MARTI OPTİMİZASYON ALGORİTMASININ KISITLI MÜHENDİSLİK TASARIM PROBLEMLERİ İÇİN PERFORMANS ANALİZİ
Öz
Metasezgisel arama algoritmaları, birçok uygulama alanında farklı optimizasyon problemlerini çözmek için yaygın bir biçimde kullanılmaktadır. Özellikle, son yıllarda, karmaşık optimizasyon problemlerini etkin bir biçimde çözebilmek için fiziksel, kimyasal veya biyolojik olaylardan esinlenilerek birçok farklı metasezgisel algoritma geliştirilmiştir. Doğadaki martıların göç ve saldırı davranışlarından ilham alınarak geliştirilen Martı Optimizasyon Algoritması (MOA), maliyetli optimizasyon problemlerinin çözümü için etkili biyoloji tabanlı metasezgisel bir yöntemdir. Bu çalışmada, MOA’nın performansını değerlendirmek için, MOA amaç fonksiyonları, kısıtları ve karar değişkenleri farklı beş kısıtlı mühendislik tasarım problemine uygulanmıştır. MOA ile elde edilen sonuçlar, farklı metasezgisel algoritmalar ile karşılaştırılmıştır. Elde edilen deney sonuçlarına göre, MOA, karşılaştırılan diğer optimizasyon yöntemlerine göre oldukça iyi sonuçlar vermiştir.
Anahtar Kelimeler
Martı optimizasyon algoritması , Metasezgisel algoritmalar , Mühendislik tasarım problemi
Kaynakça
- Altunbey F, Alataş B. Review of social-based artificial ıntelligence optimization algorithms for social network analysis. International Journal of Pure and Applied Sciences 2015; 1(1): 33-52.
- Erol OK, Eksin I. A new optimization method: big bang–big crunch. Advances in Engineering Software 2006; 37(2): 106-111.
- Hatamlou A. Black hole: A new heuristic optimization approach for data clustering. Information Sciences 2013; 222: 175-184.
- Formato RA. Central force optimization: A new deterministic gradient like optimization metaheuristic. Opsearch 2009; 46(1): 25–51.
- Rashedi E, Nezamabadi-Pour H, Saryazdi S. GSA: a gravitational search algorithm. Information Sciences 2009; 179(13): 2232-2248.
- Eskandar H, Sadollah A, Bahreininejad A, Hamdi M. Water cycle algorithm–A novel metaheuristic optimization method for solving constrained engineering optimization problems. Computers & Structures 2012; 110: 151-166.
- Kennedy J, Eberhart R. Particle swarm optimization. Paper presented at: ICNN’95-IEEE International Conference on Neural Networks, 1995.
- Dorigo M, Birattari M, Stutzle T. Ant colony optimization. IEEE Computational İntelligence Magazine 2006; 1(4): 28-39.
- Yang XS. A new metaheuristic bat-inspired algorithm. Nature Inspired Cooperative Strategies For Optimization (NICSO 2010), Springer, Berlin, Heidelberg. 2010: 65-74.
- Yang XS. Firefly algorithm, stochastic test functions and design optimisation. International Journal of Bio-Inspired Computation 2010; 2(2):78–84.