Kotlin Language Features Related to Null Handling

-
Any software engineer with a Java background would find the null handling features in the Kotlin language interesting. Let's summarize this topic with some examples. Nullable types: In Kotlin, types are non-nullable by default. If you want a variable to be able to hold a null value, you need to explicitly declare its type as nullable using the Type? syntax. For example, String? denotes a nullable string, while String represents a non-nullable string. Safe calls (?.): Kotlin introduces the safe call operator (?.) for handling nullable types. It allows you to safely invoke a method or access a property on a nullable object. If the object is null, the expression returns null instead of throwing a NullPointerException. Example: data class Person(val name: String, val age: Int, val address: String?) fun main() {     // Create a person with a nullable address     val person1 = Person("John Doe", 25, "123 Main Street")     val person2 = Person("Jane Doe", 30,...
Post a Comment

Java Dili ile Genetik Programlama

-
Bu kısımda örnek bir genetik algoritma kodlaması sunulacaktır ve temel sınıf GeneticAlgorithm sınıfı olacaktır. Bu sınıf veri elemanı olarak algoritmaya ilişkin parametreleri tutmalıdır:

public class GeneticAlgorithm {
   private int populationSize;
   
   private double mutationRate;
   
   private double crossoverRate;
   
   private int elitismCount;
   //...
}

- mutationRate parametresi, bireysel bir genin rasgele bir biçimde mutasyona uğrama olasılığını ifade etmektedir.
- crossoverRate parametresi iki bireyin çiftleşme olasılığını, yani genlerini paylaşarak popülasyona yeni yavru kazandırma olasılıklarını göstermektedir.
- elitismCount parametresi popülasyondaki en güçlü bireylerin nesiller boyunca korunması ile ilgidir. Elit bir birey çiftleşmez ve mutasyona uğramaz.
İfade edilmesi gereken diğer önemli kavram popülasyondur:

public class Population {
   private Individual population[];
   private double populationFitness;
  //..
}

Popülasyon, bireyler topluluğu olup bir uygunluk derecesine sahiptir. Birey demek burada bir aday çözüm olarak düşünülebilir:

public class Individual {
   private int[] chromosome;
   private double fitness;

Bireyin tuttuğu en önemli bilgi "kromozom" olup bir çözümün kodlanmış hali olarak düşünülmelidir. Kromozom bir karakter dizisi veya bir liste olabilir. Yukarıda tamsayı dizisi şeklinde bir kromozom kodlaması görülmektedir. Kromozomun en küçük yapıtaşı "gen" olarak ifade edilir. Yukarıda her bir tamsayı bir gendir ve mutasyon gibi operatörler tarafından değiştirilebilir. Yukarıda ifade edilen "fitness" ise problemden probleme değişen bir uygunluk derecesidir. Bireyin rastgele biçimde oluşturulması aşağıdaki şekilde yapılabilir:

public Individual(int chromosomeLength) {
   this.chromosome = new int[chromosomeLength];
   for (int gene = 0; gene < chromosomeLength; gene++) {
      if (0.5 < Math.random()) {
         this.setGene(gene, 1);
      } else {
         this.setGene(gene, 0);
      }
   }
}

Uygunluk derecesi hesaplamasını örnekleyebilmek için basit bir problemi ele alalım: Tüm rakamları 1'lerden oluşan n uzunluğunda bir sayı dizisi elde etmek amacında olalım. Bu durumda aday çözümler, ihtiva ettikleri 1 rakamı doğrultusunda uygunluk değerine sahip olacaktır:

public double calcFitness(Individual individual) {
 
   int correctGenes = 0;
   
   for (int geneIndex = 0; geneIndex < individual.getChromosomeLength(); geneIndex++) {
      
      if (individual.getGene(geneIndex) == 1) {
         correctGenes += 1;
      }
   }
   
   double fitness = (double) correctGenes /   individual.getChromosomeLength();

    individual.setFitness(fitness);
   return fitness;
}

Tüm popülasyonun uygunluk derecesi ise teker teker bireylerin uygunluk dereceleri üzerinden hesaplanacaktır:

public void evalPopulation(Population population) {
   double populationFitness = 0;

    for (Individual individual : population.getIndividuals()) {
      populationFitness += calcFitness(individual);
   }
   population.setPopulationFitness(populationFitness);
}

 Şimdi genel olarak genetik algoritmanın nasıl çalışacağı üzerinde duralım:

public static void main(String[] args) {

    GeneticAlgorithm ga = new GeneticAlgorithm(100, 0.001, 0.95, 2);

    Population population = ga.initPopulation(50);
   ga.evalPopulation(population);

    int generation = 1;
   
   while (ga.isTerminationConditionMet(population) == false) {
   
      System.out.println("Best solution: " + population.getFittest(0).toString());
   
      population = ga.crossoverPopulation(population);
   
      population = ga.mutatePopulation(population);
   
      ga.evalPopulation(population);
   
      generation++;
   }

    System.out.println("Found solution in " + generation + " generations");
   System.out.println("Best solution: " + population.getFittest(0).toString());
}

 Elimizdeki problemde mükemmel sonucun ne olduğunu bildiğimiz için döngüyü ne zaman sonlandırmamız gerektiğini biliyoruz fakat her zaman durum böyle olmayabilir. Döngüden çıkış koşulu basitçe aşağıdaki şekilde hesaplanabilir:

public boolean isTerminationConditionMet(Population population) {
   for (Individual individual : population.getIndividuals()) {
      if (individual.getFitness() == 1) {
         return true;
      }
   }
   return false;
}

Çiftleşme işlemi, "crossoverRate" parametresi ve elitlik özelliği değerlendirilerek gerçekleşmelidir. Eğer çiftleşme olacaksa her iki ebeveynin genlerinden %50 oranında içeren yeni bir birey ortaya çıkacaktır. Mevcut popülasyondan hareketle yeni bir popülasyon nesnesinin oluşturulması uygun olabilir. [9]

public Population crossoverPopulation(Population population) {

    Population newPopulation = new Population(population.size());

    for (int populationIndex = 0; populationIndex < population.size(); populationIndex++) {
      Individual parent1 = population.getFittest(populationIndex);

       if (this.crossoverRate > Math.random() && populationIndex >= this.elitismCount) {

          Individual offspring = new Individual(parent1.getChromosomeLength());
         
         Individual parent2 = selectParent(population);

          for (int geneIndex = 0; geneIndex < parent1.getChromosomeLength(); geneIndex++) {
            
            if (0.5 > Math.random()) {
               offspring.setGene(geneIndex, parent1.getGene(geneIndex));
            } else {
               offspring.setGene(geneIndex, parent2.getGene(geneIndex));
            }
         }

          newPopulation.setIndividual(populationIndex, offspring);
      } else {

          newPopulation.setIndividual(populationIndex, parent1);
      }
   }
   return newPopulation;
}

Mutasyon işlemi de bireylerin genlerinin rasgele olarak değiştirilmesini içerecektir fakat bu da yine mutationRate parametresi göz önünde bulundurularak yapılmalıdır ve elit bireyler mutasyona uğramamalıdır:

public Population mutatePopulation(Population population) {

    Population newPopulation = new Population(this.populationSize);

    for (int populationIndex = 0; populationIndex < population.size(); populationIndex++) {
      Individual individual = population.getFittest(populationIndex);

       for (int geneIndex = 0; geneIndex < individual.getChromosomeLength(); geneIndex++) {

          if (populationIndex > this.elitismCount) {

             if (this.mutationRate > Math.random()) {
               int newGene = 1;
               if (individual.getGene(geneIndex) == 1) {
                  newGene = 0;
               }

                individual.setGene(geneIndex, newGene);
            }
         }
      }
      newPopulation.setIndividual(populationIndex, individual);
   }

    return newPopulation;
}

 Bu kodu çalıştırdığımızda 100 tane 1 rakamından oluşan bir sayı dizisi elde etmek için her çalıştırmada farklı bir nesil sayısı ile en iyi sonucun bulunduğunu görüyoruz. Örneğin ilk çalıştırmamızda ekran çıktısı:
...
Best solution: 11111111111111111111111111111101111111111111111111
Best solution: 11111111111111111111111111111101111111111111111111
Found solution in 125 generations
Best solution: 11111111111111111111111111111111111111111111111111

Tekrar çalıştırdığımızda ortadaki rasgelelik durumundan ötürü tamamen farklı bir nesil sayısı ile sonucun elde edildiğini görüyoruz:
...
Best solution: 11111111111111111110111111111111111111111111111111
Best solution: 11111111111111111110111111111111111111111111111111
Found solution in 141 generations
Best solution: 11111111111111111111111111111111111111111111111111

Kaynaklar:

  • Meffert, Klaus, et al. "Jgap-java genetic algorithms and genetic programming package." URL: http://jgap. sf. net (2012).
  • J acobson, Lee, and Burak Kanber. "Introduction." Genetic Algorithms in Java Basics. Apress, 2015. 1-19.


Comments

Post a Comment

Popular posts from this blog

Trie Data Structure and Finding Patterns in a Collection of Words

-
Image
 I faced a very hard problem recently about finding substrings based on a collection of patterns.  Example For  words = ["Apple", "Melon", "Orange", "Watermelon"]  and  parts = ["a", "mel", "lon", "el", "An"] , the output should be  findSubstrings(words, parts) = ["Apple", "Me[lon]", "Or[a]nge", "Water[mel]on"] . While  "Watermelon"  contains three substrings from the  parts  array,  "a" ,  "mel" , and  "lon" ,  "mel"  is the longest substring that appears first in the string. Note: Number of words and number of parts can be huge! A brute force method or careless usage of Java String methods would make it impossible to handle a large number of words and parts (patterns). Solution Approach Whenever we want to search patterns inside a string, we should think about the Trie data structure:  https://en.wikipedia....
Read more

Virtual Memory

-
The main memory can act as a “cache” for the secondary storage, usually implemented with magnetic disks. This technique is called virtual memory. There were two major motivations for virtual memory: to allow efficient and safe sharing of memory among multiple programs, and to remove the programming burdens of a small, limited amount of main memory. Lets consider a collection of programs running all at once on a computer. Of course, to allow multiple programs to share the same memory, we must be able to protect the programs from each other, ensuring that a program can only read and write the portions of main memory that have been assigned to it. Main memory need contain only the active portions of the many programs, just as a cache contains only the active portion of one program. Virtual memory allows us to efficiently share the processor as well as the main memory. We cannot know which programs will share the memory with other programs when we compile them. In fact, the programs s...
Read more

NOTES ON COMPUTER ARCHITECTURE: Some important concepts in computer architecture

-
A  virtual address  is a binary number in virtual memory that enables a process to use a location in primary storage (main memory) independently of other processes and to use more space than actually exists in primary storage by temporarily relegating some contents to a hard disk or internal flash drive. In a computer that incorporates memory management, the virtual address differs from the  physical address , which is the data location on an address bus that corresponds to a particular cell of primary storage or to a particular register in a memory-mapped I/O(input/output)  device. In a computer with both physical and virtual memory, a so-called  MMU (memory management unit)  coordinates and controls all of the memory resources, assigning portions called blocks to various running programs to optimize system performance. By translating between virtual add...
Read more