Yapay sinekkuşu optimizasyon algoritmasının geliştirilmesi ve ileri beslemeli yapay sinir ağlarına uygulanması
Development of the artificial hummingbird optimization algorithm and its application to feedforward neural networks
- Tez No: 995506
- Danışmanlar: DR. ÖĞR. ÜYESİ ONUR İNAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Kaotik haritalar, Metasezgisel algoritmalar, Veri madenciliği, Çoklu sınıflandırma, Chaotic maps, Metaheuristic algorithms, Data mining, Multi classification
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bilgisayarların karmaşık veri örüntülerini öğrenme, olaylar arasında ilişki kurabilme ve karar verme yeteneklerinin gelişmesiyle birlikte, matematiksel olarak formüle edilmesi güç veya imkânsız olan birçok problem çözülebilir hâle gelmiştir. Bu gelişimin temelinde yapay zekâ, yapay sinir ağları ve doğadan esinlenen akıllı optimizasyon algoritmaları bulunmaktadır. Metasezgisel yöntemler, canlıların sezgisel davranışlarını taklit ederek karmaşık arama uzaylarında optimale yakın çözümler üretmeyi amaçlamakta ve mühendislikten veri madenciliğine kadar pek çok alanda etkin şekilde kullanılmaktadır. Bu tezde, ileri beslemeli yapay sinir ağlarının eğitimi için Yapay Sinekkuşu Optimizasyon Algoritmasının çeşitli iyileştirmelerle geliştirilerek yeni bir hibrit modeli olan CLAHA (Chaotic-Initialized Light Hybrid AHA) önerilmiştir. Geliştirmeler kapsamında başlangıç popülasyonunun kaotik haritalarla dengeli biçimde dağıtılması, mutasyon tabanlı ince ayar operatörleri ile popülasyon çeşitliliğinin korunması ve muhalefet tabanlı öğrenme yöntemi ile çözüm uzayının zıt bölgelerinde alternatif bireyler üretilmesi sağlanmıştır. Test edilen sekiz kaos haritası arasından en iyi yakınsama performansını sunan Chebyshev haritası başlangıç aşamasında kullanılmak üzere seçilmiştir. Önerilen yöntem, ileri beslemeli yapay sinir ağlarının eğitiminde ağırlık ve bias parametrelerinin optimizasyonu için uygulanmış ve 17 sınıflandırma veri kümesi üzerinde değerlendirilmiştir. Deneyler 500 iterasyon, 30 bireyli popülasyon ve 10 tekrar altında yürütülmüş; doğruluk, F1-Skoru, AUC, MSE ve işlem süresi ölçütleri kullanılmıştır. Alınan sonuçlarda CLAHA, 17 veri setinin 13'ünde en yüksek doğruluk ve F1-Skoru, 10'unda ise en düşük hata değerini elde etmiş; klasik sınıflayıcılarla yapılan karşılaştırmalarda 17 veri setinin 12'sinde en iyi veya en iyiye eşdeğer performans göstermiştir. Algoritmanın genel optimizasyon kabiliyeti ayrıca 23 klasik benchmark fonksiyonu, CEC-2014 ve CEC-2022 uluslararası test fonksiyonları ve altı mühendislik problemi ile değerlendirilmiş; CLAHA sırasıyla 23 fonksiyonun 15'inde, CEC-2014'te 30 fonksiyonun 15'inde ve CEC-2022'de 12 fonksiyonun 7'sinde en iyi sonuçları üretmiştir. Elde edilen bulgular, kaotik başlatma ve popülasyon çeşitliliğini koruyan mekanizmalar sayesinde CLAHA'nın yerel minimumlara sıkışma problemini önemli ölçüde azalttığını ve hem sınıflandırma hem de karmaşık optimizasyon problemlerinde etkin ve kararlı bir küresel optimizasyon yöntemi olduğunu göstermektedir.
Özet (Çeviri)
Many problems that were difficult or impossible to formulate mathematically have become solvable with the advancement of computers' ability to learn complex data patterns, establish relationships between events, and make decisions. The basis of this development lies artificial intelligence, artificial neural networks, and intelligent optimization algorithms inspired by nature. Metaheuristic methods aim to produce near-optimal solutions in complex search spaces by imitating the intuitive behavior of living organisms and are effectively used in many fields, from engineering to data mining. In this thesis, a new hybrid model, CLAHA (Chaotic-Initialized Light Hybrid AHA), is proposed, based on the Artificial Hummingbird Optimization Algorithm with various improvements, for training feedforward artificial neural networks. The improvements include a balanced distribution of the initial population using chaotic maps, preserving population diversity using mutation-based fine-tuning operators, and generating alternative individuals in opposing regions of the solution space using adversarial learning. Among the eight chaos maps tested, the Chebyshev map, which provided the best convergence performance, was selected for initial use. The proposed method was applied to optimize weight and bias parameters in the training of feedforward artificial neural networks and evaluated on 17 classification datasets. Experiments were conducted with 500 iterations, a population of 30 individuals, and 10 replicates; accuracy, F1-Score, AUC, MSE, and processing time metrics were used. The results showed that CLAHA achieved the highest accuracy and F1-Score in 13 of the 17 datasets, and the lowest error value in 10; in comparison with classical classifiers, it showed the best or equivalent performance in 12 of the 17 datasets. The overall optimization capability of the algorithm was also evaluated with 23 classical benchmark functions, CEC-2014 and CEC-2022 international test functions, and six engineering problems; CLAHA produced the best results in 15 out of 23 functions in CEC-2014, 15 out of 30 functions in CEC-2022, and 7 out of 12 functions in CEC-2022. The findings demonstrate that CLAHA significantly reduces the problem of getting stuck in local minima thanks to chaotic initialization and population diversity-preserving mechanisms and is an efficient and stable global optimization method for both classification and complex optimization problems.
Benzer Tezler
- Kaotik yapay sinekkuşu algoritmaları
Chaotic artificial hummingbird algorithms
FATMA BELLİ
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriMalatya Turgut Özal ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. HARUN BİNGÖL
- Gelişmiş model kullanılan fv dizilerde meta sezgisel algoritmalar ile kısmi gölgelenme koşullarında mgnt optimizasyonunun gerçekleştirilmesi
Implementation of mgnt optimization in partial shading conditions with meta- heuristic algorithms in pv arrays using advanced model
KEZBAN KOÇ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET DEMİRTAŞ
- Metasezgisel algoritmalar ve derin öğrenme mimarileri ile deepfake video tespiti
Deepfake video detection with metaheuristic algorithms and deep learning architectures
AYNUR KOÇAK
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ALKAN
- Beyin tümörü tedavisi için kemoterapi ilaç salınım sistemi modellenmesi ve kontrolü
Modeling and control of chemotherapy drug release system for brain tumor treatment
ELİF NUR AKBAL
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiAksaray ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELİM SOYLU
- Anti-kanser ilaç salınım sisteminin modellenmesi ve kontrolü
Modeling and control of anti-canser drug delivery system
SENA AY
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAksaray ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELİM SOYLU