Bu çalışmada; optimizasyon problemlerinin çözümü için yeni bir popülasyon tabanlı optimizasyon algoritması olan Sinüs Kosinüs Algoritması (SKA) tanıtılmaktadır. SKA, sinüs ve kosinüs fonksiyonlarına dayalı bir matematiksel model ile içe veya dışa doğru dalgalanma yaparak en iyi çözümü bulmaya çalışır. Birkaç rastgele ve adaptif değişken de arama uzayının keşfini ve sömürülmesini garanti etmek için algoritmaya entegre edilmiştir. Ayrıca bu çalışma kapsamında SKA’nın performansını değerlendirmek için literatürde yaygın olarak kullanılan kalite testi fonksiyonları üzerinde testler yapılmıştır. Algoritma, mühendislik tasarım problemlerinden biri olan germe / sıkıştırma yay tasarım probleminin çözümünde kullanılarak algoritmanın kısıtlı problemler üzerindeki etkinliği de test edilmiştir. Test sonuçlarından SKA’nın karşılaştırılan metasezgisel algoritmalara göre daha hızlı sonuç verdiği görülmektedir. SKA’nın henüz yeni bir algoritma olması ve az sayıda parametre içermesi gelecek çalışmalarda algoritmada iyileştirmeler yapılmasına olanak tanımaktadır.

In this study, Sine Cosine Algorithm (SCA), a new population-based optimization algorithm, is introduced to solve optimization problems. SCA tries to find the best solution by fluctuating inwards or outwards with a mathematical model based on sine and cosine functions. Several random and adaptive variables have also been integrated into the algorithm to guarantee exploration and exploitation of search space. In addition, benchmark functions commonly used in the literature have been tested to evaluate the performance of the SCA. The algorithm is also used in the solution of the tension / compression spring design problem, which is one of the engineering design problems, and the effectiveness of the algorithm on the constrained optimization problems has been tested. From the test results, it is seen that SCA is faster than the metaheuristic algorithms which are compared. Since SCA is a new algorithm and it contains few parameters, it allows the algorithm to be improved in future studies.