Özellik seçim problemi için ikili orka yırtıcı algoritmasının geliştirilmesi
Development of binary orca predation algorithm for feature selection problem
- Tez No: 900828
- Danışmanlar: PROF. DR. İLHAN İLHAN
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 62
Özet
Optimizasyon, bir problemin olası çözüm kümesinden en iyi sonucu veren çözümün bulunması sürecidir. Optimizasyon problemlerinin çözümünde klasik ve metasezgisel yöntemler olmak üzere iki temel yaklaşım kullanılmaktadır. Gerçek hayatta karşılaşılan karmaşık, doğrusal olmayan ve geniş çözüm kümesine sahip problemler için klasik yöntemler her zaman yeterli olmayabilir. Bu tür problemler için doğadan ilham alınarak geliştirilen metasezgisel algoritmalar, hızlı ve doğru çözümler sunmaktadır. Bu algoritmalar, canlıların sürü davranışları gibi doğal süreçlerden esinlenerek geliştirilmiştir. Orka yırtıcı algoritması (Orca Predation Algorithm - OPA), sürekli optimizasyon problemlerini çözmek amacıyla, orka sürüsünün avlanma davranışlarının incelenmesiyle geliştirilmiş yeni ve güncel bir metasezgisel algoritmadır. Bu çalışmada, ikili optimizasyon problemlerini çözmek için OPA'nın ikili versiyonu geliştirilmiş ve ikili orka yırtıcı algoritması (Binary Orca Predation Algorithm - BOPA) olarak adlandırılmıştır. Transfer fonksiyonları kullanılarak geliştirilen algoritma, ikili optimizasyon problemlerinden biri olan özellik seçim (FS) problemine uygulanmıştır. Algoritmanın sınıflandırma doğruluğunu değerlendirmek için birini dışarıda bırak çapraz doğrulama (Leave-One-Out Cross Validation - LOOCV) yöntemi kullanılmıştır. Elde edilen sonuçlar, gri kurt optimizasyon (Grey Wolf Optimization - GWO), parçacık sürü optimizasyon (Particle Swarm Optimization - PSO) ve yapay arı kolonisi (Artificial Bee Colony - ABC) algoritmaları gibi popüler metasezgisel algoritmaların ikili versiyonlarıyla karşılaştırılmış ve çeşitli performans metrikleri açısından analiz edilmiştir. Deneysel çalışmalar sonucunda, S-şekilli transfer fonksiyonları kullanılarak geliştirilen BOPA varyantlarının, yedi veri setinden beşinde, aynı transfer fonksiyonları kullanılarak geliştirilen diğer algoritmaların varyantlarına eşit veya daha iyi sonuçlar elde ettiği tespit edilmiştir.
Özet (Çeviri)
Optimization is the process of finding the best solution from the possible solution set for a given problem. Two basic approaches are used in solving optimization problems: classical and metaheuristic methods. Classical methods may not always be sufficient for solving real-world problems that are complex, nonlinear, and have large solution sets. For such problems, metaheuristic algorithms, inspired by nature, provide fast and accurate solutions. These algorithms were developed by taking inspiration from natural processes such as the herd behavior of living things. The Orca Predation Algorithm (OPA) is a novel and up-to-date metaheuristic algorithm developed by examining the hunting behavior of orca herds to solve continuous optimization problems. In this study, a binary version of OPA was developed to solve binary optimization problems, referred to as the Binary Orca Predation Algorithm (BOPA). The algorithm, developed using transfer functions, was applied to the feature selection (FS) problem, which is one of the binary optimization problems. The leave-one-out cross validation (LOOCV) method was used to evaluate the classification accuracy of the algorithm. The obtained results were compared with the binary versions of other popular metaheuristic algorithms, such as Grey Wolf Optimization (GWO), Particle Swarm Optimization (PSO) and Artificial Bee Colony (ABC) and analyzed in terms of various performance metrics. As a result of experimental studies, it has been determined that BOPA variants developed using S-shaped transfer functions achieve equal or better results than variants of other algorithms developed using the same transfer functions in five out of seven data sets.
Benzer Tezler
- 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
- Investigating risk assessment and role of safety concerns in autonomous vehicle
Otonom araçlarda risk değerlendirmesi ve güvenlik kaygılarının modellenmesi
GÖZDE BAKİOĞLU DOĞANYILMAZ
Doktora
İngilizce
2022
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OSMAN ATAHAN
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ
- Sürekli/ikili parçacık sürü optimizasyonu ve destek vektör makinelerinin hibrit kullanımı ile özellik seçimi
Feature selection with hybrid using of continious/binary particle swarm optimization and support vector machine
NİLAY SUBAŞ
Yüksek Lisans
Türkçe
2019
İstatistikMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. AYÇA ÇAKMAK PEHLİVANLI
- Optimizasyon problemlerinin çözümü için yapay arı kolonisi algoritması tabanlı yeni yaklaşımlar
Novel approaches based on articial bee colony algorithm to solve optimization pronlems
MUSTAFA SERVET KIRAN
Doktora
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MESUT GÜNDÜZ