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.
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.
Details
| Other ID | JA49FF74RS |
|---|---|
| Journal Section | Articles |
| Authors | |
| Publication Date | April 1, 2015 |
| Submission Date | April 1, 2015 |
| Published in Issue | Year 2015 Volume: 11 Issue: 1 |