Geliştirilmiş Adaptif Sinüs Kosinüs Algoritması (ASKA)’nın Optimizasyon Problemlerinin Çözümünde Kullanılması

Bu çalışmada; optimizasyon problemlerinin çözümü için yeni bir popülasyon tabanlı optimizasyon algoritması olan Sinüs Kosinüs Algoritması (SKA)’nın geliştirilmiş yeni bir versiyonu verilmiştir. Matematiksel tabanlı olan SKA, sinüs ve kosinüs fonksiyonları kullanılarak oluşturulmuş matematiksel model ile arama uzayında içe veya dışa doğru hareket ederek arama uzayının keşfini ve sömürülmesini garanti ederek en iyi çözümü bulmaya çalışır. SKA’nın performansını arttırmak için tanımlı olan rast gele değişkenlerin algoritmadaki yeri ve katsayılarının değiştirilmesi ile evrimsel olarak daha uyumlu kılan bir özellik eklenmiştir. Geliştirilmiş yeni optimizasyon algoritması Adaptif Sinüs Kosinüs Algoritması (ASKA) olarak tanımlanır. ASKA’nın performansını değerlendirmek için literatürde yaygın olarak kullanılan kısıtsız kalite testi fonksiyonları üzerinde testler yapılmıştır. Ayrıca kısıtlı problemler üzerindeki etkinliği test etmek için mühendislik tasarım problemlerinden biri olan basınçlı kap probleminin çözümünde kullanılmıştır. Wilcoxon işaretli sıralar testi yapılarak ASKA’nın karşılaştırılan diğer metasezgisel algoritmalara göre performansı incelenmiştir.

Anahtar Kelimeler:

Adaptif Sinüs Kosinüs Algoritması, Optimizasyon, Metasezgisel Algoritmalar

PDF

___

1. Tanyildizi, E. and Demir, G. (2017). “Golden Sine Algorithm: A Novel Math-Inspired Algorithm”, Advances in Electrical and Computer Engineering, 17(2):71-78. 2. H. Eskandar, A. Sadollah, A. Bahreininejad and M. Hamdi, (2012). “M. Water cycle algorithm–a novel metaheuristic optimization method for solving constrained engineering optimization problems”, Computers & Structures, 110-111:151-166. 3. Mirjalili, S., Mirjalili, S.M., Lewis, A. (2014). Grey wolf optimizer, Adv Eng Softw, 69, 46-61. 4. K. S. Lee, Z. W. Geem, (2005). “A new meta-heuristic algorithm for continuous engineering optimization: harmony search theory and practice”, Comput. Methods Appl. Mech. Engrg., 194:3902–3933, 5. A. Prakasam, N. Savarimuthu, (2015). “Metaheuristic Algorithms and Polynomial Turing Reductions: A Case Study Based on Ant Colony Optimization”, Procedia Computer Science, vol.46, pp. 388 – 395, 6. I. Fister Jr., X. S. Yang, D. Fister, I. Fister, (2013). “A brief review of nature-inspired algorithms for optimization”, Elektrotehniski Vestnik, 80(3): 1-7, 7. Mirjalili, S. (2016). SCA: A sine cosine algorithm for solving optimization problems. Knowledge-Based Systems, 96, 120-133. 8. Kennedy, J., Eberhart, R. (1995). Particle swarm optimization in neural networks, IEEE International Conference, 4, 1942–1948. 9. Dorigo, M. (1992). Optimization, learning and natural algorithms. Ph. D. Thesis, Politecnico di Milano, Italy. 10. Mirjalili, S., Mirjalili, S.M. (2016). The whale optimization algorithm, Adv Eng Softw, 95, 51-67. 11. Rashedi, E., Pour H.N., Saryazdi, S. (2009). GSA: a gravitational search algorithm, Information sciences, 179(13), 2232-2248. 12. Derrac, J., García, S., Molina, D., Herrera, F., (2011). A practical tutorial on the use of non-parametric statistical tests as a methodology for comparing evolutionary andswarm intelligence algorithms, Swarm Evol. Comput. 1:3–18. 13. Nasseri, S.H., Alizadeh, Z., Taleshian, F., (2012). Optimized solution of pressure vessel design using geometric programming. The Journal of Mathematics and Computer Science. 4(3):344 – 349.