Parametre konfigürasyon araçlarının bir yapay arı kolonisi çatısı üzerinden karşılaştırılması

Abstract

Doğadaki canlıların üreme, yiyecek arama, mutasyon gibi özelliklerinin incelenerek, bu özelliklerden esinlenilerek oluşturulan algoritmalar bulunmaktadır. Bu algoritmalara evrimsel algoritmalar ismi verilmektedir. Optimizasyon problemlerinin çözümünde evrimsel algoritmaların kullanılması işlemi, uzun zamandır literatürde yer alan bir çalışma alanıdır. Aynı zamanda evrimsel algoritmalar literatürde bulunan zor ve karmaşık problemlerin çözümünde kullanılmaktadır. Ancak, evrimsel algoritmalardaki ayar parametrelerinin çokluğu ve parametrelerin alabileceği değer aralıkları fazla olabildiğinden, bazı çalışmalarda bu tür algoritmalarda, otomatik parametre kontrol metotları kullanılmaya başlanmıştır.Otomatik parametre kontrol metotları, verilen hedef algoritma, parametreler, parametrelerin alabilecekleri değer aralıkları, parametre kısıtlamaları, çözülmeye çalışılan problem örneklemleri ile bağlantı kurmaya çalışmaktadır. Bu sayede kendi çalışma mantıklarına uygun şekilde, hedef algoritmanın, çözülmeye çalışılan problem ve/veya problem örneklemlerinde en uygun sonucu verebilecek parametre konfigürasyonlarını bulmasını sağlamaya çalışırlar.Bu çalışmada, Genel Algoritma Konfigürasyonu için Ardışık Model Tabanlı Optimizasyon (SMAC) ve Yinelenen F-Race (iRace) adlı iki farklı otomatik parametre konfigürasyon metodu karşılaştırılmıştır. Bunun için her iki araç CEC'17 ölçüt fonksiyon kümesinde üzerinde, Yapay Arı Kolonisi (ABC) algoritmasının genelleştirilmiş bir hali olan Genelleştirilmiş Yapay Arı Kolonisi çatısını düşük, orta ve yüksek bütçelerde konfigüre ederek bulunan parametre değerlerinin algoritmaya etkileri gözlemlenmiştir.

There are algorithms created by examining the characteristics of living things in nature such as reproduction, foraging and mutation and inspired by these features. These algorithms are called evolutionary algorithms. The process of using evolutionary algorithms in solving optimization problems is a field of study that has been in the literature for a long time. At the same time, evolutionary algorithms are used to solve difficult and complex problems found in the literature. However, because of having large large number of parameters and the large range of their values, in some studies, automatic parameter control methods have been used in evolutionary algorithms. Automatic parameter control methods try to make connections with the given target algorithm, parameters, range of values that parameters can take, parameter constraints, problem samples that are tried to be solved. In this way, they try to ensure that the target algorithm finds the parameter configurations that can give the most appropriate result in the problem and / or problem samples that are tried to be solved, in accordance with their own operating logic.In this study, two different automatic parameter configuration methods named Sequential Model based optimization for general Algorithm Configuration (SMAC) and Iterated F-Race (iRace) are compared. For this purpose, the effects of the parameter values on the algorithm were observed by configuring the Generalized Artificial Bee Colony framework, which is a generalized version of the Artificial Bee Colony (ABC) algorithm, on the CEC'17 benchmark function set in both tools at low, medium and high budgets.