Yapay Zeka Tabanlı Optimizasyon Algoritmalarının Araştırılması

Year 2019, Volume: 1 Issue: 1, 11 - 16, 13.03.2019

Şükrü Okul Doğukan Aksu Zeynep Orman

Abstract

Bu
çalışmada yapay zeka, derin öğrenme ve makne öğrenmesi kavramları açıklanmış ve
yapay zekanın optimizasyon algoritmaları ile ilişkileri incelenmiştir. Derin öğrenme
ve makine öğrenmesinin temel aşamaları ve içeriği tanımlanarak, yapay zeka'nın
optimizasyon ile olan ilişkisi araştırılmıştır. Bu inceleme ışığında dört adet
optimizasyon algoritması ele alınmıştır. Literatürde sıklıkla kullanılan bu
yapay zeka tabanlı optimizasyon algoritmalarının adımları ve işlemleri ayrıntılı
olarak incelenmiştir. İncelenen algoritmaların hepsi doğa ile ilgili olarak geiştirilen
algoritmaları içermektedir. Bu algoritmaları sayacak olursak; Bakteri Yiyecek
Arama Optimizasyonu, Çiçek Tozlaşması Optimizasyonu, Genetik Algoritma ve Yapay
Arı Kolonisi algoritmalarıdır. Literatürde yapılan çalışmalar, Bakteri Yiyecek
Arama'da koli basili olarak bilinen bakterilerin yaşam döngüsünin modellenmesi,
Çiçek Tozlaşmasın'da çiçekli bitkilerde meydana gelen tozlaşma olayının modellenmesi,
Genetik Algoritma'da biyolojide çeşitliliği ve kaliteli bir populasyonun
oluşmasını sağlayan genlerin oluşumunun modellenmesi ve Yapay Arı Kolonisi'nde
arıların davranış mantıklarının modellenmesi ile gerçekleştirilmiştir. Bu
çalışmalardan Yapay Arı Kolonisi dışındaki çalışmalar doğrudan doğada
gerçekleşen olayların modellemesiyken, Yapay Arı Kolonisi arı kolonilerinin
davranışlarıyla bir örnek uzayının içerisindeki beklenen ve beklenmeyen
değerler kümesinin nasıl ayrılabileceği ile ilgili bir yorum eklenerek ortaya
atılmıştır. Bu çalışma içerisinde tüm bu algoritmaların aşamaları ve her adımda
uygulanan mantık irdelenmektedir. Bu algoritmalarla ilgili bazı yeni önemli
uygulama alanları da ele alınmıştır. Sonuç kısmında ise bu çalışmalar ışığında gelecek
çalışmalar için neler yapılabileceği ifade edilmiştir.

Keywords

Yapay Zeka, optimizasyon algoritmaları

Investigation of Artificial Intelligence Based Optimization Algorithm

Abstract

In this
study, the concept of artificial intelligence (AI), deep learning and machine
learning are explained and the relation between AI and optimization algorithms
are examined. By defining the basic stages and the content of deep learning and
machine learning, the relationship of AI with optimization is investigated. In
the light of this study, four optimization algorithms were considered. The
steps and the operations of these artificial intelligence-based optimization
algorithms which were widely used in the literature have been examined in
detail. All the algorithms discussed in this study are related to nature. These
algorithms are; Bacterial Foraging Optimization, Flower Pollination
Optimization, Genetic Algorithm and Artificial Bee Colony Algorithm. The
studies in the literature carried out by modelling the life cycle of bacteria
known as koli basil in Bacterial Foraging, the pollination event in flower
pollination plants in Flower Pollination, genetics in Genetic Algorithm and the
formation of genes that lead to the formation of a high quality population and
bees' behavioural logic in Artificial Bee Colony. While the studies except the
Artificial Bee Colony were the direct models of the phenomenon in nature, the
Artificial Bee Colony was put forward by adding a comment about how the
behaviours of bee colonies can be separated from the expected and unexpected
values ​​in a sample space. In this study, the stages of all these algorithms
and the logic used in each step are examined. Some recent important application
domains related to these algorithms are also discussed. In the conclusion part,
what can be done in the light of these studies as a future work is mentioned.

Keywords

Artificial Intelligence, Optimization Algorithms

References

• algorithms, Proceedings of an International Conference on Genetic Algorithms and their applications, 101-111.
• Bayraktar, D. ve Çebi, F., 2003, Yöneylem Araştırması-1 – Ders Notları (İstanbul Teknik Üniversitesi – İşletme Fakültesi), http://web.itu.edu.tr/~cebife/TUM_YA1notlari.pdf.
• Buchanan, B. G., 2005, A (Very) Brief History of Artificial Intelligence. AI Magazine, 26(4), 25th Anniversary Edition. 53-60, http://www.aaai.org/ojs/index.php/aimagazine/article/view/1848/1746.
• Darwin, C., 2015 (Çev.), Türlerin Kökeni, İstanbul, Evrensel Basım Yayın.
• Das, S., Biswas, A., Dasgupta, S. ve Abraham, A., 2009, Bacterial foraging optimization algorithm: theoretical foundations, analysis, and applications, In: Foundations of Computational Intelligence, Eds: Springer, p. 23-55.
• Fisher, R. A., 1958:1930, The Genetical Theory of Natural Selection, (1930: Clarendon Press) Oxford University Press.
• Floudas, C. A., 2013, Deterministic Global Optimization: Theory, Methods and Applications, Springer Science & Business Media.
• Geem, Z. W., Kim, J. H. ve Loganathan, G., 2001, A new heuristic optimization algorithm: harmony search, Simulation, 76 (2), 60-68.
• Hezer, S., & Kara, Y. (2013). Eşzamanli Dağıtımlı ve Toplamalı Araç Rotalama Problemlerinin Çözümü için Bakteriyel Besin Arama Optimizasyonu Tabanlı bir Algoritma. Journal of The Faculty of Engineering & Architecture of Gazi University, 28(2).
• Hoffman K. ve Padberg M., “Combinatorial and Integer Optimization”, www.iris.gmu.edu/~khoffma/papers/newcomb1.html. (07/05/2002)., s. 1-10.
• Holland, J. H., 2012, Genetic Algorithms. Scholarpedia, 7(12), 1482, http://www.scholarpedia.org/article/Genetic_algorithms.
• Kaplan, W., 2011, Maxima and minima with applications: practical optimization and duality, John Wiley & Sons.
• Karaboğa, D., Akay, B. ve Öztürk, C., 2007, Artificial bee colony (ABC) optimization algorithm for training feed-forward neural networks, International Conference on Modeling Decisions for Artificial Intelligence, 318-329.
• Karaboğa, D. ve 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.
• Karaboğa, D., 2014, Yapay Zekâ Optimizasyon Algoritmaları, Ankara, Nobel Akademik Yayıncılık.
• Kaymaz, İ., 2016, Optimizasyon Teknikleri – Ders Notları (Atatürk Üniversitesi – Fen Bilimleri Enstitüsü), http://194.27.49.11/makine/ikaymaz/optimizasyon/. Kearfott, R. B., 2013, Rigorous global search: continuous problems, Springer Science & Business Media.
• Korkmaz, E., Akgüngör, A. P., Türkiye'deki Araç Sahipliğinin Çiçek Tozlaşma Algoritması ile Tahmini, Gazi Mühendislik Bilimleri Dergisi 2018, 4(1): 39-45. Kramer, O., 2017, Genetic Algorithm Essentials, Springer.
• Küçüksille, E. U., Tokmak, M., 2011, Yapay Arı Kolonisi Algoritması Kullanarak Otomatik Ders Çizelgeleme, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü Dergisi, 15-3( 2011),203-210.
• Lee, K. Y. ve El-Sharkawi, M. A., 2008, Modern heuristic optimization techniques: theory and applications to power systems, John Wiley & Sons.
• Makridakis, S., 2017, The Forthcoming Artificial Intelligence (AI) Revolution: Its Impact on Society and Firms. Neapolis University - HEPHAESTUS Repository, http://hephaestus.nup.ac.cy/bitstream/handle/11728/9254/THE_FORTHCOMING ...2017_Full.pdf?sequence=1&isAllowed=y.
• McCarthy, J., Minsky, M. L., Rochester, N. ve Shannon, C. E., 2006:1955, A proposal for the dartmouth summer research project on artificial intelligence, 31 Ağustos 1955. AI Magazine, 27(4), 12, http://www.aaai.org/ojs/index.php/aimagazine/article/view/1904/1802.
• Mitchell, M., 1998, An Introduction to Genetic Algorithms, MIT Press.
• Passino, K. M., 2012, Bacterial foraging optimization, Innovations and Developments of Swarm Intelligence Applications, 219-233.
• Rao, S. S., 2009, Classical optimization techniques, In: Engineering Optimization: Theory and Practice, Eds, p. 63-118.
• Tereshko, V., 2000, Reaction-diffusion model of a honeybee colony’s foraging behaviour, International Conference on Parallel Problem Solving from Nature, 807-816.
• Tereshko, V. ve Loengarov, A., 2005, Collective decision making in honey-bee foraging dynamics, Computing and Information Systems, 9 (3), 1.
• Weise, T., 2009, Global Optimization Algorithms – Theory and Application, http://www.it-weise.de/projects/book.pdf.
• Yang, X.-S., 2010a, A new metaheuristic bat-inspired algorithm. Nature inspired cooperative strategies for optimization (NICSO 2010): 65-74.
• Yang, X.-S., 2010b, Nature-Inspired Metaheuristic Algorithms, Luniver Press.
• Yang, X.-S., 2012, Flower pollination algorithm for global optimization, International Conference on Unconventional Computing and Natural Computation, 240-249.
• Yang, X.-S., Karamanoglu, M. ve He, X., 2014, Flower pollination algorithm: A novel approach for multiobjective optimization, Engineering optimization, 46 (9), 1222- 1237.
• Zelinka, I., Snasel, V. ve Abraham, A., 2012, Handbook of optimization: from classical to modern approach, Springer Science & Business Media.