25, 0.1, 0.3, 0.2]
Best State Found: [0.9700000000000006, 0.009999999999999913, 1.0408340855860843e-17, 0.009999999999999858, 0.009999999999999969]
Best Value: -0.1053000000000444Altyapı:

Çıktı, bir portföyü optimize ederken hill climbing algoritmamızın sonuçlarını gösterir. Beş varlık için rastgele ağırlıklardan başlayarak, amaç fonksiyonu değerini iyileştiren yeni bir ağırlık kümesi buldu. Bu çözüm başlangıç portföyüne göre gelişmiş olsa da, algoritma bulduğu ilk zirvede durduğu için yalnızca yerel bir optimum olabilir.

AI’de Hill Climbing Uygulamaları

Hill Climbing algoritmaları, yapay zekâ ve makine öğrenmesinin birçok alanında pratik uygulamalar bulur. Bazı temel uygulamaları inceleyelim:

1. Makine öğrenmesi model optimizasyonu

Hill climbing, makine öğrenmesi modellerini çeşitli şekillerde ayarlamaya yardımcı olur:

• Özellik seçimi: Bir model için en iyi özellik alt kümesini bulma
• Hiperparametre ayarı: Öğrenme oranı veya ağaç derinliği gibi model parametrelerini optimize etme
• Sinir ağı eğitimi: Ağ ağırlıkları ve mimarisini ince ayarlama
• Model sıkıştırma: Performansı korurken model boyutunu azaltma

Örneğin, kestirimsel bir model için özellik seçerken, Hill Climbing tüm özelliklerle başlayıp, model performansına göre özellikleri yinelemeli olarak çıkarıp ekleyebilir. Bu, doğruluk ile karmaşıklığı dengeleyen optimal bir özellik kümesi bulmaya yardımcı olur.

2. Robotik ve yol planlama

Robotikte hill climbing şu konularda yardımcı olur:

• Hareket planlama: Fiziksel uzayda verimli yollar bulma
• Eklemsel açı optimizasyonu: Robot kolları için en uygun konumları belirleme
• Sensör konumlandırma: Maksimum kapsama için sensör yerleşimini optimize etme
• Pil yönetimi: Güç tüketim kalıplarını optimize etme

Bir robot süpürge, oda kapsaması ve pil ömrüne göre rotasını sürekli ayarlayarak verimli temizlik yolları bulmak için hill climbing kullanabilir.

3. Doğal dil işleme

NLP uygulamaları şunları içerir:

• Metin özetleme: Özet içeriği seçimini optimize etme
• Kelime gömme (embedding): Kelime vektör temsillerini ince ayarlama
• Belge kümelendirme: Belgeleri en uygun gruplara ayırma
• Arama motoru optimizasyonu: Arama sonucu sıralamalarını iyileştirme

Örneğin, metin özetlemede Hill Climbing, bilgi içeriğini en üst düzeye çıkarırken tekrarları en aza indirecek cümleleri seçmeye yardımcı olabilir.

4. Bilgisayarlı görü Görüntü işleme ve bilgisayarlı görüde

• Görüntü bölütleme: Nesneler arasındaki en uygun sınırları bulma
• Kamera kalibrasyonu: Daha iyi görüntü kalitesi için kamera parametrelerini ayarlama
• Nesne tespiti: Sınırlayıcı kutu konumlarını optimize etme
• Özellik eşleştirme: Görüntüler arasındaki karşılık gelen noktaları bulma

Bir yüz tanıma sistemi, ön işleme sırasında yüz özelliklerinin hizalamasını optimize etmek için hill climbing kullanabilir.

5. Oyun yapay zekâsı ve karar verme

Hill climbing şu konularda yardımcı olur:

• Oyun stratejisi optimizasyonu: Tahta oyunlarında kazandıran hamleleri bulma
• Kaynak tahsisi: Strateji oyunlarında kaynak dağılımını optimize etme
• NPC davranışı: Oyuncu olmayan karakterlerin karar vermesini iyileştirme
• Seviye üretimi: Dengeli ve ilgi çekici oyun seviyeleri oluşturma

Satranç motorları, oyun sırasında hamle dizilerini değerlendirmek ve optimize etmek için sıklıkla hill climbing varyantlarını kullanır.

6. İş ve operasyonlar

Pratik iş uygulamaları şunları içerir:

• Tedarik zinciri optimizasyonu: Verimli teslimat rotaları bulma
• Kaynak çizelgeleme: Personel vardiyaları veya makine kullanımını optimize etme
• Portföy yönetimi: Yatırım portföylerini dengeleme
• Stok yönetimi: Stok seviyelerini optimize etme

Bir teslimat şirketi, trafik kalıpları ve paket önceliklerine göre teslimat rotalarını sürekli optimize etmek için hill climbing kullanabilir.

Hill climbing her zaman mutlak en iyi çözümü bulamayabilir; ancak basitliği ve verimliliği onu bu gerçek dünya uygulamaları için değerli kılar. Özellikle şu durumlarda kullanışlıdır:

• Hızlı çözümlere ihtiyaç duyulduğunda
• Problem uzayı eksiksiz bir arama için fazla büyük olduğunda
• Yaklaşık çözümler kabul edilebilir olduğunda
• Çözüm uzayı nispeten pürüzsüz olduğunda
• Daha iyi sonuçlar için algoritma diğer tekniklerle birleştirilebildiğinde

Sonuç

Hill climbing, yapay zekâda temel bir algoritma olarak, optimizasyon problemlerine doğrudan ama güçlü bir yaklaşım sunar. 

İncelememiz boyunca, daha iyi çözümlere yinelemeli olarak ilerleme fikrinin; makine öğrenmesi, robotik, doğal dil işleme ve iş operasyonları gibi karmaşık zorluklara nasıl uygulanabildiğini gördük. 

Algoritmanın yerel optimumlarda takılmak gibi sınırlamaları olsa da, rastgele başlatma ve benzetimli tavlama gibi stratejiler bu zorlukları etkili biçimde ele almak üzere geliştirilmiştir.

Yapay zekâ ilerlemeye devam ederken, hill climbing yalnızca pratik bir araç olarak değil, daha karmaşık optimizasyon algoritmalarını anlamak için bir basamak taşı olarak da önemini korur. Sezgisel doğası, AI alanına girenler için mükemmel bir başlangıç noktası yaparken, çok yönlülüğü gerçek dünya uygulamalarında kullanılmaya devam etmesini sağlar. 

İster sinir ağı ağırlıklarını optimize ediyor, ister robot yolları planlıyor, ister yatırım portföyleri yönetiyor olun; hill climbing prensipleri, bilgisayarların zorlu problemlere sistematik biçimde daha iyi çözümler bulmasını nasıl sağladığına dair değerli içgörüler sunar.

Yapay zekâ ve arkasındaki algoritmalar hakkında daha fazla bilgi edinmek istiyorsanız, kaynaklarımıza göz atın:

• A* Arama Algoritmasını Anlamak
• Python ile Yapay Zekâ için Minimax Algoritmasını Uygulama
• Makine Öğrenmesi Kullanım Alanları ve Algoritmalar
• Gradient Boosting Algoritmasına Rehber
• AI Uygulamaları Geliştirme Yolu
• AI Temelleri Yolu