KARŞIT VE YARI-KARŞIT TABANLI ÖĞRENME İLE AKCİĞER PERFORMANSINA DAYALI OPTİMİZASYON

Abstract

Optimizasyon algoritmalarının sonraki süreçlerde geliştirilmesi ve iyileştirilmesi konusu birçok bilim dalında geniş bir çalışma alanını oluşturmaktadır. Bu algoritmaların ilk tasarımında ele alınamayan ya da değerlendirilemeyen birçok geliştirme metodu daha sonra algoritmalar ile birlikte kullanılarak yeni algoritmalar geliştirilmekte ve daha iyi yakınsama eğrileri ve süreleri elde edilebilmektedir. Bu çalışmada algoritma geliştirme metotlarından biri olan karşıt ve yarı-karşıt tabanlı öğrenme kavramı ele alınmıştır. Bu kavram, rastgele oluşturulan çözümler yerine, onların karşıt konumlarındaki bireyleri dikkate alarak daha hızlı ve kararlı sonuçlara ulaşmayı amaçlamaktadır. Karşıt tabanlı öğrenme kavramının temelinde algoritmanın ilk popülasyonunun yarısı rastgele oluşturulurken diğer yarısının ise karşıt konumlara yerleştirilmesi yatar. Bu işlem yarı-karşıt tabanlı öğrenmede ise rastgele birey ve bu bireyin karşıt konumu arasındaki bir bölgede başka bir birey oluşturularak, bu bireylerin uygunlukları karşılaştırılıp uygunluğu iyi olan bireyin popülasyona katılması şeklinde uygulanır. Bu iyileştirme yapılarının son yıllarda ortaya atılan akciğer performansına dayalı optimizasyon algoritması ile birlikte kullanılmasıyla, klasik algoritma üzerindeki etkileri kıyaslama fonksiyonları üzerinden tartışılmıştır. Önerilen OLPO (Opposite-based LPO) ve QOLPO (Quasi-opposite-based LPO) algoritmalarının performansı, 12 adet CEC 2022 kıyaslama fonksiyonu üzerinde 30 tekrar (run) ve 20 boyut (dimension) kullanılarak değerlendirilmiştir.

Keywords

• Optimizasyon
• Meta-sezgisel algoritmalar
• Akciğer performansına dayalı optimizasyon
• Karşıt ve yarı-karşıt-tabanlı öğrenme

Lungs performance-based optimization with opposite and quasi-opposite-based learning

Abstract

Developing and improving optimization algorithms in later processes constitutes a wide field of study in many branches of science. Many development methods that could not be considered or evaluated in the initial design of these algorithms are later used together with the algorithms to develop new algorithms and obtain better convergence curves and times. This study discusses the concept of opposite and quasi-opposite-based learning, which aims to accelerate convergence by evaluating both candidate solutions and their opposite counterparts in the search space. The basis of the opposite-based learning concept is that half of the initial population of the algorithm is randomly generated while the other half is placed in opposing positions. This process is applied in quasi-opposite-based learning by creating another individual in a region between a random individual and the opposite position of this individual, comparing the suitability of these individuals, and adding the individual with better suitability to the population. Using these improvement structures and the lung performance-based optimization algorithm put forward in recent years, their effects on the classical algorithm are discussed through comparison functions. The performance of the proposed OLPO (Opposite-based LPO) and QOLPO (Quasi-opposite-based LPO) algorithms is evaluated on 12 CEC 2022 benchmark functions using 30 runs and 20 dimensions.

Keywords

• Optimization
• Meta-heuristic algorithms
• Lungs performance-based optimization
• Opposite and quasi-opposite-based learning

References

1. Basu, M. (2016). Quasi-oppositional differential evolution for optimal reactive power dispatch. International Journal of Electrical Power & Energy Systems, 78, 29-40. doi:10.1016/j.ijepes.2015.11.067
2. Boyar, A., Kabalcı, Y., & Kabalcı, E. (2024). Elektrikli araçların hibrit enerji depolama sistemleri için akciğer performansına dayalı optimizasyon algoritması temelli kontrolör geliştirilmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 13(3), 948-955. doi:/10.28948/ngumuh.1449613
3. Chen, L., Ma, L., & Li, L. (2024). Enhancing sine cosine algorithm based on social learning and elite opposition-based learning. Computing, 106(5), 1475–1517. doi:10.1007/S00607-024-01256-3
4. Ekinci, S., Izci, D., Eker, E., Abualigah, L., Thanh, C.L., & Khatir, S. (2024). Hunger games pattern search with elite opposite-based solution for solving complex engineering design problems. Evolving Systems, 15(3), 939-964. doi:10.1007/s12530-023-09526-9
5. Ghasemi, M., Zare, M., Zahedi, A., Trojovský, P., Abualigah, L., & Trojovská, E. (2024). Optimization based on the performance of lungs in the body: Lungs performance-based optimization (LPO). Computer Methods in Applied Mechanics and Engineering, 419, 116582. doi:10.1016/J.CMA.2023.116582
6. He, K., Zhang, Y., Wang, Y., & Zhou, R. (2024). Solving power system economic emission dispatch problem under complex constraints via dimension differential learn butterfly optimization algorithm with FDC-based. Computers & Industrial Engineering, 197, 110568. doi:10.1016/j.cie.2024.110568
7. Kaur, A., Singh, M. & Dhillon, J.S. (2025). Oppositionally driven crisscross gravitational search approach for economic load dispatch. Electrical Engineering. doi:10.1007/s00202-024-02905-8
8. Kumar, A., Price, K. V., Mohamed, A. W., & Hadi, A. A. (2021). Problem definitions and evaluation criteria for the CEC 2022 special session and competition on single objective bound constrained numerical optimization. In IEEE congress on evolutionary computation: Tech. rep, Italy: Centro Congressi Padova. doi:10.13140/RG.2.2.32347.85284

9. Mahdavi, S., Rahnamayan, S., & Deb, K. (2018). Opposition based learning: A literature review. Swarm and Evolutionary Computation, 39, 1–23. doi:10.1016/j.swevo.2017.09.010
10. Nasser, A.B., Zamli, K.Z., Hujainah, F., Ghanem, W.A.H., Saad, A.M.H., & Alduais, N.A.M. (2021). An adaptive opposition-based learning selection: The case for Jaya algorithm. IEEE Access, 9, 55581-55594. doi:10.1109/ACCESS.2021.3055367
11. Özyön, S. (2020). Opposite-based learning differential evolution algorithm for optimal active power dispatch. Uludağ University Journal of The Faculty of Engineering, 25(1), 231-246. doi:10.17482/uumfd.635957
12. Rahnamayan, S., Tizhoosh, H.R., & Salama, M.M. (2007). Quasi-oppositional differential evolution. In 2007 IEEE congress on evolutionary computation (pp. 2229-2236). IEEE. doi:10.1109/CEC.2007.4424748
13. Temurtaş, H., Yaşar, C., & Özyön, S. (2017). Nümerik fonksiyonların optimizasyonu için karşıt tabanlı yeni bir meta-sezgisel algoritma. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 17(3), 922-937. doi:10.5578/fmbd.66295
14. Tizhoosh, H.R. (2005). Opposition-based learning: a new scheme for machine intelligence. In International conference on computational intelligence for modelling, control and automation and international conference on intelligent agents, web technologies and internet commerce (CIMCA-IAWTIC'06) (Vol. 1, pp. 695-701). IEEE. doi:10.1109/CIMCA.2005.1631345
15. Turgut, O.E., & Turgut, M.S. (2024). Quasi-dynamic opposite learning enhanced RungeKutta optimizer for solving complex optimization problems. Evolutionary Intelligence, 17(4), 2899-2962. doi:10.1007/S12065-024-00919-6
16. Xu, Q., Wang, N., Zou, F., & Yang, J. (2019). Exploring the reasons behind the good performance of opposition-based learning. IEEE Access, 7, 7259-7272. doi:10.1109/ACCESS.2018.2890402