Uygunluk-Mesafe Dengesi Tabanlı Dev Armadillo Optimizasyon Algoritması

Yıl 2025, Cilt: 3 Sayı: 2, 109 - 116, 30.12.2025

Hasan Uzel , Yunus Hınıslıoğlu , Adem Dalcalı , Uğur Güvenç

https://izlik.org/JA49MH46NE

Öz

Bu çalışmada, algoritmalardaki keşif ve sömürü arasındaki dengesizliği ortadan kaldırmak adına etkili bir yöntem olan Uygunluk-Mesafe Dengesi (FDB) yöntemi ile Dev Armadillo Optimizasyon (GAO) algoritması geliştirilmesi sağlanmıştır. Önerilen Uygunluk-Mesafe Dengesi tabanlı Dev Armadillo Optimizasyon (FDBGAO) algoritması ile temel GAO algoritmasına kıyasla keşif ve sömürü arasında daha etkili bir denge sağlanması amaçlanmıştır. Benzetim çalışmasında, temel GAO ve FDBGAO algoritmalarının etkinliğini incelemek amacıyla 23 standart kıyaslama fonksiyonu için analizler gerçekleştirilmiş ve elde edilen sonuçlar ortalama ve standart sapma değerleri açısından karşılaştırılmıştır. Elde edilen sonuçlar, FDBGAO algoritmasının tek-modlu, çok-modlu ve çok-modlu düşük boyutlu kıyaslama fonksiyonlarının çözümünde temel GAO algoritmasına kıyasla daha etkili ve başarılı sonuçlar verdiğini göstermektedir.

Anahtar Kelimeler

Uygunluk-Mesafe Dengesi , Dev Armadillo Optimizasyon Algoritması , Meta-sezgisel Algoritmalar

Fintess-Distance Balance based Giant Armadillo Optimization Algorithm

https://izlik.org/JA49MH46NE

Öz

In this study, the Giant Armadillo Optimization (GAO) algorithm has been developed using the Fitness-Distance Balance (FDB) method, which is an effective method to eliminate the imbalance between exploration and exploitation in the algorithms. The proposed Fitness-Distance Balance based Giant Armadillo Optimization (FDBGAO) algorithm aims to provide a more effective balance between exploration and exploitation compared to the main GAO algorithm. In the simulation study, in order to examine the effectiveness of the main GAO and FDBGAO algorithms, analyzes were performed for 23 standard benchmark functions and the obtained results were compared in terms of mean and standard deviation values. The obtained results show that the FDBGAO algorithm provides more effective and successful results compared to the basic GAO algorithm in solving single-mode, multi-mode and multi-mode low-dimensional benchmark functions.

Anahtar Kelimeler

Fitness-Distance Balance , Giant Armadillo Optimization Algorithm , Meta-heuristic Algorithms

Kaynakça

• [1] S. Zhao, T. Zhang, S. Ma, ve M. Chen, “Dandelion Optimizer: A nature-inspired metaheuristic algorithm for engineering applications”, Eng. Appl. Artif. Intell., c. 114, s. 105075, Eyl. 2022, doi: 10.1016/J.ENGAPPAI.2022.105075.
• [2] L. Abualigah, D. Yousri, M. Abd Elaziz, A. A. Ewees, M. A. A. Al-qaness, ve A. H. Gandomi, “Aquila Optimizer: A novel meta-heuristic optimization algorithm”, Comput. Ind. Eng., c. 157, sayı October 2020, s. 107250, 2021, doi: 10.1016/j.cie.2021.107250.
• [3] B. Akay ve D. Karaboga, “A survey on the applications of artificial bee colony in signal, image, and video processing”, Signal, Image Video Process., c. 9, sayı 4, ss. 967–990, 2015, doi: https://doi.org/10.1007/s11760-015-0758-4.
• [4] M. Şeker, "Long term electricity load forecasting based on regional load model using optimization techniques: A case study," Energy Sources, Part A Recovery, Util. Environ. Eff., vol. 44, no. 1, pp. 21–43, 2021, doi: 10.1080/15567036.2021.1945170.
• [5] E. Aslan and Y. Özüpak, "Detection of substation pollution in district heating and cooling systems: A comprehensive comparative analysis of machine learning and artificial neural network models," ITEGAM-J. Eng. Technol. Ind. Appl., vol. 10, no. 50, pp. 17–27, 2024, doi: 10.5935/jetia.v10i50.1289.
• [6] J. Kennedy ve R. Eberhart, “Particle swarm optimization”, içinde Proceedings of ICNN’95 - International Conference on Neural Networks, c. 4, ss. 1942–1948, doi: 10.1109/ICNN.1995.488968.
• [7] J. H. Holland, “Genetic Algorithms and Adaptation”, Adapt. Control Ill-Defined Syst., ss. 317–333, 1984, doi: 10.1007/978-1-4684-8941-5_21.
• [8] R. Storn ve K. Price, “Differential Evolution - A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces”, J. Glob. Optim., c. 11, sayı 4, ss. 341–359, 1997, doi: 10.1023/A:1008202821328.
• [9] M. Dorigo, M. Birattari, ve T. Stutzle, “Ant colony optimization”, IEEE Comput. Intell. Mag., c. 1, sayı 4, ss. 28–39, Kas. 2006, doi: 10.1109/MCI.2006.329691.
• [10] D. Karaboga ve B. Basturk, “A powerful and efficient algorithm for numerical function optimization: Artificial bee colony (ABC) algorithm”, J. Glob. Optim., c. 39, sayı 3, ss. 459–471, Kas. 2007, doi: 10.1007/S10898-007-9149-X/METRICS.
• [11] S. Mirjalili, S. M. Mirjalili, ve A. Lewis, “Grey Wolf Optimizer”, Adv. Eng. Softw., c. 69, ss. 46–61, Mar. 2014, doi: 10.1016/J.ADVENGSOFT.2013.12.007.
• [12] M. Y. Cheng ve D. Prayogo, “Symbiotic Organisms Search: A new metaheuristic optimization algorithm”, Comput. Struct., c. 139, ss. 98–112, 2014, doi: 10.1016/j.compstruc.2014.03.007.
• [13] M. H. Amiri, N. Mehrabi Hashjin, M. Montazeri, S. Mirjalili, ve N. Khodadadi, “Hippopotamus optimization algorithm: a novel nature-inspired optimization algorithm”, Sci. Reports 2024 141, c. 14, sayı 1, ss. 1–50, Şub. 2024, doi: 10.1038/s41598-024-54910-3.
• [14] F. A. Hashim, K. Hussain, E. H. Houssein, M. S. Mabrouk, ve W. Al-Atabany, “Archimedes optimization algorithm: a new metaheuristic algorithm for solving optimization problems”, Appl. Intell., c. 51, sayı 3, ss. 1531–1551, Mar. 2021, doi: 10.1007/S10489-020-01893-Z/TABLES/14.
• [15] M. Leszczuk, S. Szott, P. Trojovský, ve M. Dehghani, “Pelican Optimization Algorithm: A Novel Nature-Inspired Algorithm for Engineering Applications”, Sensors 2022, Vol. 22, Page 855, c. 22, sayı 3, s. 855, Oca. 2022, doi: 10.3390/S22030855.
• [16] M. Dehghani, Z. Montazeri, E. Trojovská, ve P. Trojovský, “Coati Optimization Algorithm: A new bio-inspired metaheuristic algorithm for solving optimization problems”, Knowledge-Based Syst., c. 259, s. 110011, Oca. 2023, doi: 10.1016/J.KNOSYS.2022.110011.
• [17] H. T. Kahraman, S. Aras, ve E. Gedikli, “Fitness-distance balance (FDB): A new selection method for meta-heuristic search algorithms”, Knowledge-Based Syst., c. 190, s. 105169, Şub. 2020, doi: 10.1016/j.knosys.2019.105169.
• [18] E. Kaymaz, U. Güvenç, ve M. K. Döşoğlu, “Optimal PSS design using FDB-based social network search algorithm in multi-machine power systems”, Neural Comput. Appl., c. 35, sayı 17, ss. 12627–12653, Haz. 2023, doi: 10.1007/S00521-023-08356-9/TABLES/10.
• [19] M. R. Sharifi, S. Akbarifard, K. Qaderi, ve M. R. Madadi, “Developing MSA Algorithm by New Fitness-Distance-Balance Selection Method to Optimize Cascade Hydropower Reservoirs Operation”, Water Resour. Manag., c. 35, sayı 1, ss. 385–406, Oca. 2021, doi: 10.1007/S11269-020-02745-8/FIGURES/6.
• [20] S. Aras, E. Gedikli, ve H. T. Kahraman, “A novel stochastic fractal search algorithm with fitness-Distance balance for global numerical optimization”, Swarm Evol. Comput., c. 61, s. 100821, Mar. 2021, doi: 10.1016/J.SWEVO.2020.100821.
• [21] Y. Sonmez, S. Duman, H. T. Kahraman, M. Kati, S. Aras, ve U. Guvenc, “Fitness-distance balance based artificial ecosystem optimisation to solve transient stability constrained optimal power flow problem”, J. Exp. Theor. Artif. Intell., c. 36, sayı 5, ss. 745–784, Tem. 2024, doi: 10.1080/0952813X.2022.2104388.
• [22] Y. Hınıslıoğlu, E. Kaymaz, ve U. Güvenç, “Fitness Distance Balance Based Kepler Optimization Algorithm”, ss. 113–131, 2024, doi: 10.1007/978-3-031-56322-5_10.
• [23] Y. Hinislioglu ve U. Guvenc, “A novel hyper-heuristic algorithm: an application to automatic voltage regulator”, Neural Comput. Appl., c. 36, sayı 34, ss. 21321–21364, Ara. 2024, doi: 10.1007/S00521-024-10313-Z/FIGURES/16.
• [24] O. Alsayyed vd., “Giant Armadillo Optimization: A New Bio-Inspired Metaheuristic Algorithm for Solving Optimization Problems”, Biomimetics 2023, Vol. 8, Page 619, c. 8, sayı 8, s. 619, Ara. 2023, doi: 10.3390/BIOMIMETICS8080619.
• [25] X. Yao, Y. Liu, ve G. Lin, “Evolutionary programming made faster”, IEEE Trans. Evol. Comput., c. 3, sayı 2, ss. 82–102, 1999, doi: 10.1109/4235.771163.