Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma

Sibel Arslan

doi:10.29130/dubited.1150453

EN TR

Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma

Abstract

Günümüzde, metasezgiseller optimizasyon problemlerinin çözümünde çok önemli bir rol oynamaktadır. Bu çalışmada sürü zekasından ve doğadaki canlıların yiyecek arama davranışlarından esinlenerek geliştirilen üç yeni metasezgisel (Afrika Akbabaları Optimizasyon Algoritması (African Vulture Optimization Algorithm, AVOA), Geliştirilmiş Gri Kurt Optimizasyon Algoritması (Improved Gray Wolf Optimization Algorithm, I-GWO) ve Deniz Avcıları Algoritması (Marine Predators Algorithm, MPA)), kıyaslamalarda en çok kullanılan metasezgisellerden biri olan Parçacık Sürü Optimizasyon Algoritması (Particle Swarm Optimization, PSO) ile kıyaslanmıştır. Deneysel çalışmalara göre, AVOA ve MPA’nın diğer algoritmalara göre daha başarılı sonuçlara sahip olduğu görülmektedir. Sonuçların istatiksel anlamlılığı, Friedman ve Wilcoxon işaretli sıralar testleri ile değerlendirilerek bu iki algoritmanın üstünlüğü kanıtlanmıştır.

Keywords

Afrika Akbabaları Optimizasyon Algoritması, Geliştirilmiş Gri Kurt Optimizasyon Algoritması, Deniz Avcıları Algoritması, Parçacık Sürü Optimizasyon Algoritması

References

[1] T. Dokeroglu, E. Sevinc, T. Kucukyilmaz, and A. Cosar, “A survey on new generation metaheuristic algorithms,” Computers & Industrial Engineering, vol. 137, no. 5, 2019.
[2] F. S. Gharehchopogh, H. Shayanfar, and H. Gholizadeh, “A comprehensive survey on symbiotic organisms search algorithms,” Artificial Intelligence Review, vol. 53, no. 56, pp. 1–48, 2020.
[3] K. Hussain, M. N. M. Salleh, S. Cheng, and Y. Shi, “Metaheuristic research: a comprehensive survey,” Artificial Intelligence Review, vol. 52, no. 4, pp. 2191–2233, 2019.
[4] V. Stojanovic, S. He, and B. Zhang, “State and parameter joint estimation of linear stochastic systems in presence of faults and non-Gaussian noises,” International Journal of Robust and Nonlinear Control, vol. 30, no. 16, pp. 6683–6700, 2020.
[5] B. Abdollahzadeh, and F. S. Gharehchopogh, “A multi-objective optimization algorithm for feature selection problems,” Engineering with Computers, pp. 1–19, 2021.
[6] F. S. Gharehchopogh, I. Maleki, and Z. A. Dizaji, “Chaotic vortex search algorithm: Metaheuristic algorithm for feature selection,” Evolutionary Intelligence, pp. 1–32, 2021.
[7] J. Kennedy and R. Eberhart, “Particle swarm optimization,” Proceedings of ICNN’95 - International Conference on Neural Networks, 1995, pp. 1942–1948.
[8] C. W. Cleghorn, and B. Stapelberg, “Particle swarm optimization: stability analysis using n-informers under arbitrary coefficient distributions,” Swarm and Evolutionary Computation, vol. 71, 2022.
[9] P. Hu, J.S. Pan, S. C. Chu, and C. Sun, “Multi-surrogate assisted binary particle swarm optimization algorithm and its application for feature selection,” Applied Soft Computing, vol. 121, 2022.
[10] X. Chen, and K. Li, “Collective information-based particle swarm optimization for multi-fuel CHP economic dispatch problem,” Knowledge-Based Systems, vol. 248, 2022.

[11] P. B. Fernandes, R. C. L. Oliveira, and J. F. Neto, “Trajectory planning of autonomous mobile robots applying a particle swarm optimization algorithm with peaks of diversity,” Applied Soft Computing, vol. 116, 2022.
[12] F. Wang, X. Wang, and S. Sun, “A reinforcement learning level-based particle swarm optimization algorithm for large-scale optimization,” Information Sciences, vol. 602, pp. 298-312, 2022.
[13] B. Abdollahzadeh, F. S. Gharehchopogh, and S. Mirjalili, “African vultures optimization algorithm: A new nature-inspired metaheuristic algorithm for global optimization problems,” Computers & Industrial Engineering, vol. 158, 2021.
[14] H. A. Bagal, Y. N. Soltanabad, M. Dadjuo, K. Wakil, M. Zare, and A. S. Mohammed, “SOFC model parameter identification by means of Modified African Vulture Optimization algorithm,” Energy Reports, vol. 7, pp. 7251-7260, 2021.
[15] Y. Wang, S. Li, H. Sun, C. Huang, and N. Youssefi, “The utilization of adaptive African vulture optimizer for optimal parameter identification of SOFC,” Energy Reports, vol. 8, pp. 551-560, 2022.
[16] Y. Chen, and G. Zhang, “New parameters identification of Proton exchange membrane fuel cell stacks based on an improved version of African vulture optimization algorithm,” Energy Reports, vol. 8, pp. 3030-3040, 2022.
[17] M. Alanazi, A. Fathy, D. Yousri, and H. Rezk, “Optimal reconfiguration of shaded PV based system using African vultures optimization approach,” Alexandria Engineering Journal, vol. 61, no. 12, pp. 12159-12185, 2022.
[18] Y. Wang, J. Wang, L. Yang, B. Ma, G. Sun, and N. Youssefi, “Optimal designing of a hybrid renewable energy system connected to an unreliable grid based on enhanced African vulture optimizer,” ISA Transactions, 2022.
[19] S. Mirjalili, S. M. Mirjalili, and A. Lewis, “Grey wolf optimizer,” Advances in Engineering Software, vol. 69, pp. 46-61, 2014.
[20] M. H. Nadimi-Shahraki, S. Taghian, and S. Mirjalili, “An improved grey wolf optimizer for solving engineering problems,” Expert Systems with Applications, vol. 166, 2021.
[21] D. Hua, X. Liu, S. Sun, Z. Li, Z. Li and W. Li, “Precise locomotion controller design for a novel magnetorheological fluid robot based on improved gray wolf optimization algorithm,” Smart Materials and Structures, vol. 30, no. 2, 2021.
[22] A. Faramarzi, M. Heidarinejad, S. Mirjalili, and A. H. Gandomi, “Marine Predators Algorithm: A nature-inspired metaheuristic,” Expert Systems with Applications, vol. 152, 2020.
[23] M. Abd Elaziz, D. Mohammadi, D. Oliva, and K. Salimifard, “Quantum marine predators algorithm for addressing multilevel image segmentation,” Applied Soft Computing, vol. 110, 2021.
[24] Z. Xing, and Y. He, “Many-objective multilevel thresholding image segmentation for infrared images of power equipment with boost marine predators algorithm,” Applied Soft Computing, vol. 113, 2021. [25] A. S. Sadiq, A. A. Dehkordi, S. Mirjalili, and Q. V. Pham, “Nonlinear marine predator algorithm: A cost-effective optimizer for fair power allocation in NOMA-VLC-B5G networks,” Expert Systems with Applications, vol. 203, 2022.
[26] M. H. Hassan, D. Yousri, S. Kamel, and C. Rahmann, “A modified marine predators algorithm for solving single-and multi-objective combined economic emission dispatch problems,” Computers & Industrial Engineering, vol. 164, 2022.
[27] E. H. Houssein, I. E. Ibrahim, M. Kharrich, and S. Kamel, “An improved marine predators algorithm for the optimal design of hybrid renewable energy systems,” Engineering Applications of Artificial Intelligence, vol. 110, 2022.
[28] X. Yao, Y. Liu, and G. Lin, “Evolutionary programming made faster,” IEEE Transactions on Evolutionary Computation, vol. 3, no. 2, pp. 82-102, 1999.
[29] S. Saremi, S. Mirjalili, and A. Lewis, “Grasshopper optimisation algorithm: theory and application,” Advances in Engineering Software, vol. 105, pp. 30-47, 2017.
[30] F. MiarNaeimi, G. Azizyan, and M. Rashki, “Horse herd optimization algorithm: a nature-inspired algorithm for high-dimensional optimization problems,” Knowledge-Based Systems, vol. 213, 2021.

Details

Primary Language

Turkish

Subjects

Engineering

Journal Section

Research Article

Authors

Sibel Arslan ^*
0000-0003-3626-553X
Türkiye

Publication Date

October 24, 2023

Submission Date

July 28, 2022

Acceptance Date

November 29, 2022

Published in Issue

Year 2023 Volume: 11 Number: 4

DOI

https://doi.org/10.29130/dubited.1150453

IZ

https://izlik.org/JA36LN98FY

APA

Arslan, S. (2023). Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma. Duzce University Journal of Science and Technology, 11(4), 1861-1884. https://doi.org/10.29130/dubited.1150453

AMA

1.Arslan S. Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma. DUBİTED. 2023;11(4):1861-1884. doi:10.29130/dubited.1150453

Chicago

Arslan, Sibel. 2023. “Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma”. Duzce University Journal of Science and Technology 11 (4): 1861-84. https://doi.org/10.29130/dubited.1150453.

EndNote

Arslan S (October 1, 2023) Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma. Duzce University Journal of Science and Technology 11 4 1861–1884.

IEEE

[1]S. Arslan, “Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma”, DUBİTED, vol. 11, no. 4, pp. 1861–1884, Oct. 2023, doi: 10.29130/dubited.1150453.

ISNAD

Arslan, Sibel. “Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma”. Duzce University Journal of Science and Technology 11/4 (October 1, 2023): 1861-1884. https://doi.org/10.29130/dubited.1150453.

JAMA

1.Arslan S. Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma. DUBİTED. 2023;11:1861–1884.

MLA

Arslan, Sibel. “Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma”. Duzce University Journal of Science and Technology, vol. 11, no. 4, Oct. 2023, pp. 1861-84, doi:10.29130/dubited.1150453.

Vancouver

1.Sibel Arslan. Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma. DUBİTED. 2023 Oct. 1;11(4):1861-84. doi:10.29130/dubited.1150453

Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma

Comparison of Current Metaheuristic Algorithms with Different Performance Criteria

Abstract

Keywords

Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma

Abstract

Keywords

References

Details

Primary Language

Subjects

Journal Section

Authors

Publication Date

Submission Date

Acceptance Date

Published in Issue

DOI

IZ

Cite

Cited By

COMPARISON OF METAHEURISTIC ALGORITHMS WITH DIFFERENT PERFORMANCE CRITERIA

DENİZ YIRTICILARI ALGORİTMASI İLE TÜRKİYE’NİN ENERJİ TALEBİNİN TAHMİN EDİLMESİNE YÖNELİK KAPSAMLI BİR ÇALIŞMA

A Comparative Analysis of African Vultures Optimization Algorithm with Current Metaheuristics

A Lévy flight based chaotic black winged kite algorithm for solving optimization problems

Clustering Performance Analysis Using Chaotic and Lévy Flight-Enhanced Black-Winged Kite Algorithms