Sürekli optimizasyon problemleri için ters bakış açılı bir yapay arı kolonisi algoritması

Abstract

Günümüzde optimizasyon problemleri çözümü çok zor olan problemlerdendir. Problem boyutu büyüdükçe çözüm daha da zorlaşmaktadır. Çözümü zor olan büyük boyutlu optimizasyon problemlerinde sürü zekası algoritmalarından faydalanılabilir. Birçok sürü zekası algoritmalarından bir tanesi de Yapay Arı Kolonisi (Artificial Bee Colony, ABC) algoritmasıdır. ABC algoritması büyük ölçekli optimizasyon problem kümeleri için kurgulandığında başarılı sonuçlar elde edilebilir.Büyük ölçekli optimizasyon problemlerinde yapay arı kolonisi algoritmasından faydalanabilmek için mevcut algoritmada bir takım iyileştirmeler yapmak gerekmektedir. Tezimizde geliştirdiğimiz `Elit Ajan Tabanlı Kendi Kendine Uyarlanabilir Yapay Arı Kolonisi Algoritması (SEABC)'nda klasik ABC algoritmalarından farklı olarak Yiyecek aramada görevli olan işçi ve gözcü arıların görevlerinde ters bakışlı bir takım değişiklikler yapılmış, arama denklemlerinde elit bireylerden yararlanılmış ve bir yerel arama tekniği ile algoritma performansı güçlendirilmiştir.Algoritmalara ilave edilen parametreler algoritmaların başarısında büyük etkiye sahiptirler. Bu nedenle parametre ayarlamalarının çok iyi yapılması gerekmektedir. Bu yöntemlerden bir tanesi de irace aracıdır. Tezimizde irace aracı kullanılarak bu parametre ayarları gerçekleştirilmiştir.Geliştirdiğimiz SEABC algoritması büyük ölçekli sürekli optimizasyon fonksiyonları barındıran SOCO11 fonksiyon kümesinde test edilmiştir. Elde ettiğimiz sonuçlar daha önce SOCO11'e katılan farklı algoritmalar ile karşılaştırılmıştır.Anahtar Kelimeler: Yapay Arı Kolonisi, Sürü Zekası, Büyük Ölçekli Optimizasyon, Sürekli Optimizasyon Problemleri, SOCO

Today, optimization problems are one of the problems that are very difficult to solve. The larger the problem size, the harder the solution tackles. Swarm intelligence algorithms can be used in large-scale optimization problems that are difficult to solve. One of the swarm intelligence algorithms is the Artificial Bee Colony (ABC) algorithm. Successful results can be obtained when the ABC algorithm is designed for large-scale optimization problem sets.To take advantage from the artificial bee colony algorithm in large-scale optimization problems, some improvements are required in the original ABC algorithm. In the `Elite Agent-Based Self-Adaptive Artificial Bee Colony Algorithm (SEABC)` we developed in our thesis, as the difference from the classical ABC algorithms, several changes were made based on opposite viewpoints of the tasks of the employed and onlooker bees while searching of food sours, elite individuals were used in the search equations, and enforced the performance of the algorithm with a local search technique.The parameters in the algorithms have a great effect on the success of algorithms. For this reason, parameter tuning should be done very carefully. One of tuning methods is the irace tool. In our thesis, these sensitive parameter settings were made using the irace tool.The SEABC algorithm we have developed has been tested in the SOCO11 function set, which includes large-scale continuous optimization functions. The results we have obtained have been compared with several algorithms that have previously participated in SOCO11.Keywords: Artificial Bee Colony, Swarm Intelligence, Large Scale Optimization, Continuous Optimization, SOCO