SavedAdd your journal

Journals / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2021 / Cilt: 12 - Sayı: 5

Güncel metasezgisel optimizasyon algoritmalarının CEC2020 test fonksiyonları ile karşılaştırılması

Elif VAROL ALTAY
Osman ALTAY
Pages
729–741
Publication Date
2022-10-11
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)

Bu çalışmada son zamanlarda ortaya çıkan Cıvık Mantar Optimizasyon Algoritması, Balina Optimizasyon Algoritması, Gri Kurt Optimizasyonu, Harris Şahin Optimizasyonu ve Arşimet Optimizasyon Algoritması tanıtılmış ve bu yöntemlerin performansları 10 adet unimodal, multimodal, hibrit ve composition fonksiyonlarını içeren CEC2020 test fonksiyonlarında karşılaştırılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Son yıllarda karmaşık, çok modlu, yüksek boyutlu ve doğrusal olmayan arama ve optimizasyon problemleri için birçok metasezgisel optimizasyon algoritması önerilmiştir.
📊
Key Findings & Data:Doğada yer alan canlıların sürü davranışları, bitkilerin davranış biçimleri, insanların sosyal davranışları, matematiksel, fiziksel, kimyasal, biyolojik yasalar ve kurallardan ilham alan çok sayıda metasezgisel optimizasyon algoritması bulunmaktadır.
💡
Conclusion & Impact:Bu çalışmada son zamanlarda ortaya çıkan Cıvık Mantar Optimizasyon Algoritması, Balina Optimizasyon Algoritması, Gri Kurt Optimizasyonu, Harris Şahin Optimizasyonu ve Arşimet Optimizasyon Algoritması tanıtılmış ve bu yöntemlerin performansları 10 adet unimodal, multimodal, hibrit ve composition fonksiyonlarını içeren CEC2020 test fonksiyonlarında karşılaştırılmıştır.
🔬Design:Lab & Field Experiment
📍Scope:10 adet
⚙️Variables:Metasezgisel yöntemler · kalite test fonksiyonları · global optimizasyon

Özet

Son yıllarda karmaşık, çok modlu, yüksek boyutlu ve doğrusal olmayan arama ve optimizasyon problemleri için birçok metasezgisel optimizasyon algoritması önerilmiştir. Doğada yer alan canlıların sürü davranışları, bitkilerin davranış biçimleri, insanların sosyal davranışları, matematiksel, fiziksel, kimyasal, biyolojik yasalar ve kurallardan ilham alan çok sayıda metasezgisel optimizasyon algoritması bulunmaktadır. Bu algoritmalar bazı problemlerde başarı ile sonuç üretirken bazı problemlerde yeterince başarılı sonuç üretememektedir. Önerilen bu algoritmaların performansları problemin yapısına göre değişiklik göstermektedir. Araştırmacılar da bundan dolayı her geçen gün yeni yöntemler önermektedir. Bu çalışmada son zamanlarda ortaya çıkan Cıvık Mantar Optimizasyon Algoritması, Balina Optimizasyon Algoritması, Gri Kurt Optimizasyonu, Harris Şahin Optimizasyonu ve Arşimet Optimizasyon Algoritması tanıtılmış ve bu yöntemlerin performansları 10 adet unimodal, multimodal, hibrit ve composition fonksiyonlarını içeren CEC2020 test fonksiyonlarında karşılaştırılmıştır.

🔖

Cite This Article

ALTAY, E. V., ALTAY, O. (2022). Güncel metasezgisel optimizasyon algoritmalarının CEC2020 test fonksiyonları ile karşılaştırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 12 - Sayı: 5, 729–741. https://ajindex.com/articles/487499

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. B. Bunday, Basic Optimization Methods, London: Edward Arnold Ltd, 1984
  2. E. V. Altay, B. Alatas, “Bird swarm algorithms with chaotic mapping”, Artificial Intelligence Review, vol. 53 no. 2, pp. 1373-1414, 2020
  3. E. Varol, B. Alataş, “Sürü zekâsında yeni bir yaklaşım: Kuş sürüsü algoritması”, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol. 8, no. 1, pp. 133-146, 2017
  4. S. İ. Birbil, S. C. Fang, “An electromagnetism-like mechanism for global optimization”, Journal of global optimization, vol. 25, no. 3, pp. 263-282, 2003
  5. B. Xing, W. J. Gao, “Central force optimization algorithm”, In Innovative Computational Intelligence: A Rough Guide to 134 Clever Algorithms, Springer International Publishing, pp. 333-337, 2014
  6. L. Xie, Y. Tan, J. Zeng, Z. Cui, “Artificial physics optimisation: a brief survey”, International Journal of Bio-Inspired Computation, vol. 2, no. 5, pp. 291-302, 2010
  7. M. Kripka, R. M. L. Kripka, “Big crunch optimization method”, In International conference on engineering optimization. Brazil, 2008, pp. 1-5
  8. H. Shah-Hosseini, “Principal components analysis by the galaxy-based search algorithm: a novel metaheuristic for continuous optimisation”, Int. J. Computational Science and Engineering, vol. 6, pp. 132-140, 2011
  9. H. Eskandar, A. Sadollah, A. Bahreininejad, M. Hamdi, “Water cycle algorithm–a novel metaheuristic optimization method for solving constrained engineering optimization problems”, Comput. Struct., vol. 110, pp. 151–166, 2012
  10. B. Xing, W. J. Gao, “Charged system search algorithm”, In Innovative Computational Intelligence: A Rough Guide to 134 Clever Algorithms, Springer International Publishing, 2014, pp. 339-346
  11. E. Atashpaz-Gargari, C. Lucas, “Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition”, In 2007 IEEE Congress on Evolutionary Computation, 2007, pp. 4661-4667
  12. R. V. Rao, V. Patel, “An improved teaching-learning-based optimization algorithm for solving unconstrained optimization problems”, Scientia Iranica, vol. 20, no. 3, pp. 710–720, 2013
  13. A. Borji, M. Hamidi, “A new approach to global optimization motivated by parliamentary political competitions”, International Journal of Innovative Computing, Information and Control, vol. 5 no. 6, pp. 1643-1653, 2009
  14. Z. Cui, Z. Shi, J. Zeng, “Using social emotional optimization algorithm to direct orbits of chaotic systems”, International Conference on Swarm, Evol