Bipolar Parçacık Sürü Optimizasyonu Algoritması

Evrimsel Algoritmalar (EA’lar), ağ tasarımı problemleri, yol bulma problemleri, sosyal ve ekonomik planlama gibi karmaşık optimizasyon problemlerini çözmek için yaygın olarak kullanılan algoritmalardır. Kullandıkları akıllı yöntemler sayesinde EA’lar, yeni çözümler üretmek için ilk çözümü, yinelemeli olarak, iyileştirirler. Sıklıkla kullanılan EA'lardan biri Parçacık Sürü Optimizasyonu (PSO) algoritmasıdır. PSO algoritması, sürünün sunduğu en iyi sonuç ile sürüdeki her bir bireyin en iyi sonuçlarını temel alarak, verilen bir fonksiyonunun optimum değerine ulaşır. PSO başarılı bir algoritma olmasına rağmen, sadece en iyiyi temel alan yapısı sebebiyle, belli bir düzene sahip olmayan, aldatıcı fonksiyon türlerinde, lokal değere sıkışıp optimum değere ulaşmayabilmektedir. Bu makalede, daha önce yapmış olduğumuz bir çalışmadan ilham alarak, PSO’ya bipolar davranış eklenerek, yeni bir algoritma olan Bipolar Parçacık Sürü Optimizasyonu (BPSO) sunulmuştur. BPSO algoritmasında, PSO’da olduğu gibi sadece en iyi bireylerin değil, kötü bireylerin de algoritmanın işleyişine katılmasına olanak sağlanmıştır. BPSO algoritmasının performansını, standart PSO algoritmasının performansıyla ile kıyaslamak için on test fonksiyonu kullanılmıştır. Test sonuçlarına göre, BPSO, standart PSO’ya göre daha başarılı sonuçlar sunmuştur.

Anahtar Kelimeler:

Bipolar eşleşme eğilimi, Evrimsel algoritmalar, Parçacık sürü optimizasyonu

Bipolar Particle Swarm Optimization Algorithm

Evolutionary Algorithms (EAs) are commonly used algorithms to solve complex optimization problems such as network design problems, pathfinding problems, social and economic planning. Thanks to the intelligent methods they use, EAs iteratively refine the initial solution to generate new solutions. One of the frequently used EAs is the Particle Swarm Optimization (PSO) algorithm. PSO algorithm reaches the optimum value of a given function based on the best results offered by the swarm and the best results of each individual in the swarm. Although PSO is a successful algorithm, due to its structure based only on the best, it may not reach the optimum value by being stuck in the local value in deceptive function types that do not have a certain order. In this paper, by inspiring from a previous study, bipolar behavior was added to PSO and a new algorithm, Bipolar Particle Swarm Optimization (BPSO), is presented. In the BPSO algorithm, as in PSO, not only the best individuals but also the bad individuals are allowed to participate in the process of the algorithm. Ten test functions were used to compare the performance of the BPSO algorithm with the standard PSO algorithm. According to the test results, BPSO offered more successful results than the standard PSO.

Keywords:

Bipolar mating tendency, Evolutionary algorithms, Particle swarm optimization,

PDF

___

1. Miranda, V., Fonseca, N., 2002. EPSO- Evolutionary Particle Swarm Optimization, a New Algorithm with Applications in Power Systems. In IEEE/PES Transmission and Distribution Conference, IEEE, USA, 2, 745-750.
2. Blickle, T., Thiele, L., 1996. A Comparison of Selection Schemes Used in Evolutionary Algorithms. Evolutionary Computation, 4(4), 361-394.
3. Peram, T., Veeramachaneni, K., Mohan, C.K., 2003. Fitness-distance-ratio Based Particle Swarm Optimization. In Proceedings of the 2003 IEEE Swarm Intelligence Symposium. SIS'03, pp. 174-181, 25-26 April 2003, Indiana, USA.
4. Higashi, N., Iba, H., 2003. Particle Swarm Optimization with Gaussian Mutation. In Proceedings of the 2003 IEEE Swarm Intelligence Symposium, SIS'03, 25-26 April 2003, Indiana, 72-79, USA.
5. Holland, J.H., 1975. Adaptation in Natural and Artificial Systems. Ann Arbor, University of Michigan Press, Michigan, USA.
6. Esmin, A.A., Lambert-Torres, G., De Souza, A.Z., 2005. A Hybrid Particle Swarm Optimization Applied to Loss Power Minimization. IEEE Transactions on Power Systems, 20(2), 859-866.
7. Juang, C.F., 2004. A Hybrid of Genetic Algorithm and Particle Swarm Optimization for Recurrent Network Design. IEEE Transactions on Systems, Man and Cybernetics, 34(2), 997-1006.
8. Zhan, Z.H., Zhang, J., Li, Y., Chung, H.S.H., 2009. Adaptive Particle Swarm Optimization. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 39(6), 1362-1381.
9. Pedersen, M.E.H., Chipperfield, A.J., 2010. Simplifying Particle Swarm Optimization. Applied Soft Computing, 10(2), 618-628.
10. Strasser, S., Goodman, R., Sheppard, J., Butcher, S., 2016. A New Discrete Particle Swarm Optimization Algorithm. In Proceedings of the Genetic and Evolutionary Computation Conference, GECCO’16, 20-24 July 2016, Colorado, 53-60, USA.
11. Wang, F., Zhang, H., Li, K., Lin, Z., Yang, J., Shen, X.L., 2018. A Hybrid Particle Swarm Optimization Algorithm Using Adaptive Learning Strategy. Information Sciences, 436, 162-177.
12. Darwish, A., Ezzat, D., Hassanien, A.E., 2020. An Optimized Model Based on Convolutional Neural Networks and Orthogonal Learning Particle Swarm Optimization Algorithm for Plant Diseases Diagnosis. Swarm and Evolutionary Computation, 52, 100616.
13. Eberhart, R., Kennedy, J., 1995. A New Optimizer Using Particle Swarm Theory. Micro Machine and Human Science, 1995 MHS’95, Proceedings of the Sixth International Symposium, 4-6 October 1995, Nagoya, Japan.
14. Gençal, M.C., Oral, M., 2022. Bipolar Mating Tendency: Harmony Between the Best and the Worst Individuals. Arabian Journal for Science and Engineering, 47, 1849–1871.
15. Tao, X., Li, X., Chen, W., Liang, T., Li, Y., Guo, J., Qi, L., 2021. Self-Adaptive Two Roles Hybrid Learning Strategies-based Particle Swarm Optimization. Information Sciences, 578, 457-481.
16. Molga, M., Smutnicki, C., 2005. Test Functions for Optimization Needs. http://www.robertmarks.org/Classes/ENGR535 8/Papers/functions.pdf, Erişim tarihi: Kasım 2021.