Geri Dön

Silah hedef atama probleminde geliştirilmiş kum kedisi sürü optimizasyon algoritmasının uygulanması

Application of enhanced sand cat swarm optimization algorithm in weapon target assignment problem

PDF İndir

  1. Tez No: 998365
  2. Yazar: TAHA YASİR YEŞİL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ EBUBEKİR SEYYARER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Metasezgisel algoritmalar, Metaheuristic algorithms
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Van Yüzüncü Yıl Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yapay Zeka ve Robotik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Savunma sanayiinde mevcut mühimmatın tehdit unsurlarına en verimli şekilde tahsis edilmesi, kaynak yönetimi ve operasyonel başarı açısından kritik bir öneme sahiptir. Literatürde Silah Hedef Atama (SHA) problemi olarak bilinen bu problem, hedef ve silah sayısının artmasıyla birlikte çözüm uzayının üstel olarak büyüdüğü çok boyutlu karmaşık bir optimizasyon problemidir. Klasik deterministik yöntemlerin makul sürelerde çözüm üretmekte yetersiz kaldığı bu alanda, meta-sezgisel algoritmalar ön plana çıkmaktadır. Bu tez çalışmasında, SHA probleminin etkin çözümü için doğadan esinlenen Kum Kedisi Sürü Optimizasyonu (Sand Cat Swarm Optimization - SCSO) algoritması temel alınarak Uyarlanabilir Altın Sinüs Ortogonal Kum Kedisi Sürü Optimizasyonu (Adaptive Golden Sine Orthogonal Sand Cat Swarm Optimization - AGO-SCSO) adında yeni ve hibrit bir algoritma önerilmiştir. Orijinal SCSO algoritmasının, özellikle yüksek boyutlu problemlerde karşılaştığı erken yakınsama ve yerel optimum tuzağına düşme gibi yapısal kısıtlarını gidermek amacıyla, önerilen yönteme problem boyutuna duyarlı (adaptif) üç temel mekanizma entegre edilmiştir. Düşük boyutlu problemlerde Gaussian Pertürbasyon ve momentum stratejisi ile algoritmanın çeşitliliği korunurken, yüksek boyutlu problemlerde Altın Sinüs mekanizması ile çözüm hassasiyeti iyileştirilmiş ve Ortogonal Öğrenme stratejisi ile yerel tuzaklardan kaçış sağlanmıştır. Geliştirilen algoritmanın performansı iki aşamada doğrulanmıştır. İlk aşamada, 20 adet standart kıyaslama fonksiyonu üzerinde yapılan testlerde, AGO-SCSO'nun tek modlu fonksiyonlarda yüksek yakınsama hassasiyetine ulaştığı, çok modlu fonksiyonlarda ise orijinal algoritmaya göre üstün olduğu gözlemlenmiştir. İkinci aşamada, 5 hedeften 200 hedefe kadar değişen farklı ölçeklerdeki SHA problemleri simüle edilmiştir. Deneysel sonuçlar ve Wilcoxon istatistiksel analizleri; AGO-SCSO'nun, Benekli Sırtlan Optimizasyon (SHO), Genetik Algoritma (GA), Parçacık Sürü Optimizasyonu (PSO), Yapay Arı Kolonisi (ABC) ve orijinal SCSO'ya kıyasla tehdit maliyetini minimize etme konusunda istatistiksel olarak anlamlı ve kararlı bir başarı sergilediğini ortaya koymuştur. SHA200 gibi yüksek boyutlu bir problemde dahi 0,59 saniyelik çalışma süresi ve 2036.37 en iyi çözüm değeriyle AGO-SCSO, diğer yöntemler karşısında rekabetçi gücünü korumuştur. Sonuç olarak, geliştirilen AGO-SCSO algoritması, karmaşık askeri optimizasyon problemlerinin çözümü için güçlü ve ölçeklenebilir bir yöntem olarak literatüre sunulmuştur.

Özet (Çeviri)

The efficient allocation of available ammunition to threat elements in the defence industry is of critical importance for resource management and operational success. Known in the literature as the Weapon Target Assignment (WTA) problem, this issue is a multi-dimensional complex optimization problem where the solution space grows exponentially with the increase in the number of targets and weapons. In this field, where classical deterministic methods fail to produce solutions within reasonable timeframes, meta-heuristic algorithms have gained prominence. In this thesis study, a novel and hybrid algorithm named Adaptive Golden Sine Orthogonal Sand Cat Swarm Optimization (AGO-SCSO) is proposed based on the nature-inspired Sand Cat Swarm Optimization (SCSO) algorithm for the effective solution of the WTA problem. To overcome the structural limitations of the original SCSO algorithm, such as premature convergence and entrapment in local optima, particularly in high-dimensional problems, three fundamental mechanisms responsive to problem dimension (adaptive) have been integrated into the proposed method. In low-dimensional problems, population diversity is maintained via Gaussian Perturbation and momentum strategy, while in high-dimensional problems, solution precision is improved through the Golden Sine mechanism, and escape from local traps is ensured using the Orthogonal Learning strategy. The performance of the developed algorithm was validated in two stages. In the first stage, tests conducted on 20 standard benchmark functions revealed that AGO-SCSO achieves high convergence precision in unimodal functions and outperforms the original algorithm in multimodal functions. In the second stage, WTA problems of varying scales, ranging from 5 to 200 targets, were simulated. Experimental results and Wilcoxon statistical analyses demonstrated that AGO-SCSO exhibits statistically significant and stable success in minimizing threat cost compared to Spotted Hyena Optimization (SHO), Genetic Algorithm (GA), Particle Swarm Optimization (PSO), Artificial Bee Colony (ABC), and the original SCSO. Even with a high-dimensional problem like SHA200, AGO-SCSO has maintained its competitive edge over other methods with a runtime of 0.59 seconds and a best solution value of 2036.37. Consequently, the developed AGO-SCSO algorithm is presented to the literature as a robust and scalable method for solving complex military optimization problems.

Geri Dön