A novel modified teaching-learning based algorithm and its applications

Abstract

Son yıllarda, çok sayıda sosyal tabanlı optimizasyon algoritması geliştirilmiş ve farklı optimizasyon problemlerine uygulanmıştır. Öğretme-Öğrenme Tabanlı Optimizasyon (TLBO) algoritması, çok çeşitli gerçek hayat problemlerinin çözümünde etkili olduğu gösterilen, yakın zamanda önerilen bir meta-sezgisel optimizasyon algoritmasıdır. TLBO yüksek performanslı bir algoritma olmakla beraber arama ve tüketim arasındaki dengesi zayıftır. Bu durum yerel çözümlere takılı kalabilmesine sebep olmaktadır.Bu çalışmada, algoritmaya eklenen `Akademik Plan` adlı bir yeniden düzenleme parametresi kullanılarak Öğretme Temelli Optimizasyon için yeni bir değişiklik önerilmektedir. Bu mekanizma, algoritmadaki bireylerin pozisyonlarının yerel çözüme takılı kalmadan küresel en iyiyi bulmalarını sağlamaktadır. Önerilen TLBO algoritması, çok çeşitli tür ve boyutlarda yirmi üç test fonsiyonuna uygulanmış ve algoritmanın performansı değerlendirilmiştir. Ayrıca önerilen algoritma, orijinal TLBO ve diğer sürü tabanlı optimizasyon algoritmaları ile karşılaştırılmıştır. Diğer taraftan, bu çalışmada en popüler kombinasyonel optimizasyon problemlerinden biri olarak kabul edilen Simetrik Gezgin Satıcı Problemine (sTSP) yeni bir çözüm sunulmaktadır. Bu çözümde TLBO algoritmasının değiştirilmiş bir başka versiyonu, Hamming mesafe fonksiyonu ve 2-Opt algoritmasından yararlanılmaktadır. Bu bölümde, önerilen yeni algoritmanın performansını test etmek için algoritma farklı TSP test verilerine uygulanmış ve sonuçlar literatürdeki diğer algoritmalarla karşılaştırılmıştır.Anahtar Kelimeler: Öğretme-Öğrenme Optimizasyon yöntemi, Gezgin Satıcı Problemleri, 2-Opt Algoritması, Hamming Uzaklık Fonksiyonu, İnsan sosyal tabanlı algoritmalar

In the last few decades, a great number of various algorithms based on Human social-based algorithms have been intensively researched and applied to different optimization problems through the study of natural species. The Teaching-Learning Based Optimization (TLBO) is a recently proposed meta-heuristic optimization algorithm that has shown to be effective in a wide range of solving real-life problems. However, it's a high-performance algorithm but the balance between the exploration and exploitation is weak, which is simply dropped in the local solutions. In this study, we proposed a new modification for the Teaching Learning Based Optimization (TLBO) by using a rearrangement parameter called `Academic Plan` which added to the new solution equation. The mathematical form of this parameter represented as a random number minimized from 1 to 0 with the iterations interval, this mechanism entered to the population term and update agents positions by avoid the local solution and look for a global.The performance of the proposed algorithm is tested by applying it to 23 numerical benchmark functions of a wide range of types and dimensions, and the results compared with the original TLBO and other swarm-based optimization algorithms. On the other hand, our thesis contributes a new solution to the Symmetric Traveling Salesman Problem (sTSP), which is considered one of the most popular combinatorial optimization problems. We presented a hybrid version of TLBO and the 2-opt algorithm with the hamming distance function. In this section, we applied the new proposed algorithm on the TSP library benchmarks functions in order to test the performance of the new proposed algorithm. Moreover, we compared the results with other algorithms from the literature.Keywords: Teaching Learning Based Optimization, Travelling Salesman Problems, 2-Opt Algorithm, Hamming Distance Function, Human social-based algorithms