Değiştirilmiş ateşböceği optimizasyon algoritması ile kural tabanlı çoklu sınıflama yapılması

Son yıllarda doğadan esinlenerek oluşturulmuş modern sürü zekalı optimizasyon algoritmaları daha popüler hale gelmiştir. Bu optimizasyon tekniklerinden biri de ateşböceği algoritmasıdır. Ateşböceği algoritması doğadaki ateşböceklerinin yaydıkları ışık şiddetine göre daha az parlak olanın parlak olana doğru yönelme prensibini temel alarak çalışır. Doğada ışık, gideceği mesafe ve bulunduğu ortam türüne göre belirli bir miktar emilime uğradığından dolayı şiddeti azalarak yayılmaktadır. Bu yüzden, bu makalede ortamda yani havada meydana gelen anlık değişimlerin ateşböceği algoritması tarafından dikkate alınması önerilmiş ve böylece algoritmanın daha iyi olması sağlanmıştır. Bu şekilde elde edilen değiştirilmiş ve iyileştirilmiş ateşböceği algoritması, literatür çalışmalarında sıklıkla kullanılan çok sınıflı özelliğe sahip iris, car, zoo gibi üç veri kümesi üzerinde sınıflama amacıyla uygulanmıştır. Kural tabanlı sınıflama yapabilmek için her sınıf etiketine ait kural elde edilerek kural listesi oluşturulmuş ve sınıflama başarısı C4.5, PART, Naive-Bayes gibi bilinen diğer sınıflama yöntemleri ile karşılaştırılmıştır. Elde edilen deneysel sonuçlarda, önerilen sınıflama yönteminin oldukça yeterli ve başarılı sonuçlar verdiği görülmüştür.

Anahtar Kelimeler:

Ateşböceği optimizasyon algoritması, kural çıkarımı, kural tabanlı sınıflama

PDF

___

1. Okay F.Y., Ozdemir S., Improving Coverage in Wireless Sensor Networks Using Multi-Objective Evolutionary Algorithms, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (2), 143-53, 2015.
2. Demir Y., Celik C., An Integer Programming Approach for Curriculum Based Timetabling Problem Solution, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (1), 145-59, 2016.
3. Zhonga F., Lia H., Zhongb S., A modified ABC algorithm based on improved-global-best-guided approach and adaptive-limit strategy for global optimization, Applied Soft Computing, 46, 469–486, 2016.
4. Cuicui Y., , Junzhong J., Jiming L., Baocai Y., Bacterial foraging optimization using novel chemotaxis and conjugation strategies, Information Sciences, 363, 72–95, 2016.
5. Emary E., Zawba H.M., Hassanien A.E., Binary grey wolf optimization approaches for feature selection, Neurocomputing, 172, 371-81, 2016.
6. Wang H., Wang W.J., Sun H., Rahnamayan S., Firefly algorithm with random attraction. Int J Bio-Inspir Com., 8 (1), 33-41, 2016.
7. Verma O.P., Aggarwal D., Patodi T., Opposition and dimensional based modified firefly algorithm, Expert Syst Appl., 44, 168-76, 2016.
8. Nekooeimehr I., Lai-Yuen S.K., Adaptive semi-unsupervised weighted oversampling (A-SUWO) for imbalanced datasets, Expert Syst Appl., 46, 405-16, 2016.
9. Rudzinski F., A multi-objective genetic optimization of interpretability-oriented fuzzy rule-based classifiers, Appl Soft Comput., 38, 118-33, 2016.
10. Wu J., Yang L., Li T.R., Zhang C.J., Li Z.H., Rule-based fuzzy classifier based on quantum ant optimization algorithm, J Intell Fuzzy Syst., 29 (6), 2365-71, 2015.
11. Lee J.H., Yeh W.C., Chuang M.C., Web page classification based on a simplified swarm optimization, Appl Math Comput., 270, 13-24, 2015.
12. Pourpanah F., Lim C.P., Saleh J.M., A hybrid model of fuzzy ARTMAP and genetic algorithm for data classification and rule extraction, Expert Syst Appl., 49, 74-85, 2016.
13. Wang H., Zhou X., Sun H., Yu X., Zhao J., Zhang H., Cui L., Firefly algorithm with adaptive control parameters, Soft Comput, DOI 10.1007/s00500-016-2104-3, 2016.
14. Wang B., Li D.X., Jiang J.P., Liao Y.H., A modified firefly algorithm based on light intensity difference, J Comb Optim., 31 (3), 1045-60, 2016.
15. Al-Maqaleh, B., Shabazakia, H., A genetic algorithm for discovering classification rules in data mining, International Journal of Computer Applications, 41, 18, 40- 44, 2012.
16. Fidelis M.V., Lopes H.S., Freitas A.A., Discovering comprehensible classification rules with a genetic algorithm, Proc. 2000 Congress Evolutionary Computation, 805-810, 2000.
17. Gundogan K.K., Alatas B., Karci A., Mining classification rules by using genetic algorithms with non-random initial population and uniform operator, Turkish Journal of Electrical Engineering and Computer Sciences (ELEKTRİK), 12 (1), 43–52, 2004.
18. Bandyopadhyay S., Murthy C.A., Pal S.K., Pattern classification using genetic algorithms, Determination of H. Pattern Recogn Lett., 19 (13), 1171-81, 1998.
19. Sharma P., Discovery of Classification Rules Using Distributed Genetic Algorithm, In: Proceedings of the International Conference on Information and Communication Technologies, ICICT 2014, 2014.
20. Fadl M. Ba-Alwi., Knowledge Acquisition Tool for Classification Rules using Genetic Algorithm Approach, International Journal of Computer Applications, 60, 1, 2012.
21. Pedersen M., Genetic Algorithms for Rule Discovery in Data Mining, Daimi, University of Aarhus, October, 2003. 22. Vivekanandan P., Rajalakshmi M., Nedunchezhian R., An Intelligent Genetic Algorithm for Mining Classification Rules in Large Datasets, Comput Inform., 32 (1),1-22, 2013.
23. Tan K. C., Tay A., Lee T. H., Heng C. M., Mining multiple comprehensible classification rules using genetic programming, in Proc. 2002 Congr. Evol. Comput., vol. 2, Piscataway, NJ: IEEE, May, 1302–1307, 2002.
24. Yang X.S., Firefly algorithms for multimodal optimization, Stochastic Algorithms: Foundations and Appplications, SAGA 2009, Lecture Notes in Computer Science, 5792, Springer-Verlag, Berlin, 169–178, 2009.
25. Pouyan B.M., Yousefi R., Ostadabbas S., Nourani M., A Hybrid Fuzzy-Firefly Approach for Rule-Based Classification, In: The Twenty-Seventh International Flairs Conference, 2014.
26. Sarac, E., Ozel, S.A., Web Page Classification Using Firefly Optimization, In: Innovations in Intelligent Systems and Applications(INISTA), IEEE International Symposium, 1-5, 2013.
27. Pekdemir G., Çoklu İmge Eşikleme Problemlerinde Metasezgisel Algoritmaların Performans Analizi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı Yüksek Lisans Tezi, 2012.
28. Karaarslan E., Zengin K., Ateş Böceği Algoritması İle Haftalık Ders Programı Hazırlama, EEB 2016 Elektrik-Elektronik ve Bilgisayar Sempozyumu, Tokat, 11-13 Mayıs, 2016.
29. Belen M.A., Alıcı M., Çor A., Güneş F., Ateşböceği Algoritması ile Mikrodalga Transistör Performans Karakterizasyonu, Eleco 2014 Elektrik – Elektronik – Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu, Bursa, 27 – 29 Kasım, 2014.
30. Cheung N.J., Ding X-M, Shen H-B., Adaptive firefly algorithm: parameter analysis and its application. PLoS One 9 (11): e112634. doi:10.1371/journal.pone.0112634, 2014.
31. Lukasik S., Zak S., Firefly algorithm for continuous constrained optimization task, ICCCI 2009, Lecture Notes in Artificial Intelligence, 5796, 97-100, 2009.
32. Palit S., Sinha S., Molla M., Khanra A., Kule M., A cryptanalytic attack on the knapsack cryptosystem using binary firefly algorithm, in: The Second International Conference on Computer and Communication Technology (ICCCT-2011), IEEE, 428–432, 2011.
33. Crawford B., Soto R., Olivares-Suarez M., Palma W., Paredes F., Olguin E., Norero E., A binary coded firefly algorithm that solves the set covering problem. 17, 252–264, 2014.
34. Gümeli D.R., Elektrik Güç Sistemlerinde Sistem Genişlemesi Koşulları Altında İşletmenin Eniyilenmesi İçin Yeni Bir Akıllı Yöntem Geliştirilmesi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik Mühendisliği Anabilim Dalı, Doktora Tezi, 2014.
35. Bulut F., Amasyalı M., Classification in Mixture of Experts Using Hard Clustering and a New Gate Function, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (4), 1017-1025, 2016.
36. Yücesoy E., Nabiyev V., Determination of a Speaker’s Age and Gender with an SVM Classifier Based on GMM Supervectors, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (3), 501-509, 2016.
37. Takcı H., Diagnosis of Breast Cancer by the Help of Centroid Based Classifiers, Journal of the Faculty of Engineering and Architecture of Gazi University, 31(2), 323-330, 2016.
38. Alataş B., Özer A., Mining of Generalized Interesting Classification Rules with Artificial Chemical Reaction Optimization Algorithm, Journal of the Faculty of Engineering and Architecture of Gazi University, 32 (1), 101-118, 2017.
39. Akyol S., Alataş B., Automatic Mining of Accurate and Comprehensible Numerical Classification Rules with Cat Swarm Optimization Algorithm, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (4), 839-857, 2016.
40. Lichman M., UCI Machine Learning Repository http://archive.ics.uci.edu/ml. Irvine, CA: University of California, School of Information and Computer Science, 2013.