KaydedilenlerDerginizi ekleyin

Dergiler / Karaelmas Fen ve Mühendislik Dergisi / 2026 / Cilt: 16 Sayı: 1

Meta-Sezgisel Algoritmalarla Kümeleme: MetaCluster Platformu ile Farklı Hedef Fonksiyonların Karşılaştırmalı Analizi

Clustering with Meta-Heuristic Algorithms: Comparative Analysis of Different Objective Functions with MetaCluster Platform

Münevver Bahar(ADNAN MENDERES UNIVERSITY)0009-0009-0489-0884
Murat Karakoyun(NECMETTIN ERBAKAN UNIVERSITY)0000-0002-0677-9313
Sayfa
57–74
Yayın Tarihi
2026-04-21
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuçlar, veri setlerinin geometrisine ve hedef fonksiyonlara bağlı olarak algoritmaların performanslarının anlamlı biçimde farklılaştığını göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Veri kümeleme, denetimsiz öğrenme yöntemleri arasında yer alan ve veri setlerinde doğal grupların keşfedilmesini amaçlayan temel bir analiz yöntemidir.
📊
Temel Bulgular & Veri:Bu nedenle, meta-sezgisel algoritmalar son yıllarda veri kümeleme problemlerinde etkili bir alternatif olarak ön plana çıkmıştır.
💡
Sonuç & Katkı:Sonuçlar, veri setlerinin geometrisine ve hedef fonksiyonlara bağlı olarak algoritmaların performanslarının anlamlı biçimde farklılaştığını göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Meta-sezgisel algoritmalar · metaCluster · veri kümeleme

Özet

Veri kümeleme, denetimsiz öğrenme yöntemleri arasında yer alan ve veri setlerinde doğal grupların keşfedilmesini amaçlayan temel bir analiz yöntemidir. Geleneksel kümeleme algoritmaları, özellikle karmaşık yapılı veri setlerinde yeterli başarıyı sağlayamamaktadır. Bu nedenle, meta-sezgisel algoritmalar son yıllarda veri kümeleme problemlerinde etkili bir alternatif olarak ön plana çıkmıştır. Bu çalışmada, Python tabanlı MetaCluster platformu kullanılarak toplam 13 farklı meta-sezgisel algoritmanın üç ayrı hedef fonksiyon (BHI, MIS, XBI) altında circles, moons ve blobs olmak üzere üç farklı yapay veri seti üzerindeki kümeleme performansları karşılaştırılmıştır. Değerlendirme, BRI, DBI, DRI, CHI ve KDI metrikleri ile yapılmıştır. Sonuçlar, veri setlerinin geometrisine ve hedef fonksiyonlara bağlı olarak algoritmaların performanslarının anlamlı biçimde farklılaştığını göstermektedir. Blobs veri setinde, BHI ve MIS hedef fonksiyonları altında 12 algoritma (ALO, AOA, BBO, FBIO, GCO, GWO, HGSO, HHO, ICA, SMA, TLO, WOA) aynı optimum DBI değerine (≈0.2804) ulaşırken, XBI hedef fonksiyonu altında bu grubun tamamı ile birlikte BMO’nun da yer aldığı 13 algoritma ≈0.2612 düzeyinde, neredeyse aynı kümeleme kalitesini üretmiştir. Circles veri setinde ise XBI hedef fonksiyonu altında FBIO algoritması en düşük DBI değerini (≈0.6444) sağlamış; SMA, HHO ve BMO algoritmaları benzer fakat daha yüksek değerlerle onu takip etmiştir. HGSO ve ICA bu veri setinde hem DBI ortalamaları hem de varyansları açısından en zayıf ve en dengesiz performansı sergilemiştir. Moons veri setinde ise BHI hedef fonksiyonu altında WOA ve GCO algoritmaları ≈0.8093 DBI değeri ile en iyi sonucu vermiş, diğer algoritmaların büyük kısmı yaklaşık 0.8094 civarında yoğunlaşmış; ICA ise tüm kombinasyonlar içinde nispeten daha yüksek DBI değerleri ile ayrışmıştır. DBI’ye göre genel sıralama incelendiğinde, FBIO, HHO, ALO ve TLO algoritmaları en başarılı grubun içinde yer alırken, ICA tüm veri setleri ve hedef fonksiyonlar dikkate alındığında son sırada konumlanmıştır. Bu çalışma, meta-sezgisel algoritmaların esnek yapıları sayesinde geleneksel yöntemlere kıyasla daha başarılı ve uygulanabilir kümeleme çözümleri sunabileceğini ortaya koymaktadır. Elde edilen bulgular, araştırmacılara algoritma ve hedef fonksiyon seçiminde yol gösterici niteliktedir.

Abstract

Data clustering is a basic analysis method among unsupervised learning methods that aims to discover natural groups within data sets. Traditional clustering algorithms cannot provide sufficient success especially in complex structured data sets. For this reason, metaheuristic algorithms have come to the forefront as an effective alternative in data clustering problems in recent years. In this study, the clustering performances of a total of 13 different metaheuristic algorithms on three different artificial data sets, circles, moons and blobs, under three different objective functions (BHI, MIS, XBI) were compared using the Python-based MetaCluster platform. The evaluation was made with BRI, DBI, DRI, CHI and KDI metrics. The results show that the performances of the algorithms differ significantly depending on the geometry of the datasets and the objective functions. On the Blobs dataset, 12 algorithms (ALO, AOA, BBO, FBIO, GCO, GWO, HGSO, HHO, ICA, SMA, TLO, WOA) achieved the same optimal DBI value (≈0.2804) under the BHI and MIS objective functions. On the XBI objective function, the entire group, including BMO, produced almost the same clustering quality at ≈0.2612. On the Circles dataset, the FBIO algorithm achieved the lowest DBI value (≈0.6444) under the XBI objective function, followed by the SMA, HHO, and BMO algorithms with similar but higher values. HGSO and ICA exhibited the weakest and most unstable performance on this dataset in terms of both DBI means and variances. On the Moons dataset, the WOA and GCO algorithms performed best with a DBI value of ≈0.8093 under the BHI objective function, while the majority of the other algorithms concentrated around 0.8094; ICA distinguished itself with relatively higher DBI values across all combinations. When examining the overall ranking by DBI, the FBIO, HHO, ALO, and TLO algorithms were among the most successful, while ICA ranked last when considering all datasets and objective functions. This study reveals that metaheuristic algorithms can provide more successful and applicable clustering solutions compared to traditional methods thanks to their flexible structures. The findings are guiding for researchers in the selection of algorithms and target functions.

🔖

Bu Makaleye Atıf Yap

Bahar, M., Karakoyun, M. (2026). Meta-Sezgisel Algoritmalarla Kümeleme: MetaCluster Platformu ile Farklı Hedef Fonksiyonların Karşılaştırmalı Analizi. Karaelmas Fen ve Mühendislik Dergisi, Cilt: 16 Sayı: 1, 57–74. https://doi.org/10.7212/karaelmasfen.1789235

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (40)

  1. Abualigah, L., Diabat, A., Mirjalili, S., Abd Elaziz, M., & Gandomi, A.H. (2021). The Arithmetic Optimization Algorithm. Computer Methods in Applied Mechanics and Engineering, 376, 113609. https://doi.org/10.1016/j.cma.2020.113609.
  2. Ananthi, M., Valarmathi, K., Ramathilagam, A., & Praveen, R. (2025). Hybrid lion and exponential PSO-based metaheuristic clustering approach for efficient dynamic data stream management. Scientific Reports, 15(1), 22343. https://doi.org/10.1038/s41598-025-07404-9.
  3. Arora, S. & Singh, S. (2019). Butterfly optimization algorithm: a novel approach for global optimization. Soft Computing, 23(3), 715-734. https://doi.org/10.1007/s00500-018-3102-4.
  4. Atashpaz-Gargari, E. & Lucas, C. (2007). Imperialist competitive algorithm: An algorithm for optimization inspired by imperialistic competition. 2007 IEEE Congress on Evolutionary Computation, s. 4661-4667. https://doi.org/10.1109/CEC.2007.4425083.
  5. Chou, J.-S. & Nguyen, N.-M. (2020). FBI inspired meta-optimization. Applied Soft Computing, 93, 106339. https://doi.org/10.1016/j.asoc.2020.106339.
  6. El Habib Kahla, M., Beggas, M., Laouid, A., & Hammoudeh, M. (2024). A Nature-Inspired Partial Distance-Based Clustering Algorithm. Journal of Sensor and Actuator Networks, 13(4), 36. https://doi.org/10.3390/jsan13040036.
  7. El Haouari, O., Hana, M., Khrissi, L., & El Akkad, N. (2025). A New and Robust ABC-K-Means Hybrid Approach for Improved Image Clustering.
  8. Ertöz, L., Steinbach, M., & Kumar, V. (2003). Finding Clusters of Different Sizes, Shapes, and Densities in Noisy, High Dimensional Data. Proceedings of the 2003 SIAM International Conference on Data Mining (SDM), Society for Industrial and Applied Mathematics, s. 47-58. https://doi.org/10.1137/1.9781611972733.5.
  9. Ester, M., Kriegel, H.-P., & Xu, X. (1996). A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise.
  10. Fortunato, S. (2010). Community detection in graphs. Physics Reports, 486(3), 75-174. https://doi.org/10.1016/j.physrep.2009.11.002.
  11. Gang, X., Lefeng, W., & Yuwei, H. (2025). Quantum walk artificial bee colony algorithm hybrid K-modes for clustering. https://www.researchgate.net/publication/392616517_Quantum_walk_artificial_bee_colony_algorithm_hybrid_K-modes_for_clustering.
  12. Hart, P.E., Stork, D.G., & Wiley, J. (2000). Pattern Classification.
  13. Hashim, F.A., Houssein, E.H., Mabrouk, M.S., Al-Atabany, W., & Mirjalili, S. (2019). Henry gas solubility optimization: A novel physics-based algorithm. Future Generation Computer Systems, 101, 646-667. https://doi.org/10.1016/j.future.2019.07.015.
  14. Heidari, A.A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M., & Chen, H. (2019). Harris hawks optimization: Algorithm and applications. Future Generation Computer Systems, 97, 849-872. https://doi.org/10.1016/j.future.2019.02.028.
  15. Holland, J.H. (1992). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. MIT Press, 236 s.
  16. Jain, A.K. (2008). Data Clustering: 50 Years Beyond K-means. W. Daelemans, B. Goethals, & K. Morik (Ed.), Machine Learning and Knowledge Discovery in Databases, Springer, Berlin, Heidelberg, s. 3-4. https://doi.org/10.1007/978-3-540-87479-9_3.
  17. Karakoyun, M. & Özkış, A. (2021). Transfer Fonksiyonları Kullanarak İkili Güve-Alev Optimizasyonu Algoritmalarının Geliştirilmesi ve Performanslarının Karşılaştırılması. Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 3(2), 1-10.
  18. Kennedy, J. & Eberhart, R. (1995). Particle swarm optimization. Proceedings of ICNN’95 - International Conference on Neural Networks, s. 1942-1948 c.4. https://doi.org/10.1109/ICNN.1995.488968.
  19. Li, S., Chen, H., Wang, M., Heidari, A.A., & Mirjalili, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323. https://doi.org/10.1016/j.future.2020.03.055.
  20. Liu, M., Zhu, Q., Yun, H., & Chun, H. (2025). Enhanced PSO-based clustering algorithm with hybrid approach for population replacement and empty cluster correction. Egyptian Informatics Journal, 32, 100814. https://doi.org/10.1016/j.eij.2025.100814.
  21. Mirjalili, S. (2015). The Ant Lion Optimizer. Advances in Engineering Software, 83, 80-98. https://doi.org/10.1016/j.advengsoft.2015.01.010.
  22. Mirjalili, S. & Lewis, A. (2016). The Whale Optimization Algorithm. Advances in Engineering Software, 95, 51-67. https://doi.org/10.1016/j.advengsoft.2016.01.008.
  23. Mirjalili, S., Mirjalili, S.M., & Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46-61. https://doi.org/10.1016/j.advengsoft.2013.12.007.
  24. Ng, R.T. & Han, J. (2002). CLARANS: a method for clustering objects for spatial data mining. IEEE Transactions on Knowledge and Data Engineering, 14(5), 1003-1016. https://doi.org/10.1109/TKDE.2002.1033770.
  25. Pektaş, A. & İnan, O. (2022). Ağaç Tohum Algoritmasının Kümeleme Problemlerine Uygulanması. Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 4(1), 1-10.
  26. Rao, R.V., Savsani, V.J., & Vakharia, D.P. (2012). Teaching–Learning-Based Optimization: An optimization method for continuous non-linear large scale problems. Information Sciences, 183(1), 1-15. https://doi.org/10.1016/j.ins.2011.08.006.
  27. Sharma, D.K., Varshney, R.P., & Garg, A. (2022). Hybrid Feature Selection Method with Multi-objective Grey Wolf Optimizer for High Dimension Data. 2022 9th International Conference on Computing for Sustainable Global Development (INDIACom), s. 854-859. https://doi.org/10.23919/INDIACom54597.2022.9763182.
  28. Shelokar, P.S., Jayaraman, V.K., & Kulkarni, B.D. (2004). An ant colony approach for clustering. Analytica Chimica Acta, 509(2), 187-195. https://doi.org/10.1016/j.aca.2003.12.032. Simon, D. (2008). Biogeography-Based Optimization. IEEE Transactions on Evolutionary Computation, 12(6), 702-713. https://doi.org/10.1109/TEVC.2008.919004.
  29. Steinbach, M., Karypis, G., & Kumar, V. (2000). A Comparison of Document Clustering Techniques.
  30. Van Thieu, N., Nguyen, N.H., & Heidari, A.A. (2025). Feature Selection using Metaheuristics Made Easy: Open Source MAFESE Library in Python.
  31. Van Thieu, N., Oliva, D., & Pérez-Cisneros, M. (2023). MetaCluster: An open-source Python library for metaheuristic-based clustering problems. SoftwareX, 24, 101597. https://doi.org/10.1016/j.softx.2023.101597.
  32. Villaseñor, C., Arana-Daniel, N., Alanis, A.Y., López-Franco, C., & Hernandez-Vargas, E.A. (2018). Germinal Center Optimization Algorithm. International Journal of Computational Intelligence Systems, 12(1), 13-27. https://doi.org/10.2991/ijcis.2018.25905179.
  33. Wan, H., Lu, C., & Cui, Y. (2025). Improved WOA-DBSCAN Online Clustering Algorithm for Radar Signal Data Streams. Sensors, 25(16), 5184. https://doi.org/10.3390/s25165184.
  34. Wedel, M. & Kamakura, W.A. (2000). Market Segmentation: Conceptual and Methodological Foundations. Springer Science & Business Media, 416 s.
  35. Xu, R. & Wunsch, D. (2005). Survey of clustering algorithms. IEEE Transactions on Neural Networks, 16(3), 645-678. https://doi.org/10.1109/TNN.2005.845141.
  36. Yang, X.-S. (2010). Engineering Optimization: An Introduction with Metaheuristic Applications. John Wiley & Sons, 377 s.
  37. Yang, Y., Liao, Q., Wang, J., & Wang, Y. (2022). Application of multi-objective particle swarm optimization based on short-term memory and K-means clustering in multi-modal multi-objective optimization. Engineering Applications of Artificial Intelligence, 112, 104866. https://doi.org/10.1016/j.engappai.2022.104866.
  38. Yue, H., Zhang, H., & Dai, Y. (2025). Application of PSO-integrated K-means algorithm in resident digital portrait classification. PLOS ONE, 20(8), e0329123. https://doi.org/10.1371/journal.pone.0329123.
  39. Zhou, X., Zhang, X., Gao, W., Wang, H., & Ma, Y. (2024). Adaptive multi-population artificial bee colony algorithm based on fitness landscape analysis. Applied Soft Computing, 164, 111952. https://doi.org/10.1016/j.asoc.2024.111952.
  40. Zitzler, E., Laumanns, M., & Thiele, L. (2001). SPEA2: Improving the strength pareto evolutionary algorithm. ETH Zurich.