Popülasyon tabanlı metasezgisel equilibrium optimizasyon algoritmasının performansının geliştirilmesi
Improving the performance of the population-based metaheuristic equilibrium optimizer algorithm
- Tez No: 918264
- Danışmanlar: DOÇ. DR. YÜKSEL ÇELİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 149
Özet
Equilibrium Optimizasyon (EO) algoritması, bir kontrol hacmindeki giren, üretilen ve çıkan maddelerin dengesini açıklayan kütle dengesi yasasından esinlenmiş, fizik tabanlı bir optimizasyon algoritmasıdır. Equilibrium Optimizasyonu literatürde kabul görmüş ve başarılı bir algoritma olmasına karşın, performansı ile ilgili bazı zayıf ve eksik yönleri bulunmaktadır. Başlıca sorunları arasında düşük yakınsama kabiliyeti, yerel minimumlara takılma ve keşif ile sömürü evreleri arasındaki dengesizlik bulunmaktadır. Bu tez çalışmasında, Equilibrium Optimizasyon (EO) algoritmasının performansını artırmayı ve mevcut eksikliklerini gidermeyi hedefleyen iki yeni algoritma önerilmektedir. Önerilen ilk algoritma, Güçlendirilmiş Equilibrium Optimizasyon (BEO) algoritmasıdır. Sunulan algoritma, başlangıç popülasyonu, aday havuzunun oluşturulması ve güncellenmesi aşamaları için yeni yöntemler sunmaktadır. Önerilen algoritmada geleneksel rastgele başlangıç popülasyonu yerine düzgün dağılımlı rastgele başlangıç popülasyonu ve ortalama tabanlı konsantrasyon havuzu stratejisi kullanılarak keşif aşaması güçlendirilmiştir. Ayrıca, güncelleme aşaması için önerilen iki yeni yaklaşım ile keşif ve sömürü aşamaları arasındaki dengenin daha kararlı bir şekilde sağlanması hedeflenmektedir. Önerilen ikinci algoritma, EO algoritmasının güncelleme mekanizması için yeni bir strateji sunmaktadır. Mevcut Equilibrium Optimizasyon algoritmasında, arama ajanları bireysel başarı durumları dikkate alınmaksızın topluca güncellenmekte, bu da özellikle çok modlu optimizasyon problemlerinde optimum çözüme ulaşmayı zorlaştırmaktadır. Önerilen Parçacık Güncelleme Tabanlı Equilibrium Optimizasyon Algoritması (PUBEO), sunduğu strateji ile arama ajanlarını bireysel olarak değerlendirip güncelleyerek bu sorunu aşmayı hedeflemektedir. Algoritmaların performans testleri için ilk olarak tek modlu, çok modlu ve sabit boyutlu çok modlu, toplam 23 adet klasik test fonksiyonu içeren bir test seti kullanılmıştır. BEO algoritmasının performans testleri, öncelikle EO ve geliştirilen varyant algoritmalar arasında, ardından literatürde kabul gören diğer bazı algoritmalar arasında gerçekleştirilmiştir. PUBEO algoritmasının performansını değerlendirmek amacıyla, klasik test problemlerine ek olarak 29 fonksiyondan oluşan CEC-2017 test seti kullanılmıştır. Ayrıca, önerilen her iki algoritma, bu testlerin yanı sıra dört farklı gerçek dünya mühendislik tasarım probleminin çözümünde de uygulanmıştır. Sunulan çalışma, optimizasyon algoritmalarının en önemli özelliği olan keşif ve sömürü evreleri arasındaki denge ve kararlılığı sağlamaya yönelik yeni ve farklı birtakım yaklaşımlar getirmektedir. Sunulan parçacık tabanlı güncelleme, ortalama tabanlı birey havuzu, yönlü tarama ve en iyi popülasyon seçimi teknikleri literatüre kazandırılmış yenlikler olarak öne çıkmaktadır.
Özet (Çeviri)
The Equilibrium Optimization (EO) algorithm is a physics-based optimization algorithm inspired by the law of mass balance, which describes the equilibrium of substances entering, being produced and leaving a control volume. Although Equilibrium Optimization is a well-accepted and successful algorithm in the literature, it has some weaknesses and shortcomings regarding its performance. Among the main problems are low convergence capability, getting stuck in local minima and imbalance between exploration and exploitation phases. In this thesis, two new algorithms are proposed to improve the performance of the Equilibrium Optimizations (EO) algorithm and overcome its existing shortcomings. The first proposed algorithm is the Boosted Equilibrium Optimizer (BEO) algorithm. The presented algorithm provides new methods for the initial population, candidate pool generation and updating phases. In the proposed algorithm, the exploration phase is strengthened by using a uniformly distributed random initial population and a mean-based concentration pool strategy instead of the traditional random initial population. In addition, the two new approaches proposed for the update phase aim to provide a more stable balance between the exploration and exploitation phases. The second proposed algorithm presents a new strategy for the update mechanism of the Equilibrium Optimizer algorithm. In the existing Equilibrium Optimization algorithm, the search agents are updated collectively without considering their individual success states, which makes it difficult to reach an optimal solution, especially in multimodal optimization problems. The proposed Particle Update Based Equilibrium Optimization Algorithm (PUBEO) aims to overcome this problem by evaluating and updating the search agents individually. For the performance tests of the algorithms, a test set containing a total of 23 classical test functions, including unimodal, multimodal and fixed-size multimodal test functions, was first used. The performance tests of the BEO algorithm were carried out firstly between EO and the developed variant algorithms, and then between some other algorithms accepted in the literature. In order to evaluate the performance of the BEO algorithm, the CEC-2017 test set consisting of 29 functions was used in addition to the classical test problems. In addition to these tests, both proposed algorithms were also applied to solve four different real-world engineering design problems. The presented work introduces a few new and different approaches to ensure the balance and stability between the exploration and exploitation phases, which is the most important feature of optimization algorithms. Particle-based updating, mean-based individual pooling, directional scanning and best population selection techniques are some of the innovations introduced in the literature.
Benzer Tezler
- Popülasyon temelli metasezgiseller için genelleştirilmiş çatıların tasarımı ve gerçekleştirimi
Design and implementation of generalized frameworks for population-based metaheuristics
GÜRCAN YAVUZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DOĞAN AYDIN
- Çoklu popülasyon tabanlı metasezgisel algoritma ile yapay sinir ağlarının eğitilmesi
Training of artificial neural networks with multi population based meta heuristic algorithm
CİHAT KIRANKAYA
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ LATİFE GÖRKEMLİ AYKUT
- Yeni bir popülasyon tabanlı metasezgisel optimizasyon yöntemi: Atış algoritması
A new population-based metaheuristic optimization method: Shooting algorithm
ÇAĞRI UYSAL
Doktora
Türkçe
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Üniversitesi-Cerrahpaşaİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER GİRAN
- Çok modlu optimizasyon problemleri için bir yapay arı kolonisi algoritması gerçekleştirimi
Artificial bee colony implementation for multimodal optimization problems
YUNUS ÖZCAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DOĞAN AYDIN
- 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