KaydedilenlerDerginizi ekleyin

Dergiler / Mühendislik Bilimleri ve Tasarım Dergisi / 2020 / Cilt: 8 - Sayı: 5

ÇOK AMAÇLI META-SEZGİSEL OPTİMİZASYON ALGORİTMALARININ PERFORMANSLARININ KARŞILAŞTIRILMASI

COMPRASION OF THE PERFORMANCE OF MULTI-OBJECTIVE META-HEURISTIC OPTIMIZATION ALGORITHMS

Hamdi Tolga Kahraman
Mustafa AKBEL
Sayfa
185–199
Yayın Tarihi
2022-10-19
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 sonuçlar araştırmacılar açısından eşsiz bilgiler sunmaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Çok amaçlı optimizasyon problemlerinin çözümlenmesi tek amaçlı optimizasyon problemlerine kıyasla daha karmaşık süreçlerden oluşmaktadır.
📊
Temel Bulgular & Veri:Geliştirilen platformda çok amaçlı optimizasyon algoritmalarının test edilmeleri için güncel bir karşılaştırma ve test havuzu olan ve CEC 2020 yarışması için hazırlanmış olan çok modlu çok amaçlı optimizasyon problemleri havuzu kullanılmıştır.
💡
Sonuç & Katkı:Elde edilen sonuçlar araştırmacılar açısından eşsiz bilgiler sunmaktadır.
🔬Tür:Laboratuvar & Saha Deneyi
📍Kapsam:2020 Verileri
⚙️Değişkenler:Çok amaçlı optimizasyon · Çok amaçlı meta-sezgisel arama algoritması · Pareto optimal set

Özet

Çok amaçlı optimizasyon problemlerinin çözümlenmesi tek amaçlı optimizasyon problemlerine kıyasla daha karmaşık süreçlerden oluşmaktadır. Özellikle çok kriterli optimizasyon sürecinde pareto-tabanlı yaklaşımların uygulanması ve meta-sezgisel arama algoritmalarının çok amaçlı optimizasyon problemlerindeki performanslarının ölçülmesi başlıca zorluklardır. Bu iki sebepten dolayı literatürde çok amaçlı problemlerin optimizasyonu amacıyla geliştirilmiş ya da bu amaç için uyarlanmış az sayıda meta-sezgisel optimizasyon algoritması bulunmaktadır. Bu durum çok amaçlı optimizasyon çalışmaları yürüten araştırmacılar açısından da belirsizlikler yaratmaktadır. Bu makale çalışmasında literatürdeki bu belirsizliği gidermeye yönelik çalışmalar yürütülmektedir. İlk olarak çok amaçlı optimizasyon algoritmalarının test edildiği bir platform tasarlanmıştır. Bu platformda algoritmalar, pareto-tabanlı yaklaşımlar, çok-modlu çok-amaçlı test problemleri ve performans metrikleri olmak üzere çok amaçlı optimizasyonun dört temel öğesi modüler yapıda tasarlanmıştır. Geliştirilen platformda çok amaçlı optimizasyon algoritmalarının test edilmeleri için güncel bir karşılaştırma ve test havuzu olan ve CEC 2020 yarışması için hazırlanmış olan çok modlu çok amaçlı optimizasyon problemleri havuzu kullanılmıştır. Deneysel çalışma ayarları ve performans metrikleri CEC 2020 standartları esas alınarak yürütülmüştür. Literatürde yer alan sekiz adet çok amaçlı meta-sezgisel optimizasyon algoritmasının 24 farklı problem üzerinde performansları ölçülerek (dört farklı performans metriği kullanılarak) birbirleriyle karşılaştırılmıştır. Elde edilen sonuçlar araştırmacılar açısından eşsiz bilgiler sunmaktadır.

🔖

Bu Makaleye Atıf Yap

Kahraman, H. T., AKBEL, M. (2022). ÇOK AMAÇLI META-SEZGİSEL OPTİMİZASYON ALGORİTMALARININ PERFORMANSLARININ KARŞILAŞTIRILMASI. Mühendislik Bilimleri ve Tasarım Dergisi, Cilt: 8 - Sayı: 5, 185–199. https://ajindex.com/articles/583539

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Cavus, M., Sezer, A., & Yazici, B. (2015). A simulation study on generalized pareto mixture model. In Computational Problems in Science and Engineering (pp. 249-259).
  2. Springer, Cham. Deb, K., & Tiwari, S. (2008). Omni-optimizer: A generic evolutionary algorithm for single and multi-objective optimization. European Journal of Operational Research, 185(3), 1062-1087.
  3. Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. A. M. T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE transactions on evolutionary computation, 6(2), 182-197.
  4. Deb, Kalyanmoy, et al. "A fast elitist non-dominated sorting genetic algorithm for multi-objective optimization: NSGA-II." International conference on parallel problem solving from nature. Springer, Berlin, Heidelberg, 2000.
  5. E. Zitzler, L. Thiele, M. Laumanns, C.M. Fonseca, V.G.D. Fonseca, Performance assessment of multiobjective optimizers: an analysis and review, IEEE Trans. Evol. Comput. 7 (2) (2003) 117–132.
  6. Ibrahim, A. M., Tawhid, M. A., & Ward, R. K. (2020). A binary water wave optimization for feature selection. International Journal of Approximate Reasoning, 120, 74-91.
  7. Ishibuchi, H., & Murata, T. (1996, May). Multi-objective genetic local search algorithm. In Proceedings of IEEE international conference on evolutionary computation (pp. 119-124).
  8. IEEE. Kahraman, H. T., Aras, S., & Gedikli, E. (2020). Fitness-distance balance (FDB): A new selection method for meta-heuristic search algorithms. Knowledge-Based Systems, 190, 105169. Ke, L., Zhang, Q., & Battiti, R. (2014). Hybridization of decomposition and local search for multiobjective optimization. IEEE transactions on cybernetics, 44(10), 1808-1820.
  9. Köse, U. (2017). Yapay zeka tabanlı optimizasyon algoritmaları geliştirilmesi, Doktora Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü. KS, S. R., & Murugan, S. (2017). Memory based hybrid dragonfly algorithm for numerical optimization problems. Expert Systems with Applications, 83, 63-78.
  10. Liang, J., Suganthan, P. N., Qu, B. Y., Gong, D. W., Yue, C. T., (2019), Problem Definitions and Evaluation Criteria for the CEC 2020 Special Session on Multimodal Multiobjective Optimization, 201912, Zhengzhou University, doi: 10.13140/RG.2.2.31746.02247. Liu, Y., Ishibuchi, H., Nojima, Y., Masuyama, N., & Shang, K. (2018, September). A double-niched evolutionary algorithm and its behavior on polygon-based problems. In International Conference on Parallel Problem Solving from Nature (pp. 262-273).
  11. Springer, Cham. Lu