Autonomous vehicles play a significant role in future transportation systems by enabling driverless travel. These vehicles offer advantages such as reducing accidents, improving travel times, and conserving energy. However, ensuring the independent operation of these technologies requires robust cybersecurity measures. Protecting autonomous vehicles against security threats they may face within their internal systems or during communication with other vehicles and infrastructure is crucial. This study examines the security measures used in autonomous vehicles. Encryption and data protection techniques safeguard information from unauthorized access during in-vehicle and inter-vehicle communication. Additionally, intrusion detection and prevention systems (IDS/IPS) detect abnormal activities to protect against potential threats. Machine learning-based anomaly detection methods analyze data from sensors and network traffic to identify emerging threats. Regular software updates help mitigate vulnerabilities, while network segmentation isolates different systems to protect critical components. Multi-layered security solutions ensure the safe operation of autonomous vehicles. These approaches contribute to the development of future security standards.

Bu çalışmada Çok Değişkenli Lineer Regresyon (Multivariate Linear Regression-MLR) modeli kullanarak iris veri setini temsil eden lineer bir fonksiyon elde edilmektedir. Bu fonksiyondaki katsayıların optimum değerlerini bulmak için Stokastik Dik İniş (Stochastic Gradient Descent-SGD), Momentum, Adagrad, RMSProp, Adadelta ve Adam optimizasyon algoritmaları kullanılmaktadır. MLR’lerde genelde sabit veya rastgele bir değer ile başlatılan bu katsayılar için başlangıç popülasyonuna sahip bir başlatma yöntemi önerilmektedir. Kullanılan MLR modelinde amaç fonksiyonu olarak Mutlak Hata Değeri (Integral of the Absolute Value of the Error-IAE), Zaman Ağırlıklı Mutlak Hata Değeri (Integral of the Time-Weighted Absolute Error-ITAE), Ortalama Karesel Hata Değeri (Mean Square of the Error-MSE) ve Karesel Hata Değeri (Integral of the Square Error-ISE) hata fonksiyonlarından yararlanılmaktadır. Öncelikle alt ve üst sınırlar arasında önerilen bir deterministik ve klasik stokastik başlatma yöntemleri ile uygulamaların başlangıç popülasyonları oluşturulmaktadır. Stokastik olarak başlatılan uygulama literatürdeki gibi birçok defa çalıştırılıp ortalama değerleri alınmaktadır. Buna karşılık deterministik olarak başlatılan uygulama ise bir kez çalıştırılmaktadır. Deterministik ve stokastik başlatma yöntemlerinin sonuçlarına göre iki uygulamada da elde edilen katsayıların ve adım sayılarının birbirine yakın olduğu gözlemlenmektedir. Buna rağmen deterministik olarak başlatılan uygulamada çok yüksek zamansal kazanım elde edilmektedir. İki uygulama arasında elde edilen sonuçlar karşılaştırılarak analiz edilmektedir. Karşılaştırmalar sonucunda Adadelta optimizasyon algoritması ve MSE amaç fonksiyonuyla elde edilen lineer model en kısa zamanda sonuca ulaşmaktadır. In this study, a linear function representing the iris data set is obtained by making use of the Multivariate Linear Regression (MLR) model. Stochastic Gradient Descent (SGD), Momentum, Adagrad, RMSProp, Adadelta and Adam optimization algorithms are used to find the optimum values of coefficients of this function. An initialization method with initial population is recommended for these coefficients, which are generally initialized with a fixed or random value in MLRs. Integral of the Absolute Value of the Error (IAE), Integral of the Time-Weighted Absolute Error (ITAE), Mean Square of the Error (MSE) and Integral of the Square Error (ISE) error functions are used as objective functions in the MLR model used. First, initial populations of the methods are developed by using a proposed deterministic and classical stochastic initialization methods between upper and lower bounds. The method that are initialized stochasticaly is run several times as seen in literature and the mean values are calculated. On the other hand, the application that is initialized deterministic is only run once. According to the results of deterministic and stochastic initialization methods, it is observed that the coefficients and iteration numbers obtained in both applications are close to each other. Despite very high temporal gain is achieved from the application that is initialized deterministic. The results obtained between the two applications are compared and analyzed. As a result of the comparisons, the linear model obtained with Adadelta optimization algorithm and MSE objective function reaches the result in the shortest time.

Cümle seçerek özetleme çalışmaları kapsamında birçok farklı yaklaşım mevcuttur. Bu çalışmada tek dokümanlı çıkarıcı metin özetleme için yeni ve denetimsiz bir süreç önerilmektedir. Çalışma kapsamında metin dokümanları çizgelerle temsil edilmektedir. Yöntemimiz temel olarak metinleri temsil eden çizgeleri kullanmakta ve cümlelere yönelik bir ağırlıklandırma önermektedir. Önerilen sürecin farklı düğüm ağırlıklandırma yöntemlerini kullanarak önemli düğümleri ve dolayısı ile önemli cümleleri belirlenmesi önerilen özetleme sisteminin cümle puanlandırma aşamasını oluşturmaktadır. Son olarak bu çalışma kapsamında metin özetleme amaçlı önerilen yaklaşımın, açık erişimli metinler ve bu metinlere ait özetleri içeren Document Understanding Conference (DUC-2002) veri seti üzerindeki performansı ROUGE değerlendirme metrikleri kullanılarak hesaplanmıştır. Yapılan deneysel çalışmalar sonucunda önerilen özetleme sisteminin geleneksel çizge tabanlı yaklaşımlar ile rekabet edebilir ölçüde performans değerleri ortaya koyduğunu göstermektedir. Ayrıca sunulan bu basit ve etkili yöntemin dilbilimsel bir süreç izlememesi oldukça önemlidir.

Optimizasyon algoritmaları, belirli bir amaç fonksiyonunun minimum veya maksimum değerini bulmayı amaçlayan problemleri çözmede yaygın olarak kullanılmaktadır. Optimizasyon yöntemleri, en iyi alternatifi seçmek için hem matematiksel hem de sezgisel yaklaşımları kullanmaktadır. Bu çalışmada Aşırı Akım Rölelerinin Koordinasyon (Overcurrent Relay Coordination - ORC) problemini dört optimizasyon algoritması kullanarak en aza indirgemeyi ve sonuçlarını karşılaştırmayı amaçlamaktadır. Aşırı akım röleleri, güç sistemlerinde arızaları tespit eden ve hasarı en aza indiren kritik koruyucu cihazlardır. Güç sistemlerinin güvenliğini sağlamak için koruma rölelerinin doğru seçimi ve ayarlanması önem arz etmektedir. ORC, bir elektrik dağıtım sisteminde röle çalışma süreleri ve ayarları, yük değişiklikleri ve bakım gereksinimleri gibi çok sayıda kısıtlamanın dikkate alınmasını içermektedir. Hasançelebi trafo merkezinin ORC sorunu için Fidan Gelişim Algoritması (Saplings Growing up Algorithm -SGA), Lig Şampiyonluk Algoritması (League Championship Algorithm - LCA), Genetik Algoritma (Genetic Algorithm - GA) ve Balina Optimizasyon Algoritması (Whale Optimization Algorithm - WOA) ile üretilen sonuçlar karşılaştırılmaktadır. Elde edilen sonuçlara göre, WOA’nın diğer optimizasyon algoritmalarına göre daha hızlı sonuçlar ürettiği görülmektedir.

Optimization algorithms are widely used to solve nonlinear engineering problems characterized by complex and constrained search spaces. In this study, the Overcurrent Relay Coordination (ORC) problem and a microgrid directional overcurrent relay coordination (DORC) case are investigated through an initialization-sensitive analysis of the Saplings Growing up Algorithm (SGuA) and its initialization-based variants. Rather than proposing an entirely new metaheuristic paradigm, the main contribution of this work is the systematic examination of how different sowing strategies affect the convergence behavior, stability, and solution quality of the algorithm in both benchmark and engineering optimization settings. To this end, twenty classical benchmark functions, including scalable CEC functions and fixed-dimensional cases, were used to evaluate the behavior of the algorithm under ten distinct initialization schemes. The results show that initialization has a measurable but problem-dependent effect on performance. In the benchmark experiments, beta-init(2.5,2.5) and lhs-init emerged as the most reliable overall strategies, with the influence of initialization becoming more pronounced as dimensionality increased. Win–Tie–Loss analysis further identified beta-init(2.5,2.5) as the strongest overall strategy relative to the random-init reference. In the ORC case, lhsdesign yielded the best repeated-run mean performance, whereas Exprnd (0.5) produced the best single-run result. In the microgrid DORC case, Lognrnd (0, 0.5) became the best average-performing sowing strategy within the SGuA2 framework, although leading competing optimizers such as CMA-ES, ABC, and GWO still achieved lower objective values. Overall, the findings show that initialization is not merely a preliminary implementation choice in SGuA-based optimization, but a meaningful design factor whose effect depends on the structure and difficulty of the target problem.