Araştırma Makalesi
BibTex RIS Kaynak Göster

Nümerik Fonksiyonların Optimizasyonu için Karşıt Tabanlı Yeni Bir Meta-Sezgisel Algoritma

Yıl 2017, Cilt: 17 Sayı: 3, 922 - 937, 29.12.2017

Öz

Bu çalışmada literatürde meta-sezgisel algoritmaların performanslarını artırmaya yönelik yaklaşımlardan biri olan zıt konumlu öğrenme kavramı (OBL), yerçekimsel arama algoritmasına (GSA) iki farklı şekilde uygulanmıştır. Birinci yaklaşım da (ObGSA-1), ilk popülasyonunun oluşturulmasında ajanların yarısı rastgele atanırken, diğer yarısı bu ajanların simetrisine konumlandırılmıştır. İkinci yaklaşımda (ObGSA-2) ise ilk popülasyonda, rastgele olarak oluşturulan bütün ajanların zıt konumları belirlenmiş ve uygunluk değeri daha yüksek olan ajanlarla ilk popülasyon oluşturulmuştur. Bu yaklaşımlarla performans ve kararlılık açısından algoritma iyileştirilmiştir. Ortaya çıkan bu yeni algoritmaya zıt konumlu yerçekimsel arama algoritması (Opposite Based Gravitational Search Algorithm-ObGSA) adı verilmiştir. Performans analizi için ObGSA üç farklı yapıdaki test fonksiyonlarına uygulanmıştır. Bu sonuçlara geliştirilen her iki yaklaşımda (ObGSA-1, ObGSA-2), GSA’ya göre daha iyi sonuçlar vermiştir. İki yaklaşım kendi aralarında değerlendirildiğinde ise ObSA-2 yaklaşımının, ObGSA-1 yaklaşımına göre daha iyi değerler yakaladığı ve daha kararlı bir yapı olduğu sonucuna varılmıştır.

Kaynakça

  • Askarzadeh, A., 2016. A novel metaheuristic method for solving constrained engineering optimization problems: Crow search algorithm, Computers and Structures, 169, 1-12.
  • Cheng, M.Y., Prayogo, D., 2014. Symbiotic organisms search: A new metaheuristic optimization algorithm, Computers and Structures, 139, 98-112.
  • Cura, Tunçhan, 2008. Modern sezgisel teknikler ve uygulamaları. Papatya Yayıncılık, 14-15.
  • Doğan, B., Ölmez, T., 2015. A new metaheuristic for numerical function optimization: Vortex search algorithm, Information Sciences, 293, 125-145. Ergezer, M., Simon, D., and Du, D., 2009.
  • Oppositional biogeography-based optimization, in: Proceedings of IEEE International Conference on Systems, Man, and Cybernetics (ICSMC’09), pp. 1009-1014.
  • García, S., Molina, D., Lozano, M., and Herrera, F., 2009. A study on the use of non-parametric tests for analyzing the evolutionary algorithms’ behaviour: a case study on the CEC’2005 Special Session on Real Parameter Optimization, Journal of Heuristics, 15, 617-44.
  • Geem, Z.W., Kim, J.H., and Loganathan, G.V., 2001. A new heuristic optimization algorithm: Harmony search, Simulation, 76 (2), 60-68.
  • Goldberg, D.E., Genetic Algorithms in Search, Optimization, and Machine Learning, 1989. Addison-Wesley Publishing Company, Inc.
  • Karaboğa, D., Baştürk, B., 2007. A powerful and efficient algorithm for numerical function optimization: Artificial bee colony (ABC) algorithm, Journal of Global Optimization, 39 (3), 459-471.
  • Kashan, A.H., 2015. A new metaheuristic for optimization: Optics inspired optimization (OIO), Computers and Operations Research, 55, 99-125.
  • Kaveh, A., Talahatari, S., 2010. A novel heuristic optimization method: Charged system search, Acta Mechanica, 213 (3-4), 267-289.
  • Kennedy, J., Eberhart, R., 1995. Particle Swarm Optimization, Proceedings of IEEE International Conference on Neural Networks, 5. 1942-1948.
  • Li, C., Zhou, J., 2011. Parameters identification of hydraulic turbine governing system using improved gravitational search algorithm, Energy Conversion and Management, 52 (1), 374-381.
  • Mirjalili, S., 2015. Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm, Knowledge-Based Systems, 89, 228- 249.
  • Mirjalili, S., 2016. SCA: A sine cosine algorithm for solving optimization problems, Knowledge-Based Systems, 96, 120-133.
  • Mirjalili, S., Lewis, A., 2016. The whale optimization algorithm, Advances in Engineering Software, 95, 51-67.
  • Mirjalili, S., Mirjalili, S.M., and Hatamlou, A., 2016. Multi-verse optimizer: A nature -inspired algorithm for global optimization, Neural Computing and Applications, 27, 495-513.
  • Mirjalili, S., Mirjalili, S.M., and Lewis, A., 2014. Grey wolf optimizer, Advances in Engineering Software, 69, 46-61.
  • Omran, M.G.H., 2009. Using opposition-based learning with particle swarm optimization and barebones differential evolution, Particle Swarm Optimization, Aleksandar Lazinica (Ed.), InTech, 373-384.
  • Rahmani, R., Yusof, R., 2014. A new simple, fast and efficient algorithm for global optimization over continuous search-space problems: Radial movement optimization, Applied Mathematics and Computation, 248, 287-300.
  • Rahnamayan, S., Tizhoosh, H.R., and. Salama, M.M.A., 2008. Opposition-based differential evolution, IEEE Transactions on Evolutionary Computation, 12 (1), 64-79.
  • Rajabioun, R., 2011. Cuckoo optimization algorithm, Applied Soft Computing, 11, 5508-5518.
  • Rashedi, E., Nezamabadi-pour, H. and Saryazdi, S., 2009. GSA: A gravitational search algorithm, Information Sciences, 179 (13), 2232-2248.
  • Rashedi, E., Nezamabadi-pour, H. and Saryazdi, S., 2010. BGSA: Binary gravitational search algorithm, Natural Computing, 9 (3), 727-745.
  • Rashedi, E., Nezamabadi-pour, H., and Saryazdi, S., 2011. Filter modeling using gravitational search algorithm, Engineering Applications of Artificial Intelligence, 24, 117-122.
  • Singh, R.P., Mykherje, V., and Ghoshal, S.P., 2013. The opposition-based harmony search algorithm, Journal of the Institution of Engineers (India): Series B, 94 (4), 247-256.
  • Storn, R., Price, K., 1997. Differential evolution - A simple and efficient heuristic for global optimization over continuous spaces, Journal of Global Optimization, 11, 341-359.
  • Swain, R.K., Sahu, N.C., and Hota, P.K., 2012. Gravitational search algorithm for optimal economic dispatch, Procedia Technology, 6, 411-419.
  • Tizhoosh. H.R., 2005. Opposition-based learning: A new scheme for machine intelligence, in: Proceedings of International Conference on Computational Intelligence for Modelling, Control and Automation, and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC’05), vol. I, pp. 695-701.
  • Zahiri, S.H., 2012. Fuzzy gravitational search algorithm an approach for data miming, Iranian Journal of Fuzzy Systems, 9 (1), 21-37.
  • Zhang, W., Niu, P., Li, G., and Li, P., 2013. Forecasting of turbine heat rate with online least squares support vector machine based on gravitational search algorithm, Knowledge-Based Systems, 39, 34-44.
  • Zheng, Y.J., 2015. Water wave optimization: A new nature-inspired metaheuristic, Computers and Operations Research, 55, 1-11.
Yıl 2017, Cilt: 17 Sayı: 3, 922 - 937, 29.12.2017

Öz

Kaynakça

  • Askarzadeh, A., 2016. A novel metaheuristic method for solving constrained engineering optimization problems: Crow search algorithm, Computers and Structures, 169, 1-12.
  • Cheng, M.Y., Prayogo, D., 2014. Symbiotic organisms search: A new metaheuristic optimization algorithm, Computers and Structures, 139, 98-112.
  • Cura, Tunçhan, 2008. Modern sezgisel teknikler ve uygulamaları. Papatya Yayıncılık, 14-15.
  • Doğan, B., Ölmez, T., 2015. A new metaheuristic for numerical function optimization: Vortex search algorithm, Information Sciences, 293, 125-145. Ergezer, M., Simon, D., and Du, D., 2009.
  • Oppositional biogeography-based optimization, in: Proceedings of IEEE International Conference on Systems, Man, and Cybernetics (ICSMC’09), pp. 1009-1014.
  • García, S., Molina, D., Lozano, M., and Herrera, F., 2009. A study on the use of non-parametric tests for analyzing the evolutionary algorithms’ behaviour: a case study on the CEC’2005 Special Session on Real Parameter Optimization, Journal of Heuristics, 15, 617-44.
  • Geem, Z.W., Kim, J.H., and Loganathan, G.V., 2001. A new heuristic optimization algorithm: Harmony search, Simulation, 76 (2), 60-68.
  • Goldberg, D.E., Genetic Algorithms in Search, Optimization, and Machine Learning, 1989. Addison-Wesley Publishing Company, Inc.
  • Karaboğa, D., Baştürk, B., 2007. A powerful and efficient algorithm for numerical function optimization: Artificial bee colony (ABC) algorithm, Journal of Global Optimization, 39 (3), 459-471.
  • Kashan, A.H., 2015. A new metaheuristic for optimization: Optics inspired optimization (OIO), Computers and Operations Research, 55, 99-125.
  • Kaveh, A., Talahatari, S., 2010. A novel heuristic optimization method: Charged system search, Acta Mechanica, 213 (3-4), 267-289.
  • Kennedy, J., Eberhart, R., 1995. Particle Swarm Optimization, Proceedings of IEEE International Conference on Neural Networks, 5. 1942-1948.
  • Li, C., Zhou, J., 2011. Parameters identification of hydraulic turbine governing system using improved gravitational search algorithm, Energy Conversion and Management, 52 (1), 374-381.
  • Mirjalili, S., 2015. Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm, Knowledge-Based Systems, 89, 228- 249.
  • Mirjalili, S., 2016. SCA: A sine cosine algorithm for solving optimization problems, Knowledge-Based Systems, 96, 120-133.
  • Mirjalili, S., Lewis, A., 2016. The whale optimization algorithm, Advances in Engineering Software, 95, 51-67.
  • Mirjalili, S., Mirjalili, S.M., and Hatamlou, A., 2016. Multi-verse optimizer: A nature -inspired algorithm for global optimization, Neural Computing and Applications, 27, 495-513.
  • Mirjalili, S., Mirjalili, S.M., and Lewis, A., 2014. Grey wolf optimizer, Advances in Engineering Software, 69, 46-61.
  • Omran, M.G.H., 2009. Using opposition-based learning with particle swarm optimization and barebones differential evolution, Particle Swarm Optimization, Aleksandar Lazinica (Ed.), InTech, 373-384.
  • Rahmani, R., Yusof, R., 2014. A new simple, fast and efficient algorithm for global optimization over continuous search-space problems: Radial movement optimization, Applied Mathematics and Computation, 248, 287-300.
  • Rahnamayan, S., Tizhoosh, H.R., and. Salama, M.M.A., 2008. Opposition-based differential evolution, IEEE Transactions on Evolutionary Computation, 12 (1), 64-79.
  • Rajabioun, R., 2011. Cuckoo optimization algorithm, Applied Soft Computing, 11, 5508-5518.
  • Rashedi, E., Nezamabadi-pour, H. and Saryazdi, S., 2009. GSA: A gravitational search algorithm, Information Sciences, 179 (13), 2232-2248.
  • Rashedi, E., Nezamabadi-pour, H. and Saryazdi, S., 2010. BGSA: Binary gravitational search algorithm, Natural Computing, 9 (3), 727-745.
  • Rashedi, E., Nezamabadi-pour, H., and Saryazdi, S., 2011. Filter modeling using gravitational search algorithm, Engineering Applications of Artificial Intelligence, 24, 117-122.
  • Singh, R.P., Mykherje, V., and Ghoshal, S.P., 2013. The opposition-based harmony search algorithm, Journal of the Institution of Engineers (India): Series B, 94 (4), 247-256.
  • Storn, R., Price, K., 1997. Differential evolution - A simple and efficient heuristic for global optimization over continuous spaces, Journal of Global Optimization, 11, 341-359.
  • Swain, R.K., Sahu, N.C., and Hota, P.K., 2012. Gravitational search algorithm for optimal economic dispatch, Procedia Technology, 6, 411-419.
  • Tizhoosh. H.R., 2005. Opposition-based learning: A new scheme for machine intelligence, in: Proceedings of International Conference on Computational Intelligence for Modelling, Control and Automation, and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC’05), vol. I, pp. 695-701.
  • Zahiri, S.H., 2012. Fuzzy gravitational search algorithm an approach for data miming, Iranian Journal of Fuzzy Systems, 9 (1), 21-37.
  • Zhang, W., Niu, P., Li, G., and Li, P., 2013. Forecasting of turbine heat rate with online least squares support vector machine based on gravitational search algorithm, Knowledge-Based Systems, 39, 34-44.
  • Zheng, Y.J., 2015. Water wave optimization: A new nature-inspired metaheuristic, Computers and Operations Research, 55, 1-11.
Toplam 32 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Makaleler
Yazarlar

Hasan Temurtaş Bu kişi benim

Celal Yaşar Bu kişi benim

Serdar Özyön

Yayımlanma Tarihi 29 Aralık 2017
Gönderilme Tarihi 5 Haziran 2017
Yayımlandığı Sayı Yıl 2017 Cilt: 17 Sayı: 3

Kaynak Göster

APA Temurtaş, H., Yaşar, C., & Özyön, S. (2017). Nümerik Fonksiyonların Optimizasyonu için Karşıt Tabanlı Yeni Bir Meta-Sezgisel Algoritma. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 17(3), 922-937.
AMA Temurtaş H, Yaşar C, Özyön S. Nümerik Fonksiyonların Optimizasyonu için Karşıt Tabanlı Yeni Bir Meta-Sezgisel Algoritma. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi. Aralık 2017;17(3):922-937.
Chicago Temurtaş, Hasan, Celal Yaşar, ve Serdar Özyön. “Nümerik Fonksiyonların Optimizasyonu için Karşıt Tabanlı Yeni Bir Meta-Sezgisel Algoritma”. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi 17, sy. 3 (Aralık 2017): 922-37.
EndNote Temurtaş H, Yaşar C, Özyön S (01 Aralık 2017) Nümerik Fonksiyonların Optimizasyonu için Karşıt Tabanlı Yeni Bir Meta-Sezgisel Algoritma. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi 17 3 922–937.
IEEE H. Temurtaş, C. Yaşar, ve S. Özyön, “Nümerik Fonksiyonların Optimizasyonu için Karşıt Tabanlı Yeni Bir Meta-Sezgisel Algoritma”, Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, c. 17, sy. 3, ss. 922–937, 2017.
ISNAD Temurtaş, Hasan vd. “Nümerik Fonksiyonların Optimizasyonu için Karşıt Tabanlı Yeni Bir Meta-Sezgisel Algoritma”. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi 17/3 (Aralık 2017), 922-937.
JAMA Temurtaş H, Yaşar C, Özyön S. Nümerik Fonksiyonların Optimizasyonu için Karşıt Tabanlı Yeni Bir Meta-Sezgisel Algoritma. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi. 2017;17:922–937.
MLA Temurtaş, Hasan vd. “Nümerik Fonksiyonların Optimizasyonu için Karşıt Tabanlı Yeni Bir Meta-Sezgisel Algoritma”. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, c. 17, sy. 3, 2017, ss. 922-37.
Vancouver Temurtaş H, Yaşar C, Özyön S. Nümerik Fonksiyonların Optimizasyonu için Karşıt Tabanlı Yeni Bir Meta-Sezgisel Algoritma. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi. 2017;17(3):922-37.