Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13091/735
Title: Meyve sineği optimizasyon algoritmasının performansını iyileştirmek için yeni yaklaşımlar
Other Titles: Novel approaches for performance improvement of fruit fly optimization algorithm
Authors: Gündüz, Mesut
İşcan, Hazım
Keywords: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
Computer Engineering and Computer Science and Control
Meta-sezgisel
meyve sineği optimizasyon algoritması
sezgisel algoritmalar
sürekli optimizasyon
sürü zekâs
Continuous optimization
fruit fly optimization algorithm
heuristic algorithms
Metaheuristic
swarm intelligence
Issue Date: 2019
Publisher: Konya Teknik Üniversitesi
Abstract: Optimizasyon problemlerinin çözümü son yıllarda dikkat çeken bir konu haline gelmiştir. Bu problemlerin çözümü için birçok meta-sezgisel yöntem geliştirilmiştir. Meta-sezgisel yöntemler optimum çözümü garanti etmezler. Meta-sezgisel yöntemler ile makul zamanda kabul edilebilir çözümler bulmak amaçlanır. Meta-sezgisel yöntemler çoğunlukla probleme özel olmazlar. Meta-sezgisel yaklaşımlar genel amaçlıdır, esnektir ve problemlere uyarlanabilirler. Meta-sezgisel yöntemler bu özelliklerinden dolayı optimizasyon problemlerin çözümünde son yıllarda yoğun olarak kullanılmaktadır. Meyve Sineği Optimizasyon Algoritması (FOA) 2011 yılında sunulmuş bir meta-sezgisel algoritmadır. Meyve sineğinin yiyecek arama davranışından esinlenerek önerilmiştir. FOA basit yapılı, dizayn parametresi az, optimizasyon problemlerine kolay uyarlanabilir, anlaşılması ve programlanması kolay bir meta-sezgisel yaklaşımdır. Bu tür avantajları olmasına rağmen dezavantajları da mevcuttur. Lokal optimuma çabuk takılır. Karar fonksiyonu her zaman pozitiftir. Güncelleme stratejisi [-1, 1] aralığında olduğu için küçüktür. Bu çalışmada, FOA'nın dezavantajlarını gidermek, algoritmanın performansını iyileştirmek ve daha kaliteli sonuçlar üretmesini sağlamak hedeflenmiştir. Bu amaçla FOA'da üç farklı geliştirme yapılmıştır. İlk geliştirmede FOA'ya işaret parametreleri ilave edilmiş ve SFOA olarak adlandırılmıştır. İkincide, FOA'nın karar verme stratejisi iki aşamalı hale getirilmiş ve saFOA olarak adlandırılmıştır. Üçüncüde, FOA'nın arama esnasında en kötü çözümlerinde dikkate alındığı iki farklı versiyon geliştirilmiş ve pFOA_v1 ve pFOA_v2 olarak adlandırılmıştır. Yeni önerilen FOA sürümlerinin performansı iyi bilinen 21 sayısal kıyaslama fonksiyonunda test edilerek araştırılmıştır. Elde edilen deneysel sonuçlar, literatürde iyi bilinen meta-sezgisel algoritmalar ile kıyaslanmıştır. Deneysel sonuçlar, önerilen FOA sürümlerinin sürekli optimizasyon problemleri için karşılaştırılabilir, başarılı ve rekabetçi sonuçlar ürettiğini göstermektedir.
The solution of optimization problems has become a subject of interest in recent years. Many meta-heuristic methods have been developed to solve these problems. Meta-heuristic methods do not guarantee an optimum solution. Meta-heuristic methods aim to find acceptable solutions in a reasonable time. Meta-heuristic methods are often not problem specific. Meta-heuristic approaches are general purpose, flexible and adaptable to problems. Meta-heuristic methods have been used extensively in the solution of optimization problems in recent years. Fruit Fly Optimization Algorithm (FOA) is a meta-heuristic algorithm introduced in 2011. Inspired by the fruit fly's foraging behavior. FOA is a simple structure, intuitive approach that is easy to understand and program, easy to adapt to optimization problems, with few design parameters. Although it has such advantages, it also has disadvantages. It has fast to the local optimum. The decision function is always positive. The update strategy is small because it is in the [-1, 1] range. In this study, it is aimed to eliminate the disadvantages of the FOA, to improve the performance of the algorithm and to provide better quality results. For this purpose, three different improves have been made in FOA. In the first development, sign parameters were added to the FOA and called SFOA. In the second, the decision-making strategy of the FOA was made in two stages and called saFOA. In the third, two different versions have been developed in which FOA is considered in the worst-case solutions during the search and is named pFOA_v1 and pFOA_v2. The performance of the newly proposed FOA versions was tested in 21 well-known numerical benchmark functions. The experimental results are compared with the meta-heuristic algorithms which are well known in the literature. Experimental results show that the proposed FOA versions produce comparable, successful and competitive results for continuous optimization problems.
URI: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=4J_FzTwlrMCH4qBROpXPH2RkI6FhrEpaXIV08dqfuC_8LhfAy4XaKYm4Lx7ExMgK
https://hdl.handle.net/20.500.13091/735
Appears in Collections:Tez Koleksiyonu

Files in This Item:
File SizeFormat 
613699.pdf7.56 MBAdobe PDFView/Open
Show full item record

CORE Recommender

Page view(s)

136
checked on Feb 6, 2023

Download(s)

36
checked on Feb 6, 2023

Google ScholarTM

Check


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.