Particle swarm optimization and differential evolution algorithms for continuous optimization problems
Sürekli fonksiyon optimizasyonu problemlerinin çözümü için parçacık sürü optimizasyonu (pso) ve diferasiyal evrim (de) algoritmaları
- Tez No: 234711
- Danışmanlar: PROF. DR. GÜNEŞ GENÇYILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, İşletme, Industrial and Industrial Engineering, Business Administration
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2005
- Dil: İngilizce
- Üniversite: İstanbul Kültür Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 92
Özet
Bu çalışma, doğrusal olmayan sürekli fonksiyon optimizasyon problemlerinin çözümü için Parçacık Sürü Optimizasyonu (PSO) ve Diferansiyal Evrim (DE) algoritmalarını sunmaktadır. Algoritmaların performansı Evrimsel Hesap Kongresi (CEC2005) için yeni geliştirilen 14 fonksiyonu kullanarak test edildi. Parçacık Sürü Optimizasyonu (PSO) ve Diferansiyel Evrim (DE), en son geliştirilen meta-sezgisel yöntemlerden ikisidir. PSO, kuşların ve balıkların yem arama gibi sosyal etkileşmeleri ve iletişimleri metaforuna dayanır. PSO ve DE, orijinal olarak çeşitli doğrusal olmayan sürekli fonksiyonları optimize etmek için geliştirildi. PSO algoritmasında, her bir üye, ?parçacık? olarak adlandırılır ve her parçacık, çoklu-boyutsal arama uzayında bir hız ile hareket eder. Bu hız, parçacığın kendi deneyimi, komşularının deneyimi ya da populasyondaki bütün parçacıkların deneyimi ile sürekli olarak güncellenir.DE algoritmasında, hedef populasyon mutasyon faktörü ile farklılaştırılır ve daha sonra deneme populasyonu oluşturmak için çaprazlama operatörü kullanılır. Çaprazlama operatörünün amacı farklılaştırılan populasyonla hedef populasyonu birleştirerek deneme populasyonunu oluşturmaktır. Son olarak, seçme operatörü kullanılarak rekabet eden her iki populasyon özellikle hedef ve deneme populasyonlarının amaç fonksiyon değerleri karşılaştırılır. Seçme operatörü vasıtasıyla bu iki populasyon arasındaki daha iyi çözümler bir sonraki jenerasyona ait populasyonun üyeleri haline gelir. Bu proses yakınsaklık elde edilinceye dek tekrar edilir.
Özet (Çeviri)
This study presents Particle Swarm Optimization (PSO) and Differential Evolution (DE) algorithms to solve nonlinear continuous function optimization problems. The algorithms were tested using 14 newly proposed benchmark instances in Congress on Evolutionary Computation 2005. Particle Swarm Optimization (PSO) and Differential Evolution (DE) are two of the latest metaheuristic methods. PSO is based on the metaphor of social interaction and communication such as bird flocking and fish schooling. PSO and DE were both first introduced to optimize various continuous nonlinear functions. In a PSO algorithm, each member is called a particle, and each particle moves around in the multi-dimensional search space with a velocity constantly updated by the particle?s experience, the experience of the particle?s neighbors, and the experience of the whole swarm. In the DE algorithm, the target population is perturbed with a mutant factor, and the crossover operator is then introduced to combine the mutated population with the target population so as to generate a trial population. Then the selection operator is applied to compare the fitness function value of both competing populations, namely, target and trial populations. The better individuals among these two populations become members of the population for the next generation. This process is repeated until a convergence occurs. The computational results show that the particle swarm optimization is able to solve the test problems. Both algorithms are promising to solve benchmark problems. However, the differential evolution algorithm performed better for the larger size of problems than the particle swarm optimization algorithm. Deneysel sonuçlar her iki algoritmanın test problemlerini belli bir hata payıyla veya optimal olarak çözebildiğini göstermektedir. Her iki algoritma, test problemlerini çözmede umut vericidir. Ancak, diferansiyel evrim algoritması büyük çaplı problemler için parçacık sürü optimizasyonu algoritmasından daha iyi sonuçlar üretmektedir.
Benzer Tezler
- Sosyal örümcek algoritmasının sürekli ve ayrık optimizasyon problemlerinde performans iyileştirmeleri
Performance improvements of social spider algorithm in continuous and discrete optimization problems
EMİNE BAŞ
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERKAN ÜLKER
- Gezgin satıcı problemi için diferansiyel gelişim algoritması tabanlı bir metasezgisel önerisi
A differential evolution algorithm based metaheuristic proposal for the traveling salesman problem
ÜMİT TERZİ
Doktora
Türkçe
2009
Endüstri ve Endüstri MühendisliğiKocaeli ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALPASLAN FIĞLALI
- Büyük boyutlu veriler için metasezgisel yöntemler ile öznitelik indirgemede yeni bir yaklaşım geliştirilmesi
Developing a new approach to feature selection with metaheuristic methods for large scale data
ESİN AYŞE ZAİMOĞLU
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİLÜFER YURTAY
- Kesir dereceli kaotik sistemlerin bilgisayar bilimlerine uygulanması
Application of fractional order chaotic systems to computer science
GÖKÇE YILDIRIM
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ERKAN TANYILDIZI
- Dynamic security enhancement of power systems via population based optimization methods integrated with artificial neural networks
Yapay sinir ağlarının entegre edildiği popülasyon tabanlı optimizasyon yöntemleriyle güç sistemlerinin dinamik güvenliğinin iyileştirilmesi
CAVİT FATİH KÜÇÜKTEZCAN
Doktora
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. VEYSEL MURAT İSTEMİHAN GENÇ