SavedAdd your journal

Journals / Politeknik Dergisi / 2020 / Cilt: 23 - Sayı: 2

Meta-Sezgisel Arama Sürecinin Analiz, Test ve Yönetimi: SOS Üzerine Deneysel Bir Çalışma

Analysis, test and management of the metaheuristic searching process: an experimental study on SOS

Hamdi Tolga KAHRAMAN
Sefa ARAS
Yusuf SÖNMEZ
Uğur GÜVENÇ
EYÜP GEDİKLİ
Pages
445–455
DOI
—
🏛️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)

Ayrıca, bu çalışmada geliştirilen ve sunulan yeni deneysel test yöntemlerinin, tasarım ve test için meta-sezgisel algoritma çalışmalarına katkıda bulunması beklenmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bir arama sürecinde, yerel minimum tuzağına düşmek ya da küresel minimum noktasını atlamak tıpkı yapay zeka yöntemlerinde olduğu gibi meta-sezgisel algoritmaların en büyük sorunlarından biridir.
📊
Key Findings & Data:Bu çalışmada, bu sorunların nedenleri araştırılmış ve yeni çözüm yöntemleri geliştirilmiştir.
💡
Conclusion & Impact:Ayrıca, bu çalışmada geliştirilen ve sunulan yeni deneysel test yöntemlerinin, tasarım ve test için meta-sezgisel algoritma çalışmalarına katkıda bulunması beklenmektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

Bir arama sürecinde, yerel minimum tuzağına düşmek ya da küresel minimum noktasını atlamak tıpkı yapay zeka yöntemlerinde olduğu gibi meta-sezgisel algoritmaların en büyük sorunlarından biridir. Bu çalışmada, bu sorunların nedenleri araştırılmış ve yeni çözüm yöntemleri geliştirilmiştir. Bu amaçla, meta-sezgisel algoritmaları test ve analiz etmek için yeni bir çerçeve geliştirilmiştir. Ayrıca yeni ve güçlü bir meta-sezgisel yöntem olan Simbiyotik Organizmalar Arama (SOS) Algoritması için analiz ve test çalışmaları yapılmıştır. Çalışmanın amaçlarından biri, simbiyotik operatörlerin doğal ekosistem taklit başarısını ölçmektir. Böylece, arama sürecindeki problemler keşfedilmiş ve geliştirilen test ve analiz yönteminin bir örneği olarak operatörlerin tasarım hataları ortaya çıkmıştır. Dahası, kesin bir komşuluk arayışını gerçekleştirme ve yerel minimumdan kurtulma yolları (çeşitliliği arttırmak) araştırılmıştır. Araştırma sürecindeki operatörlerin performansını arttıran önemli bilgiler deneysel çalışmalarla sağlanmıştır. Ayrıca, bu çalışmada geliştirilen ve sunulan yeni deneysel test yöntemlerinin, tasarım ve test için meta-sezgisel algoritma çalışmalarına katkıda bulunması beklenmektedir.

Özet

In a search process, getting trapped in a local minimum or jumping the global minimum problems are also one of the biggest problems of meta-heuristic algorithms as in artificial intelligence methods. In this paper, causes of these problems are investigated and novel solution methods are developed. For this purpose, a novel framework has been developed to test and analyze the metaheuristic algorithms. Additionally, analysis and test studies have been carried out for Symbiotic Organisms Search (SOS) Algorithm. The aim of the study is to measure the mimicking a natural ecosystem success of symbiotic operators. Thus, problems in the search process have been discovered and operators' design mistakes have been revealed as a case study of the developed testing and analyzing method. Moreover, ways of realizing a precise neighborhood search (intensification) and getting rid of the local minimum (increasing diversification) have been explored. Important information that enhances the performance of operators in the search process has been achieved through experimental studies. Additionally, it is expected that the new experimental test methods developed and presented in this paper contributes to meta-heuristic algorithms studies for designing and testing.

🔖

Cite This Article

KAHRAMAN, H. T., ARAS, S., SÖNMEZ, Y., GÜVENÇ, U., GEDİKLİ, E. (2020). Meta-Sezgisel Arama Sürecinin Analiz, Test ve Yönetimi: SOS Üzerine Deneysel Bir Çalışma. Politeknik Dergisi, Cilt: 23 - Sayı: 2, 445–455. https://ajindex.com/articles/307083

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Blum C. and Roli A., “Metaheuristics in combinatorial optimization: Overview and conceptual comparison”, ACM Computing Surveys, 35(3): 268-308, (2003)
  2. Yang X.S., Scholarpedia, 6(8):1147, (2011)
  3. Lin, A., Sun, W., Yu, H., Wu, G., & Tang, H., “Global genetic learning particle swarm optimization with diversity enhancement by ring topology”, Swarm and evolutionary computation, 44: 571-583, (2019)
  4. Ali, A. F., Tawhid, M. A., “A hybrid particle swarm optimization and genetic algorithm with population partitioning for large scale optimization problems”, Ain Shams Engineering Journal, 8(2): 191-206, (2017)
  5. Dorigo M., “Optimization, Learning and Natural Algorithms”, PhD thesis, Politecnico di Milano, (1992)
  6. Chen, Z., Zhou, S., & Luo, J., “A robust ant colony optimization for continuous functions”, Expert Systems with Applications, 81: 309-320, (2017)
  7. Dorigo M. and Stützle T., “Ant Colony optimization”, MA: MIT Press, Cambridge, (2004)
  8. Jana, B., Mitra, S., & Acharyya, S., “Repository and Mutation based Particle Swarm Optimization (RMPSO): A new PSO variant applied to reconstruction of Gene Regulatory Network”, Applied Soft Computing, 74: 330- 355, (2019)
  9. Mason, K., Duggan, J., & Howley, E., “A meta optimisation analysis of particle swarm optimisation velocity update equations for watershed management learning”, Applied Soft Computing, 62: 148-161, (2018)
  10. Rajabioun R., “Cuckoo Optimization Algorithm”, Applied Soft Computing, 11:5508-5518, (2011)
  11. Harfouchi, F., Habbi, H., Ozturk, C., & Karaboga, D., “Modified multiple search cooperative foraging strategy for improved artificial bee colony optimization with robustness analysis”, Soft Computing, 1-24, (2017)
  12. Karaboga, D., Kaya, E., “An adaptive and hybrid artificial bee colony algorithm (aABC) for ANFIS training”, Applied Soft Computing, 49: 423-436, (2016)
  13. Sun, G., Ma, P., Ren, J., Zhang, A., & Jia, X., “A stability constrained adaptive alpha for gravitational search algorithm”, Knowledge-Based Systems, 139: 200-213, (2018)
  14. Kahraman H. T., Sagiroglu S., and Colak I., “The development of intuitive knowledge classifier and the modeling of domain dependent data”, Knowledge Based Systems, 37: 283-295, (2013)
  15. Rao R.V., Savsani V.J, and Vakharia D.P., “Teaching– learning-based optimization: A novel method for constrained mechanical design optimization problems”, Computer-Aided Design, 43: 303–315, (2011)
  16. Cheng M.Y., and Prayogo D., “Symbiotic