Turnuva seçim yöntemi ile geliştirilmiş ağaç tohum algoritması kullanılarak enerji talep tahmin probleminin çözümü

Abstract

Gerçek hayatta karşılaşılan, çözümü zor veya imkânsız olan mühendislik problemlerinin çözümü için optimizasyon yöntemleri geliştirilmiştir. Birçok problemin çözümü için kullanılan optimizasyon yöntemleri, belirli kısıtlar altında mümkün olan en iyi sonucu bulma işlemidir. Optimizasyon yöntemleri doğadaki canlıların davranışlarından esinlenerek ortaya çıkmakta ve meta-sezgisel algoritmalar olarak adlandırılmaktadır. Bu algoritmalardan biri de son zamanlarda yeni bir algoritma olarak önerilen ve sürekli optimizasyon problemlerini çözmek için kullanılan popülasyon tabanlı ağaç tohum algoritması (TSA)'dır. TSA'da tohum oluşumu esnasında normalde rastgele seçilen ağaçlar yerine turnuva seçim yöntemi kullanılarak ağaçlar seçilmiş ve tohum üretimi gerçekleştirilerek algoritma üzerinde iyileştirme yapılmıştır. Bununla birlikte algoritmanın yapısında yer alan ST parametresi, optimize edilerek büyük boyutlu (20, 50, 100 ve 1000) problemlerin çözümünde iyileştirme hedeflenmiştir. Yapılan iyileştirmeler neticesinde önerilen yönteme modifiye ağaç tohum algoritması (MTSA) denilmiştir. MTSA, sayısal test fonksiyonlarına uygulanarak problemlerin sonuçları ile yakınsama ve kutu grafikleri elde edilmiştir. Bununla birlikte literatürde yer alan bazı algoritmalar sayısal test fonksiyonlarına uygulanmıştır. Elde edilen sonuçlar MTSA ile kıyaslanmış ve istatistiksel analiz sonuçlarına yer verilmiştir. Deneysel sonuçlar ve karşılaştırmalar, önerilen MTSA yönteminin çözüm kalitesi ve sağlamlığı açısından alternatif bir optimizasyon aracı olduğunu göstermektedir. Bunların yanı sıra MTSA ve TSA yöntemleri ile gerçek dünya optimizasyon problemlerinden biri olan enerji talep tahmini optimizasyon probleminin Türkiye uygulaması gerçekleştirilmiştir. MTSA'nın enerji talep tahmini problemindeki başarısını göstermek için literatürde yer alan bazı yöntemlerin sonuçları ile karşılaştırılmıştır. Analiz sonuçlarına göre önerilen yöntem olan MTSA yönteminin enerji talebi senaryoları için gerçekçi ve kabul edilebilir bir tahmin aracı olduğu gözlemlenmiştir.

Optimization methods have been developed for the solution of engineering problems that are difficult or impossible to solve in real life. Optimization methods used in the solution of many problems are the process of obtaining the best possible result under certain limitations. They emerge from the behavior of living things in nature and are called meta-heuristic algorithms. One of these algorithms, the population-based tree-seed algorithm (TSA), has recently been proposed as a novel algorithm and is used to solve continuous optimization problems. In TSA, during seed formation, trees were selected by using the tournament selection method instead of normally randomly selected trees, and seed production were carried out and the algorithm has been improved. Also, the ST parameter found in the structure of the algorithm has been optimized to improve the solution of large-scale (20, 50, 100 and 1000) problems. As a result of the improvements, the proposed method was called as modified tree-seed algorithm (MTSA). MTSA has been applied to numerical test functions and convergence and box graphics have been obtained. In addition, some algorithms in the literature have been applied to numerical test functions. The obtained results were compared to MTSA and the results were statistically analyzed. Experimental results and comparisons showed that the proposed MTSA method is an alternative optimization tool in terms of solution quality and robustness. In addition, adopting MTS and TS methods, a Turkey-specific application of an energy demand application optimization problem, which is a real-life optimization problem, was carried out. To show the success of MTSA in the energy demand estimation problem, the results were compared to the results of some methods in the literature. According to the results of the analysis, the MTSA method is a realistic and acceptable estimation tool for energy demand scenarios.