Bu çalýþmada, 24-bit renkli imge içine 24-bit renkli imgeyi kayýplý gizleyen yüksek kapasiteli, düþük bozulumlu ve tersinir yeni bir veri gizleme yöntemi (YKKG) önerilmiþtir. Önerilen yöntem gizlenecek 24-bitlik imgeyi, 4-bitlik parçalara böler ve her parçayý 2-bitlik gizleme koduna indirgeyerek gizler. Bu þekilde 4-bitlik parça 2-bite indirgendiði için yöntem kayýplý gizleme yapmaktadýr. 2-bitlik gizleme kodlarý 2-baytlýk bloklara gizlenir. Geri çýkarma iþleminde ise yöntem, 24-bit imge gizlenmiþ 24-bit stego imgeden, sýrasýyla 2-baytlýk bloklardaki 2-bitlik gizleme kodlarýný kullanarak 4-bitlik parçalar elde eder ve parçalar birleþtirilerek 24-bitlik gizli imge tersinir olarak geri elde edilir. Yöntem gizlenecek verinin boyutunu yarý yarýya düþürdüðü için geleneksel LSB yöntemlerine göre iki kat kapasite sunmaktadýr. Ayný oranda veri gizlendiðinde ise yöntem, örtü imgede geleneksel LSB yöntemlerine göre daha düþük bozulma oluþturmaktadýr. Önerilen yöntemin imge kalitesini ölçmek için literatürde sýklýkla kullanýlan tepe sinyal gürültü oraný (PSNR) ve yapýsal benzerlik kalite ölçütü (SSIM) kullanýlmýştýr. Ayrýca önerilen yöntemin görsel ataklara karşý dayanýklýlýğýný ölçebilmek için salt & pepper, gaussian, speckle ve poisson saldýrý ataklarý kullanýlmýştýr. Test sonuçlarý önerilen yöntemin, geleneksel LSB yöntemine ve literatürdeki çalýþmalara göre kapasite olarak iki kat daha verimli, algýlanamazlýk olarak ise daha yüksek PSNR ve SSIM deðerleri elde ettiðini göstermiþtir.

Tartarus genetik programlamada sýkça kullanýlan bir kýyaslama problemidir. Fakat zorluk ayarý özelliði henüz tam olarak araþtýrýlmamýþtýr. Literatüre milyonlarca Tartarus örneði çalýþtýrdýðýmýz önceki bir çalýþmanýn verilerini kullanarak zorluklarýný tahmin edebilen bir denklemle katkýda bulunuyoruz. Yaklaþýmýmýz denklemin içinde yer alan dört yeni metrik kullanýyor. Bu metrikler küme sayýlarý ve büyüklüklerine, kutularýn kenarlardan uzaklýðýna, yazýlým etmeninin etrafýndaki kutularýn sayýsýna ve etmenin en büyük kümeye varmasý için gereken hareket sayýsýna baðlýdýr. Metriklerin katsayýlarý veriye genel doðrusal model ile uyarlanmýþ ve ortalama ~0.1 kadar bir hata baþarýsýna ulaþýlmýþtýr. Bu çalýþma Tartarus probleminde bir deðiþiklik yapmadan problemin zorluðunu tahmin edebilen ilk çalýþmadýr.

Bir veya birden fazla kalp kapakçýðýnýn etkilenebildiði kapakçýk hastalýklarýnýn etkin tedavisi için bu kapakçýklarýn onarýlmasý ya da deðiþtirilmesini gereklidir. Kapakçýklarýn 2B/3B statik görüntülerinden elde edilecek bilgiyi tamamlayýcý bilgi içeren hastaya-özgü ve dinamik bir model bu giriþimsel tedavi rehberlik edebilir. Bu amaçla bu çalýþmada yeni bir otomatik model-baðýmsýz aort kapakçýðý bölütleme yöntemi önerilmiþ ve yöntemin doðruluðu aort kapakçýðýnýn kapalý anýna ait geleneksel kontrastlý EKG-güdümlü çok-kesitli BT verisinden elde edilen uzman iþaretlemeleri ile ölçülmüþtür. Yöntemin baþarýsý 19 gerçek veride detaylý olarak deðerlendirilmiþ ve Hessian temelli sonucun üzerine bölge büyütme yaklaþýmýnýn performansýnýn umut vadettiði ama bunun yaný sýra problemin zorluðunu göstermiþtir.

EEG sinyalleri kullanýlarak engelliler için kontrol edilebilir tekerlekli sandalyelerin üretildiði veya yapýlmasý düþünülen aktivitenin tahmin edildiði çalýþmalara literatürde sýklýkla rastlanmaktadýr. Genel olarak bu çalýþmalarda elektroensefalografi (EEG) sinyalinin önceden belirlenen sýnýflara aktarýmý gerçekleþtirilir. Bu çalýþmalar EEG sinyalinin sýnýflandýrmasýndan ibarettir. Ancak son yýllarda yapay öðrenme alanýnda yaþanan geliþmelerle sýnýflandýrmadan öteye gidildiði, EEG sinyalinden bakýlan görselin üretilebildiði görülmektedir. Klasik çekiþmeli üretici aðlar (Generative adversarial networks-GAN) ve otomatik kodlayýcý (Auto encoder-AE) yaklaþýmlarýnýn kullanýldýðý sýnýrlý sayýdaki bu çalýþmalar incelendiðinde, EEG sinyallerinden kabaca görsellerin üretilebildiði görülmektedir.
Bu çalýþmanýn özgün yönü, görsel üretim kabiliyetini arttýracak matematiksel yaklaþýmlar içermesidir. Klasik GAN mimarileri üretilen görüntülerin çeþitliliðini saðlayabilmek için rastgele vektör giriþini kullanýrlar. Bu yaklaþým ile EEG sinyalinden üretilen görsellerin düþük kalitede olduðu gözlemlenmiþtir. Önerilen yöntemde giriþ iki kýsým (kodlanmýþ EEG ve rastgelelik) olarak düþünülmüþtür. EEG’nin kodlanmasý için deðiþken oto kodlayýcý (Variational auto encoder-VAE) ve fourier dönüþümü (FD) kullanýlýrken, rastgelelik için iki farklý yaklaþým önerilmiþtir. Bu özgün GAN kullanýmý, EEG sinyallerinden daha kaliteli görsel üretilmesini saðlamýþtýr. Bu kalitenin sayýsal olarak anlaþýlabilmesi için önceden eðitilmiþ evriþimsel sinir aðlarý (ESA) kullanýlmýþtýr. Yapýlan deneysel çalýþmalar neticesinde, klasik GAN ile EEG’den üretilen görsellerin baþarým seviyesi %93 civarýndayken, önerilen yaklaþýmda bu seviyenin %95-%100 aralýðýna çýktýðý görülmektedir.

Bu makalede, eþanlatýmlý cümle çiftlerinin belirlenmesindeki belirsizlik problemi üzerinde durulmuþtur. Eþanlatým cümleleri basitçe ayný olay ve/veya fikri farklý sözcük veya sözcüklerin farklý diziliþleri ile ifade eden cümle çiftleri/kümeleridir. Çalýþmada eþanlatým tespitinde eminlik faktörü (EF) modelinin kullanýlmasý önerilmiþtir. EF modelinde kullanýlmak üzere filtreleme yöntemi ile eþanlatým tespitinde baþarýlý olan öznitelikler (jenerik ve uzaklýk tabanlý öznitelikler) belirlenmiþ ve bu öznitelikler kümesi EF modelinde kanýtlar olarak kullanýlmýþtýr. EF modeli Microsoft Eþanlatým derlemi üzerinde F1 ve doðruluk ölçekleri ile sýnanmýþtýr. Yöntemin baþarýmý Bayes karar verme yaklaþýmý ile kýyaslanmýþtýr. Deney sonuçlarý EF modelinin eþanlatým tespitinde Bayes modeline bir alternatif yöntem olduðunu göstermiþtir.

Parkinson hastalýðý, hastanýn yaþam kalitesini etkileyen, önemli sosyal ve ekonomik etkileri olan ve semptomlarýn aþamalý görünümü nedeniyle erken teþhis edilmesi güç olan yaygýn bir nörolojik hastalýktýr. Parkinson hastalýðýnýn Twitter gibi sosyal medya platformlarýnda tartýþýlmasý, hastalarýn Parkinson hastalýðýnýn hem taný hem de tedavi aþamasýnda birbirleriyle iletiþim kurduðu bir platform saðlar. Bu çalýþmanýn amacý, derin öðrenme ve kelime yerleþtirme modellerini kullanarak insanlarýn Parkinson hastalýðý ile ilgili duygu analizlerini deðerlendirmek ve karþýlaþtýrmaktýr. Bildiðimiz kadarýyla, bu çalýþma Parkinson hastalýðýný sosyal medya aracýlýðýyla kelime yerleþtirme modelleri ve derin öðrenme algoritmalarý kullanarak analiz etmek için yapýlan ilk çalýþmadýr. Bu çalýþmada, kelime yerleþtirme modelleri olarak Word2Vec, GloVe ve FastText; Evriþimsel Sinir Aðlarý (CNN'ler), Tekrarlayan Sinir Aðlarý (RNN'ler) ve Uzun Kýsa Süreli Bellek Aðlarý (LSTM'ler) derin öðrenme teknikleri olarak harmanlanmýþ ve sýnýflandýrma amacýyla kullanýlmýþtýr. Kelime yerleþtirme modelleri ve derin öðrenme algoritmalarý kullanýlarak Parkinson hastalýðý hakkýnda kullanýcý yorumlarýnýn duygularýný analiz etmek amacýyla kapsamlý deneyler Ýngilizce Twitter veri kümesi üzerinde gerçekleþtirilmiþtir. Deney sonuçlarýnda, Word2Vec kelime yerleþtirme modelinin CNN derin öðrenme algoritmasýyla harmanlanmasý sonucu %75,12 doðruluk ile kayda deðer bir sýnýflandýrma baþarýsý gözlemlenmiþtir. Bu çalýþma, hastalarýn gereksinimlerini anlamak için kelime yerleþtirme modelleri ve derin öðrenme algoritmalarýný kullanma etkinliðini ve Parkinson hastalarýnýn ve yakýnlarýnýn duygularýný sosyal medya aracýlýðý ile analiz ederek tedavi sürecine deðerli bir katký saðladýðýný göstermektedir.

Küreselleþme, bilim ve teknolojideki hýzlý geliþmeler, rekabetin artmasýna, üretim yöntemlerindeki amaçlarýn farklýlaþmasýna neden olmaktadýr. Hýzla deðiþen ve farklýlaþan ihtiyaçlarýn karþýlanabilmesi, üretim yapan iþletmeleri, teknolojik olarak yenilenmek ile karþý karþýya býrakmýþtýr. Özellikle elektronik ortamlarda biriken verinin kullanýmý ve bilgiye eriþimin kolaylaþmasý, iþletmeleri, bilgisayar sistemleri ve üretim yönetimi noktasýnda gözden geçirmeye zorlamaktadýr.
Üretim yapan iþletmelerin karar alma süreçlerinde, ihtiyaç duyulan bilgiyi karþýlayabilmesi için, veri tabanlarýnda analiz edilen verilerin görselleþtirilmesi, uygun bir çözüm olarak ortaya çýkmaktadýr. Bu baðlamda gösterge paneli, özellikle üretim yapan iþletmeler için, hýzlý ve doðru karar alma noktasýnda, iyi bir destek aracý olarak görülmektedir.
Bu makale, gösterge paneli baþlýðý altýnda, yapay baðýþýklýk sistemi ve veri madenciliði tekniklerini kullanarak, üretim yapan iþletmelerde biriken verilerin analizi ve paylaþýmý için, yeni bir model yaklaþýmý sunar. Modelde, klonal seçim algoritmasý ile veriler çoðaltýlýr ve eðitilir. Analiz aþamasýnda k-means algoritmasý ile veriler kümelenir. Aðýrlýklý ortalama ile performans göstergeleri hesaplanarak, veriler görselleþtirilir. Elde edilen görseller, gösterge paneli kurallarý ile karar vericilere destek olan, bir uygulama ile paylaþtýrýlýr. Yaklaþýmýmýz, veri koleksiyonlarý birleþtirmek, çözümlemek ve görselleþtirmek için yeni bir yaklaþým modeli sunar.

Telsiz duyarga aðlarý saðlýk, ziraat, güvenlik ve eðlence gibi çeþitli alanlarda fayda saðlamaktadýr. Bu aðlarý oluþturan düðümlerin enerji kaynaklarýnýn kýsýtlý olmasýndan dolayý enerjilerini etkin bir þekilde kullanmaya yönelik çeþitli çalýþmalar gerçekleþtirilmiþtir. Bu çalýþmalarda genel olarak, düðümlerin nöbetleþe sýra ile çalýþmasý ya da sistemde enerji etkin bir iletiþim omurgasý kullanýlmasý üzerinde durulmuþtur. Telsiz duyarga aðlarýnda iletiþim omurgasý olarak genellikle baðlý baskýn kümeler kullanýlmaktadýr. Ayrýca, kendi enerjisini üreten düðümlerin de telsiz duyarga aðý sistemlerinde kullanýlarak bu sistemlerin yaþam süresinin arttýrýlmasý literatürdeki bazý çalýþmalarda düþünülmüþtür. Bu çalýþmada telsiz duyarga sistemlerinin en büyük problemlerinden olan enerji sorunu incelenerek güneþ panellerinden kendi enerjisini üretebilen ve üretemeyen düðümlerin olduðu telsiz duyarga aðlarýnýn yaþam sürelerinin arttýrýlmasý için yeniden kullanýlabilen yeni bir daðýtýk baðlý baskýn küme algoritmasý önerilmiþtir. Bir düðümde veya düðümlerin bazýlarýnda enerji tükenmesi gerçekleþtiðinde belirli bir miktar beklenerek, çalýþan düðümlerde bir kopma gerçekleþmemiþse önerilen algoritma tekrar çalýþtýrýlmaktadýr. Önerilen algoritma, telsiz duyarga að alanýnda sýklýkla kullanýlan Cooja tabanlý SensEH benzetim ortamýnda uygulanmýþtýr. Önerilen algoritma ve rakip algoritma oluþturulan baðlý baskýn kümelerin kullanýldýðý sistemlerdeki yaþam süreleri ile algoritmalarýn zaman ve enerji tüketim maliyeti kapsamlý benzetim analizleri ile incelenmiþtir. Elde edilen sonuçlara göre önerilen algoritmanýn toplam yaþam süresini rakip algoritmaya göre yaklaþýk olarak iki katýna çýkartabildiði görülmüþtür.

Bu çalýþmada, olasý Ýstanbul depremi sonrasý oluþabilecek hasarlarý havadan gözlemlemek için ilk 24 saat içerisinde Ýstanbul’dan kaldýrýlan bir ÝHA’nýn hangi rotada uçmasý gerektiði problemi ele alýnmýþtýr. Problemde, Ýstanbul üzerinde ÝHA’nýn ziyaret edebileceði 230 aday grid nokta belirlenmiþ ve her aday nokta için noktanýn deprem riski aðýrlýðý ile nüfus yoðunluðunu birleþtiren aðýrlýk deðerleri belirlenmiþtir. Problemde en fazla sayýda aday noktanýn aðýrlýðýný toplayacak þekilde ÝHA’nýn menzil kýsýtý altýnda rotalanmasý amaçlanmýþtýr. Tanýmlanan bu problem, literatürdeki Oryantring problemine uyarlanmýþtýr. Oryantring problemi NP-zor bir problem olduðundan dolayý, problemin çözümü için probleme özgü bir genetik algoritma ve bir tavlama benzetimi algoritmasý geliþtirilmiþtir. Algoritmalarýn parametreleri deneyler ile ayarlanmýþtýr. Gerçek hayata uygun olarak deprem sonrasý ÝHA’nýn kalktýðý havalimaný ile günlük ziyaret (veya görüntü sayýsý) durumlarýný kapsayan 15 farklý senaryo oluþturulmuþ ve senaryolar ILOG ile kesin ve geliþtirilen metasezgisel algoritmalar ile yaklaþýk olarak çözülmeye çalýþýlmýþtýr. 15 senaryonun 2’sinde optimal çözüm bulunmuþ olup diðer senaryolar için genetik algoritma daha iyi sonuçlar elde etmiþ ve kabul edilebilir CPU süreleri içinde problemi çözebilmiþtir.

Bir güç sisteminde, gerilim genlikleri ve güç deðerleri bilinen baralar kullanýlarak sistemde yer alan diðer baralarýn gerilim genliklerinin, faz açý deðerlerinin ve iletim kayýplarýnýn hesaplanmasýna güç akýþý problemi veya yük akýþý problemi denir. Her geçen gün artan tüketim ve yeni enerji kaynaklarýnýn güç sistemine baðlanmasý güç akýþ problemini daha karmaþýk hale getirmektedir. Güç akýþý problemi hem elektrik üretimi hem de iletimi için büyük önem taþýmaktadýr, çünkü gelecekte sisteme baðlanabilecek yüklerin planlanmasý ve mevcut iletim hatlarýnýn tam kapasite ile kullanýlmasý bu sorunun çözümüne dayanmaktadýr. Sistemin doðasýndan kaynaklanan bu doðrusal olmayan problemin çözümünde geleneksel olarak nümerik çözümler kullanýlmýþtýr. Bununla birlikte, daha sonra geliþtirilen optimizasyon teknikleri ve arama algoritmalarý güç akýþý probleminin çözümünde daha iyi sonuçlarýn elde edilebileceðini göstermektedir. Bu çalýþmada, Matlab yazýlýmý kullanarak oluþturan IEEE-14 bara parametrelerine sahip güç sistemine, güç akýþý problemini optimize etmek için Yapay Arý Kolonisi (ABC), Gri Kurt (GWO) ve Parçacýk Sürüsü Optimizasyonu (PSO) algoritmalarý uygulanmýþtýr. Çalýþmanýn sonucunda, model güç sisteminin gerilim genliði, faz açýsý, aktif güç kaybý deðerleri ve algoritmalarýn hesaplama süreleri karþýlaþtýrýlmýþtýr.

Bu çalýþmanýn amacý, asenkron motorlar (ASM) için sensörsüz, dolaylý, alan yönlendirmeli vektör kontrollü bir hýz tahmin yönteminin geliþtirilmesidir. Önerilen yöntem, yeni bir Model referans adaptif sistemdir(MRAS) ve motorun hýzýný hesaplamak için sadece kararlý hal alan yönlendirme durumunda stator q-eksen gerilim denklemine ihtiyaç duyar. Hesaplanan gerilim doðrudan kontrol algoritmasý içerisinde üretilen q-ekseni referans gerilimi ile karþýlaþtýrýldýðýndan, bu yöntem bir referans modele ihtiyaç duymaz, ayrýca gerilim sensörü gereksinimini ortadan kaldýrýr. Bu basit denklemde herhangi bir rotor parametresi yoktur ve bu sistemin rotor parametrelerinin deðiþimine karþý baðýþýklýk kazandýrýr. Dahasý, bu basitleþtirilmiþ hesaplama aký tahmini gerekliliðini ortadan kaldýrdýðý için yöntem saf entegrasyon sorunlarýna karþý daha az duyarlýdýr. Böylece önerilen MRAS çok düþük ve sýfýr hýzlarda oldukça doðru hýz tahmini yapabilir. Ayrýca, önerilen MRAS yöntemi gerilim sensörü gereksinimini ortadan kaldýrmaktadýr. Bu sayede özellikle düþük hýzlarda gerilim sensörünün ölçüm gürültülerinin sebep olabileceði tahmin hatalarýnýn önüne geçilmiþ ve sistemin düþük ve sýfýr hýz performanslarý iyileþtirilmiþ olmaktadýr. Bu çalýþmada simülasyon çalýþmalarý MATLAB / SIMULINK ortamýnda tamamlanmýþtýr.

Ýnsansýz hava araçlarý(ÝHA), hem sivil hem de askeri olmak üzere birçok alanda yaygýn olarak kullanýlmaktadýr. Özellikle sivil uygulama alanlarýnda hem ekonomiklik hem de kolay temin edilebilirlikleri sayesinde küçük ölçekli ÝHA'lar tercih edilmektedir. Ancak bu araçlar bazý uygulamalarda tek baþýna kullanýldýðýnda yetersiz kalmaktadýr. Mini ÝHA’lardaki bu yetersizlik çoðu durumda kýsýtlý enerji ve taþýma kapasitesi olarak karþýmýza çýkmaktadýr. Bu soruna çözüm olarak birden fazla ÝHA’larýn birleþmesiyle oluþturulan sürü ÝHA aðlarý önerilmiþtir. Böylelikle bu aðlarda bulunan ÝHA’lara farklý görevler verilerek bu yetersizliðe çözüm önerisi sunulmuþtur. Bu aðlarýn birçok avantajlarý olmasýyla birlikte zorluklarý da bulunmaktadýr. Bu zorluklar sýrasýyla enerji kýsýtý, düþük güçlü ve kayýplý kablosuz haberleþme arayüzü ve düþük faydalý yük taþýma kapasitesi olarak karþýmýza çýkar. Bu çalýþmada, insansýz hava aracý sürüleri için uyarlanabilir, dengeli ve enerji verimli yeni bir kümeleme mekanizmasý önerilmiþtir.

Elektromanyetik frekans spektrumu farklý alt frekans bantlara ayrýlmýþtýr. Bu alt frekans bantlarý, farklý uygulamalar için tahsis edilmiþtir. Günümüzde çoklu alt frekans bantlarýnda çalýþan cihazlar önemli avantajlar saðlamaktadýr. Cihazlar, çoklu frekans bantlarýnda çalýþmasý için anten yapýlarýna ihtiyaç duyar. Mikroþerit antenler, boyutlarýnýn küçük olmasý, taþýnabilir yapýlarý ve diðer sistemlere kolay bir þekilde entegre olmasý ile öne çýkan anten yapýlarý olmuþtur. Bu çalýþmada, çoklu frekans bantlarýnda çalýþabilen mikroþerit anten yapýsý tasarlanmýþtýr. Ayný zamanda, tasarlanan antenin optimizasyonunu daha kýsa sürede saðlamak için anten boyutlarýnýn optimizasyonunda derin öðrenme yöntemleri ile kullanýlmýþtýr. Tasarlanan anten yapýsýnýn çalýþma frekanslarý elde edilen sonuçlarda görüldüðü üzere C ve X bandýnda çalýþmaktadýr. IEEE Standartlarýna göre C bandý 4 GHz ile 8 GHz arasýnda ve X bandý 8 GHz ile 12 GHz frekans aralýðý olarak belirlenmiþtir. Önerilen anten yapýsýnda, çoklu bant yapýlarýnda çalýþma özelliði, C-þekilli anten dizisi vasýtasýyla elde edilmiþtir. Optimizasyon iþleminde kullanýlacak olan derin öðrenme yöntemlerinde ise beþ farklý Uzun Kýsa Süreli Bellek (UKSB) modeli kullanýlmýþtýr. Derin öðrenme yöntemlerinin en önemli avantajý, zorlu ve zaman alýcý problemlerin çözümünde gerekli özellikleri kendi öðrenme yeteneði ile belirleyerek tatmin edici sonuçlar elde etmesidir. Bu kapsamda 52 adet anten verisi üretilmiþtir. Eðitim sürecinde 40 adet ve test aþamasýnda ise 12 adet veri kullanýlmýþtýr. Test verilerinde elde edilen en düþük Ortalama Karesel Kök Hata (OKKH) performansý, UKSB-1 + kaçýnma katmaný-1 + UKSB -2 + kaçýnma katmaný-2 ile 1,0161 hata deðeri olarak belirlenmiþtir. Önerilen yöntemle elde edilen sonuçlar High Frequency Simulation Software (HFSS) programýnda deðerlendirilmiþtir. Elde edilen deneysel sonuçlar deðerlendirildiðinde derin öðrenme modelinin üretmiþ olduðu sonuçlar ile test verilerinin birbirine çok yakýn olduðu gözlemlenmiþtir.

Bu çalýþmada, Julia programlama dili tabanlý bir tanýmlayýcý sistem dili ve amaca yönelik hýzlý ve etkili sistem benzetimlerine ve çevrimiçi ve çevrimdýþý çözümlemelerine olanak saðlayan bir benzetim ortamý geliþtirilmiþtir. Geliþtirilen benzetim ortamýnda ayrýk zamanlý ya da sürekli zamanlý, statik ya da dinamik sistemlerin benzetimleri mümkündür. Özellikle, adi, rastgele adi, rassal, cebirsel, gecikmeli türev denklemleri ve ayrýk fark denklemleri gibi çok farklý denklem türleri ile modellenen dinamik sistemlerin benzetimi yapýlabilmektedir. Benzetim sýrasýnda modelin baðlantýlarý üzerinden akan veri çevrimiçi ve çevrimdýþý olarak iþlenebilmekte ve özelleþmiþ çözümlemeler yapýlabilmektedir. Bu çözümlemelerin, standart Julia kütüphanesi ya da çeþitli Julia paketleri kullanýlarak kolaylýkla tanýmlanabilecek eklentiler ile de zenginleþtirilmesi mümkündür. Benzetim model bileþenlerinin bireysel ve örnekleme zaman aralýklarýnda eþzamanlý ve paralel evrilmesi ile yapýlýr. Bileþenlerin birbirinden baðýmsýz evrilmesi farklý matematiksel denklemler ile ifade edilen bileþenlerden oluþan modellerin benzetimine olanak saðlarken; bileþenlerin eþzamanlý ve paralel evrilmesi ise benzetim hýzýný artýrmaktadýr.