Lojistik-Gauss Harita Tabanlı Yeni Bir Kaotik Sürü Optimizasyon Yöntemi

Yıl 2019, Cilt: 4 Sayı: 1, 47 - 53, 01.06.2019

Fahrettin Burak Demir , Türker Tuncer , Adnan Fatih Kocamaz

Öz

Gerçek hayattaki bazı problemler,
klasik matematiksel yöntemler kullanarak çözülememektedir. Bu sebeple, bu
problemlerin çözümünde genellikle meta-sezgisel optimizasyon yöntemleri
kullanılmaktadır. Meta-sezgisel optimizasyon yöntemlerinin başarı düzeyini
artırmak için kullanılan yöntemlerden birisi de kaotik haritalardır. Bu
makalede yeni bir hibrit kaotik harita önerilmiş ve önerilen hibrit kaotik
harita kullanılarak yeni bir kaotik optimizasyon yöntemi geliştirilmiştir.
Önerilen hibrit kaotik harita, lojistik ve gauss haritalarını kullanmaktadır.
Optimizasyon aşamasında parçacıkların değerlerini güncellemek için
lojistik-gauss haritası kullanılmıştır. Önerilen optimizasyon yöntemi de
lojistik-gauss tabanlı kaotik sürü algoritması olarak adlandırılmıştır. Yeni
optimizasyon yönteminin performansını test etmek için ise literatürde sıklıkla
kullanılan 6 sayısal kıyaslama fonksiyonu tercih edilmiştir. Ve elde edilen
değerler yine literatürde yer alan 3 farklı sürü tabanlı optimizasyon
yöntemiyle karşılaştırılmıştır. Önerilen yöntem hemen bütün fonksiyonlar için
daha optimum sonuçlar üretmiştir. Bu sayede sürü optimizasyon yönteminin,
tuzaklı lokal optimum değerlerden uzak durması sağlanmaya çalışılmıştır.

Anahtar Kelimeler

Kaotik optimizasyon yöntemleri, Lojistik harita, Gauss haritası, Kıyaslama fonksiyonları, Sürü optimizasyon algoritması

Kaynakça

• 1. Canayaz M., Karcı, A. 2015. Investigation of cricket behaviours as evolutionary computation for system design optimization problems. Measurement, 68, 225-235.
• 2. Akyol S., Alataş, B. 2012. Güncel sürü zekâsı optimizasyon algoritmaları. Nevşehir Üni. Fen Bil. Ens. Der. 1, 36-50.
• 3. Mirjalili S., Lewis A. 2016, The Whale Optimization Algorithm, Advances in Engineering Software, 95:51,67.
• 4. Kennedy J. And Eberhart R. C. 1995. Particle Swarm Optimization. Proc. IEEE Conf. Neural Networks, Perth, Australia, 1942-198,1995.
• 5. Prayogo D., Cheng M.Y., Wu Y.W., Herdany A.A., Prayogo H. 2018. Differential Big Bang - Big Crunch algorithm for construction-engineering design optimization, Automation in Construction 85 (2018) 290–304.
• 6. Mirjalili S. 2016. SCA: A Sine Cosine Algorithm for solving optimization problems, Knowledge-Based Systems 96 (2016) 120–133.
• 7. Demir G., Tanyıldızı, E., The Use of Sine Cosine Algorithm (SCA) in Solution of Optimization Problems, Science and Eng. J of Fırat Univ. 29(1), 227-238.
• 8. Atashpaz-Gargari, E. ve Lucas C. 2007. “Imperialist Competitive Algorithm: An Algorithm for Optimization Inspired by Imperialistic Competitions”, IEEE Congress on Evolutionary Computation, pp. 4661-4667.
• 9. Geem, Z.W. ve Kim, J-H, Loganathan, G.V. 2001. “A New Heuristic Optimization Algorithm: Harmony Search”, Simulation, Vol. 76, No. 2, pp. 60–68, 2001.
• 10. Tanyıldızı, E. Ve Cigal, T. 2017. “Kaotik Haritalı Balina Optimizasyon Algoritmaları”, Fırat Üniv. Müh. Bil. Dergisi, 29(1), 309-319,2017.
• 11. Nozawa, H. 1992. A neural network model as globally coupled map and application based on chaos, Chaos, 377–386.
• 12. Yang, Z., Shi Y. 2015. Brain storm optimization with chaotic operation, Advanced Computational Intelligence (ICACI), 2015 Seventh International Conference, 978-1-4799- 7259-3.
• 13. Coelho L.D., Mariani V.C, Guerra F.A., Luz M.V.F, Leite J.V., (2014), Multiobjective Optimization of Transformer Design Using a Chaotic Evolutionary Approach, IEEE Transactions on Magnetics, Volume 50, Issue 2, 669-672.
• 14. Özkaynak, F., Özer, A. B., Sırma, Y., 2012, Signal Processing and Communications Applications Conference (SIU), 10.1109/SIU.2012.6204450.
• 15. Alataş B., Akın E., Özer B. 2007. Kaotik Haritalı Parçacık Sürü Optimizasyon Algoritmaları, Eskişehir Osmangazi Üniversitesi Elektrik Elektronik Bilgisayar Biyomedikal Mühendisliği Ulusal Kongresi.
• 16. Özkaynak F. 2015. A novel method to improve the performance of chaos based evolutionary algorithms. Optik-International Journal for Light and Electron Optics 126 (24), 5434-5438.
• 17. Zhenyu G., Bo C., Min Y., Binggang C. 2006. Self-adaptive chaos differential evolution. In: Jiao L, Wang L, Gao X, Liu J, Wu F (eds) Advances in natural computation. Lecture notes in computer science, vol 4221. Springer, Berlin, Heidelberg, pp 972–975.
• 18. Peitgen H., Jurgens H. and Saupe D., 1992. Chaos and Fractals. Berlin, Germany: Springer-Verlag, 1992.
• 19. Saremi S., Mirjalili S., Lewis A., 2014. Biogeography-based optimization with chaos, Neural Computing & Applications (2014) 25:1077–1097.
• 20. Mirjalili S., Gandomi A.H., (2017) Chaotic gravitational constants for the gravitational search algorithm, Applied Soft Computing, vol 53. Pages 407-419.