Güncel İkili Optimizasyon Algoritmalarının Kısıtsız Kıyaslama Fonksiyonlarındaki Performans Karşılaştırmaları
Öz
İkili optimizasyon algoritmaları, 0 ve 1 gibi kesin sonuçlar ürettiğinden algoritma geliştiricileri için ilgi alanı olmuştur. Bu çalışmada ikili problemleri çözmek için geliştirilen algoritmalardan başarımı yüksek olan optimizasyonları belirlemek amacıyla kıyaslama fonksiyonları kullanarak test yapılmıştır. İkili optimizasyonlar, optimum çözümün garanti edilemediği algoritmaların aksine 0 ve 1 gibi sonuç üreterek kolaylık sağlamaktadır. Bu kolaylığı daha etkin kullanmak amacıyla aktif olarak kullanılan optimizasyonlar ile hibrid yöntemlerin gelişimi sağlanmıştır. Bu yöntemlerden başarılı olanların belirlenmesi çalışmalarımızda rehber olması açısından önem arz etmektedir. Bunu sağlamak için ikili optimizasyon problemleri, kullanılan yöntemler, modifikasyon teknikleri hakkında literatür taraması yapıldıktan sonra 13 adet kısıtsız kıyaslama fonksiyonu kullanarak İkili Parçacık Sürü Optimizasyonu (BPSO), İkili Gri Kurt Optimizasyonu (BGWO), İkili Yusufçuk Algoritması (BDA), İkili Yarasa Algoritması (BBA) ve hibrid BPSOGSA algoritmaları test edilmiş ve optimuma en yakın sonuç veren algoritmaların tespiti yapılmıştır. Elde edilen test sonuçlarına göre optimuma en yakın sonucu BBA vermiştir.
Anahtar Kelimeler
İkili Optimizasyon Kısıtsız Kıyaslama Fonksiyonları Modifikasyon Teknikleri Başarım Değerlendirmesi
Kaynakça
- Korkmaz, S. (2019). İkili Optimizasyon Problemlerinin Çözümü İçin Yapay Alg Algoritması Tabanlı Yeni Yaklaşımlar, Doktora Tezi, Konya Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
- Özsağlam, Y. ve Çunkaş, M. (2008). Optimizasyon Problemlerinin Çözümü için Parçaçık Sürü Optimizasyonu Algoritması, Politeknik Dergisi, 4, pp.299-305
- Doğan, C. (2019). Balina Optimizasyon Algoritması Ve Gri Kurt Optimizasyonu Algoritmaları Kullanılarak Yeni Hibrit Optimizasyon Algoritmalarının Geliştirilmesi, Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü
- Aytimur, A. (2019). İkili Optimizasyon Yöntemlerinin Araştırılması ve İkili Test Problemleri Üzerinde Başarımının Değerlendirilmesi, Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü
- Mirjalili, S., Wang, G., Coelho, L. (2014). Binary optimization using hybrid particle swarm optimization and gravitational search algorithm, Neural Comput & Applic, doi:10.1007/s00521-014-1629-6
- Yang, X.S. (2010). Engineering Optimization: An Introduction with Metaheuristic Applications, doi:10.1002/9780470640425
- Banitalebi, A., İsmail, M., Abdulaziz, Z. (2016). A Self-Adaptive Binary Differential Evolution Algorithm For Large Scale Binary Optimization Problems, Information Sciences, vol. 367-368, pp. 487-511
- Mirjalili, S. ve Lewis, A. (2013). S-shaped versus V-shaped transfer functions for binary Particle Swarm Optimization, Swarm and Evolutionary Computation, 9; ss. 1-14
- Pampara, G., Engelbrecht, A.P., Franken, N. (2006). Binary Differential Evolution, 2006 IEEE International Conference on Evolutionary Computation, doi: 10.1109/CEC.2006.1688535
- Nezamabadi-pour, H. (2015). A Quantum-Inspired Gravitational Search Algorithm for Binary Encoded Optimization Problems, Engineering Applications of Artificial Intelligence, 40, ss. 62-75
- Ozturk, C., Hancer, E., Karaboga, D. (2015). Dynamic clustering with improved binary artificial bee colony algorithm, Applied Soft Computing, 28, ss. 69-80
- Kıran, M.S. ve Gündüz, M. (2013). XOR-based artificial bee colony algorithm for binary optimization, Turkish Journal Of Electrical Engineering & Computer Sciences, 21, ss. 2307–2328
- Kashan, M.H., Nahavandi, N., Kashan, A.H. (2012). DisABC: A new artificial bee colony algorithm for binary optimization, Applied Soft Computing, 12, ss. 342-352
- Too, J., Abdullah, A., Saad, N.M. (2019). A New Co-Evolution Binary Particle Swarm Optimization with Multiple InertiaWeight Strategy For Feature Selection, Informatics, 6, 21, doi:10.3390/informatics6020021
- Mirjalili, S. (2015). The Ant Lion Optimizer, Advances in Engineering Software,83, ss. 80-98
- Emary, E., Zawbaa, H.M., Hassanien, A.E.(2016). Binary grey wolf optimization approaches for feature selection, Neurocomputing, 172, ss. 371–381
- Too, J., Abdullah, A.R., Saad, N.M., Ali, N.M., Tee, W. (2018). A New Competitive Binary Grey Wolf Optimizer to Solve the Feature Selection Problem in EMG Signals Classification, Computers, 7, 58, doi: 10.3390/computers7040058
- Mirjalili, S., Mirjalili, S.M.., Yang, X. (2013). Binary bat algorithm, Neural Comput & Applic, doi: 10.1007/s00521-013-1525-5
- Mafarja, M., Aljarah, İ., Heidari, A.A., Faris, H., Fournier-Viger, P., Li, X., Mirjalili, S. (2018). Binary Dragonßy Optimization for Feature Selection using Time-Varying Transfer functions, Knowledge-Based Systems, doi: 10.1016/j.knosys.2018.08.003
Performance Comparisons of Current Binary Optimization Algorithms in Unconstrained Benchmark Functions
Öz
Multiobjective optimization is the process of producing solutions suitable for limited or unconstrained problems with more than one purpose. In intuitive multi-objective optimization, the randomly generated number string is of great importance in obtaining solutions close to the global optimum. Collecting the randomly generated number string in a certain area increases the risk of diverging from the global optimum. Therefore, the numbers produced are not the same and have a spread spectrum affects the performance of heuristic optimization algorithms. Chaotic maps are discrete time systems and the numbers produced with chaotic maps have a wide spectrum and are not periodic. Due to the nature of chaos-based optimization algorithms, it has become a subject to be examined in the solution of optimization problems due to factors such as being able to escape local minimums and being fast and flexible. Therefore, in intuitive multi-purpose optimization algorithms, it is aimed to reduce the risk of getting stuck in the local optimum by using chaotic map. In this study, the effects of chaotic maps on the new and successful Multiobjective Golden Sine Algorithm (MOGoldSA) were investigated.
Anahtar Kelimeler
Kaynakça
- Korkmaz, S. (2019). İkili Optimizasyon Problemlerinin Çözümü İçin Yapay Alg Algoritması Tabanlı Yeni Yaklaşımlar, Doktora Tezi, Konya Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
- Özsağlam, Y. ve Çunkaş, M. (2008). Optimizasyon Problemlerinin Çözümü için Parçaçık Sürü Optimizasyonu Algoritması, Politeknik Dergisi, 4, pp.299-305
- Doğan, C. (2019). Balina Optimizasyon Algoritması Ve Gri Kurt Optimizasyonu Algoritmaları Kullanılarak Yeni Hibrit Optimizasyon Algoritmalarının Geliştirilmesi, Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü
- Aytimur, A. (2019). İkili Optimizasyon Yöntemlerinin Araştırılması ve İkili Test Problemleri Üzerinde Başarımının Değerlendirilmesi, Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü
- Mirjalili, S., Wang, G., Coelho, L. (2014). Binary optimization using hybrid particle swarm optimization and gravitational search algorithm, Neural Comput & Applic, doi:10.1007/s00521-014-1629-6
- Yang, X.S. (2010). Engineering Optimization: An Introduction with Metaheuristic Applications, doi:10.1002/9780470640425
- Banitalebi, A., İsmail, M., Abdulaziz, Z. (2016). A Self-Adaptive Binary Differential Evolution Algorithm For Large Scale Binary Optimization Problems, Information Sciences, vol. 367-368, pp. 487-511
- Mirjalili, S. ve Lewis, A. (2013). S-shaped versus V-shaped transfer functions for binary Particle Swarm Optimization, Swarm and Evolutionary Computation, 9; ss. 1-14
- Pampara, G., Engelbrecht, A.P., Franken, N. (2006). Binary Differential Evolution, 2006 IEEE International Conference on Evolutionary Computation, doi: 10.1109/CEC.2006.1688535
- Nezamabadi-pour, H. (2015). A Quantum-Inspired Gravitational Search Algorithm for Binary Encoded Optimization Problems, Engineering Applications of Artificial Intelligence, 40, ss. 62-75
- Ozturk, C., Hancer, E., Karaboga, D. (2015). Dynamic clustering with improved binary artificial bee colony algorithm, Applied Soft Computing, 28, ss. 69-80
- Kıran, M.S. ve Gündüz, M. (2013). XOR-based artificial bee colony algorithm for binary optimization, Turkish Journal Of Electrical Engineering & Computer Sciences, 21, ss. 2307–2328
- Kashan, M.H., Nahavandi, N., Kashan, A.H. (2012). DisABC: A new artificial bee colony algorithm for binary optimization, Applied Soft Computing, 12, ss. 342-352
- Too, J., Abdullah, A., Saad, N.M. (2019). A New Co-Evolution Binary Particle Swarm Optimization with Multiple InertiaWeight Strategy For Feature Selection, Informatics, 6, 21, doi:10.3390/informatics6020021
- Mirjalili, S. (2015). The Ant Lion Optimizer, Advances in Engineering Software,83, ss. 80-98
- Emary, E., Zawbaa, H.M., Hassanien, A.E.(2016). Binary grey wolf optimization approaches for feature selection, Neurocomputing, 172, ss. 371–381
- Too, J., Abdullah, A.R., Saad, N.M., Ali, N.M., Tee, W. (2018). A New Competitive Binary Grey Wolf Optimizer to Solve the Feature Selection Problem in EMG Signals Classification, Computers, 7, 58, doi: 10.3390/computers7040058
- Mirjalili, S., Mirjalili, S.M.., Yang, X. (2013). Binary bat algorithm, Neural Comput & Applic, doi: 10.1007/s00521-013-1525-5
- Mafarja, M., Aljarah, İ., Heidari, A.A., Faris, H., Fournier-Viger, P., Li, X., Mirjalili, S. (2018). Binary Dragonßy Optimization for Feature Selection using Time-Varying Transfer functions, Knowledge-Based Systems, doi: 10.1016/j.knosys.2018.08.003
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Mühendislik |
| Bölüm | MBD |
| Yazarlar | |
| Yayımlanma Tarihi | 24 Eylül 2020 |
| Gönderilme Tarihi | 20 Şubat 2020 |
| Yayımlandığı Sayı | Yıl 2020 Cilt: 32 Sayı: 2 |
