KaydedilenlerDerginizi ekleyin

Dergiler / ACADEMIC PLATFORM-JOURNAL OF ENGINEERING AND SCIENCE / 2020 / Cilt: 8 - Sayı: 2

0-1 Çok Boyutlu Sırt Çantası Probleminin Feromonal Yapay Arı Koloni (fYAK) Algoritması ile Çözümü

The Solution of 0-1 Multidimensional Knapsack Problem with Pheromonal Artificial Bee Colony (pABC) Algorithm

Dursun EKMEKCİ
Sayfa
355–364
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)

Algoritma performansı, popüler test problemleri üzerinde denenmiş ve elde edilen sonuçlar YAK ve KKO sonuçlarıyla karşılaştırılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Optimizasyon algoritmaları, geliştirilme tarzları itibariyle bazı problemlere daha çok odaklanarak, daha başarılı çözümler üretebilmektedirler.
📊
Temel Bulgular & Veri:Örneğin sayısal çözüm yaklaşımıyla üretilen yapay arı koloni (YAK) algoritması, nümerik optimizasyon problemlerinde daha başarılı sonuçlara ulaşabilirken, karınca koloni optimizasyonu (KKO), gezgin satıcı problemi (GSP) benzeri ayrık yapılı optimizasyon problemlerinde daha başarılı çözümler üretebilir. 0-1 optimizasyon problemleri, ayrık yapılı problemlerdir.
💡
Sonuç & Katkı:Algoritma performansı, popüler test problemleri üzerinde denenmiş ve elde edilen sonuçlar YAK ve KKO sonuçlarıyla karşılaştırılmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Optimizasyon algoritmaları, geliştirilme tarzları itibariyle bazı problemlere daha çok odaklanarak, daha başarılı çözümler üretebilmektedirler. Örneğin sayısal çözüm yaklaşımıyla üretilen yapay arı koloni (YAK) algoritması, nümerik optimizasyon problemlerinde daha başarılı sonuçlara ulaşabilirken, karınca koloni optimizasyonu (KKO), gezgin satıcı problemi (GSP) benzeri ayrık yapılı optimizasyon problemlerinde daha başarılı çözümler üretebilir. 0-1 optimizasyon problemleri, ayrık yapılı problemlerdir. Ancak çözüm elemanları itibariyle optimizasyon problemlerinin üçüncü grubu olarak değerlendirilebilir. Bu çalışmada 0-1 çok boyutlu sırt çantası problemleri için YAK ve KKO algoritmalarının melez versiyonu olarak geliştirilen fYAK algoritması önerilmiştir. Algoritma performansı, popüler test problemleri üzerinde denenmiş ve elde edilen sonuçlar YAK ve KKO sonuçlarıyla karşılaştırılmıştır.

Abstract

Optimization algorithms can produce more successful solutions by focusing more on some problems in terms of their development style. For example, the artificial bee colony (ABC) algorithm produced by the numerical solution approach can achieve more successful results in numerical optimization problems, whereas ant colony optimization (ACO) can produce more successful solutions in discrete structure problems such as traveling salesman problem (TSP). 0-1 optimization problems are discrete structured problems. However, it can be considered as the third group of optimization problems in terms of solution items. In this study, the pABC algorithm developed as a hybrid version of ABC and ACO algorithms for 0-1 multidimensional knapsack problems was proposed. The performance of pABC was tested on popular benchmark problems, and the results obtained by the algorithm were compared with the results of ABC and ACO.

🔖

Bu Makaleye Atıf Yap

EKMEKCİ, D. (2020). 0-1 Çok Boyutlu Sırt Çantası Probleminin Feromonal Yapay Arı Koloni (fYAK) Algoritması ile Çözümü. ACADEMIC PLATFORM-JOURNAL OF ENGINEERING AND SCIENCE, Cilt: 8 - Sayı: 2, 355–364. https://ajindex.com/articles/354874

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. S. I. Gass and A. A. Assad, An Annotated Timeline of Operations Research. Boston: Kluwer Academic Publishers, 2004
  2. J.-W. Lee, D.-H. Lee, and J.-J. Lee, “Global path planning using improved ant colony optimization algorithm through bilateral cooperative exploration,” in 5th IEEE International Conference on Digital Ecosystems and Technologies (IEEE DEST 2011), 2011, vol. 5, no. June, pp. 109–113
  3. A. Aljanaby, K. R. Ku Mahamud, and N. Norwawi, “Interacted Multiple Ant Colonies Optimization Framework: an Experimental Study of the Evaluation and the Exploration Techniques to Control the Search Stagnation,” Int. J. Adv. Comput. Technol., vol. 2, no. 1, pp. 78–85, Mar. 2010
  4. M. Ehrgott and X. Gandibleux, “A survey and annotated bibliography of multiobjective combinatorial optimization,” OR-Spektrum, vol. 22, no. 4, pp. 425–460, 2000
  5. P. C. Chu and J. E. Beasley, “A Genetic Algorithm for the Multidimensional Knapsack Problem,” J. Heuristics, vol. 4, pp. 63–86, 1998
  6. R. Parra-Hernandez and N. J. Dimopoulos, “A New Heuristic for Solving the Multichoice Multidimensional Knapsack Problem,” IEEE Trans. Syst. Man, Cybern. - Part A Syst. Humans, vol. 35, no. 5, pp. 708–717, Sep. 2005
  7. A. Sbihi, “A best first search exact algorithm for the Multiple-choice Multidimensional Knapsack Problem,” J. Comb. Optim., vol. 13, no. 4, pp. 337–351, Apr. 2007
  8. M. E. Captivo, J. Climaco, J. Figueira, E. Martins, and J. L. Santos, “Solving bicriteria 0 – 1 knapsack problems using a labeling algorithm,” Comput. Oper. Res., vol. 30, pp. 1865–1886, 2003
  9. M. Laumanns, L. Thiele, and E. Zitzler, “An efficient, adaptive parameter variation scheme for metaheuristics based on the epsilon-constraint method,” Eur. J. Oper. Res., vol. 169, pp. 932–942, 2006
  10. L. Ke, Z. Feng, Z. Ren, and X. Wei, “An ant colony optimization approach for the multidimensional knapsack problem,” J. Heuristics, vol. 16, no. 1, pp. 65–83, Feb. 2010
  11. M. Kong, P. Tian, and Y. Kao, “A new ant colony optimization algorithm for the multidimensional Knapsack problem,” Comput. Oper. Res., vol. 35, no. 8, pp. 2672– 2683, Aug. 2008
  12. S. Hanafi and C. Wilbaut, “Scatter Search for the 0–1 Multidimensional Knapsack Problem,” J. Math. Model. Algorithms, vol. 7, no. 2, pp. 143–159, Jun. 2008
  13. L. Wang, X. Zheng, and S. Wang, “KnowledgeBased Systems A novel binary fruit fly optimization algorithm for solving the multidimensional knapsack problem,” Knowledge-Based Syst., vol. 48, pp.