SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2021 / Cilt: 36 - Sayı: 4

Çok boyutlu sırt çantası problemi için adaptif ikili yapay arı kolonisi algoritması (AİYAK)

Rafet Durgut
Mehmet Emin Aydın
Pages
2333–2348
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 algoritmanın literatürdeki diğer yöntemlerden daha başarılı sonuçlar ürettiği gösterilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Optimizasyon algoritmalarının etkinlik ve verimliliği çözüm uzayında aktif arama/keşif ve hızlı hareket etme kabiliyetlerine bağlıdır.
📊
Key Findings & Data:Önerilen algoritmanın başarısı ve literatürdeki dört farklı yöntem ile üç farklı problem kümesi üzerinde istatistiksel karşılaştırmaları yapılmıştır.
💡
Conclusion & Impact:Önerilen algoritmanın literatürdeki diğer yöntemlerden daha başarılı sonuçlar ürettiği gösterilmiştir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Sırt çantası problemi · Yapay Arı Kolonisi · İkili YAK

Özet

Optimizasyon algoritmalarının etkinlik ve verimliliği çözüm uzayında aktif arama/keşif ve hızlı hareket etme kabiliyetlerine bağlıdır. Bir algoritmada “arama” ve “kullanma” kabiliyetleri kullanılan komşuluk operatörleri ile doğrudan ilgilidir. Bu kabiliyetleri arttırmak için birden fazla komşuluk operatörü arama süreci içerisinde dâhil edilebilir. Bu çalışmadan çok boyutlu sırt çantası probleminin çözümü için üç adet komşuluk operatörü içeren adaptif ikili yapay arı kolonisi kullanımı önerilmiştir. Çok boyutlu sırt çantası problemi birçok uygulama alanına sahip olan bir NP-zor problemdir. Özellikle büyük boyutlu problem örneklerinin makul sürelerde çözülmesi oldukça güçtür. Önerilen algoritmaya ait en iyi parametre yapılanmasının belirlenmesi için ilk olarak parametre ayarlama deneysel çalışmaları gerçekleştirilmiştir. Önerilen algoritmanın başarısı ve literatürdeki dört farklı yöntem ile üç farklı problem kümesi üzerinde istatistiksel karşılaştırmaları yapılmıştır. Önerilen algoritmanın literatürdeki diğer yöntemlerden daha başarılı sonuçlar ürettiği gösterilmiştir.

🔖

Cite This Article

Durgut, R., Aydın, M. E. (2022). Çok boyutlu sırt çantası problemi için adaptif ikili yapay arı kolonisi algoritması (AİYAK). Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 36 - Sayı: 4, 2333–2348. https://ajindex.com/articles/523459

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (16)

  1. Fausto, F., Reyna-Orta, A., Cuevas, E., Andrade, Á. G., & Perez-Cisneros, M.,From ants to whales: metaheuristics for all tastes, Artificial Intelligence Review, 53(1), 753-810, 2020.
  2. Mirjalili, S., & Lewis, A., The whale optimization algorithm, Advances in engineering software, 95, 51-67, 2016.
  3. Whitley, D., A genetic algorithm tutorial, Statistics and computing, 4(2), 65-85, 1994.
  4. Kennedy, J., & Eberhart, R., Particle swarm optimization. In Proceedings of ICNN'95-International Conference on Neural Networks, 4, 1942-1948,1995.
  5. Karaboga, D., & Basturk, B., On the performance of artificial bee colony (ABC) algorithm. Applied soft computing, 8(1), 687-697, 2008.
  6. Price, K., Storn, R. M., & Lampinen, J. A., Differential evolution: a practical approach to global optimization, Springer Science & Business Media, 2006.
  7. Hussain, K., Salleh, M. N. M., Cheng, S., & Shi, Y., Metaheuristic research: a comprehensive survey. Artificial Intelligence Review, 52(4), 2191-2233, 2019.
  8. Siarry, P., Metaheuristics, Springer International Publishing, 2016.
  9. Sergeyev, Y. D., Kvasov, D. E., & Mukhametzhanov, M. S., On the efficiency of nature-inspired metaheuristics in expensive global optimization with limited budget. Scientific reports, 8(1), 1-9, 2018. Morales-Castañeda, B., Zaldivar, D., Cuevas, E., Fausto, F., & Rodríguez, A., A better balance in metaheuristic algorithms: Does it exist?. Swarm and Evolutionary Computation, 54, 100671. 2020
  10. Karaboga, D., An idea based on honey bee swarm for numerical optimization (Vol. 200, 1-10). Technical report-tr06, Erciyes university, engineering faculty, computer engineering department, 2005.
  11. Özturk, C., Hancer, E., & Karaboga, D., Küresel en iyi yapay ari koloni algoritmasi ile otomatik kümeleme. Journal of the Faculty of Engineering & Architecture of Gazi University, 29(4), 2014.
  12. Wang, H., Wang, W., Xiao, S., Cui, Z., Xu, M., & Zhou, X. Improving Artificial Bee Colony Algorithm Using a New Neighborhood Selection Mechanism. Information Sciences, 527, 227-240 2020.
  13. Xue, Y., Jiang, J., Zhao, B., & Ma, T., A self-adaptive artificial bee colony algorithm based on global best for global optimization. Soft Computing, 22(9), 2935-2952, 2018.
  14. Yurtkuran, A., & Emel, E., An adaptive artificial bee colony algorithm for global optimization. Applied Mathematics and Computation, 271, 1004-1023, 2015.
  15. Babaoglu, I., Artificial bee colony algorithm with distribution-based update rule. Applied Soft Computing, 34, 851-861, 2015.
  16. Gao, W., Liu, S., & Huang,