Transfer Fonksiyonları Kullanarak İkili Güve-Alev Optimizasyonu Algoritmalarının Geliştirilmesi ve Performanslarının Karşılaştırılması

Yıl 2021, Cilt: 3 Sayı: 2, 1 - 10, 28.12.2021

Murat Karakoyun Ahmet Özkış

Öz

Güç sistemleri problemleri, ağ optimizasyonu, sırt çantası problemi gibi çoğu gerçek dünya problemi ikili optimizasyon problemi olarak ifade edilir. İkili optimizasyon problemlerinin klasik matematiksel tekniklerle çözümü çoğu zaman ya uzun zaman almakta ya da mümkün olamamaktadır. Bu sebeple ikili optimizasyon problemlerinin çözümü için metasezgisel algoritmaların kullanımı oldukça yaygındır. Literatürde yer alan metasezgisel algoritmaların çoğu, sürekli problemlerin çözümüne uygun bir yapıya sahip olduğu için bu algoritmaların ikili problemleri çözebilecek şekilde düzenlenmesi gerekir. Transfer fonksiyonları olarak isimlendirilen bazı fonksiyonlar aracılığı ile sürekli algoritmaları ikili algoritmalara dönüştürmek mümkündür. Bu çalışmada, son yıllarda önerilen doğa-esinli bir metasezgisel algoritma olan Güve-Alev Optimizasyonu (GAO) algoritması 8 farklı transfer fonksiyonu ile düzenlenerek 8 ayrı algoritma geliştirilmiştir. Geliştirilen algoritmalar, OR-Lib kütüphanesinden alınan 15 farklı kapasitesiz tesis yerleştirme problemi üzerinde çalıştırılmış ve gap olarak isimlendirilen bir hata metriğine göre değerlendirilmiştir. Elde edilen sonuçlar incelendiğinde, GAO-V1 algoritmasının en küçük gap değerini vererek en başarılı ikili algoritmayı oluşturduğu gözlemlenmiştir.

Anahtar Kelimeler

Güve-Alev Optimizasyonu, Kapasitesiz Tesis Yerleştirme Problemi, Metasezgisel Algoritmalar, İkili Optimizasyon Problemleri

Kaynakça

• [1] X. Yuan, H. Nie, A. Su, L. Wang, Y. Yuan, An improved binary particle swarm optimization for unit commitment problem, Expert Systems with Applications. 36 (2009) 8049-8055. doi:10.1016/j.eswa.2008.10.047.
• [2] F. van Beers, A. Lindström, E. Okafor, M. Wiering, Deep Neural Networks with Intersection over Union Loss for Binary Image Segmentation:, içinde: Proceedings of the 8th International Conference on Pattern Recognition Applications and Methods, SCITEPRESS - Science and Technology Publications, Prague, Czech Republic, 2019: ss. 438-445. doi:10.5220/0007347504380445.
• [3] A. Banitalebi, M.I.A. Aziz, Z.A. Aziz, A self-adaptive binary differential evolution algorithm for large scale binary optimization problems, Information Sciences. 367-368 (2016) 487-511. doi:10.1016/j.ins.2016.05.037.
• [4] M. Aslan, M. Gunduz, M.S. Kiran, JayaX: Jaya algorithm with xor operator for binary optimization, Applied Soft Computing. 82 (2019) 105576. doi:10.1016/j.asoc.2019.105576.
• [5] A simple multi-wave algorithm for the uncapacitated facility location problem, Frontiers of Engineering Management. 5 (2018) 451-465. doi:10.15302/J-FEM-2018038.
• [6] E. Baş, E. Ülker, A binary social spider algorithm for uncapacitated facility location problem, Expert Systems with Applications. 161 (2020) 113618. doi:10.1016/j.eswa.2020.113618.
• [7] R. Rizk-Allah, A. Hassanien, M. Elhoseny, G. Manogaran, A new binary salp swarm algorithm: development and application for optimization tasks, Neural Computing and Applications. (2018). doi:10.1007/s00521-018-3613-z.
• [8] J. Kennedy, R.C. Eberhart, A discrete binary version of the particle swarm algorithm, içinde: Computational Cybernetics and Simulation 1997 IEEE International Conference on Systems, Man, and Cybernetics, 1997: ss. 4104-4108 c.5. doi:10.1109/ICSMC.1997.637339.
• [9] S. Mirjalili, A. Lewis, S-shaped versus V-shaped transfer functions for binary Particle Swarm Optimization, Swarm and Evolutionary Computation. 9 (2013) 1-14. doi:10.1016/j.swevo.2012.09.002.
• [10] S. Mirjalili, Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm, Knowledge-Based Systems. 89 (2015) 228-249. doi:10.1016/j.knosys.2015.07.006.
• [11] H.M. Zawbaa, E. Emary, B. Parv, M. Sharawi, Feature selection approach based on moth-flame optimization algorithm, içinde: 2016 IEEE Congress on Evolutionary Computation (CEC), 2016: ss. 4612-4617. doi:10.1109/CEC.2016.7744378.
• [12] M. Shehab, L. Abualigah, H. Al Hamad, H. Alabool, M. Alshinwan, A.M. Khasawneh, Moth–flame optimization algorithm: variants and applications, Neural Computing and Applications. 32 (2020) 9859-9884. doi:10.1007/s00521-019-04570-6.