Olurluğu arttırılmış parçacık sürü optimizasyonunda çok amaçlı ve tek amaçlı yaklaşımların kıyaslanması

Yıl 2020, Cilt: 35 Sayı: 2, 887 - 900, 25.12.2019

Mehmet Sinan Hasanoğlu , Melik Dölen

https://doi.org/10.17341/gazimmfd.437579

Öz

Çok
amaçlı ve kısıtlı eniyileme problemleri için Pareto esasına dayalı çok amaçlı
olurluğu arttırılmış parçacık sürü optimizasyonuyla (MOFEPSO) elde edilen
çözümler ile bu problemlerin sabit ağırlıklı doğrusal fonksiyonlarla tek amaca
indirgenen halleri için tek amaçlı eniyileme yaklaşımıyla bulunan çözülmeler
karşılaştırılmıştır. İkisi aşırı kısıtlı olmak üzere toplam üç farklı problem
için gerçekleştirilen karşılaştırmalarda amaç fonksiyonlarına önceden bir
ağırlık verilmeksizin çok amaçlı bir yaklaşımla gerçekleştirilen eniyilemenin
incelenen tüm tek amaçlı kıstaslar için de uygun sonuçlar verebildiği
görülmüştür. Çok amaçlı yaklaşımla amaç fonksiyonlarına sonradan (eniyileme
sonrasında) ağırlık verilebilir ve eniyileme koşusunun tekrarlanmasına gerek
olmadan ağırlıklar değiştirilebilir.

Anahtar Kelimeler

Çok amaçlı eniyileme, kısıtlı eniyileme, parçacık sürü optimizasyonu, Pareto cephesi, sabit ağırlıklı doğrusal amaç fonksiyonu

Kaynakça

• Zhou A, Qu B-Y, Li H, Zhao S-Z, Suganthan PN, Zhang Q, Multiobjective evolutionary algorithms: A survey of the state of the art, Swarm Evol Comput, 1(1), 32–49, 2011.
• Coello Coello CA, Theoretical and numerical constraint-handling techniques used with evolutionary algorithms: a survey of the state of the art, Comput Methods Appl Mech Eng, 191(11–12), 1245–87, 2002.
• Mezura-Montes E, Coello CAC, Constraint-handling in nature-inspired numerical optimization: Past, present and future, Swarm Evol Comput, 1(4), 173–94, 2011.
• Hasanoglu MS, Dolen M, Feasibility enhanced particle swarm optimization for constrained mechanical design problems, Proc Inst Mech Eng Part C J Mech Eng Sci, 232(2), 381–400, 2018.
• Hasanoglu MS, Dolen M, Multi-objective feasibility enhanced particle swarm optimization, Eng Optim, 2018.
• Eberhart RC, Kennedy J, A new optimizer using particle swarm theory, Proceedings of the sixth international symposium on micro machine and human science, New York, NY; p. 39–43, 1995.
• Bratton D, Kennedy J, Defining a Standard for Particle Swarm Optimization, 2007 IEEE Swarm Intelligence Symposium, p. 120–7, 2007.
• Ray T, Tai K, Seow KC, Multiobjective Design Optimization by an Evolutionary Algorithm, Eng Optim, 33(4), 399–424, 2001.
• Poli R, Analysis of the Publications on the Applications of Particle Swarm Optimisation, J Artif Evol App, 2008, 3:1–3:10, 2008.
• Lalwani S, Singhal S, Kumar R, Gupta N, A comprehensive survey: Applications of multi-objective particle swarm optimization (MOPSO) algorithm, Trans Comb, 2(1), 39–101, 2013.
• Özdağ R, kablosuz algılayıcı ağlarda hedef kapsama problemi için algılayıcı dağıtımı ile ağın yaşam süresinin optimizasyonu, Gazi Üniversitesi Mühendis-Mimar Fakültesi Derg, 32(4), 2017.
• Çimen ME, Boz AF, İkinci dereceden Ölü Zamanlı ve Geri Tepmeli Sistem Parametrelerinin, Röle Testi ve PSO, CS, FA Algoritmalarıyla Belirlenmesi, Gazi Üniversitesi Mühendis-Mimar Fakültesi Derg, 2018.
• Deb K, An efficient constraint handling method for genetic algorithms, Comput Methods Appl Mech Eng, 186(2–4), 311–38, 2000.
• Jordehi AR, A review on constraint handling strategies in particle swarm optimisation, Neural Comput Appl, 1–11, 2015.
• Zitzler E, Thiele L, Multiobjective optimization using evolutionary algorithms — A comparative case study, Parallel Problem Solving from Nature — PPSN V, Springer, Berlin, Heidelberg; p. 292–301, 1998.
• Srinivas N, Deb K, Muiltiobjective optimization using nondominated sorting in genetic algorithms, Evol Comput, 2(3), 221–48, 1994.
• Coello CAC, An updated survey of evolutionary multiobjective optimization techniques: state of the art and future trends, Proceedings of the 1999 Congress on Evolutionary Computation-CEC99 (Cat No 99TH8406), p. 13 Vol. 1, 1999.
• Ishibuchi H, Nojima Y, Doi T, Comparison between Single-Objective and Multi-Objective Genetic Algorithms: Performance Comparison and Performance Measures, 2006 IEEE International Conference on Evolutionary Computation, p. 1143–50, 2006.
• Deb K, Pratap A, Agarwal S, Meyarivan T, A fast and elitist multiobjective genetic algorithm: NSGA-II, Evol Comput IEEE Trans On, 6(2), 182–97, 2002.
• Pomrehn LP, Papalambros PY, Discrete Optimal Design Formulations With Application to Gear Train Design, J Mech Des, 117(3), 419–24, 1995.
• Dolen M, Kaplan H, Seireg A, Discrete parameter-nonlinear constrained optimisation of a gear train using genetic algorithms, Int J Comput Appl Technol, 24(2), 110–21, 2005.
• Shapiro SS, Wilk MB, An Analysis of Variance Test for Normality (Complete Samples), Biometrika, 52(3/4), 591–611, 1965.
• Wilcoxon F, Individual Comparisons by Ranking Methods, Biom Bull, 1(6), 80–3, 1945.