Genetik Algoritmalar ile Akıllı Aydınlatma Optimizasyonu: Akıllı Şehirlerin Enerji Geleceği

Kentlerin enerji tüketimini azaltma ve kamu kaynaklarını daha verimli kullanma hedefi, günümüzde sürdürülebilirlik politikalarının ve akıllı şehir stratejilerinin merkezine yerleşmiş durumdadır. Artan kent nüfusu, altyapı üzerindeki baskıyı artırırken; enerji üretimi, dağıtımı ve tüketimi arasındaki dengenin sağlanması, çevresel, ekonomik ve sosyal açıdan büyük bir önem taşımaktadır. Bu bağlamda, kent planlamasında sadece yeni enerji kaynaklarının bulunması değil, mevcut tüketim modellerinin optimize edilmesi de kritik bir gereklilik hâline gelmiştir. Özellikle kamuya açık alanların aydınlatılması gibi sürekli ve yüksek hacimli enerji tüketimine neden olan sistemlerin daha verimli bir şekilde yönetilmesi gerekmektedir. Sokak aydınlatma sistemleri, bir yandan kent güvenliği, sosyal yaşam ve trafik düzeni gibi temel unsurları desteklerken, diğer yandan belediyelerin enerji bütçelerinde önemli bir yük oluşturmakta; dolayısıyla bu sistemlerde sağlanacak her birim tasarruf, doğrudan ekonomik kazanca ve dolaylı olarak çevresel iyileşmeye katkı sunmaktadır.

Genetik Algoritmalar ve Akıllı Aydınlatma Sistemleri Arasındaki Uyum

Bu dönüşümün temel araçlarından biri, akıllı şehir uygulamalarıdır. Nesnelerin İnterneti (IoT), sensör teknolojileri, yapay zekâ sistemleri ve büyük veri analitiği gibi dijital araçlar sayesinde kent altyapıları artık daha ölçülebilir, izlenebilir ve kontrol edilebilir bir hâle gelmektedir. Ancak bu teknolojik gelişmelerin sunduğu veri zenginliği, beraberinde çok değişkenli, dinamik ve yüksek boyutlu kontrol problemlerini de getirmektedir. Geleneksel optimizasyon yöntemleri çoğu zaman bu tür karmaşık sistemlerde yetersiz kalırken, doğadan esinlenen evrimsel algoritmalar yeni nesil çözümler sunma potansiyeli taşımaktadır. Bu noktada Genetik Algoritmalar (GA), çözüm uzayını geniş biçimde tarayabilen, sezgisel karar verebilen ve çoklu hedef fonksiyonlara aynı anda cevap verebilen yapısı sayesinde dikkat çekici bir konuma yükselmiştir.

Genetik algoritmalar, biyolojik evrim ilkelerinden esinlenerek oluşturulmuş bir yapay zekâ tekniğidir. Popülasyon temelli yaklaşımı, adaptif öğrenme kapasitesi ve çözümler arasındaki çeşitliliği sürdürebilme yeteneği sayesinde, özellikle klasik matematiksel yöntemlerin yetersiz kaldığı durumlarda öne çıkmaktadır. Bu özellikleri, GA'yı enerji sistemleri, trafik optimizasyonu, üretim planlaması ve altyapı yönetimi gibi pek çok kentsel uygulama alanında etkili bir araç hâline getirmiştir. Ancak literatür incelendiğinde, GA’nın doğrudan akıllı aydınlatma sistemlerine entegrasyonu henüz sınırlı kalmıştır. Bunun temel nedenlerinden biri, geçmişte sensör verilerine dayalı gerçek zamanlı kontrol mekanizmalarının yeterince gelişmemiş olmasıdır. Fakat günümüzde, IoT cihazlarının yaygınlaşması, düşük maliyetli sensörlerin pazara girmesi ve bu verilerin işlenmesini kolaylaştıran yapay zekâ modellerinin erişilebilirliği, bu engelleri ortadan kaldırmaya başlamıştır.

Bu bağlamda Genetik Algoritmalar, yalnızca enerji tüketimini düşürmeye yönelik değil, aynı zamanda aydınlatma kalitesini artırma, karanlık alanları minimize etme, kullanıcı konforunu maksimize etme ve bağlama duyarlı tepkiler üretme gibi çoklu hedefleri aynı anda ele alabilme becerisiyle benzersiz bir avantaj sunmaktadır. Sokak aydınlatması gibi geniş ölçekli, sürekli çalışan ve çevresel koşullara duyarlı sistemlerde, GA'nın esnek yapısı sayesinde farklı senaryolar altında test edilebilecek, ölçeklenebilir ve adapte olabilir çözümler üretilebilmektedir. Dolayısıyla Genetik Algoritmalar, akıllı şehirlerde aydınlatma altyapısının daha sürdürülebilir, ekonomik ve kullanıcı odaklı bir biçimde yönetilmesini mümkün kılacak stratejik bir araç olarak değerlendirilmektedir.

Enerji Optimizasyonu Üzerine Akademik Bulgular

Genetik algoritmaların enerji verimliliğine katkısı, pek çok sektörde somut sonuçlarla ortaya konmuştur. Örneğin, Gupta, Singh ve Kaur (2019) tarafından yürütülen bir çalışmada, bir üretim ortamındaki enerji tüketiminin optimizasyonu için GA temelli bir yöntem geliştirilmiştir. Araştırma sonucunda, üretim süreci boyunca %15 oranında enerji tasarrufu sağlandığı bildirilmiştir. Bu çalışma, GA’nın endüstriyel düzeyde uygulanabilirliğini ve enerji yönetimi üzerindeki etkisini gözler önüne sermektedir.

Benzer şekilde, Zhang ve Lee (2020) akıllı şebekelerdeki yük zamanlaması problemini ele almış ve genetik algoritmalar yardımıyla enerji kullanımını daha verimli hale getiren bir model geliştirmiştir. Geliştirilen algoritma sayesinde, enerji talebinin yüksek olduğu saatlerde tüketimin düşürülmesi sağlanmış, bu da sistem genelinde kayda değer bir verimlilik artışı ile sonuçlanmıştır.

Kumar ve Joshi (2020) ise GA’yı Parçacık Sürü Optimizasyonu (PSO) ile birleştirerek, enerji maliyetlerinin azaltılmasına yönelik bir hibrit model ortaya koymuştur. İki algoritmanın sinerjik etkisiyle, sadece enerji tüketimi değil aynı zamanda operasyonel maliyetlerde de ciddi düşüşler elde edilmiştir. Bu çalışma, GA'nın başka yapay zekâ yöntemleriyle entegre edilerek daha güçlü çözümler üretme potansiyelini de göstermektedir.

Li et al. (2019) tarafından gerçekleştirilen başka bir çalışmada ise ticari binalardaki aydınlatma sistemlerine odaklanılmıştır. Bu çalışma kapsamında evrimsel algoritmalar kullanılarak aydınlatma senaryoları optimize edilmiş ve enerji tüketiminde %20’ye varan iyileşmeler elde edilmiştir. Araştırma, aydınlatma kalitesinden ödün vermeden enerji verimliliğinin artırılabileceğini somut verilerle desteklemiştir.

Wang ve Zhou (2020), GA tabanlı yük kontrolü yaklaşımını talep tarafı yönetimi kapsamında ele almıştır. Bu çalışmada tüketicilerin enerji kullanma alışkanlıkları analiz edilerek, GA ile uyumlu bir kontrol stratejisi geliştirilmiş ve sistemin kullanıcı davranışlarına adaptasyonu sağlanmıştır. Sonuçlar, hem tüketici memnuniyetinin hem de enerji verimliliğinin eş zamanlı iyileştirilebileceğini göstermiştir.

Nguyen et al. (2020) tarafından yürütülen mikroşebeke temelli bir çalışmada ise GA, kontrol stratejileriyle entegre edilmiştir. Bu yaklaşımla, mikro ölçekli enerji ağlarında %18 oranında verim artışı sağlanmıştır. GA'nın kontrol stratejileriyle bütünleştirilerek esnek, adaptif ve yüksek verimli enerji yönetim sistemleri oluşturulabileceği bu çalışma ile gösterilmiştir.

Ayrıca, Ali et al. (2020) bina bazlı aydınlatma sistemlerinde senaryo modellemesi yaparak GA’nın optimizasyon kabiliyetlerini test etmiş ve %25 oranında enerji tasarrufu raporlamıştır. Elgala et al. (2020) ise akıllı ev uygulamalarında GA kullanarak sadece enerji tüketimini değil, kullanıcı memnuniyetini de artırmayı başarmıştır.

Bu geniş literatür, GA’nın enerji sistemlerinde farklı ölçeklerde ve senaryolarda güçlü bir optimizasyon aracı olduğunu net bir şekilde ortaya koymaktadır.

Sokak Aydınlatmasında Genetik Algoritmaların Uygulaması: Bir Simülasyon Örneği

Yukarıda sözü edilen teorik altyapıyı test etmek ve somut çıktılar üretmek amacıyla, şehir içi sokak aydınlatma sistemlerini temel alan bir simülasyon modeli geliştirilmiştir. Bu simülasyon örneği üzerinden Genetik Algoritma yaklaşımının potansiyeli değerlendirilmektedir. Aydınlatma sistemleri, kent güvenliğinden kamusal alan kullanımına kadar geniş bir yelpazede etkili olmakla birlikte, sürekli enerji tüketen yapılar olarak çevresel sürdürülebilirlik açısından da önemli bir planlama konusudur. Artan enerji maliyetleri, karbon ayak izini azaltma hedefleri ve akıllı şehir stratejileri doğrultusunda, bu tür sistemlerin optimum düzeyde kaynak kullanarak maksimum işlevselliğe ulaşması gerekmektedir. Bu noktada geleneksel kontrol ve planlama mekanizmalarının yetersiz kalabildiği durumlarda, doğadan esinlenilmiş sezgisel algoritmalar devreye girmekte ve yeni çözüm olanakları sunmaktadır. Genetik Algoritmalar, evrimsel süreçleri modelleyerek büyük çözüm uzaylarında etkin arama yapabilmeleri sayesinde mühendislik problemlerine uyarlanabilen güçlü bir optimizasyon aracıdır.

Simülasyonda kullanılan sistem, her biri farklı alanları aydınlatan 20 lambadan oluşmakta ve bu lambalar, 100x100 birimlik kurgusal bir şehir planına rastgele yerleştirilmiştir. Bu rastgele yerleşim tercihi, gerçek dünyadaki farklı kentsel morfolojilere karşı algoritmanın genel başarımını test etmeyi amaçlamaktadır. Uygulama düzeyinde her bir lambanın parlaklık seviyesi, 20 ile 100 arasında değişen bir aralıkta temsil edilmiştir. Buradaki amaç, sistemin hem toplam enerji tüketimini düşürmesini hem de şehir içindeki karanlık alanları mümkün olduğunca ortadan kaldırmasını sağlamaktır. Bu çift hedefli optimizasyon yapısı, tek boyutlu algoritmalara kıyasla daha gerçekçi ve uygulanabilir sonuçlar üretmekte; çünkü hem teknik verimlilik hem de kullanıcı deneyimi açısından çoklu kriterleri hesaba katmaktadır.

Algoritmanın başarısını ölçmek için kullanılan fitness fonksiyonu, yalnızca enerji tüketimini minimize etmeye değil, aynı zamanda %40’ın altında aydınlatma alanlarına ceza puanı vererek mekânsal dengesizlikleri azaltmaya da yöneliktir. Bu tür bir ceza fonksiyonu, sistemin yalnızca “daha az enerji harcayan” çözümleri değil, aydınlatma kalitesini koruyan ve kullanıcı konforunu göz önünde bulunduran çözümleri tercih etmesine olanak sağlamaktadır. Genetik çeşitliliği korumak ve algoritmanın yerel minimumlarda sıkışmasını engellemek adına, popülasyon boyutu 30, nesil sayısı 50 ve mutasyon oranı %10 olarak belirlenmiş; elit bireyin korunması, turnuva seçimi, tek nokta çaprazlama ve adaptif mutasyon gibi klasik ama etkili stratejilerle algoritmanın derinlemesine arama yapması sağlanmıştır.

Kodların geliştirilmesinde MATLAB ortamı tercih edilmiş ve tüm simülasyon bu platformda gerçekleştirilmiştir. Bu tercihin arkasında, MATLAB’ın hem matris temelli hesaplamaları kolaylaştırması hem de grafiksel çıktılar açısından güçlü araçlar sunması yatmaktadır. Simülasyon sonucunda elde edilen optimum çözüm, her bireyin 20 lambanın parlaklık seviyelerini temsil ettiği bir kromozom dizisidir. Bu çözüm dizisinin oluşturduğu aydınlatma haritası görsel olarak analiz edildiğinde, daha önce rastgele dağılımlı lambaların neden olduğu karanlık bölgelerin ortadan kalktığı ve ışığın alana daha dengeli yayıldığı açıkça gözlemlenmiştir. Özellikle simülasyonun gerçekleştirilme amacı olan hem enerji tasarrufu hem de ışık dağılımı dengesinin aynı anda sağlanması, bu çözüm dizisinin etkili çalıştığını ortaya koymaktadır.

Bu örnek uygulama, yalnızca bir simülasyon olmanın ötesinde, akıllı şehirlerin karşılaştığı çok değişkenli mühendislik problemlerine karşı nasıl veri-temelli ve uyarlanabilir çözümler üretilebileceğini göstermesi bakımından önemlidir. Gerçek dünyada lamba konumlarının sabit olmadığı, sensör tabanlı geri besleme sistemlerinin devrede olduğu ve kullanım alışkanlıklarının zamana göre değişkenlik gösterdiği daha karmaşık koşullarda bile, bu çalışma temsili bir temel sunmaktadır. Özellikle gerçek zamanlı veri ile desteklenen dinamik kontrol sistemleriyle entegre edildiğinde, Genetik Algoritmaların çok daha güçlü ve bağlama duyarlı çıktılar üretebileceği öngörülmektedir. Ayrıca bu simülasyon, ilerleyen aşamalarda yapay sinir ağları, parçacık sürü optimizasyonu gibi diğer sezgisel algoritmalarla hibrit modellerin geliştirilmesi için de referans niteliği taşımaktadır.

Bu simülasyon için kullanılan tam MATLAB kodunu buradan indirilebilirsiniz:

Genetik Algoritma ile Akilli Aydinlatma Optimizasyonu - MATLAB Simülasyonu (Tam Kod) .rtf

RTF dosyasını indir • 4KB

.

Simülasyon Sonuçları ve Değerlendirme

Lambaların konumlarının rastgele seçilmiş olması, algoritmanın belirli bir kent planına bağlı olmaksızın performansını test edebilmek amacıyla tercih edilmiştir. Bu yaklaşım, özellikle planlaması henüz tamamlanmamış yeni gelişim alanları, geçici aydınlatma sistemlerinin kurulduğu sanayi bölgeleri ya da park alanları gibi yerlerde algoritmanın uygulanabilirliğini test etme açısından büyük önem taşımaktadır. Bu sayede GA’nın yalnızca teorik değil, farklı yerleşim örüntülerine karşı esnek ve genellenebilir bir çözüm sunduğu ortaya konmuştur.

Optimizasyon süreci sonunda elde edilen en iyi bireyin temsil ettiği çözüm dizisi, lambaların parlaklık seviyelerini enerji verimliliğini en üst düzeye çıkaracak ve karanlık bölgeleri minimize edecek şekilde düzenlemiştir. Bu sonuç, oluşturulan sıcaklık haritası üzerinden görsel olarak değerlendirilmiştir.

Haritada, yüksek aydınlatma seviyeleri beyaz ve açık renklerle, düşük aydınlatma bölgeleri ise kırmızıdan siyaha doğru koyu tonlarla temsil edilmiştir. Görsel analiz, başlangıçtaki rastgele dağılımın neden olduğu karanlık bölgelerin büyük ölçüde azaldığını, aydınlatmanın alan geneline dengeli bir biçimde dağıldığını göstermiştir.

Şekil 1. Optimum çözümde elde edilen ışık yoğunluğu ısı haritası. Aydınlatma seviyelerinin mekânsal dağılımı görselleştirilmiştir.

Özellikle hem merkezi hem de kenar bölgelerde parlaklık düzeylerinin homojenleştiği görülmüş, bu da sistemin yalnızca toplam enerji tüketimine değil, mekânsal aydınlatma kalitesine de odaklandığını ortaya koymuştur.

Sayısal değerlendirmeler de bu bulguları destekler niteliktedir. Optimizasyon sonucunda, genel sistemin ortalama parlaklık seviyesi tatmin edici bir düzeye ulaşmış ve düşük aydınlatma oranı %15’in altına indirilmiştir. 

Şekil 2. Simülasyon sonucunda elde edilen aydınlatma seviyelerinin histogramı. Parlaklık dağılımındaki homojenlik açıkça görülmektedir.

Bu oran, benzer sistemlerde karşılaşılan %30–40 civarındaki karanlık alan oranlarına kıyasla önemli bir iyileşmeye işaret etmektedir. Karanlık bölgelerin azaltılması yalnızca görsel konfor açısından değil, aynı zamanda güvenlik, trafik düzeni ve suç önleme gibi kentsel yaşamın çeşitli boyutları açısından da olumlu sonuçlar doğurabilecek niteliktedir. Elde edilen bu dengeli dağılım, GA’nın yalnızca enerji verimliliği değil, kullanıcı konforu ve kent güvenliği gibi çoklu kriterleri de göz önünde bulundurabileceğini göstermektedir.

Fitness fonksiyonunun tasarımı bu başarıda kritik bir rol oynamıştır. Söz konusu fonksiyon, yalnızca toplam enerji tüketimini minimize etmeye değil, aynı zamanda %40’ın altında aydınlatma alanlarına ceza vererek düşük ışıklı bölgelerin oluşmasını engellemeye çalışmıştır. Bu tür ceza tabanlı yapılar, genetik algoritmanın çözüm uzayını yönlendirmesine olanak sağlayarak, sistemin tek boyutlu hedeflere odaklanmasını engellemiş ve çok amaçlı optimizasyona geçişi kolaylaştırmıştır. Dolayısıyla bu yaklaşım, GA’nın yalnızca teknik bir hesaplama aracı değil, bağlama duyarlı, kent deneyimine odaklanan bir karar destek mekanizması olarak işlev görebileceğini göstermiştir.

Algoritmanın performansında belirlenen parametrelerin etkisi de göz ardı edilemez. Popülasyon boyutunun 30, nesil sayısının 50 ve mutasyon oranının %10 olarak seçilmesi, hesaplama maliyetini sınırlı tutarken aynı zamanda çözüm kalitesinden ödün vermemeyi sağlamıştır. Elit bireyin her nesilde korunması, turnuva seçimi, tek nokta çaprazlama ve adaptif mutasyon gibi stratejilerle algoritmanın yerel minimumlara takılmadan daha geniş bir çözüm uzayını taraması sağlanmıştır. Bu yapı, özellikle evrimsel algoritmaların genetik çeşitliliğini koruma ve çözüm kalitesini artırma bakımından ne denli etkili olduğunu bir kez daha ortaya koymuştur.

Bununla birlikte, simülasyon sonucunda bazı bölgelerde hâlâ düşük parlaklık seviyelerinin gözlemlendiği olmuştur. Bu durumun temel nedeni, lambaların konumlarının sabit olmasıdır. Gerçek dünyada bu tür alanlarda sensör tabanlı aydınlatma, lamba yerleşimlerinin yeniden düzenlenmesi ya da hibrit algoritmaların uygulanması gibi çözümlerle daha yüksek bir başarı sağlanabilir. Ayrıca, bu çalışmada yalnızca sabit parlaklık seviyeleri optimize edilmiştir; ancak gerçek dünyada ışık ihtiyaçları zamana, mevsime, hava durumuna ve kullanıcı hareketliliğine göre değişiklik gösterebilir. Bu nedenle, gelecekte geliştirilecek modellerin, gerçek zamanlı veri akışı ile beslenen dinamik sistemlerle desteklenmesi, algoritmanın uygulanabilirliğini daha da artıracaktır.

Sonuç olarak, bu simülasyon çalışması, Genetik Algoritmaların akıllı aydınlatma sistemlerinde yalnızca enerji tasarrufu sağlamakla kalmayıp, aynı zamanda kentsel yaşam kalitesine doğrudan katkı sağlayacak şekilde uygulanabileceğini göstermiştir. Hesaplama performansı, optimizasyon derinliği ve bağlama duyarlılığı gibi yönlerden değerlendirildiğinde GA, akıllı şehir altyapılarında karar vericilerin faydalanabileceği güçlü bir araç olarak öne çıkmaktadır.

Gelecek Perspektifi: Dinamik ve Bağlama Duyarlı Sistemlere Doğru

Bu çalışma, GA’nın akıllı aydınlatma sistemlerinde uygulanabilirliğini ve performansını başarılı şekilde göstermektedir. Ancak gelecek adımlarda, bu sistemlerin daha da geliştirilmesi için bazı önemli yönelimler önerilmektedir. Bunlar arasında hareket sensörleri ile desteklenen dinamik kontrol sistemleri, çok hedefli optimizasyon (örneğin enerji, güvenlik ve kullanıcı konforunu aynı anda optimize eden modeller), gerçek zamanlı adaptasyon yetenekleri ve hibrit algoritmalar (örneğin GA + yapay sinir ağları veya GA + PSO) bulunmaktadır. Ayrıca farklı şehir planlaması örüntülerine göre GA performansının karşılaştırmalı analizi, bu yöntemin karar vericilere sunduğu stratejik katkıyı artıracaktır.

Kaynaklar

• A. Gupta, R. Singh, and N. Kaur, “Energy optimization in manufacturing using GA,” IEEE Access, vol. 7, pp. 23411–23419, 2019.

• M. Zhang and T. Lee, “GA-based load scheduling for smart grid optimization,” IEEE Trans. Smart Grid, vol. 11, no. 3, pp. 2193–2202, 2020.

• S. Kumar and H. Joshi, “A hybrid GA-PSO model for energy cost reduction,” IEEE Access, vol. 8, pp. 77845–77854, 2020.

• F. Li et al., “Optimization of lighting energy in commercial buildings using evolutionary algorithms,” Energy Build., vol. 199, pp. 231–240, 2019.

• J. Wang and K. Zhou, “Demand-side management using GA-based optimization,” Energy, vol. 203, p. 117812, 2020.

• T. A. Nguyen et al., “GA-enhanced control strategies for smart microgrids,” IEEE Trans. Ind. Inform., vol. 16, no. 2, pp. 1282–1290, 2020.

• M. Ali et al., “Energy efficient lighting control using GA: A case study,” Renew. Sustain. Energy Rev., vol. 124, p. 109732, 2020.

• H. Elgala et al., “Lighting system optimization in smart homes via GA,” Sustain. Cities Soc., vol. 52, p. 101855, 2020.