A novel optimization algorithm EMEL: Exploration of moving and ever-shrinking layers
Yeni bir optimizasyon algoritması EMEL: Hareketli ve sürekli küçülen katmanlarla arama
- Tez No: 904596
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET SARIGÜL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Bu tez çalışmasında popülasyon temelli yeni bir optimizasyon algoritması tasarlanmış ve sunulmuştur. Algoritmanın adı EMEL: Exploration of Moving and Ever-shrinking Layers olarak verilmiştir. Algoritmanın çözüm üretme yaklaşımı hareket halinde olan ve sürekli küçülen katmanlar kullanarak arama yapmaya dayanmaktadır. Bu algoritmanın katman oluşturma stratejisi keşif ve sömürü aşamaları arasında doğal bir denge sağlamaktadır. Arama uzayı üzerinde aynı merkeze sahip iç içe katmanlar oluşturulmaktadır. Merkezde o ana kadar bulunmuş en iyi global optimum çözüm yer almaktadır. Bu katmanlar merkeze yakın noktalarda dar, merkezden uzaklaştıkça genişleyen bir yapıya sahiptir. Önerilen algoritmada iyileştirilecek olan bir çözüm öncelikle oluşturulan katmanlardan birini rastgele seçmekte ve pozisyonunu seçtiği bu katman içinde rastgele bir konuma güncellenmektedir. Katman sayısı merkez etrafında fazla, merkezden uzaklaştıkça daha az olduğu için global optimum çözüme daha yakın olan katmanlardan birinin seçilmesinin ihtimali daha yüksektir. Böylece konumu güncellenen çözümlerin birçoğu global optimuma yakın bölgelerde sömürü etkinliği sürdürürken çözümlerin bir kısmı global optimuma uzak bölgelerde keşif çalışması sürdürmektedir. Arama sürecinin başında ama uzayı kadar geniş olabilen katmanlar süreç ilerledikçe daralmaktadır. Bu durum başlangıçta daha geniş alanlarda keşif yapmayı desteklemekte ve çalışma süresinin sonlarına doğru sömürü etkinliği olan yerel en iyileştirme operasyonlarını teşvik etmektedir. Önerilen algoritmanın yetkinliğini kanıtlamak için 120 test fonksiyonu üzerinde deneyler yapılmıştır. Bu fonksiyonların 60 tanesi standart optimizasyon problemleri, 29 tanesi CEC 2017 fonksiyonları, 14 tanesi CEC 2005 fonksiyonları, 13 tanesi kısıtlı optimizasyon problemi ve 4 tanesi kısıtlı mühendislik tasarım problemidir. Karşılaştırmalı bir çalışma yürütmek için aynı deneyler Grey Wolf Optimizer, Particle Swarm Optimization, Artifical Bee Colony ve Vortex Search Optimization algoritmaları ile tekrarlanmış ve elde edilen sonuçlar istatistiksel yöntemlerle karşılaştırılmıştır. Elde edilen sonuçların karşılaştırılmasında Mann Whitney U testi kullanılmış ve EMEL algoritmasının anılan rakiplerden daha başarılı sonuçlar elde ettiğini görülmüştür.
Özet (Çeviri)
This study presents a novel optimization algorithm EMEL: Exploration of Moving and Ever-shrinking Layers. EMEL's layer building strategy embodies a balance between exploration and exploitation. The search space is partitioned into layers that are bounded by concentric rectangles whose dimensions increase exponentially. Contrary to its popular counterparts, EMEL does not produce candidate solutions influenced by others. Instead, the candidate solutions are produced anywhere inside a randomly selected layer. The probability of selecting a layer in the close vicinity of the best solution is higher than elsewhere. Therefore, most of the solutions exploit the inner layers, where a few of them still explore the distal layers. To demonstrate its search abilities, EMEL was tested on a total of 120 benchmarks which consist of sixty standard benchmarks, fourteen CEC 2005 benchmarks, twenty-nine CEC 2017 benchmarks, thirteen constrained benchmarks and four real-life constrained engineering design problems. The benchmark set consisting various characteristics such as shifted/rotated functions, hybrid functions, composition functions and also constrained problems include equality and inequality constraints to be satisfied. Four algorithms; Grey Wolf Optimizer, Artificial Bee Colony, Particle Swarm Optimization and Vortex Search Algorithm were included in the experiments to carry out a comparative work. Rather than using fixed parameters, design parameters of all algorithms were adjusted for each benchmark. The results were compared and analysed by utilizing Mann Whitney U test. The results showed that EMEL is superior to its counterparts by achieving high scores in the tests.
Benzer Tezler
- Heuristic algorithms for solving chemical shift assignment problem in protein structure determination
Sezgisel algoritmalar ile protein yapı belirlemesindeki kimyasal kayma atama probleminin çözümü
EMEL MADEN YILMAZ
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE ŞİMA UYAR
PROF. DR. PETER GÜNTERT
- Araç rotalama problemlerinin çözümü için yeni bir meta-sezgisel yaklaşım: Elektromanyetik algoritma
A new electromagnetism-like algorithm for solving capacitated vehicle routing problems
ALKIN YURTKURAN
Yüksek Lisans
Türkçe
2009
Endüstri ve Endüstri MühendisliğiUludağ ÜniversitesiEndüstri Mühendisliği Bölümü
PROF. DR. ERDAL EMEL
- Gradyan ve özel bir hiper düzlem temelli yeni bir optimizasyon algoritması: Evriştirilmiş Gradyan yönü ile optimizasyon
A novel optimization algorithm based on gradient and specific hyperplane: Evolved Gradient direction optimizer
İBRAHİM KARABAYIR
- Değişik çalışma koşulları için yerçekimsel arama algoritması ile transformatör verim optimizasyonu
Optimization of transformer efficiency with gravitational search algorithm for various operation conditions
YALÇIN ALCAN
Yüksek Lisans
Türkçe
2014
Elektrik ve Elektronik MühendisliğiDüzce ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ÖZTÜRK