Journals / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2021 / Cilt: 33 - Sayı: 2

Global Optimizasyon için Yeni Bir Hibrit Yöntem: Kaya Kartalı Optimizasyonu-Tanjant Arama Algoritması

Pages
721–733
Publication Date
2021-09-15
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)

Deneysel sonuçlar hibrit KKO-TAA’nın, KKO ve TAA’ya göre daha iyi sonuçlar verdiğini ve global optimizasyon için etkili bir yöntem olduğunu göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Optimizasyon, belirli koşullarda bir problem için tüm çözümler arasından en iyisini bulma, en iyileme anlamına gelmektedir.
📊
Key Findings & Data:Algoritmaların hibritleştirilmesi ile iki algoritmanın güçlü yanları birleştirilerek daha etkin bir algoritma elde edilebilmektedir.
💡
Conclusion & Impact:Deneysel sonuçlar hibrit KKO-TAA’nın, KKO ve TAA’ya göre daha iyi sonuçlar verdiğini ve global optimizasyon için etkili bir yöntem olduğunu göstermektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Hibrit Kaya Kartalı Optimizasyonu-Tanjant Arama Algoritması · Kaya Kartalı Optimizasyonu · Tanjant Arama Algoritması

Özet

Optimizasyon, belirli koşullarda bir problem için tüm çözümler arasından en iyisini bulma, en iyileme anlamına gelmektedir. Birçok doğrusal optimizasyon modellerinde klasik optimizasyonun yetersiz kalmasından dolayı metasezgisel algoritmalar önerilmiştir. Metasezgisel algoritmalar, kesin çözümü bulma işleminin tanımlanamadığı durumlarda, kesin çözüme en yakın çözümleri bulmak için kullanılmaktadır. Tüm problemler için en iyi çözümü veren bir algoritma bulunmadığından, yeni metasezgisel algoritmalar önerilmeye veya var olan algoritmalar geliştirilmeye devam edilmektedir. Metasezgisel algoritmaların sahip olduğu keşif ve sömürü yetenekleri dengeli bir şekilde çalışmalıdır. Bazı metasezgisel algoritmalarda bu iki yetenekten biri iyi çalışmaktayken diğeri yetersiz kalabilmektedir. Algoritmaların hibritleştirilmesi ile iki algoritmanın güçlü yanları birleştirilerek daha etkin bir algoritma elde edilebilmektedir. Bu çalışmada Kaya Kartalı Optimizasyonu (KKO)’nun sömürü kabiliyetini arttırmak için daraltılmış keşif aşaması yerine, Tanjant Arama Algoritması (TAA)’nın yoğunlaştırma aşaması uygulanarak yeni bir hibrit yöntem olan Kaya Kartalı Optimizasyonu-Tanjant Arama Algoritması (KKO-TAA) önerilmiştir. KKO-TAA, KKO ve TAA’nın performanslarını karşılaştırmak için, altı adet kalite testi fonksiyonu kullanılmıştır. Deneysel sonuçlar hibrit KKO-TAA’nın, KKO ve TAA’ya göre daha iyi sonuçlar verdiğini ve global optimizasyon için etkili bir yöntem olduğunu göstermektedir.

🔖

Cite This Article

AKYOL, S. (2021). Global Optimizasyon için Yeni Bir Hibrit Yöntem: Kaya Kartalı Optimizasyonu-Tanjant Arama Algoritması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 33 - Sayı: 2, 721–733. https://ajindex.com/articles/406245

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (17)

  1. Murty KG. Optimization Models for Decision Making. Internet Edition, Chapter 1: Models for Decision Making, 2003; 1-18
  2. Güden H, Vakvak B, Özkan BE, Altıparmak F ve Dengiz B. Genel Amaçlı Arama Algoritmaları ile Benzetim Eniyilemesi: En İyi Kanban Sayısının Bulunması. Endüstri Mühendisliği Dergisi, 2005; 16: 2-15
  3. Akyol S. Güncel Akıllı Optimizasyon Algoritmalarıyla Duygu Sınıflandırılması. Doktora Tezi, Fırat Üniversitesi, Fen Bilimleri Enstitüsü, Elazığ, 2018
  4. Akyol S. Güncel Sürü Zekâsı Algoritmalarıyla Sınıflandırma Kurallarının Keşfi. Yüksek Lisans Tezi, Tunceli Üniversitesi, Fen Bilimleri Enstitüsü, Tunceli, 2013
  5. Alataş B. Kaotik Haritalı Parçacık Sürü Optimizasyon Algoritmaları Geliştirme. Doktora Tezi, Fırat Üniversitesi, Fen Bilimleri Enstitüsü, Elazığ, 2007
  6. Cura T. Modern Sezgisel Teknikler ve Uygulamaları. Papatya Yayıncılık Eğitim, 2008
  7. Karaboğa D. Yapay Zeka Optimizasyon Algoritmaları. Nobel Yayın Dağıtım, 2011
  8. Holland J H. Adaption in Natural and Artificial Systems, University of Michigan Pres, Ann Arbor, MI, 1975
  9. Storn R. and Price K. Differential Evolution: A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces. Technical Report TR-95-012, International Computer Science Institute, Berkeley, 1995
  10. Dorigo M, Maniezzo V, and Colorni A. The Ant System: An Autocatalytic Optimizing Process. Tech. Rep. No. 91- 016, Dipartimento di Elettronica, Politecnico di Milano, Italy, 1991
  11. Atashpaz-Gargari E and Lucas C. Imperialist Competitive Algorithm: An Algorithm for Optimization Inspired by Imperialistic Competition. IEEE Congress on Evolutionary Computation, CEC 2007; 2007; 4661-4667
  12. Borji A. A New Global Optimization Algorithm Inspired by Parliamentart Political Competitions. Lecture Notes in Computer Science, 2007; 4827/2007: 61-71
  13. Alataş B. ACROA: Artificial Chemical Reaction Optimization Algorithm for Global Optimization. Expert Systems with Applications, 2011; 38(10): 13170-13180
  14. Geem ZW, Kim JH and Loganathan GV. A New Heuristic Optimization Algorithm: Harmony Search. Simulation, 2001; 76, 60-68
  15. Rashedi E, Nezamabadi-pour H and Saryazdi S. GSA: A Gravitational Search Algorithm. IEEE Congress on Information Sciences; 2009; 179: 2232-2248
  16. Shah-Hosseini H. The Intelligent Water Drops Algorithm: A Nature-Inspired Swarm-Based Optimization Algorithm. International Journal of Bio-Inspired Computation, 2009; 1: 71-79
  17. Kennedy J and Eberha