:::: MENU ::::
Makale İncelemeleri

A new optimization method: Big Bang–Big Crunch

“A new optimization method: Big Bang–Big Crunch” başlıklı çalışma Osman K. Erol ve Ibrahim Eksin tarafından yapılmış olup 2006 yılında Advances in Engineering Software, 37(2), 106-111.sayfaları arasında yayınlanmıştır.

Çalışma 10 Mayıs 2004’te gönderilmiş, 21 Şubat 2005’te revize edilmiş; 21 Nisan 2005’te kabul edilmiş, 18 Temmuz 2005 günü yayınlanmıştır.

Popülasyondaki bütün bireyler birbirine benzediği zaman çaprazlama operatörü yeni birey üretemeyeceğinden algoritma durağanlaşır. (stagnation)

Çalışmada Combat Genetic Algorithm (C-GA) yöntemi önerilmiştir.
Rastgele iki birey seçilir. Bu iki bireyin amaç fonksiyonu değerleri (f1,f2) hesaplanır. Daha sonra bu iki değer arasındaki farka göre farklı çaprazlama işlemleri yapılır.
fark=(|f1-f2|)/(f1+f2)
0-1 arasında rastgele bir sayı üretilir.(rand)
Eğer f1 fark ise
normal çaprazlama işlemi yapılır.
Eğer f1>f2 ve rand < fark ise ikinci birey aynen bırakılır, birinci birey çaprazlanır Eğer f1>f2 ve rand > fark ise
normal çaprazlama işlemi yapılır.

Bu işlemler ile çeşitliliğin artacağı iddia edilmiştir.

Büyük Patlama Büyük Çöküş optimizasyon algoritması

Başlangıçta oluşturulan rastgele bireyleri üretme işlemine Büyük Patlama ismi verilmiştir.

Bireylerin fitness fonksiyonu değerleri kullanılarak kütle merkezi(xc) hesaplanır. Kütle merkezi hesabı yerine en iyi birey de kullanılabilir.

Yeni bireyleri xnew = xc + l*r/k denklemi ile oluştururuz.
l=üst sınır
r=rastgele sayı
k=iterasyon sayısı

İndirmek için tıklayınız


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


Yapay Zeka Optimizasyon Algoritmaları ve Temel Çalışmaları

Literatürde önerilmiş olan yapay zeka optimizasyon algoritmalarının temel çalışmalarını aşağıya listeleyerek hem kendim için, hem de bu alandaki kişiler için faydalı bir koleksiyon oluşturmayı amaçladım. Liste yeni algoritmaları gördükçe güncellenecektir, listede olmayan algoritmaları yorum olarak gönderirseniz, halkımıza faydalı olması için ekleriz. Eskiden yeniye bir sıralama yapılacaktır. Bu sayfada sadece tek amaçlı optimizasyona çözüm sunan temel algoritmalara yer verilecektir.

Yıl—–Algoritmanın Orijinal İsmi (İngilizce)–Bağlantı—İndir
————————————————————————————

1997—Differential Evolution (DE)————–Bağlantıİndir
2015—Tree-Seed Algorithm (TSA)————–Bağlantıİndir


A Modification of Tree-Seed Algorithm using Deb’s Rules for Constrained Optimization

“A Modification of Tree-Seed Algorithm using Deb’s Rules for Constrained Optimization” başlıklı makalemiz 50 gün boyunca (17 Şubat 2018’e kadar) ücretsiz olarak indirilebilecekmiş. Üniversitelerin kütüphanelere erişimi olsa da bazıları ücret ödeyerek bu dergilerden faydalanmaktadır. O yüzden yazar kopyası olarak adlandırılan ücretsiz sürümünü okumak için aşağıdaki bağlantıyı kullanabilirsiniz. Herhangi bir nedenle erişemez iseniz, yorum yazarsanız makaleyi size gönderebilirim.
https://authors.elsevier.com/c/1WIju_ZgTSSnqw


Sayfalar:1234567...15