Gürültü minimizasyonu için kafes tabanlı yeni bir yapay arı kolonisi algoritması

Öz

Geçtiğimiz yıllar büyük veri olarak adlandırılan yeni bir kavramla başlayan değişimlere tanıklık etmiştir. Bu yeni kavram ve özellikleri gerçek hayat optimizasyon problemlerinin tanımlarını değiştirmiş ve daha önce önerilen çözüm tekniklerinin performanslarının incelenmesi ve büyük veri kavramının özelliklerini dikkate alarak yeni yöntemlerin geliştirilmesi kritik hale gelmiştir. Arıların yiyecek arama davranışlarındaki zekilikten ilham alan Yapay Arı Koloni (Artificial Bee Colony, ABC) algoritması sürü zekası temelli tekniklerinin en başarıları arasındadır. Bu çalışmada, ABC algoritmasının görevli ve gözcü arı fazları elektroensefalografi (EEG) sinyallerinde gürültü minimizasyonunu gerektiren büyük veri optimizasyon probleminin çözümü için düzenlenmiş ve kafes tabanlı (lattice based) ABC algoritması (LBABC) tanıtılmıştır. Önerilen yöntemin çözüm kapasitesinin analizi için farklı problem örneklerini içeren bir dizi uygulama gerçekleştirilmiştir. Elde edilen sonuçlar önce ABC algoritmasının yaygın kullanılan beş varyantı tarafından bulunmuş sonuçlar ile karşılaştırılmıştır. Sonuçlar ayrıca Diferansiyel Gelişim (Differential Evolution, DE) algoritması, Genetik algoritma (Genetic algorithm, GA), Ateş böceği algoritması (Firefly algorithm, FA), Havai fişek algoritması (Fireworks algorithm, FW), Parçacık Sürü Optimizasyon algoritması (Particle Swarm Optimization, PSO) ve Faz Optimizasyon algoritması (Phase based Optimization, PBO) temelli yöntemler tarafından elde edilen sonuçlar ile de kıyaslanmıştır. Karşılaştırma sonuçlarından ABC referans alarak geliştirilen yeni yönteminin test problemlerinin tamamına yakınında bahsedilen tekniklerden daha iyi ya da oldukça yakın çözümlere ulaşabildiği anlaşılmıştır.

Anahtar Kelimeler

• ABC algoritması
• kafes tabanlı arama
• büyük veri optimizasyonu

A new lattice based artificial bee colony algorithm for EEG noise minimization

Öz

The last decades have witnessed the changes stemming from the existence of a new term called as big data. This new concept and its features have modified the descriptions of the real world optimization problems and investigating the performances of the previously introduced solving techniques and developing new methods by considering the properties of the big data concept have become critical. Artificial Bee Colony (ABC) algorithm inspired by the clever foraging behaviors of the real honey bees is one of the most successful swarm intelligence based techniques. In this study, the employed and onlooker bee phases of the ABC algorithm were remodeled for solving a recent big data optimization problem that requires noise minimization on the electroencephalography (EEG) signals and lattice based ABC (LBABC) was proposed. For analyzing the solving capabilities of the proposed technique, a set of experimental studies has been carried out by using different problem instances. The results obtained from the experimental studies first were compared with the well-known variants of the standard ABC algorithm named gbest-guided ABC (GABC), ABC/best/1, ABC/best/2, crossover ABC (CABC), converge-onlookers ABC (COABC) and quick ABC (qABC). Moreover, the results of the proposed ABC algorithm were compared with the Differential Evolution (DE) algorithm, Genetic algorithm (GA), Firefly algorithm (FA), Fireworks algorithm (FW), Phase based Optimization algorithm (PBO) and Particle Swarm Optimization (PSO) algorithm based big data optimization techniques. From the comparative studies, it was understood that the newly introduced big data optimization technique by referencing the ABC algorithm is capable of producing better or relatively similar results compared to the mentioned techniques for the vast majority of the problem instances.

Anahtar Kelimeler

• ABC algorithm
• lattice based search
• big data optimization

Kaynakça

1. 1. Chen, M., Mao, I., Liu, Y., Big Data: A Survey, Mobile Networks and Applications, 19(2), 171-209, 2014.
2. 2. Kambatla, K., Kollias, G., Kumar, V., Grama, A., Trends in Big Data Analytics, Journal of Parallel and Distributed Computing, 74(7), 2561-2573, 2014.
3. 3. Wu, X., Zhu, X., Wu, G.Q., Ding, W., Data Mining With Big Data, IEEE Transaction on Knowledge and Data Engineering, 26(1), 97-107, 2013.
4. 4. Tsai, C.W., Lai, C.F., Chao, H.C., Vasilakos, A.V., Big Data Analytics: A Survey, Journal of Big Data, 2(21), 1-32, 2016.
5. 5. Goh, S. K., Tan, K. C., Al-Mamun, A., Abbass, H. A., Evolutionary Big Optimization (BigOpt) of Signals, 2015 IEEE Congress on Evolutionary Computation (CEC), Sendai-Japan, 3332-3339, 25-28 Mayıs, 2015.
6. 6. Elsayed, S., Sarker, R., Differential Evolution Framework for Big Data Optimization, Memetic Computing, 8, 17-33, 2016.
7. 7. Majdouli, M. A. E., Rbouh, I., Bougrine, S., Benani, B. E., Imrani, A. A. E., Fireworks Algorithm Framework for Big Data Optimization, Memetic Computing, 8, 333-347, 2016.
8. 8. Sabar, N. R., Abawajy, J., Yearwood, J., Heterogeneous Cooperative Co-Evolution Memetic Differential Evolution Algorithm for Big Data Optimization Problems, IEEE Transactions on Evolutionary Computation, 21(2), 315-327, Nisan, 2017.

9. 9. Wang, H., Wang, W., Cui, L., Sun, H., Zhao, J., Wang, Y., Xue, Y., A Hybrid Multi-Objective Firefly Algorithm for Big Data Optimization, Appl. Soft Comput., 69, 806-815, 2018.
10. 10. Yi, J. H., Deb. S., Dong, J., Alavi, A. H., Wang, G. G., An Improved NSGA-III Algorithm with Adaptive Mutation Operator for Big Data Optimization Problems, Future Gener. Comput. Syst., 88, 571-585, 2018.
11. 11. Aslan, S., A Comparative Study Between Artificial Bee Colony (ABC) Algorithm and Its Variants on Big Data Optimization, Memetic Computing, 12(2), 129-150, 2020.
12. 12. Zhu, G., Kwong, S., Gbest-Guided Artificial Bee Colony Algorithm for Numerical Function Optimization, Appl. Math. Comput., 217(7), 3166-3173, 2010.
13. 13. Gao, W., Liu, S., Huang, L., A Global Best Artificial Bee Colony Algorithm for Global Optimization, J. Comput. Appl. Math, 236(11), 2741-2753, 2012.
14. 14. Gao, W., Liu, S., Huang, L., A Novel Artificial Bee Colony Algorithm Based on Modified Search Equation and Orthogonal Learning, IEEE Transactions on Cybernetics, 43(3), 1011-1014, Haziran, 2013.
15. 15. Karaboğa, D., Gorkemli, B., A Quick Artificial Bee Colony (qABC) Algorithm and Its Performance on Optimization Problems, Appl. Soft Comput., 23, 227-238, 2014.
16. 16. Luo, J., Wang, Q., Xiao, X., A Modified Artificial Bee Colony Algorithm Based on Converge-onlookers Approach for Global Optimization, Appl.Math. Comput., 219 (20), 10253–10262, 2013.
17. 17. Dağdeviren, U., Kaymak, B., Yapay Arı Koloni Algoritması Kullanılarak Betonarme İstinat Duvarlarının Optimum Maliyet Tasarımını Etkileyen Parametrelerin İncelenmesi, Journal of the Faculty of Engineering and Architecture of Gazi University, 33 (1), 239-253, 2018.
18. 18. Öztürk, C., Hançer, E., Karaboğa, D., Küresel En iyi Yapay Arı Koloni Algoritması ile Otomatik Kümeleme, Journal of the Faculty of Engineering and Architecture of Gazi University, 29 (4), 677-687, 2014.
19. 19. Eke, İ., Taplamacıoğlu, M., C., Kocaarslan, İ., Yapay Arı Koloni Algoritması Tabanlı Kararlı Güç Sistemi Dengeleyicisi Tasarımı, Journal of the Faculty of Engineering and Architecture of Gazi University, 26 (3), 683-690, 2011.
20. 20. Toktaş, A., Akdağlı, A., E Şekilli Kompakt Mikroşerit Antenlerin Rezonans Frekansının Hesaplanması, Journal of the Faculty of Engineering and Architecture of Gazi University, 27 (4), 847-854, 2012.
21. 21. Zhong, W., Liu, J., Xue, M., Jiao, L., A Multiagent Genetic Algorithm for Global Numerical Optimization, IEEE Trans. Syst. Man Cybern. Part B Cybern., 34 (2), 1128–1141, 2004.
22. 22. Akay, B., Karaboğa, D., A Modified Artificial Bee Colony Algorithm for Real-Parameter Optimization, Information Sciences, 192, 120-142, 2012.
23. 23. Cao, Z., Wang, L., Hei, X., Jiang, Q., Lu, X., Wang, X., A Phase Based Optimization Algorithm for Big Optimization Problems, 2016 IEEE Congress on Evolutionary Computation (CEC), Vancouver,BC-Canada, 5209– 5214, 24-29 Temmuz, 2016.