AI Summary & Key Takeaways
AI InsightAccording to the results, it is seen that CMASFS is generally obtained better mean error values.
📌 3 Key Takeaways
Abstract
In this study, a novel hybridization approach, which is called CMASFS and is based on the covariance matrix adaptation evolution strategy (CMA-ES) and the stochastic fractal search (SFS) algorithms. To make the proposed algorithm dynamic, Gaussian walk equations involved in the diffusion process of SFS have been updated and the algorithm decide to use which the Gaussian walk equations. The effectiveness of the proposed algorithm is tested using CEC2017 benchmark functions having unimodal, multimodal, hybrid, and composition functions in 10, 30, 50, and 100 dimensions. The performance of the CMASFS algorithm is compared with 17 metaheuristic algorithms given in the literature over the CEC2017 benchmark functions. According to the results, it is seen that CMASFS is generally obtained better mean error values. Moreover, to show the superiority of the proposed algorithm, Friedman analysis and the Wilcoxon rank-sum test are applied to the test results of the algorithms. The results of the Wilcoxon signed-rank test show that the improvement with the CMASFS algorithm is statistically significant on the majority of the CEC2017. The results of Friedman test verify that the CMASFS is obtained the best rank compared to both the original SFS and other compared algorithms.
Özet
Bu çalışmada, kovaryans matris uyarlaması ile evrim stratejisi (CMA-ES) ve stokastik fraktal arama (SFA) algoritmalarına dayanan CMASFA adı verilen yeni bir hibritleştirme yaklaşımı geliştirilmiştir. Önerilen algoritmayı dinamik hale getirmek için, SFS'nin yayılım sürecinde yer alan Gauss yürüyüş eşitlikleri güncellenmiş ve hangi Gauss yürüyüş eşitliğinin kullanılacağına algoritmanın karar vermesi sağlanmıştır. Önerilen algoritmanın etkinliği, 10, 30, 50 ve 100 boyutlu tekmodlu, çokmodlu, melez ve komposizyon fonksiyonlarına sahip CEC2017 benchmark fonksiyonları kullanılarak test edilmiştir. CEC2017 benchmark fonksiyonları kullanılarak CMASFS algoritmasının performansı, literatürde verilen 17 metasezgisel algoritma ile karşılaştırılmıştır. Elde edilen sonuçlara göre, CMASFS'nin daha düşük bir ortalama hata değerleri elde ettiği görülmüştür. Ayrıca önerilen algoritmanın üstünlüğünü göstermek için algoritmaların elde ettiği sonuçlar üzerinde Friedman analizi ve Wilcoxon işaretli sıra testi uygulanmıştır. Wilcoxon işaretli sıra testinin sonuçlarına göre, CMASFA algoritmasıyla yapılan iyileştirmenin CEC2017 içerisindeki fonksiyonların büyük bir çoğunluğunda istatistiksel olarak anlamlı farklılık oluşturduğu ve daha uygun sonuçlar elde ettiği sonucuna ulaşılmıştır. Friedman testinin sonuçlarına göre de CMASFA'nin hem orijinal SFA’ya hem de diğer karşılaştırılan algoritmalara kıyasla en iyi sıralamayı elde ettiği görülmektedir.