Meta sezgisel optimizasyon algoritmaları, optimize edilmesi gereken karmaşık problemlerin çözümünde kullanılan doğal fenomenlerden ve hayvan davranışlarından esinlenen sezgisel tekniklerdir. 2017 yılında benekli sırtlanların avlanma stratejilerine dayalı olarak geliştirilen Benekli Sırtlan Optimizasyon (Spotted Hyena Optimization, SHO) ile 2022 yılında kum kedilerinin sürü davranışlarından ilham alınarak oluşturulan Kum Kedisi Sürü Optimizasyon (Sand Cat Swarm Optimization, SCSO), sürü tabanlı meta sezgisel optimizasyon algoritmalarıdır. Bu çalışmada, SHO ve SCSO algoritmalarını kullanarak belirli bir yöntemle yapılan Uyarlanabilir Finite Impulse Response (FIR) Süzgeç ağırlıklarının optimizasyonu yapılmaktadır. Belirli bir gürültüye sahip olan istenilen sinyali elde etmek amacıyla Adaptif Lineer Toplayıcıların ağırlıklarını optimize etmek için hata fonksiyonları kullanılmaktadır. Bu hata fonksiyonları Mean Square Error (MSE) fonksiyonu, Mean Absolute Error (MAE) fonksiyonu ve Least Mean Squared Error (LMS) fonksiyonudur. Bu çalışmada, tüm fonksiyonları kullanarak Adaptif Lineer Toplayıcı işaretleri SHO ve SCSO algoritmaları ile optimize edilmiş ve grafikler aracılığıyla kendi aralarında karşılaştırılmıştır. SHO ve SCSO algoritmaları kullanılarak hata fonksiyonlarından sırası ile SHO için 0.5083 (MSE), 0.7153 (LMS) ve 0.4168 (MAE); SCSO için ise 0.0695 (MSE), 0.2924 (LMS) ve 0.2151 (MAE) sonuçlarına ulaşılmıştır. Grafikler incelendiğinde, en optimal çözümün her iki algoritma için de MSE ile sağlandığı sonucuna varılmaktadır. Çalışma sonuçlarına göre, SCSO algoritmasının SHO algoritmasına göre Adaptif Lineer Toplayıcı tasarımında daha yüksek bir başarı oranına sahip olduğu sonucuna varılmıştır.
Sezgisel Optimizasyon Benekli Sırtlan Optimizasyon Algoritması Kum Kedisi Sürü Optimizasyon Algoritması Adaptif Lineer Toplayıcı Hata Fonksiyonu
Abstract— Meta-heuristic optimization algorithms are intuitive techniques inspired by natural phenomena and animal behaviors, utilized in solving complex problems that require optimization. Spotted Hyena Optimization (SHO), developed based on the hunting strategies of spotted hyenas in 2017, and Sand Cat Swarm Optimization (SCSO), created in 2022 by drawing inspiration from the herd behaviors of sand cats, are examples of herd-based meta-heuristic optimization algorithms. In this study, the optimization of Adaptive Finite Impulse Response (FIR) filter weights is performed using SHO and SCSO algorithms with a specific method. Error functions, including Mean Square Error (MSE), Mean Absolute Error (MAE), and Least Mean Squared Error (LMS), are employed to optimize the weights of Adaptive Linear Collectors aiming to obtain the desired signal with specific noise. Using all these functions, Adaptive Linear Collectors' signals are optimized with SHO and SCSO algorithms and compared through graphs. Results show that using SHO and SCSO algorithms, the respective error values are as follows: for SHO - 0.5083 (MSE), 0.7153 (LMS), and 0.4168 (MAE); for SCSO - 0.0695 (MSE), 0.2924 (LMS), and 0.2151 (MAE). Upon examining the graphs, it is concluded that the most optimal solution for both algorithms is achieved through MSE. According to the study results, SCSO algorithm demonstrates a higher success rate in the design of Adaptive Linear Collectors compared to the SHO algorithm.
Spotted Hyena Optimization Algorithm Sand Cat Swarm Optimization Algorithm Adaptive Linear Combiner Error Function Intuitive Optimization
Primary Language | Turkish |
---|---|
Subjects | Artificial Intelligence (Other) |
Journal Section | PAPERS |
Authors | |
Early Pub Date | December 24, 2024 |
Publication Date | |
Submission Date | March 18, 2024 |
Acceptance Date | July 28, 2024 |
Published in Issue | Year 2024 Volume: 9 Issue: Issue: 2 |
The Creative Commons Attribution 4.0 International License is applied to all research papers published by JCS and
A Digital Object Identifier (DOI) is assigned for each published paper.