:::: MENU ::::
Advances in Engineering Software

The Ant Lion Optimizer

“The Ant Lion Optimizer” başlıklı çalışma Seyedali Mirjalili tarafından yapılmış olup Advances in Engineering Software 83 (2015): 80-98.sayfaları arasında yayınlanmıştır.

The Ant Lion Optimizer (ALO) Karınca Aslanı Optimizasyonu

Bu alanda makale yazarken kullanılması gereken sihirli kelimeler:
-exploration
-local optima avoidance
-exploitation
-convergence

Karınca aslanı böceği karıncaları avlayarak yaşamını sürdürmektedir. Bu algoritma karınca aslanı böceği’nin avlanma şeklini modellemiştir.

Algoritmada karıncalar random walk şeklinde bir yürüyüş yapar.

500 iterasyon boyunca 3 farklı random walk davranışı yukarıda görülmektedir. Birinde yükseliş, birinde alçalış, birinde ise karmaşık bir hareket vardır.

İterasyonlar devam ederken rastgele yürüyüşün menzili daraltılır.
Bir karınca, karınca aslanından daha iyi amaç fonksiyonu değerine sahip olduğu anda yakalanmış sayılır ve karınca aslanı avının yerini alır.

Random walk, alt ve üst sınırları belirli uzayda kullanılmadığından min-max normalizasyonu ile kullanılması gerekmektedir.

x, random walk ile elde ettiğimiz vektör olsun.

Yukarıdaki komut ile x vektörünü -100,+100 aralığına normalize ediyoruz.

Karınca aslanının kurduğu tuzaklardan etkilenme işini aşağıdaki şekilde yapmaktadır:

min(Karinca(i,t))=KarincaAslani(j,t)+Min(Karincalar ve KarincaAslanlari)
t.iterasyondaki i.karıncanın en küçük değeri = t.iterasyondaki j.karınca aslanının değeri + en küçük değer
max(Karinca(i,t))=KarincaAslani(j,t)+Max(Karincalar ve KarincaAslanlari)
t.iterasyondaki i.karıncanın en büyük değeri = t.iterasyondaki j.karınca aslanının değeri + en büyük değer

Daha sonra karınca aslanlarına rulet tekerleği seçimi uygulanarak bir tanesi seçilir.

Min(Karincalar ve KarincaAslanlari) ve Max(Karincalar ve KarincaAslanlari) değerleri belirli bir oranda giderek azaltılmaktadır.

oran=10^w*t/T
t=mevcut iterasyon
T=toplam iterasyon
w iterasyona bağlı sabit
(w = 2 when t > 0.1T, w = 3 when t > 0.5T, w = 4 when t > 0.75T, w = 5 when t > 0.9T, and w = 6 when t > 0.95T).

w sabiti sömürünün doğruluğunu ayarlayabilir.

İterasyonlar sürecinde sömürü için süreç yukarıdaki gibidir.

Bu aşamadan sonra eğer karınca, karıncaaslanından daha iyi bir konumdaysa ilgili karınca, karıncaaslanı olur.

Algoritmada elitizm, en iyi karıncaaslanının konumunun tutulmasıyla sağlanır.

Karınca(i)=(Random(KarıncaAslanı)+Random(Elit))/2

Karıncalar, her iterasyonda rulet ile seçilmiş bir karıncaaslanının random walk yapmış hali ile elit karıncaaslanının randomwalk yapmış halinin toplamının yarısını alarak konumlarını günceller.

ALO’nun sözde kodu aşağıdadır:

Çalışmada iddia edilen bazı kazanımlar:
Rulet seçimi keşfi artırmıştır.
Rastgele yürüyüş keşfi artırmıştır.
Popülasyon tabanlı algoritmalar doğal olarak lokal optimumlardan kaçma kabiliyetine sahiptir.
Rastgele yürüyüş ile popülasyonun çeşitlenmesi sağlanmıştır.
İterasyona bağlı olarak daraltma (Adaptive shrinking) ile sömürü güçlendirilmiştir.
Karıncaların hareketi uyarlanabilir bir şekilde azaltılarak yakınsama hızı artırılmıştır.
En iyi karıncaaslanının konumu iterasyonlar sürecinde kaydedilerek umut verici bölgelerin taranması sağlanmıştır.
En iyi karıncaaslanı diğer bireylerinde daha iyi konumlara hareket etmesini sağlar.

The-ant-lion-optimizer


Grey Wolf Optimizer

“Grey Wolf Optimizer” başlıklı çalışma Seyedali Mirjalili, Seyed Mohammad Mirjalili ve Andrew Lewis tarafından yapılmış olup Advances in Engineering Software, 2014, 69: 46-61.sayfaları arasında yayınlanmıştır.

Çalışma 27 Haziran 2013 günü gönderilmiş, 18 Ekim 2013 günü revize edilmiş, 11 Aralık 2013 günü kabul edilmiş, 21 Ocak 2014’te yayınlanmıştır.

Metasezgisellerin yaygın kullanımının nedenlerini basitlik, esneklik, türevsiz mekanizma ve yerel optima önleme şeklinde özetleyerek kısaca izahlar yapılmıştır.

No Free Lunch (NFL) teoremi herhangi bir metasezgiselin tüm optimizasyon problemleri için iyi sonuçlar üretemeyeceğini ortaya koymuştur. Belirli metasezgiseller belirli problemlerde iyidir. Bir başka deyişle bir problemi iyi çözem bir metasezgisel, başka bir problemi çözemeyebilir. Bu yüzden bu alanda sürekli yeni algoritmalar geliştirilmekte ve problemlere bulunan çözümlerin iyileştirilmesi değerli sayılmaktadır.

-Tek çözümlü algoritmalar (single-solution-based)
-Çok çözümlü algoritmalar (population-based)

Popülasyon tabanlı algoritmalar arama uzayını daha iyi keşfeder. Bireyler arası etkileşim ile çözüme yakınsama sağlar. Bireylerin birbirini etkilemesi sonucu lokal optimalardan kurtulabilir.

Gri Kurt Optimize Edici

Bu algoritmada popülasyon farklı kurt tiplerine göre bölünmüştür. Bireyler amaç fonksiyonu değerine göre sıralanır.
alfa(1), beta(2), omega(3), delta(diğerleri) şeklinde isimlendirilir. Optimizasyon süreci alfa, beta ve omega kurtları ile yürütülür. Algoritmanın sözde kodu aşağıdadır:

Algoritmanın keşif gücünü multimodal, sömürü gücünü unimodal fonksiyonlardaki başarısına göre analiz edebiliriz.

Makale ile ilgili notlar:
-Tablo 2 ve Tablo 3’te F14-F15-F16 fonksiyonlarına yer verilmiş.
-Tablo 5 yorumlanırken üstün başarılı denmesine rağmen DE 7 fonksiyonun 4 tanesinde iyiyken, GWO sadece 3 tanesinde iyidir.
-Tablo 6’daki F8-F13 arası fonksiyonlarda 1 kere iyi sonuç elde edilmiş, diğerlerinde diğer yöntemler iyi sonuçlar elde etmiştir.
-Tablo 8’de kaydırılmış fonksiyonlarda çok başarılı olmadığı halde başarılı şeklinde yorum yapılmış.
-Deneysel çalışmanın hangi şartlarda yapıldığı açıkça anlatılmamıştır.

İndirmek için tıklayınız