Browsing by Author "Ihsan, Aysegul"

Now showing 1 - 2 of 2

Binary Mountain Gazelle Optimizer and Binary Enhanced Mountain Gazelle Optimizer for 0-1 Knapsack Problems and Uncapacitated Facility Location Problems
(Springer Heidelberg, 2025) Bas, Emine; Ihsan, Aysegul
Binary optimization problems, in which decision variables assume binary values (0 or 1), remain critical in addressing real-world tasks such as resource allocation, feature selection, scheduling, and facility location planning. Two prominent NP-hard examples are the 0-1 Knapsack Problems (KPs), which seeks to maximize the total value of selected items under a weight constraint, and the Uncapacitated Facility Location Problems (UFLPs), which aims to minimize the total cost associated with facility openings and customer assignments. This study introduces advancements to the Binary Mountain Gazelle Optimizer (BinMGO), a population-based metaheuristic algorithm inspired by the hierarchical and social behavior of gazelles. The proposed Enhanced BinMGO (EBinMGO) incorporates multiple mutation strategies to enhance convergence speed and solution robustness. Additionally, the Zigzag BinMGO (ZBinMGO) integrates a zigzag mutation mechanism to improve search space diversity and reduce the likelihood of premature convergence.Furthermore, both algorithms are extended with S-shaped and X-shaped transfer functions, enabling a more effective transformation of continuous search values into binary decisions and further balancing exploration and exploitation.The proposed algorithms are evaluated on standard benchmark datasets for both 0-1 KPs and UFLPs. Performance assessments consider statistical metrics such as best, worst, mean, standard deviation, CPU time, and average relative percentage deviation (ARPD). BinMGO, EBinMGO, and ZBinMGO are compared against competitive binary optimizers, including Snake Optimizer (SO), Prairie Dog Optimization (PDO), Pelican Optimization Algorithm (POA), Ali Baba and the Forty Thieves (AFT), Binary Particle Swarm Optimization (BPSO), and Chaotic PSO (CPSO).
Gri Kurt ve Kril Sürü Optimizasyonları: Performans Analizi ve Karşılaştırması
(Pamukkale Univ, 2023) Bas, Emine; Ihsan, Aysegul
Sürü davranışı, aynı yönde göç eden ve birlikte avlanan benzer büyüklükteki bir grup hayvan olarak tanımlanmaktadır. Gri kurtlar, genellikle sürüler halinde yaşamaktadırlar. Sürüdeki her gri kurdun ayrı bir görevi ve görevine göre aldığı farklı bir ismi bulunmaktadır. Diğer yandan Kril sürüleri, ekosistemin temelini oluşmaktadır. Kril sürüsünün hareketi iki sebebi bulunmaktadır. Birinci sebep, diğer canlılar için sürüler halinde yaşayan Kril’in avlanması ve yakalanmasının zor olmasıdır. Diğer sebebi ise, Kril sürüleri avlarını sürü hareketiyle kolayca yakalayabilmektedir. Gri Kurt Optimizasyonu (GWO) gri kurt sürü davranışından ilham alınırken, Kril Sürü Optimizasyonu (KHO) Kril sürü davranışından esinlenmiştir. Bu çalışmada GWO ve KHO algoritmaları detaylı bir şekilde incelenmiş ve yeterli bir başarıya sahip olup olmadıklarına karar verilmiştir. GWO ve KHO algoritmalarının sürü tabanlı olması, iki algoritmanın ortak bir özeliği olarak kabul edilmektedir. Ayrıca, GWO ve KHO performans analizinin yanı sıra 23 tek modlu, çok modlu ve sabit boyutlu çok modlu kıyaslama optimizasyon testleri ile karşılaştırılmıştır. Algoritmaların başarısı, çeşitli boyutlarda ({10, 20, 30, 50, 100, 500}) çalıştırılarak gösterilmiştir. İlaveten, GWO ve KHO algoritmaları Ağaç Tohum Algoritması (TSA), Parçacık Sürü Algoritması (PSO), Jaya algoritması, Aritmetik Optimizasyon Algoritması (AOA), Evrimsel Çiftleşme Algoritması (EMA), Ateş Şahini Optimize edicisi (FHO), Bal Porsuğu Algoritması (HBA) algoritmalarının performansı ile de karşılaştırılmıştır. Elde edilen tüm sonuçlar, istatistiksel testler ve şekillerle detaylı olarak gösterilmektedir. Sonuç olarak GWO ve KHO algoritmaları kendine öz özellikleri ile farklı test problemlerinde üstün başarı gösterirken, eski ve günümüzde yeni önerilmiş birçok algoritma ile de yarışır düzeydedir. GWO ve KHO algoritmalarının başarılarını tespit etmek için sadece klasik test fonksiyonları değil iki farklı kıyaslama test seti de kullanılmıştır. Bunlar CEC-C06 2019 fonksiyonları ve günümüzde güncel bir problem olan büyük veri problemidir. Aynı algoritmalar her iki problem içinde çalıştırılmış ve ortalama sonuçlara göre rank değerleri elde edilmiştir. CEC-C06 2019 fonksiyonlarında KHO iyi sonuçlar elde ederken büyük veri problemlerinde GWO iyi sonuçlar elde etmiştir. Bu çalışmada GWO ve KHO algoritmalarının başarıları üç farklı deneysel sette detaylı bir şekilde incelenmiş ve GWO ve KHO algoritmaları ile çalışacak araştırmacılar için ışık tutmaktadır.