Optimizing The Parameters of The Golden Eagle Optimizer Algorithm for Benchmark Functions

Abstract

In this study, in order to improve the performance of the Golden Eagle Optimization (GEO) algorithm, the parameters of the algorithm were optimized. In this way, it is predicted that the best value of the algorithm's parameter will be obtained and the algorithm will perform a more stable operation for the obtained parameter values. The algorithm’s parameter optimization is used in many studies. There are two different parameter values of the GOE algorithm. These parameters are attack and cruise, respectively. Cruise parameter value is between [0.5-1] and attack parameter value is between [0.5-2]. Experimental studies were carried out on 23 different benchmark functions for each parameter value of the algorithm. In the experimental study results, the values of the best parameters were tried to be determined. It is shown in the tables and graphics that the solutions converge to the optimum result when the cruise parameter approaches 0.75 and the attack parameter 1.5 for the unimodal benchmark test functions. Similarly, for multimodal benchmark functions, it is seen in the tables and graphs that the attack parameter is 1.5 and the cruise parameter is 0.75.

Keywords

• Golden eagle optimizer
• parameter optimizing
• benchmark functions
• optimization

Benchmark Fonksiyonları için Altın Kartal Optimizasyon Algoritmasının Parametrelerini Optimize Etme

Öz

Bu çalışmada, Altın Kartal Optimizasyon (AKO) algoritmasının performansını iyileştirmek için AKO algoritmasının parametreleri optimize edilmiştir. Bu sayede algoritmanın parametresinin en iyi değerinin elde edileceği ve elde edilen parametre değerleri için algoritmanın daha kararlı bir işlem gerçekleştireceği öngörülmektedir. Algoritmanın parametre optimizasyonu birçok çalışmada kullanılmaktadır. AKO algoritmasının iki farklı parametre değeri vardır. Bu parametreler sırasıyla saldırı ve seyirdir. Seyir parametre değeri [0.5-1], saldırı parametresi değeri [0.5-2] arasındadır. Algoritmanın her bir parametre değeri için 23 farklı kıyaslama fonksiyonu üzerinde deneysel çalışmalar yapılmıştır. Deneysel çalışma sonuçlarında en iyi parametrelerin değerleri belirlenmeye çalışılmıştır. Unimodal benchmark test fonksiyonlarında seyir parametresi 0.75 değeri ile iyi sonuçlar elde etmiştir. Saldırı parametresi ise fonksiyonlara bağlı olarak 1.5'e yaklaştığında optimum sonuca doğru yakınsadığı tablo ve grafiklerde verilmiştir. Benzer şekilde, multimodal kıyaslama testi sonuçlarında, seyir parametresi 0.75 değeri ile benzer şekilde iyi sonuçlar hesaplamıştır. Fonksiyonların özelliklerine bağlı olarak, değer 1.5'e yaklaştıkça saldırı parametresinin değerinin daha iyi bir çözüm bulduğu tablo ve grafiklerde gösterilmiştir.

Anahtar Kelimeler

• Altın Kartal Optimizasyon Algoritması
• Parametre optimizasyonu
• Kıyaslama Fonksiyonları
• Optimizasyon

Kaynakça

1. Akay, B., & Karaboga, D. J. I. s. (2012). A modified artificial bee colony algorithm for real-parameter optimization. 192, 120-142.
2. Beşkirli, A., & Dağ, İ. (2020). A new binary variant with transfer functions of Harris Hawks Optimization for binary wind turbine micrositing. Energy Reports, 6, 668-673. doi:https://doi.org/10.1016/j.egyr.2020.11.154
3. Beşkirli, A., Özdemir, D., & Temurtaş, H. (2020). A comparison of modified tree–seed algorithm for high-dimensional numerical functions. Neural Computing and Applications, 32(11), 6877-6911. doi:10.1007/s00521-019-04155-3
4. Brest, J., Maučec, M. S., & Bošković, B. (2017). Single objective real-parameter optimization: Algorithm jSO. Paper presented at the 2017 IEEE congress on evolutionary computation (CEC).
5. Brest, J., Zamuda, A., Boskovic, B., Maucec, M. S., & Zumer, V. (2008). High-dimensional real-parameter optimization using self-adaptive differential evolution algorithm with population size reduction. Paper presented at the 2008 IEEE Congress on Evolutionary Computation (IEEE World Congress on Computational Intelligence).
6. Cicirello, V. A., & Smith, S. F. (2000). Modeling GA performance for control parameter optimization. Paper presented at the GECCO-2000: Proceedings of the Genetic and Evolutionary Computation Conference.
7. Grefenstette, J. J. (1986). Optimization of control parameters for genetic algorithms. IEEE Transactions on systems, man, cybernetics, 16(1), 122-128.
8. Luo, F., Zhao, J., & Dong, Z. Y. (2016). A new metaheuristic algorithm for real-parameter optimization: natural aggregation algorithm. Paper presented at the 2016 IEEE Congress on Evolutionary Computation (CEC).

9. Michalewicz, Z., & Schoenauer, M. (1996). Evolutionary algorithms for constrained parameter optimization problems. Evolutionary computation, 4(1), 1-32.
10. Mohammadi-Balani, A., Nayeri, M. D., Azar, A., & Taghizadeh-Yazdi, M. (2021). Golden eagle optimizer: A nature-inspired metaheuristic algorithm. Computers Industrial Engineering, 152, 107050.
11. Rao, R. V., Savsani, V., & Balic, J. J. E. O. (2012). Teaching–learning-based optimization algorithm for unconstrained and constrained real-parameter optimization problems. 44(12), 1447-1462.
12. Zhangqi, W., Xiaoguang, Z., & Qingyao, H. J. P. E. (2011). Mobile robot path planning based on parameter optimization ant colony algorithm. 15, 2738-2741.