KaydedilenlerDerginizi ekleyin

Dergiler / Uluslararası Teknolojik Bilimler Dergisi / 2026 / Cilt: 11 Sayı: 2

SFA ALGORİTMA PARAMETRE DEĞİŞİMLERİNİN İNCELENMESİ ve UYGUN DEĞERLERİNİN TESPİTİ

Serdar Paçacı(SÜLEYMAN DEMİREL ÜNİVERSİTESİ)0000-0002-7191-7452
Okan Bingöl(ISPARTA UYGULAMALI BİLİMLER ÜNİVERSİTESİ)0000-0001-9817-7266
Uğur Güvenç(DÜZCE ÜNİVERSİTESİ)0000-0002-5193-7990
Sayfa
81–93
Yayın Tarihi
2019-08-30
DOI
—
🏛️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)

Elde edilen test sonuçlarına göre en uygun parametre seçimleri belirlenmeye çalışılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Stokastik fraktal arama algoritması Salimi tarafından geliştirilen sezgisel bir optimizasyon algoritmasıdır.
📊
Temel Bulgular & Veri:Bu çalışmada, stokastik fraktal arama algoritması parametrelere değişimlerinin algoritma performansına etkileri incelenmiştir.
💡
Sonuç & Katkı:Elde edilen test sonuçlarına göre en uygun parametre seçimleri belirlenmeye çalışılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2017 Verileri
⚙️Değişkenler:Sezgisel Optimizasyon · Stokastik Fraktal Arama Algoritması · CEC 2017

Özet

Stokastik fraktal arama algoritması Salimi tarafından geliştirilen sezgisel bir optimizasyon algoritmasıdır. Stokastik fraktal arama algoritmasında kullanıcının belirlemesi gereken maksimum yayılım sayısı, başlangıç fraktal sayısı ve yayılım fonksiyonunda kullanılacak Gauss yürüme fonksiyon seçimi parametreleri bulunmaktadır. Bu çalışmada, stokastik fraktal arama algoritması parametrelere değişimlerinin algoritma performansına etkileri incelenmiştir. Algoritma performansının değerlendirilmesi için CEC-2017 test fonksiyonları kullanılmıştır. Elde edilen test sonuçlarına göre en uygun parametre seçimleri belirlenmeye çalışılmıştır.

🔖

Bu Makaleye Atıf Yap

Paçacı, S., Bingöl, O., Güvenç, U. (2019). SFA ALGORİTMA PARAMETRE DEĞİŞİMLERİNİN İNCELENMESİ ve UYGUN DEĞERLERİNİN TESPİTİ. Uluslararası Teknolojik Bilimler Dergisi, Cilt: 11 Sayı: 2, 81–93. https://ajindex.com/articles/1606038

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. Awad, N.H., Ali, M.Z., Suganthan, P.N., Jaser, E., 2016. Differential evolution with stochastic fractal search algorithm for global numerical optimization. In 2016 IEEE Congress on Evolutionary Computation (CEC), 3154-3161.
  2. Bingöl, O., Güvenç, U., Duman, S., Paçacı, S., 2017. Stochastic fractal search with chaos. In 2017 International Artificial Intelligence and Data Processing Symposium (IDAP), 1-6.
  3. Dorigo, M., Di Caro, G., 1999. Ant colony optimization: a new meta-heuristic. In Proceedings of the 1999 congress on evolutionary computation-CEC99, 2, 1470-1477.
  4. Eberhart, R., Kennedy, J., 1995. A new optimizer using particle swarm theory. In MHS'95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science, 39-43.
  5. Holland, J.H., 1975. Adaptation in natural and artificial systems. University of Michigan Press, Ann Arbor, MI.
  6. Karaboğa, D., 2005. An idea based on honey bee swarm for numerical optimization, Technical report-tr06, Erciyes University, Engineering faculty, Computer engineering department.
  7. Mandelbrot, B.B., 1979. Fractals: form, chance and dimension. Fractals: form, chance and dimension., by Mandelbrot, BB. San Francisco (CA, USA): WH Freeman & Co., 365p.
  8. Mellal, M.A., Zio, E., 2016. A penalty guided stochastic fractal search approach for system reliability optimization. Reliability Engineering & System Safety, 152, 213-227.
  9. Mirjalili, S., Mirjalili, S.M., Lewis, A., 2014. Grey wolf optimizer. Advances in engineering software, 69, 46-61.
  10. Rahman, T.A., Tokhi, M.O., 2016. Enhanced stochastic fractal search algorithm with chaos. In 2016 7th IEEE Control and System Graduate Research Colloquium (ICSGRC), 22-27.
  11. Rashedi, E., Nezamabadi-Pour, H., Saryazdi, S., 2009. GSA: a gravitational search algorithm. Information sciences, 179(13), 2232-2248.
  12. Salimi, H., 2015. Stochastic fractal search: a powerful metaheuristic algorithm. Knowledge-Based Systems, 75, 1-18.
  13. Storn, R., Price, K., 1997. Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of global optimization, 11(4), 341-359.
  14. Wilcoxon, F., 1945. Individual comparisons by ranking methods. Biometrics bulletin, 1(6), 80-83.
  15. Yang, X.S., 2008. Firefly algorithm. Nature-inspired metaheuristic algorithms, 20, 79-90.
  16. Yang, X.S., Deb, S., 2009. Cuckoo search via Lévy flights. In 2009 World Congress on Nature & Biologically Inspired Computing (NaBIC), 210-214.
  17. Zhou, C., Sun, C., Wang, B., Wang, X., 2018. An improved stochastic fractal search algorithm for 3D protein structure prediction. Journal of molecular modeling, 24(6), 125.