Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2022 / Cilt: 37 - Sayı: 2

Göç oranı ve göç aralığı değerlerinin yanıt yüzeyi yöntemi ile belirlenmesi: Paralel göçmen kuşlar optimizasyon algoritması örneği

Pages
907–920
Publication Date
2022-10-18
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)

Önerilen MR ve MI değerleri kullanılarak yapılan doğrulama deneylerine göre başarılı sonuçlar elde edilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Göç, paralel metasezgisel optimizasyon algoritmalarının başarılı sonuçlar üretmesini sağlayan başlıca işlem adımıdır.
📊
Key Findings & Data:Göç parametreleri olan göç oranı (MR) ve göç aralığının (MI) doğru olarak belirlenmesi algoritmanın başarısını etkiler.
💡
Conclusion & Impact:Önerilen MR ve MI değerleri kullanılarak yapılan doğrulama deneylerine göre başarılı sonuçlar elde edilmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Paralel göçmen kuşlar optimizasyon algoritması · göç oranı · göç aralığı

Özet

Göç, paralel metasezgisel optimizasyon algoritmalarının başarılı sonuçlar üretmesini sağlayan başlıca işlem adımıdır. Göç parametreleri olan göç oranı (MR) ve göç aralığının (MI) doğru olarak belirlenmesi algoritmanın başarısını etkiler. Bu nedenle göç parametrelerinin değerlerinin belirlenmesi üzerine yapılacak çalışmalar önemlidir. Bu çalışmada, MR ve MI değerleri, yanıt yüzeyi yöntemlerinden biri olan merkezi kompozit tasarım deney düzeni kullanılarak belirlenmiştir. Tespit edilen MR ve MI değerleri, Paralel Göçmen Kuşlar Optimizasyon (PGKO) algoritmasında uygulanmış ve fonksiyonun uygunluk değerleri hesaplanmıştır. Bu sonuçlara göre; MI, MR, MI*MR, MI*MI ve MR*MR katsayılarını içeren bir denklem oluşturulmuştur. Böylece, uygunluk değeri ile MR ve MI faktörlerinin doğrusal etkisi, etkileşim etkisi ve kuadratik etkisi ortaya konmuştur. Modelin oluşturulmasından sonra çekicilik fonksiyonu kullanılarak MR ve MI parametrelerinin optimizasyonu sağlanmış ve en iyi değerleri belirlenmiştir. Önerilen MR ve MI değerleri kullanılarak yapılan doğrulama deneylerine göre başarılı sonuçlar elde edilmiştir.

🔖

Cite This Article

Kuvat, G., Tülek, A. (2022). Göç oranı ve göç aralığı değerlerinin yanıt yüzeyi yöntemi ile belirlenmesi: Paralel göçmen kuşlar optimizasyon algoritması örneği. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 37 - Sayı: 2, 907–920. https://ajindex.com/articles/523408

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Özyön S., Yaşar C., Temurtaş H., Incremental gravitational search algorithm for high-dimensional benchmark functions, Neural Computing and Applications, 31 (8), 3779–3803, 2019
  2. Aydın D., Yavuz G., Stützle T., ABC-X: a generalized, automatically configurable artificial bee colony framework, Swarm Intelligence, 11 (1), 1–38, 2017
  3. Basturk A., Akay R., Performance analysis of the coarse-grained parallel model of the artificial bee colony algorithm, Information Sciences, 253, 34-55, 2013
  4. Huo J., Liu L., Zhang Y., An improved multi-cores parallel artificial bee colony optimization algorithm for parameters calibration of hydrological model, Future Generation Computer Systems, 81, 492-504, 2018
  5. Gülcü Ş., Kodaz H., A novel parallel multi-swarm algorithm based on comprehensive learning particle swarm optimization, Engineering Applications of Artificial Intelligence, 45, 33-45, 2015
  6. Tu K., Liang Z., Parallel computation models of particle swarm optimization implemented by multiple threads, Expert Systems with Applications, 38 (5), 5858-5866, 2011
  7. Adar N., Kuvat G., Parallel Genetic Algorithms with Dynamic Topology using Cluster Computing, Advances in Electrical and Computer Engineering, 16 (3), 73-80, 2016
  8. Abdelhafez A., Alba E., Luque G., Performance analysis of synchronous and asynchronous distributed genetic algorithms on multiprocessors, Swarm and Evolutionary Computation, 49, 147-157, 2019
  9. Randall M., Lewis A., A Parallel Implementation of Ant Colony Optimization, Journal of Parallel and Distributed Computing, 62 (9), 1421-1432, 2002
  10. Ling C., Hai-Ying S., Shu W., A parallel ant colony algorithm on massively parallel processors and its convergence analysis for the travelling salesman problem, Information Sciences, 199, 31-42, 2012
  11. Strofylas G.A., Porfyri K.N., Nikolos I.K., Delis A.I., Papageorgiou M., Using synchronous and asynchronous parallel Differential Evolution for calibrating a second-order traffic flow model, Advances in Engineering Software, 125, 1-18, 2018
  12. Wang H., Rahnamayan S., Wu Z., Parallel differential evolution with self-adapting control parameters and generalized opposition-based learning for solving high-dimensional optimization problems, Journal of Parallel and Distributed Computing, 73 (1), 62-73, 2013
  13. Yuan X., Zhang T., Xiang Y., Dai X., Parallel chaos optimization algorithm with migration and merging operation, Applied Soft Computing, 35, 591-604, 2015
  14. Çınar A. C., Kıran M. S., A