Abstract

Meta-sezgisel algoritmalar ilgili problem hakkında detaylı bilgiye ihtiyaç duymaksızın pek çok optimizasyon problemini çözebilecek şekilde tasarlanmış algoritmalardır. Yeni bir algoritma olan Göçmen Kuşlar Optimizasyon (GKO) algoritması diğer meta-sezgisellere benzer şekilde doğadan esinlenilerek oluşturulmuş sistematik bir komşuluk araştırma yöntemidir. Algoritma, harcanan enerjiyi minimize etmek için göçmen kuşların kullandıkları efektif bir uçuş şekli olan V uçuş biçimini simüle eder. Bu makalede 20 farklı veri seti kullanılarak ilgili sınıflandırma problemlerine çözümler aranmıştır. İlk olarak, ilgili sınıflandırma problemleri için tasarlanan Yapay Sinir Ağlarının (YSA) eğitimlerinde GKO algoritması kullanılmıştır. Daha sonra, aynı YSA’lar diğer güçlü ve yaygın meta-sezgisel algoritmalar kullanılarak eğitilmişlerdir. Bu algoritmalar yapay arı koloni algoritması, parçacık sürü optimizasyon algoritması, fark gelişim algoritması ve genetik algoritmadır. Son olarak, algoritmalar arasında net mukayeseler yapılabilmesi için eğim tabanlı klasik bir eğitim yöntemi olan Levenberq-Marquardt algoritması çalışmaya ilave edilmiştir. Sonuçlar, GKO algoritmasının YSA eğitimindeki performansının diğerlerininkine nazaran daha iyi olduğunu göstermiştir. GKO algoritması deneylerin çoğunda en yüksek doğruluk ve en düşük ortalama karesel hata değerlerine ulaşmıştır.

Keywords

• Göçmen kuşlar optimizasyon algoritması, sürü zekâsı, yapay sinir ağı eğitimi, komşuluk araştırması, sınıflandırma

Classification using neural networks trained by swarm intelligence

Abstract

The metaheuristics are the algorithms that are designed to solve many optimization problems without needing knowledge about the corresponding problems in detail. Similar to other metaheuristics, the Migrating Birds Optimization (MBO) algorithm which is introduced recently is a nature inspired neighbourhood search method. It simulates migrating birds’ V flight formation which is an effective flight shape for them to save the energy. In this paper, 20 different data sets were used for classification. Firstly, the MBO algorithm was employed to train neural networks which were designed for classification. Then, the same networks were trained by using other well-known powerful metaheuristic algorithms. These are the Artificial Bee Colony (ABC) algorithm, the Particle Swarm Optimization (PSO) algorithm, the Differential Evolution (DE) algorithm and the Genetic Algorithm (GA). Finally, the Levenberq-Marquardt (LM) algorithm, a classical gradient based training method, was added to implementations so that clear comparisons could be done among algorithm performances. Results show that the MBO algorithm has better performance than the others’ performances. It gets the highest accuracies in tests and reaches to the lowest mean squared errors in trainings for most of the experiments.

Keywords

• Migrating birds optimization, swarm intelligence, neural network training, neighbourhood search, classification