BÜYÜK ÖLÇEKLİ SÜREKLİ OPTİMİZASYON PROBLEMLERİ İÇİN ELİT BİREY TABANLI YAPAY ARI KOLONİSİ ALGORİTMASI

Yıl 2021, , 235 - 248, 31.08.2021

Doğan Aydın , Ümit Güven

https://doi.org/10.31796/ogummf.878991

Öz

Optimizasyon problemlerinde boyutu büyüdükçe çözümleri de zorlaşmaktadır. Bu problemlerin üstesinden gelmek için sürü zekâsı algoritmalarından faydalanılabilir. Birçok sürü zekâsı algoritmalarından bir tanesi de Yapay Arı Kolonisi (Artificial Bee Colony, ABC) algoritmasıdır. Büyük ölçekli optimizasyon problemlerinde yapay arı kolonisi algoritmasından faydalanabilmek için orijinal ABC algoritmasında bazı iyileştirmeler yapmak gerekmektedir. Bu çalışmada, ABC algoritması için yapılan iyileştirmeler “Elit Ajan Tabanlı Kendi Kendine Uyarlanabilir Yapay Arı Kolonisi Algoritması’ adını verdiğimiz yeni bir ABC algoritması içerisinde tanımlanmıştır. Klasik ABC algoritmalarından farklı olarak işçi ve gözcü arı adımlarında farklı arama denklemleri kullanılmış ve bu arama denklemlerinde elit bireylerden yararlanılmıştır. Ayrıca bir yerel arama tekniği ile algoritma performansı güçlendirilmiştir. Algoritmalara ait parametre değerlerinin doğru olarak seçilmesi algoritmaların başarısında büyük etkiye sahiptirler. Bu çalışmada irace aracı kullanılarak algoritmaya ait parametreler en iyi bir şekilde ayarlanmaya çalışılmıştır. Geliştirdiğimiz algoritma büyük ölçekli sürekli optimizasyon fonksiyonlarını barındıran SOCO11 ölçüt fonksiyon kümesinde test edilmiştir. Elde ettiğimiz sonuçlar ABC algoritmalarıyla ve SOCO11 yarışmasına katılan algoritmalar ile karşılaştırılmış ve başarılı sonuçlar elde edilmiştir.

Anahtar Kelimeler

Yapay Arı Kolonisi, Sürü Zekâsı, Büyük Ölçekli Optimizasyon, Sürekli Optimizasyon, SOCO11

Kaynakça

• Akay, B. & Karaboga, D. (2012). A modified Artificial Bee Colony algorithm for real-parameter optimization. Information Sciences, 192, 120–142.
• Alatas, B. (2010). Chaotic bee colony algorithms for global numerical optimization, Expert Systems with Applications, 37(8), 5682–5687.
• Aydın, D., Liao, T., De Oca, M. A. M., & Stützle, T. (2011). Improving performance via population growth and local search: the case of the artificial bee colony algorithm. Proceeding of International Conference on Artificial Evolution (Evolution Artificielle), 85-96.
• Badem, H., Basturk, A., Caliskan, A., & Yuksel, M. E. (2018). A new hybrid optimization method combining artificial bee colony and limited-memory BFGS algorithms for efficient numerical optimization. Applied Soft Computing, 70, 826-844.
• Banharnsakun, A., Achalakul, T. & Sirinaovakul, B. (2011). The best-so-far selection in Artificial Bee Colony algorithm, Applied Soft Computing, 11, 2888–2901.
• Birattari, M., Yuan, Z., Balaprakash, P. & Stützle, T. (2010). F-race and iterated F-race: An overview, Experimental Methods for the Analysis of Optimization Algorithms 311–336. Springer Berlin Heidelberg.
• de Oca, M. A. M., Aydın, D. & Stützle, T. (2011). An incremental particle swarm for large-scale continuous optimization problems: an example of tuning-in-the-loop (re) design of optimization algorithms, Soft Computing, 15(11), 2233–2255.
• Diwold, K., Aderhold, A., Scheidler, A., Middendorf, M. (2011). Performance evaluation of artificial bee colony optimization and new selection schemes, Memetic Computing, 3(3), 149.
• Gao, W. & Liu, S. (2011). Improved artificial bee colony algorithm for global optimization. Information Processing Letters, 111(17), 871–882.
• Gao, W. F., Huang, L. L., Liu, S. Y., Chan, F. T., Dai, C., & Shan, X. (2015). Artificial bee colony algorithm with multiple search strategies. Applied Mathematics and Computation, 271, 269-287.
• Gass, S. I. (2000). Making decisions with precision, Business Week, 1(1), 45.
• Herrera, F., Lozano, M. & Molina, D. (2010). Test Suite for the Special Issue of Soft Computing on Scalability of Evolutionary Algorithms and other Metaheuristics for Large Scale Continuous Optimization Problems Functions F1-F11, 1–12.
• Karaboga, D. (2005). An idea based on honey bee swarm for numerical optimization, Technical report-tr06, Erciyes university, engineering faculty, computer.
• Karaboga, D. & Basturk, B. (2007). A powerful and efficient algorithm for numerical function optimization: Artificial bee colony (ABC) algorithm, Journal of Global Optimization, 39(3), 459-471.
• Kıran, M. S., & Fındık, O. (2015). A directed artificial bee colony algorithm. Applied Soft Computing, 26, 454-462.
• Liao, T., Aydin, D. & Stützle, T. (2013). Artificial bee colonies for continuous optimization: Experimental analysis and improvements, Swarm Intelligence. 7(4), 327-356.
• Liao, T., Montes de Oca, M. A., Aydin, D., Stützle, T. & Dorigo, M. (2011). An incremental ant colony algorithm with local search for continuous optimization, Proceedings of the 13th annual conference on Genetic and evolutionary computation, 125–132.
• López-Ibáñez, M., Cáceres, L. P., Dubois-Lacoste, J., Stützle, T. & Birattari, M. (2016). The irace package: User guide, Technical Report TR/IRIDIA/2016-004. IRIDIA, Université Libre de Bruxelles, Belgium.
• López-Ibáñez, M., Dubois-Lacoste, J., Pérez Cáceres, L., Birattari, M. & Stützle, T. (2016). The irace package: Iterated racing for automatic algorithm configuration, Operations Research Perspectives, 3, 43–58.
• Serkan, K. ve Fığlalı, N. (2016). Çok Amaçlı Optimizasyon Problemlerinde Pareto Optimal Kullanımı, Sosyal Bilimler Araştırma Dergisi, 5(2), 9–18.
• Tseng, L., Chen, C. & Definition, A. P. (2008). Multiple Trajectory Search for Large Scale Global Optimization, Proceedings of 2008 IEEE Congress on Evolutionary Computation (IEEE World Congress on Computational Intelligence), 3052–3059.
• Wilcoxon, F., Katti, S. K. & Wilcox, R. A. (1970). Critical values and probability levels for the Wilcoxon rank sum test and the Wilcoxon signed rank test, Selected Tables in Mathematical Statistics, 1, 171–259.
• Winston, W. L. (2003). Operations research: applications and algorithms, International Thomson Publishing, Belmont, California.
• Xue, Y., Jiang, J., Zhao, B., & Ma, T. (2018). A self-adaptive artificial bee colony algorithm based on global best for global optimization. Soft Computing, 22(9), 2935-2952.
• Yavuz, G., & Aydın, D. (2019). Improved self-adaptive search equation-based artificial bee colony algorithm with competitive local search strategy. Swarm and Evolutionary Computation, 51, 100582.
• Zhang, X. & Yuen, S. Y. (2013). Improving artificial bee colony with one-position inheritance mechanism, Memetic Computing, 5(3), 187–211.