Parçacık sürü optimizasyonu yöntemlerinin uygulamalarla karşılaştırılması
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Optimizasyon problemlerinin çözümünde birçok algoritma kullanılmaktadır. Popülasyon tabanlı evrimsel arama algoritması olan Parçacık Sürü Optimizasyonu (PSO), uygulama kolaylığı ve hızlı çözüm bulma yeteneği ile diğer optimizasyon algoritmaları arasında dikkat çekmektedir.Tez kapsamında, mühendislik optimizasyon problemlerinden, sürekli, tamsayı ve ayrık değişken tipleri içeren kısıtlara sahip bir problemin, uygunluk fonksiyonu çerçevesinde optimize edilmesi hedeflenmiştir. PSO'da kısıtlar, Uygunluk Tabanlı Kurallar (UTK) yöntemi ile ele alınmıştır. PSO'nun yapısı gereği zamanla çözüm uzayının dışına çıkabilen değişken değerlerini arama uzayında sınırlandırmak için Emme, Yansıtma, Sönümleme, Görünmez, Görünmez Yansıtma ve Görünmez Sönümleme teknikleri kullanılarak, bu tekniklerin başarım karşılaştırmaları yapılmıştır.Yine PSO kümeleme algoritması olarak kullanılmış ve zambak çiçeğiverilerinin kümelenmesi gerçekleştirilmiştir. Kümeleme başarımı, Kümeleme Doğruluk İndeksi (KDİ) olarak adlandırılan üç farklı uygunluk fonksiyonu tarafından değerlendirilmiş ve sonuçlar karşılaştırılmıştır. Öncelikle yöneticisiz kümelemeyöntemleri kullanılarak küme sayısı bulunmaya çalışılmış, daha sonra yöneticili kümeleme yöntemi kullanılarak kümeleme başarımı ölçülmüştür.Ayrıca, Fuzzy C-Means (FCM) kümeleme algoritması ile PSO hibritleştirilmiş ve iki farklı yöntem, Küme Merkezine Dayalı FPSO (C-FPSO) ve Üyeliğe Dayalı FPSO (M-FPSO) ile kümeleme başarımları ölçülmüştür. Many algorithms in solving optimization problems are used. Particle Swarm Optimization (PSO), which is a population based evolutionary algorithm, is distinguished by the easiness in implementation and the speed in comparison to other optimization algorithms.In this thesis, it is aimed to optimize an engineering optimization problem that possesses different constraints including continuous, integer and discrete variable types by using fitness functions. The constraints of the problem are handled with Feasibility Based Rules (FBR) method. The techniques of Absorbing, Reflecting, Damping, Invisible, Invisible Reflecting, and Invisible Damping are used in order to limit the values of variables that over flow to the outside of the searching space. The performances of the aforementioned methods are compared to one another.Besides, iris flower data set is clustered by using PSO as a clustering algorithm. The clustering performance is evaluated by three fitness functions called as ClusteringValidity Indexes (CVI) and the results are compared. For this purpose, firstly, unsupervised clustering method is used in order to find the number of cluster, then, the supervised clustering method is employed for clustering performance measure.In addition, Fuzzy C-Means clustering algorithm (FCM) and PSO are hybridized and two different methods, Center Based FPSO (C-FPSO) and Membership Based FPSO (M-FPSO), are utilized for the performance measure of the hybrid clustering algorithm.
Collections