SavedAdd your journal

Journals / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2019 / Cilt: 10 - Sayı: 3

Kısıtlı optimizasyon problemlerinin çözümü için atom arama optimizasyon algoritması

Erdal EKER
Murat KAYRİ
Serdar EKİNCİ
Pages
841–851
Publication Date
2019-09-29
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)

Tüm test fonksiyonları için elde edilen istatistiksel sonuçlar ve yakınsama hızlarına bakıldığında, ASO algoritmasının kısıtlı optimizasyon problemlerini çözmedeki üstün performansı göze çarpmaktadır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Son yıllarda evrim, fizik, matematik ve sürü ilhamlı çok sayıdaki sezgisel-üstü optimizasyon teknikleri, bilim ve mühendislik alanlarına önerildi.
📊
Key Findings & Data:ASO, en çok bilinen sekiz test fonksiyonuna (Sphere, Rosenbrock, Step, Schwefel, Rastrigin, Ackley, Griewank ve Egg Crate) uygulandı.
💡
Conclusion & Impact:Tüm test fonksiyonları için elde edilen istatistiksel sonuçlar ve yakınsama hızlarına bakıldığında, ASO algoritmasının kısıtlı optimizasyon problemlerini çözmedeki üstün performansı göze çarpmaktadır.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Atom arama optimizasyonu · sezgisel-üstü · optimizasyon

Özet

Son yıllarda evrim, fizik, matematik ve sürü ilhamlı çok sayıdaki sezgisel-üstü optimizasyon teknikleri, bilim ve mühendislik alanlarına önerildi. Atom arama optimizasyonu (ASO), temel moleküler dinamiklerden esinlenen popülasyon tabanlı yeni bir optimizasyon algoritmasıdır. ASO, basitliği ve az sayıda kontrol parametresi sayesinde optimizasyon problemlerine kolaylıkla uygulanabilir. ASO, en çok bilinen sekiz test fonksiyonuna (Sphere, Rosenbrock, Step, Schwefel, Rastrigin, Ackley, Griewank ve Egg Crate) uygulandı. Ayrıca, her test fonksiyonu için ASO ile elde edilen istatistiksel sonuçlar (ortalama, standart sapma ve en iyi değer) literatürdeki diğer algoritmalarla elde edilen sonuçlarla karşılaştırıldı. Parçacık sürüsü optimizasyonu (PSO), yapay arı kolonisi (ABC) ve sinüs kosinüs algoritması (SCA) karşılaştırma için seçilen diğer metotlardır. Tüm test fonksiyonları için elde edilen istatistiksel sonuçlar ve yakınsama hızlarına bakıldığında, ASO algoritmasının kısıtlı optimizasyon problemlerini çözmedeki üstün performansı göze çarpmaktadır.

🔖

Cite This Article

EKER, E., KAYRİ, M., EKİNCİ, S. (2019). Kısıtlı optimizasyon problemlerinin çözümü için atom arama optimizasyon algoritması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 10 - Sayı: 3, 841–851. https://ajindex.com/articles/655910

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. Basturk, B., Karaboga, D., (2006). An artificial bee colony (ABC) algorithm for numeric function optimization, IEEE Swarm Intelligence Symposium, Indianapolis. Boussaïd, I., Lepagnot, J., Siarry, P., (2013). A survey on optimization metaheuristics, Information sciences, 237, 82-117.
  2. Eberhart, R., Kennedy, J., (1995). A new optimizer using particle swarm theory, Proceedings of the Sixth International Symposium on Micro Machine and Human Science, IEEE, Nagoya. Ekinci, S., (2016). Application and comparative performance analysis of PSO and ABC algorithms for optimal design of multi-machine power system stabilizers, Gazi University Journal of Science, 29(2), 323-334.
  3. Ekinci, S., Demiroren, A., (2016). Modeling, simulation, and optimal design of power system stabilizers using ABC algorithm, Turkish Journal of Electrical Engineering & Computer Sciences, 24(3), 1532-1546.
  4. Ekinci, S., Hekimoglu, B., (2017). Multi-machine power system stabilizer design via HPA algorithm, Journal of the Faculty of Engineering and Architecture of Gazi University, 32(4), 1271-1285. Ekinci S., (2019). Optimal design of power system stabilizer using sine cosine algorithm, Journal of the Faculty of Engineering and Architecture of Gazi University, https://dx.doi.org/10.17341/gazimmfd.460529.
  5. Gandomi, A.H., Alavi, A.H., (2012). Krill herd: a new bio-inspired optimization algorithm, Communications in Nonlinear Science and Numerical Simulation, 17(12), 4831-4845.
  6. Hekimoğlu, B., (2019). Sine-cosine algorithm-based optimization for automatic voltage regulator system. Transactions of the Institute of Measurement and Control, to be published. DOI: 10.1177/0142331218811453. Holland, J.H., (1975). Adaptation in natural and artificial systems, University of Michigan Press,
  7. Ann Arbor. Jaddi, N.S., Alvankarian, J., Abdullah, S., (2017). Kidney-inspired algorithm for optimization problems, Communications in Nonlinear Science and Numerical Simulation, 42, 358-369.
  8. Jain, M., Singh, V., Rani, A., (2019). A novel nature-inspired algorithm for optimization: Squirrel search algorithm, Swarm and Evolutionary Computation, 44, 148-175.
  9. Karaboga, D., Artificial Bee Colony (ABC) Algorithm, https://abc.erciyes.edu.tr, Erişim tarihi Şubat 16, 2019.
  10. Kirkpatrick, S., Gelatt, C.D., Vecchi, M.P., (1983).
  11. Optimization by simulated annealing, Science, 220(4598), 671-680.
  12. Li, M.D., Zhao, H., Weng, X.W., Han, T., (2016). A novel nature-inspired algorithm for optimization: Virus colony search, Advances in Engineering Softw