Geri Dön

Kümeleme problemleri için geliştirilmiş tek aday optimizasyon algoritması

Improved single candidate optimization algorithm for clustering problems

PDF İndir

  1. Tez No: 900901
  2. Yazar: CİHAT DOĞAN
  3. Danışmanlar: PROF. DR. UĞUR YÜZGEÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Bilecik Şeyh Edebali Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 52

Özet

Optimizasyon problemlerinin etkili bir şekilde ele alınması için, verimli optimizasyon algoritmalarının geliştirilmesi büyük önem taşımaktadır. Bu tez çalışması kapsamında, 2022 yılında Shami ve arkadaşları tarafından (Shami, Grace, Burr, & Mitchell, 2022) literatüre kazandırılan Tek Aday Optimizasyonu (SCO: Single Candidate Optimizatin) Algoritması ele alınmaktadır. Bu çalışmada ele alınan SCO algoritması, basit ve anlaşılır bir algoritma olup diğer popülasyon tabanlı sezgisel algoritmalardan en büyük farkı, tek bir aday çözüm ile optimizasyon probleminin çözümünü daha hızlı bulmaya çalışmasıdır. Ancak diğer sezgisellerde olan yerel minimumlara takılma gibi temel sorunlara da sahiptir. Öncelikle SCO yapısında sınır değeri aşma problemi (aday çözümün arama uzayının dışına çıkması) ele alınmış ve arama başarımını iyileştirmek için, hızlandırılmış karşıt öğrenme tabanlı bir mekanizma algoritma yapısına entegre edilmiştir. Böylece bu çalışmada, SCO algoritmasına hızlandırılmış karşıt öğrenme mekanizması eklenerek elde edilen, Hızlandırılmış Karşıt Öğrenme tabanlı Tek Aday Optimizasyonu (AccOppSCO: Accelerated Opposition Learning based Single Candidate Optimization) adı verilen yeni bir optimizasyon algoritması önerilmiştir. Önerilen AccOppSCO algoritmasının başarımını değerlendirmek için, literatürden çeşitli optimizasyon problemleri seçilmiştir. Yapılan değerlendirme, AccOppSCO algoritmasının orijinal SCO algoritmasına kıyasla daha doğru çözümler üretebildiğini ortaya koymaktadır. Önerilen AccOppSCO algoritmasının başarımı, ayrıca bir kümeleme problemi üzerinde değerlendirilmiştir. Kümeleme probleminde önerilen AccOppSCO algoritması, orijinal SCO algoritmasına kıyasla daha üstün yakınsama göstermektedir. Son olarak, önerilen AccOppSCO algoritması; Genetik Algoritma (GA), Farksal Gelişim (DE) ve Parçacık Sürüsü Optimizasyonu (PSO) gibi klasik sezgisel optimizasyon algoritmalarıyla karşılaştırılmıştır. Sonuçlara göre, AccOppSCO algoritması yakınsama ve çözüm kalitesi açısından orijinal SCO algoritmasından daha iyi başarım göstermektedir.

Özet (Çeviri)

In order to effectively address optimization problems, the development of efficient optimization algorithms is of great importance. This thesis focuses on the Single Candidate Optimization (SCO) algorithm introduced in the literature by Shami et al. in 2022 (Shami, Grace, Burr, & Mitchell, 2022). The SCO algorithm discussed in this study is a simple and comprehensible algorithm, and its main distinction from other population-based heuristic algorithms is its attempt to find the solution to the optimization problem more quickly using a single candidate solution. However, it also faces fundamental issues such as getting stuck in local optima, similar to other heuristics. Initially, the problem of boundary violation (the candidate solution exceeding the search space) has been addressed within the SCO structure, and an accelerated opposition learning-based mechanism has been integrated into the algorithm's structure to improve search performance. Thus, in this study, a new optimization algorithm named Accelerated Opposition Learning based Single Candidate Optimization (AccOppSCO) has been proposed by incorporating the accelerated opposition learning mechanism into the SCO algorithm. To evaluate the performance of the proposed AccOppSCO algorithm, various optimization problems from the literature have been selected. The evaluation indicates that the AccOppSCO algorithm is capable of producing more accurate solutions compared to the original SCO algorithm. The performance of the proposed AccOppSCO algorithm is also evaluated on a clustering problem. In the clustering problem, the proposed AccOppSCO algorithm demonstrates superior convergence compared to the original SCO algorithm. Finally, the proposed AccOppSCO algorithm is compared with classical heuristic optimization algorithms such as Genetic Algorithm (GA), Differential Evolution (DE) and Particle Swarm Optimization (PSO). According to the results, the AccOppSCO algorithm performs better than the original SCO algorithm in terms of convergence and solution quality.

Benzer Tezler

  1. Tez No

    894539

    Context aware real-time clustering with cortical coding method

    Kortikal kodlama yöntemi ile bağlama duyarlı gerçek zamanlı kümeleme

    SELİM EREN ERYILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK BERK ÜSTÜNDAĞ

  2. Tez No

    858033

    Makine öğrenme problemlerinde konveks olmayan optimizasyon modellerinin iki konveks fonksiyonunun farkı ve ikinci derece konik progromlama ile modellenmesi

    Difference of convex functions programming and second-order conic programming modelling of non-convex optimization problems in machine learning

    DUYGU ÜÇÜNCÜ

    Doktora

    Türkçe

    Türkçe

    2024

    MatematikYıldız Teknik Üniversitesi

    Matematik Ana Bilim Dalı

    PROF. DR. ERDAL GÜL

    PROF. DR. SÜREYYA AKYÜZ

  3. Tez No

    419525

    Tanker şamandıra bağlama sistemlerinin yapay sinir ağları tekniğiyle optimizasyonu

    Optimization of spread mooring systems with artificial neural networks

    MURAT YETKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Denizcilikİstanbul Teknik Üniversitesi

    Gemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. AYHAN MENTEŞ

  4. Tez No

    438286

    Towards better protection from superiority by increased precision in detection: The case of financial markets with informed and high-frequency trading

    Artırılan tespit netliği yoluyla üstünlükten daha iyi korunmaya doğru: Özel bilgi kaynaklı ve yüksek frekanslı işlemler ile finansal piyasalar örneği

    OĞUZ ERSAN

    Doktora

    İngilizce

    İngilizce

    2016

    EkonomiYeditepe Üniversitesi

    Finansal İktisat Ana Bilim Dalı

    PROF. DR. ZEYNEP ASLI ALICI

  5. Tez No

    467053

    Spatial and temporal variation of O3, NO and NO2 concentrations at rural and urban sites in Marmara region of Turkey

    Türkiye Marmara bölgesinin kırsal ve kentsel bölgelerindeki O3, NO ve NO2 konsantrasyonlarının mekansal ve zamansal değişimi

    SABİN KASPAROĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. SALAHATTİN İNCECİK

Geri Dön