KaydedilenlerDerginizi ekleyin

Dergiler / Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi / 2021 / Cilt: 8 - Sayı: 15

MARTI OPTİMİZASYON ALGORİTMASININ KISITLI MÜHENDİSLİK TASARIM PROBLEMLERİ İÇİN PERFORMANS ANALİZİ

Feyza ALTUNBEY ÖZBAY
Erdal ÖZBAY
Sayfa
469–485
Yayın Tarihi
2022-10-12
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 deney sonuçlarına göre, MOA, karşılaştırılan diğer optimizasyon yöntemlerine göre oldukça iyi sonuçlar vermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Metasezgisel arama algoritmaları, birçok uygulama alanında farklı optimizasyon problemlerini çözmek için yaygın bir biçimde kullanılmaktadır.
📊
Temel Bulgular & Veri:Özellikle, son yıllarda, karmaşık optimizasyon problemlerini etkin bir biçimde çözebilmek için fiziksel, kimyasal veya biyolojik olaylardan esinlenilerek birçok farklı metasezgisel algoritma geliştirilmiştir.
💡
Sonuç & Katkı:Elde edilen deney sonuçlarına göre, MOA, karşılaştırılan diğer optimizasyon yöntemlerine göre oldukça iyi sonuçlar vermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Martı optimizasyon algoritması · Metasezgisel algoritmalar · Mühendislik tasarım problemi

Özet

Metasezgisel arama algoritmaları, birçok uygulama alanında farklı optimizasyon problemlerini çözmek için yaygın bir biçimde kullanılmaktadır. Özellikle, son yıllarda, karmaşık optimizasyon problemlerini etkin bir biçimde çözebilmek için fiziksel, kimyasal veya biyolojik olaylardan esinlenilerek birçok farklı metasezgisel algoritma geliştirilmiştir. Doğadaki martıların göç ve saldırı davranışlarından ilham alınarak geliştirilen Martı Optimizasyon Algoritması (MOA), maliyetli optimizasyon problemlerinin çözümü için etkili biyoloji tabanlı metasezgisel bir yöntemdir. Bu çalışmada, MOA’nın performansını değerlendirmek için, MOA amaç fonksiyonları, kısıtları ve karar değişkenleri farklı beş kısıtlı mühendislik tasarım problemine uygulanmıştır. MOA ile elde edilen sonuçlar, farklı metasezgisel algoritmalar ile karşılaştırılmıştır. Elde edilen deney sonuçlarına göre, MOA, karşılaştırılan diğer optimizasyon yöntemlerine göre oldukça iyi sonuçlar vermiştir.

🔖

Bu Makaleye Atıf Yap

ÖZBAY, F. A., ÖZBAY, E. (2022). MARTI OPTİMİZASYON ALGORİTMASININ KISITLI MÜHENDİSLİK TASARIM PROBLEMLERİ İÇİN PERFORMANS ANALİZİ. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 8 - Sayı: 15, 469–485. https://ajindex.com/articles/428598

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Altunbey F, Alataş B. Review of social-based artificial ıntelligence optimization algorithms for social network analysis. International Journal of Pure and Applied Sciences 2015; 1(1): 33-52.
  2. Erol OK, Eksin I. A new optimization method: big bang–big crunch. Advances in Engineering Software 2006; 37(2): 106-111. Hatamlou A. Black hole: A new heuristic optimization approach for data clustering. Information Sciences 2013; 222: 175-184. Formato RA. Central force optimization: A new deterministic gradient like optimization metaheuristic. Opsearch 2009; 46(1): 25–51.
  3. Rashedi E, Nezamabadi-Pour H, Saryazdi S. GSA: a gravitational search algorithm. Information Sciences 2009; 179(13): 2232-2248.
  4. Eskandar H, Sadollah A, Bahreininejad A, Hamdi M. Water cycle algorithm–A novel metaheuristic optimization method for solving constrained engineering optimization problems. Computers & Structures 2012; 110: 151-166.
  5. Kennedy J, Eberhart R. Particle swarm optimization. Paper presented at: ICNN’95-IEEE International Conference on Neural Networks, 1995.
  6. Dorigo M, Birattari M, Stutzle T. Ant colony optimization. IEEE Computational İntelligence Magazine 2006; 1(4): 28-39. Yang XS. A new metaheuristic bat-inspired algorithm. Nature Inspired Cooperative Strategies For Optimization (NICSO 2010),
  7. Springer, Berlin, Heidelberg. 2010: 65-74. Yang XS. Firefly algorithm, stochastic test functions and design optimisation. International Journal of Bio-Inspired Computation 2010; 2(2):78–84.
  8. Karaboga D, Basturk, BA powerful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of global optimization 2007; 39(3): 459-471.
  9. Dhiman G, Singh KK, Soni M, Nagar A, Dehghani M, Slowik A, Cengiz K. MOSOA: a new multi-objective seagull optimization algorithm. Expert Systems with Applications 2021; 167, 114150. Dhiman G, Kumar V. (2019). Seagull optimization algorithm: Theory and its applications for large-scale industrial engineering problems. Knowledge-Based Systems 2019; 165: 169-196.
  10. Xu L, Mo Y, Lu Y, Li J. Improved Seagull Optimization Algorithm Combined with an Unequal Division Method to Solve Dynamic Optimization Problems. Processes 2021; 9(6): 1037. Del Hoyo J, Elliott A, Sargatal J. Handbook of the Birds of the World. Barcelona: Lynx edicions 1992: 1(8), Macdonald SM, Mason CF. Predation of migrant birds by gulls. British Birds 1973; 66: 361-363.
  11. Dhiman G, Kumar V. Seagull optimization algorithm: Theory and its applications for large-scale in