Dergiler / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2023 / Cilt: 11 Sayı: 4

Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma

Comparison of Current Metaheuristic Algorithms with Different Performance Criteria

Sayfa
1861–1884
Yayın Tarihi
2023-10-24
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)

Sonuçların istatiksel anlamlılığı, Friedman ve Wilcoxon işaretli sıralar testleri ile değerlendirilerek bu iki algoritmanın üstünlüğü kanıtlanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde, metasezgiseller optimizasyon problemlerinin çözümünde çok önemli bir rol oynamaktadır.
📊
Temel Bulgular & Veri:Bu çalışmada sürü zekasından ve doğadaki canlıların yiyecek arama davranışlarından esinlenerek geliştirilen üç yeni metasezgisel (Afrika Akbabaları Optimizasyon Algoritması (African Vulture Optimization Algorithm, AVOA), Geliştirilmiş Gri Kurt Optimizasyon Algoritması (Improved Gray Wolf Optimization Algorithm, I-GWO) ve Deniz Avcıları Algoritması (Marine Predators Algorithm, MPA)), kıyaslamalarda en çok kullanılan metasezgisellerden biri olan Parçacık Sürü Optimizasyon Algoritması (Particle Swarm Optimization, PSO) ile kıyaslanmıştır.
💡
Sonuç & Katkı:Sonuçların istatiksel anlamlılığı, Friedman ve Wilcoxon işaretli sıralar testleri ile değerlendirilerek bu iki algoritmanın üstünlüğü kanıtlanmıştır.
🔬Tür:Laboratuvar & Saha Deneyi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Afrika Akbabaları Optimizasyon Algoritması · Geliştirilmiş Gri Kurt Optimizasyon Algoritması · Deniz Avcıları Algoritması

Özet

Günümüzde, metasezgiseller optimizasyon problemlerinin çözümünde çok önemli bir rol oynamaktadır. Bu çalışmada sürü zekasından ve doğadaki canlıların yiyecek arama davranışlarından esinlenerek geliştirilen üç yeni metasezgisel (Afrika Akbabaları Optimizasyon Algoritması (African Vulture Optimization Algorithm, AVOA), Geliştirilmiş Gri Kurt Optimizasyon Algoritması (Improved Gray Wolf Optimization Algorithm, I-GWO) ve Deniz Avcıları Algoritması (Marine Predators Algorithm, MPA)), kıyaslamalarda en çok kullanılan metasezgisellerden biri olan Parçacık Sürü Optimizasyon Algoritması (Particle Swarm Optimization, PSO) ile kıyaslanmıştır. Deneysel çalışmalara göre, AVOA ve MPA’nın diğer algoritmalara göre daha başarılı sonuçlara sahip olduğu görülmektedir. Sonuçların istatiksel anlamlılığı, Friedman ve Wilcoxon işaretli sıralar testleri ile değerlendirilerek bu iki algoritmanın üstünlüğü kanıtlanmıştır.

Abstract

Nowadays, metaheuristics play a very important role in solving optimization problems. In this study, Particle Swarm Optimization Algorithm (PSO), one of the most commonly used metaheuristics, was compared in three new metaheuristic (African Vulture Optimization Algorithm-AVOA, Improved Gray Wolf Optimization Algorithm- I-GWO and Marine Predators Algorithm-MPA) comparisons inspired by swarm intelligence and foraging behavior of creatures in nature. According to the experimental studies, AVOA and MPA achieve more successful results than other algorithms. The statistical significance of the results was evaluated using the Friedman Wilcoxon signed-rank test, and the significant superiority of these two algorithms was proven.

🔖

Bu Makaleye Atıf Yap

ARSLAN, S. (2023). Güncel Metasezgisel Algoritmalarının Performansları Üzerine Karşılaştırılmalı Bir Çalışma. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 11 Sayı: 4, 1861–1884. https://ajindex.com/articles/971494

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. T. Dokeroglu, E. Sevinc, T. Kucukyilmaz, and A. Cosar, “A survey on new generation metaheuristic algorithms,” Computers & Industrial Engineering, vol. 137, no. 5, 2019
  2. F. S. Gharehchopogh, H. Shayanfar, and H. Gholizadeh, “A comprehensive survey on symbiotic organisms search algorithms,” Artificial Intelligence Review, vol. 53, no. 56, pp. 1–48, 2020
  3. K. Hussain, M. N. M. Salleh, S. Cheng, and Y. Shi, “Metaheuristic research: a comprehensive survey,” Artificial Intelligence Review, vol. 52, no. 4, pp. 2191–2233, 2019
  4. V. Stojanovic, S. He, and B. Zhang, “State and parameter joint estimation of linear stochastic systems in presence of faults and non-Gaussian noises,” International Journal of Robust and Nonlinear Control, vol. 30, no. 16, pp. 6683–6700, 2020
  5. B. Abdollahzadeh, and F. S. Gharehchopogh, “A multi-objective optimization algorithm for feature selection problems,” Engineering with Computers, pp. 1–19, 2021
  6. F. S. Gharehchopogh, I. Maleki, and Z. A. Dizaji, “Chaotic vortex search algorithm: Metaheuristic algorithm for feature selection,” Evolutionary Intelligence, pp. 1–32, 2021
  7. J. Kennedy and R. Eberhart, “Particle swarm optimization,” Proceedings of ICNN’95 - International Conference on Neural Networks, 1995, pp. 1942–1948
  8. C. W. Cleghorn, and B. Stapelberg, “Particle swarm optimization: stability analysis using n-informers under arbitrary coefficient distributions,” Swarm and Evolutionary Computation, vol. 71, 2022
  9. P. Hu, J.S. Pan, S. C. Chu, and C. Sun, “Multi-surrogate assisted binary particle swarm optimization algorithm and its application for feature selection,” Applied Soft Computing, vol. 121, 2022
  10. X. Chen, and K. Li, “Collective information-based particle swarm optimization for multi-fuel CHP economic dispatch problem,” Knowledge-Based Systems, vol. 248, 2022
  11. P. B. Fernandes, R. C. L. Oliveira, and J. F. Neto, “Trajectory planning of autonomous mobile robots applying a particle swarm optimization algorithm with peaks of diversity,” Applied Soft Computing, vol. 116, 2022
  12. F. Wang, X. Wang, and S. Sun, “A reinforcement learning level-based particle swarm optimization algorithm for large-scale optimization,” Information Sciences, vol. 602, pp. 298-312, 2022
  13. B. Abdollahzadeh, F. S. Gharehchopogh, and S. Mirjalili, “African vultures optimization algorithm: A new nature-inspired metaheuristic algorithm for global optimization problems,” Computers & Industrial Engineering, vol. 158,