META-SEZGİSEL ARAMA ALGORİTMALARININ TEST EDİLMESİ İÇİN YENİ YÖNTEMLERİN GELİŞTİRİLMESİ

Öz

Bu makale çalışmasında meta-sezgisel algoritmaların arama performansını test etmek amacıyla yeni bir yöntem sunulmaktadır. Çalışmanın amacı, meta-sezgisel bir algoritmanın arama performansını objektif bir şekilde ölçülebilir ve anlaşılabilir hale getirmektir. Bu yöntem, çözüm adayı sayısına ve problem boyutuna bağlı olarak algoritmaların elde ettikleri uygunluk değerleri ve arama süreleri dikkate alınarak geliştirilmiştir. Böylelikle farklı alanlardan araştırmacılar problem boyutuna bağlı olarak bir algoritmanın en iyi performansı gösterdiği çözüm adayı sayısını doğru ve hızlı bir şekilde belirleyebileceklerdir. Deneysel çalışmalar yeni ve etkili algoritmalar olan “ortak yaşam arama algoritması” ve “yıldırım arama algoritması” üzerinde yürütülmüştür. Makalede sunulan yöntemin genel kabul görmesi, araştırmacıların yeni geliştirilen algoritmaları kendi problemlerine daha etkili bir şekilde tatbik etmelerini kolaylaştıracaktır. Bu yönüyle de meta-sezgisel algoritmaların test standartlarının ve deneysel çalışma yönteminin gelişmesine de katkı sağlanmış olunacaktır.

Anahtar Kelimeler

• Meta-sezgisel arama,problem boyutu ve çözüm adayı sayısı,ortak yaşam arama algoritması,yıldırım arama algoritması,test problemi

Kaynakça

1. Wang, Z., Xing, H., Li, T., Yang, Y., Qu, R., Pan, Y., A Modified Ant Colony Optimization Algorithm for Network Coding Resource Minimization, IEEE Transactions on Evolutionary Computation, 20, 3, 325-342, 2016.
2. Karaboga, D., Ozturk, C., A novel clustering approach: Artificial Bee Colony (ABC) algorithm, Applied Soft Computing, Elsevier, Netherlands, In Press, 2010.
3. Sun, G., Zhang, A., Yao, Y., Wang, Z., A novel hybrid algorithm of gravitational search algorithm with genetic algorithm for multi-level thresholding, Applied Soft Computing , 46, 703–730, 2016.
4. Lin, Q., Chen, J., Zhan, Z-H., Chen, W-N., Coello, C. A. C., Yin, Y., Lin, C-M., Zhang, J., A Hybrid Evolutionary Immune Algorithm for Multiobjective Optimization Problems, IEEE Transactions on Evolutionary Computation, Vol. 20, No. 5, 2016.
5. Meng, A., Li, Z., Yin, H., Chen, S., Guo, Z., Accelerating particle swarm optimization using crisscross search, Information Sciences, 329, 52–72, 2016.
6. Zhao, W., Wang, L., An effective bacterial foraging optimizer for global optimization, Information Sciences, 329, 719–735, 2016.
7. Sahin, O., Akay, B., Comparisons of metaheuristic algorithms and fitness functions on software test data generation, Applied Soft Computing, 49, 1202–1214, 2016.
8. X. Yang ve A. H. Gandomi, “Bat algorithm: a novel approach for global engineering optimization”, Eng. Comput., c. 29, sayı 5, ss. 464–483, 2012.

9. X. Yang, “Firefly Algorithms for Multimodal Optimization”, ss. 169–178, 2009.
10. Rao, R. V; Savsani, V.J; Vakharia, D.P; Teaching–learning-based optimization: A novel method for constrained mechanical design optimization problems, Computer-Aided Design, 43, 303–315, 2011.
11. Cheng, M-Y; Prayogo, D; Symbiotic Organisms Search: A new metaheuristic optimization algorithm, Computers and Structures, 139, 98–112, 2014.
12. Shareef, H., Ibrahim, A. A., Mutlag, A. H., Lightning search algorithm, Applied Soft Computing, 36, 2015, Pages 315-333.