SavedAdd your journal

Journals / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2020 / Cilt: 32 Sayı: 2

Performance Comparisons of Current Binary Optimization Algorithms in Unconstrained Benchmark Functions

Güncel İkili Optimizasyon Algoritmalarının Kısıtsız Kıyaslama Fonksiyonlarındaki Performans Karşılaştırmaları

Erkan Tanyıldızı(FIRAT ÜNİVERSİTESİ)0000-0003-2973-9389
Abdullah Çelik(PALU CİMŞİDBEY MESLEKİ VE TEKNİK ANADOLU LİSESİ)0000-0002-3430-4630
Pages
369–380
Publication Date
2020-09-24
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

In this study, the effects of chaotic maps on the new and successful Multiobjective Golden Sine Algorithm (MOGoldSA) were investigated.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Multiobjective optimization is the process of producing solutions suitable for limited or unconstrained problems with more than one purpose.
📊
Key Findings & Data:In intuitive multi-objective optimization, the randomly generated number string is of great importance in obtaining solutions close to the global optimum.
💡
Conclusion & Impact:In this study, the effects of chaotic maps on the new and successful Multiobjective Golden Sine Algorithm (MOGoldSA) were investigated.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:İkili Optimizasyon · Kısıtsız Kıyaslama Fonksiyonları · Modifikasyon Teknikleri

Abstract

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.

Özet

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.

🔖

Cite This Article

Tanyıldızı, E., Çelik, A., *, A. Ç. (2020). Performance Comparisons of Current Binary Optimization Algorithms in Unconstrained Benchmark Functions. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 32 Sayı: 2, 369–380. https://doi.org/10.35234/fumbd.770492

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (19)

  1. Korkmaz, S. (2019). İkili Optimizasyon Problemlerinin Çözümü İçin Yapay Alg Algoritması Tabanlı Yeni Yaklaşımlar, Doktora Tezi, Konya Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
  2. Özsağlam, Y. ve Çunkaş, M. (2008). Optimizasyon Problemlerinin Çözümü için Parçaçık Sürü Optimizasyonu Algoritması, Politeknik Dergisi, 4, pp.299-305
  3. 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
  4. Aytimur, A. (2019). İkili Optimizasyon Yöntemlerinin Araştırılması ve İkili Test Problemleri Üzerinde Başarımının Değerlendirilmesi, Yüksek Lisans Tezi, Erciyes Üniversitesi, Fen Bilimleri Enstitüsü
  5. 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
  6. Yang, X.S. (2010). Engineering Optimization: An Introduction with Metaheuristic Applications, doi:10.1002/9780470640425
  7. 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
  8. 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
  9. Pampara, G., Engelbrecht, A.P., Franken, N. (2006). Binary Differential Evolution, 2006 IEEE International Conference on Evolutionary Computation, doi: 10.1109/CEC.2006.1688535
  10. Nezamabadi-pour, H. (2015). A Quantum-Inspired Gravitational Search Algorithm for Binary Encoded Optimization Problems, Engineering Applications of Artificial Intelligence, 40, ss. 62-75
  11. Ozturk, C., Hancer, E., Karaboga, D. (2015). Dynamic clustering with improved binary artificial bee colony algorithm, Applied Soft Computing, 28, ss. 69-80
  12. 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
  13. 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
  14. 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
  15. Mirjalili, S. (2015). The Ant Lion Optimizer, Advances in Engineering Software,83, ss. 80-98
  16. Emary, E., Zawbaa, H.M., Hassanien, A.E.(2016). Binary grey wolf optimization approaches for feature selection, Neurocomputing, 172, ss. 371–381
  17. 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
  18. Mirjalili, S., Mirjalili, S.M., Yang, X. (2013). Binary bat algorithm, Neural Comput & Applic, doi: 10.1007/s00521-013-1525-5
  19. 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