KaydedilenlerDerginizi ekleyin

Dergiler / Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2021 / Cilt: 3 - Sayı: 2

Transfer Fonksiyonları Kullanarak İkili Güve-Alev Optimizasyonu Algoritmalarının Geliştirilmesi ve Performanslarının Karşılaştırılması

Murat KARAKOYUN
Ahmet ÖZKIŞ
Sayfa
1–10
Yayın Tarihi
2021-12-28
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 incelendiğinde, GAO-V1 algoritmasının en küçük gap değerini vererek en başarılı ikili algoritmayı oluşturduğu gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Güç sistemleri problemleri, ağ optimizasyonu, sırt çantası problemi gibi çoğu gerçek dünya problemi ikili optimizasyon problemi olarak ifade edilir.
📊
Temel Bulgular & Veri:Bu çalışmada, son yıllarda önerilen doğa-esinli bir metasezgisel algoritma olan Güve-Alev Optimizasyonu (GAO) algoritması 8 farklı transfer fonksiyonu ile düzenlenerek 8 ayrı algoritma geliştirilmiştir.
💡
Sonuç & Katkı:Elde edilen sonuçlar incelendiğinde, GAO-V1 algoritmasının en küçük gap değerini vererek en başarılı ikili algoritmayı oluşturduğu gözlemlenmiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Güve-Alev Optimizasyonu · Kapasitesiz Tesis Yerleştirme Problemi · Metasezgisel Algoritmalar

Özet

Güç sistemleri problemleri, ağ optimizasyonu, sırt çantası problemi gibi çoğu gerçek dünya problemi ikili optimizasyon problemi olarak ifade edilir. İkili optimizasyon problemlerinin klasik matematiksel tekniklerle çözümü çoğu zaman ya uzun zaman almakta ya da mümkün olamamaktadır. Bu sebeple ikili optimizasyon problemlerinin çözümü için metasezgisel algoritmaların kullanımı oldukça yaygındır. Literatürde yer alan metasezgisel algoritmaların çoğu, sürekli problemlerin çözümüne uygun bir yapıya sahip olduğu için bu algoritmaların ikili problemleri çözebilecek şekilde düzenlenmesi gerekir. Transfer fonksiyonları olarak isimlendirilen bazı fonksiyonlar aracılığı ile sürekli algoritmaları ikili algoritmalara dönüştürmek mümkündür. Bu çalışmada, son yıllarda önerilen doğa-esinli bir metasezgisel algoritma olan Güve-Alev Optimizasyonu (GAO) algoritması 8 farklı transfer fonksiyonu ile düzenlenerek 8 ayrı algoritma geliştirilmiştir. Geliştirilen algoritmalar, OR-Lib kütüphanesinden alınan 15 farklı kapasitesiz tesis yerleştirme problemi üzerinde çalıştırılmış ve gap olarak isimlendirilen bir hata metriğine göre değerlendirilmiştir. Elde edilen sonuçlar incelendiğinde, GAO-V1 algoritmasının en küçük gap değerini vererek en başarılı ikili algoritmayı oluşturduğu gözlemlenmiştir.

🔖

Bu Makaleye Atıf Yap

KARAKOYUN, M., ÖZKIŞ, A. (2021). Transfer Fonksiyonları Kullanarak İkili Güve-Alev Optimizasyonu Algoritmalarının Geliştirilmesi ve Performanslarının Karşılaştırılması. Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 3 - Sayı: 2, 1–10. https://ajindex.com/articles/793494

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. X. Yuan, H. Nie, A. Su, L. Wang, Y. Yuan, An improved binary particle swarm optimization for unit commitment problem, Expert Systems with Applications. 36 (2009) 8049-8055. doi:10.1016/j.eswa.2008.10.047
  2. F. van Beers, A. Lindström, E. Okafor, M. Wiering, Deep Neural Networks with Intersection over Union Loss for Binary Image Segmentation:, içinde: Proceedings of the 8th International Conference on Pattern Recognition Applications and Methods, SCITEPRESS - Science and Technology Publications, Prague, Czech Republic, 2019: ss. 438-445. doi:10.5220/0007347504380445
  3. A. Banitalebi, M.I.A. Aziz, Z.A. Aziz, A self-adaptive binary differential evolution algorithm for large scale binary optimization problems, Information Sciences. 367-368 (2016) 487-511. doi:10.1016/j.ins.2016.05.037
  4. M. Aslan, M. Gunduz, M.S. Kiran, JayaX: Jaya algorithm with xor operator for binary optimization, Applied Soft Computing. 82 (2019) 105576. doi:10.1016/j.asoc.2019.105576
  5. A simple multi-wave algorithm for the uncapacitated facility location problem, Frontiers of Engineering Management. 5 (2018) 451-465. doi:10.15302/J-FEM-2018038
  6. E. Baş, E. Ülker, A binary social spider algorithm for uncapacitated facility location problem, Expert Systems with Applications. 161 (2020) 113618. doi:10.1016/j.eswa.2020.113618
  7. R. Rizk-Allah, A. Hassanien, M. Elhoseny, G. Manogaran, A new binary salp swarm algorithm: development and application for optimization tasks, Neural Computing and Applications. (2018). doi:10.1007/s00521-018-3613-z
  8. J. Kennedy, R.C. Eberhart, A discrete binary version of the particle swarm algorithm, içinde: Computational Cybernetics and Simulation 1997 IEEE International Conference on Systems, Man, and Cybernetics, 1997: ss. 4104-4108 c.5. doi:10.1109/ICSMC.1997.637339
  9. S. Mirjalili, A. Lewis, S-shaped versus V-shaped transfer functions for binary Particle Swarm Optimization, Swarm and Evolutionary Computation. 9 (2013) 1-14. doi:10.1016/j.swevo.2012.09.002
  10. S. Mirjalili, Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm, Knowledge-Based Systems. 89 (2015) 228-249. doi:10.1016/j.knosys.2015.07.006
  11. H.M. Zawbaa, E. Emary, B. Parv, M. Sharawi, Feature selection approach based on moth-flame optimization algorithm, içinde: 2016 IEEE Congress on Evolutionary Computation (CEC), 2016: ss. 4612-4617. doi:10.1109/CEC.2016.7744378
  12. M. Shehab, L. Abualigah, H. Al Hamad, H. Alabool, M. Alshinwan, A.M. Khasawne