Dergiler / Konya Journal of Engineering Sciences / 2023 / Cilt: 11 Sayı: 2

BIN_MRFOA: İkili Optimizasyon İçin Yeni Bir Manta Vatozu Beslenme Optimizasyonu Algoritması

Bin_MRFOA: A NOVEL MANTA RAY FORAGING OPTIMIZATION ALGORITHM FOR BINARY OPTIMIZATION

Sayfa
449–467
Yayın Tarihi
2023-06-01
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)

Sonuçlar, Bin_MRFOA'nın literatüre kıyasla başarılı, rekabetçi ve tercih edilebilir bir algoritma olduğunu ortaya koymuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Optimizasyon problemleri üç farklı yapıda ortaya çıkar: sürekli, ayrık ve hibrit.
📊
Temel Bulgular & Veri:Bin_MRFOA ilk olarak on tane klasik kıyaslama fonksiyon üzerinde test edilmiş ve sekiz farklı transfer fonksiyonu kullanılarak elde edilen varyantlar karşılaştırılarak transfer fonksiyonunun performans üzerindeki etkisi incelenmiştir.
💡
Sonuç & Katkı:Sonuçlar, Bin_MRFOA'nın literatüre kıyasla başarılı, rekabetçi ve tercih edilebilir bir algoritma olduğunu ortaya koymuştur.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:İkili optimizasyon · Manta vatozu beslenme optimizasyonu · S-şekilli ve V-şekilli transfer fonksiyonları

Özet

Optimizasyon problemleri üç farklı yapıda ortaya çıkar: sürekli, ayrık ve hibrit. Günümüzde optimizasyon problemlerinin çözümünde sıklıkla tercih edilen metasezgisel algoritmalar daha çok sürekli problemler için önerilmiş ve sonraki modifikasyonlarla ayrıklaştırılmıştır. Bu çalışmada, daha önce sürekli optimizasyon problemlerinin çözümünde sıklıkla kullanılan manta vatozu beslenme optimizasyon algoritmasının yeni bir ikili versiyonu (Bin_MRFOA), ikili optimizasyon problemlerinin çözümünde kullanılmak üzere önerilmiştir. Bin_MRFOA ilk olarak on tane klasik kıyaslama fonksiyon üzerinde test edilmiş ve sekiz farklı transfer fonksiyonu kullanılarak elde edilen varyantlar karşılaştırılarak transfer fonksiyonunun performans üzerindeki etkisi incelenmiştir. Ardından en başarılı Bin_MRFOA varyantı, on sekiz CEC2005 kıyaslama fonksiyonu üzerinde çalıştırılmıştır. Sonuçlar literatürdeki algoritmalar ile karşılaştırılmış ve parametrik olmayan Friedman testi ile yorumlanmıştır. Sonuçlar, Bin_MRFOA'nın literatüre kıyasla başarılı, rekabetçi ve tercih edilebilir bir algoritma olduğunu ortaya koymuştur.

Abstract

Optimization problems occur in three different structures: continuous, discrete, and hybrid. Metaheuristic algorithms, which are frequently preferred in the solution of optimization problems today, are mostly proposed for continuous problems and are discretized with subsequent modifications. In this study, a novel binary version (Bin_MRFOA) of the manta ray foraging optimization algorithm, which was frequently used in the solution of continuous optimization problems before, was proposed to be used in the solution of binary optimization problems. The Bin_MRFOA was first tested on ten classical benchmark functions, and the effect of the transfer function on performance was examined by comparing the variants obtained using eight different transfer functions. Then the most successful Bin_MRFOA variant was run on the eighteen CEC2005 benchmark functions. The results were compared with the algorithms in the literature and interpreted with Wilcoxon signed-rank and Friedman tests, which are nonparametric tests. The results revealed that Bin_MRFOA is a successful, competitive, and preferable algorithm compared to the literature.

🔖

Bu Makaleye Atıf Yap

YILDIZDAN, G. (2023). BIN_MRFOA: İkili Optimizasyon İçin Yeni Bir Manta Vatozu Beslenme Optimizasyonu Algoritması. Konya Journal of Engineering Sciences, Cilt: 11 Sayı: 2, 449–467. https://ajindex.com/articles/937920

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. R. M. Rizk-Allah, "Hybridizing sine cosine algorithm with multi-orthogonal search strategy for engineering design problems," Journal of Computational Design and Engineering, vol. 5, no. 2, pp. 249-273, 2018
  2. S. Korkmaz, A. Babalik, and M. S. Kiran, "An artificial algae algorithm for solving binary optimization problems," International Journal of Machine Learning and Cybernetics, vol. 9, no. 7, pp. 1233-1247, 2018
  3. J. Wang, M. Khishe, M. Kaveh, and H. Mohammadi, "Binary Chimp Optimization Algorithm (BChOA): a New Binary Meta-heuristic for Solving Optimization Problems," Cognitive Computation, vol. 13, no. 5, pp. 1297-1316, 2021
  4. Q. Al-Tashi, S. J. A. Kadir, H. M. Rais, S. Mirjalili, and H. Alhussian, "Binary optimization using hybrid grey wolf optimization for feature selection," Ieee Access, vol. 7, pp. 39496-39508, 2019
  5. E. Baş and E. Ülker, "A binary social spider algorithm for continuous optimization task," Soft Computing, vol. 24, no. 17, pp. 12953-12979, 2020
  6. M. Aslan, M. Gunduz, and M. S. Kiran, "JayaX: Jaya algorithm with xor operator for binary optimization," Applied Soft Computing, vol. 82, p. 105576, 2019
  7. A. G. Hussien, A. E. Hassanien, E. H. Houssein, M. Amin, and A. T. Azar, "New binary whale optimization algorithm for discrete optimization problems," Engineering Optimization, vol. 52, no. 6, pp. 945-959, 2020
  8. A. C. Cinar and M. S. Kiran, "Similarity and logic gate-based tree-seed algorithms for binary optimization," Computers & Industrial Engineering, vol. 115, pp. 631-646, 2018
  9. R. M. Rizk-Allah, A. E. Hassanien, M. Elhoseny, and M. Gunasekaran, "A new binary salp swarm algorithm: development and application for optimization tasks," Neural Computing and Applications, vol. 31, no. 5, pp. 1641-1663, 2019
  10. S. Arora and P. Anand, "Binary butterfly optimization approaches for feature selection," Expert Systems with Applications, vol. 116, pp. 147-160, 2019
  11. M. Mafarja et al., "Binary dragonfly optimization for feature selection using time-varying transfer functions," Knowledge-Based Systems, vol. 161, pp. 185-204, 2018
  12. T. Akan, S. Agahian, and R. Dehkharghani, "Binbro: Binary battle royale optimizer algorithm," Expert Systems with Applications, vol. 195, p. 116599, 2022
  13. M. Abdel-Basset, R. Mohamed, R. K. Chakrabortty, M. Ryan, and S. Mirjalili, "New binary marine predators optimization algorithms for 0–1 knapsack problems," Computers & Industrial Engineering, vol. 151, p. 106949, 2021. [