Gerçek Dünya Mühendislik Tasarım Problemlerinin Çözümünde Kullanılan Metasezgisel Optimizasyon Algoritmalarının Performanslarının İncelenmesi

Gerçek dünya mühendislik tasarım problemleri çok sayıda kısıtlamaları olan karmaşık amaç fonksiyonlarına sahip olmasından dolayı çözülmesi nispeten zor problemlerdir. Hem endüstride hem de disiplinler arası çalışmalarda yaygın olarak kullanılmaktadır. Bu tür problemlerle başa çıkmak için birçok optimizasyon algoritması kullanılmıştır. Fakat algoritmanın performansı, ölçeğin artması ve problemin zorluğu ile önemli ölçüde azalmaktadır. Literatürde yer alan mühendislik tasarım problemlerini etkin bir şekilde ele almak için farklı optimizasyon yöntemleri ve onların farklı versiyonları önerilmiştir. Bu çalışmada, mühendislik tasarım problemlerini çözmek için son dönemlerde ortaya çıkmış ve popüler olan metasezgisel optimizasyon algoritmaları incelenmiştir. İncelenen algoritmalar; kısıtları amaç fonksiyonları ve karar değişkenleri farklı beş gerçek dünya mühendislik tasarım problemine uyarlanmıştır ve performans analizleri gerçekleştirilmiştir.

Investigation of the Performance of Metaheuristic Optimization Algorithms Used in Solving Real-World Engineering Design Problems

Real-world engineering design problems are relatively difficult problems to solve because they have complex objective functions with many constraints. It is widely used both in industry and in different interdisciplinary studies. Many optimization algorithms have been used to deal with such problems. But the performance of the algorithm decreases significantly with the increasing scale and difficulty of the problem. Different optimization methods and their different versions have been proposed to effectively deal with the engineering design problems in the literature. In this study, new artificial intelligence-based optimization algorithms that have emerged recently and are popular for solving engineering design problems are examined. The analyzed algorithms; constraints, objective functions, and decision variables were adapted to five different real-world engineering design problems, and performance analyses were performed.

___

  • [1] Eskandar H, Sadollah A, Bahreininejad A, Hamdi M. Water cycle algorithm - A novel metaheuristic optimization method for solving constrained engineering optimization problems. Comput Struct. 2012;110-111:151-166. doi:10.1016/j.compstruc.2012.07.010
  • [2] Altay EV, Alatas B. Differential evolution and sine cosine algorithm based novel hybrid multi-objective approaches for numerical association rule mining. Inf Sci (Ny). 2021;554:198-221. doi:10.1016/j.ins.2020.12.055
  • [3] Varol Altay E, Altay O. Güncel metasezgisel optimizasyon algoritmalarının CEC2020 test fonksiyonları ile karşılaştırılması. DÜMF Mühendislik Derg. 2021;5:729-741. doi:10.24012/dumf.1051338
  • [4] Varol Altay E, Alatas B. Bird swarm algorithms with chaotic mapping. Artif Intell Rev. 2020;53(2):1373-1414. doi:10.1007/s10462-019-09704-9
  • [5] Altay O. Chaotic Slime Mould Optimization Algorithm for Global Optimization.; 2021. doi:10.1007/s10462-021-10100-5
  • [6] Bingol H, Alatas B. Chaotic League Championship Algorithms. Arab J Sci Eng. 2016;41(12):5123-5147. doi:10.1007/s13369-016-2200-9
  • [7] Khishe M, Mosavi MR. Chimp optimization algorithm. Expert Syst Appl. 2020;149. doi:10.1016/j.eswa.2020.113338
  • [8] Faramarzi A, Heidarinejad M, Stephens B, Mirjalili S. Equilibrium optimizer: A novel optimization algorithm. Knowledge-Based Syst. 2020;191:105190. doi:10.1016/j.knosys.2019.105190
  • [9] Mirjalili S, Mirjalili SM, Lewis A. Grey Wolf Optimizer. Adv Eng Softw. 2014;69:46-61. doi:10.1016/j.advengsoft.2013.12.007
  • [10] Mirjalili S. Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm. Knowledge-Based Syst. 2015;89:228-249. doi:10.1016/j.knosys.2015.07.006
  • [11] Mirjalili S, Lewis A. The Whale Optimization Algorithm. Adv Eng Softw. 2016;95:51-67. doi:10.1016/j.advengsoft.2016.01.008
  • [12] He X, Zhou Y. Enhancing the performance of differential evolution with covariance matrix self-adaptation. Appl Soft Comput J. 2018;64:227-243. doi:10.1016/j.asoc.2017.11.050
  • [13] Dhiman G. ESA: A Hybrid Bio-Inspired Metaheuristic Optimization Approach for Engineering Problems. Vol 37.; 2021. doi:10.1007/s00366-019-00826-w
  • [14] Dhiman G. SSC: A hybrid nature-inspired meta-heuristic optimization algorithm for engineering applications. Knowledge-Based Syst. 2021;222. doi:10.1016/j.knosys.2021.106926
International Journal of Innovative Engineering Applications-Cover
  • Başlangıç: 2016
  • Yayıncı: Niyazi Özdemir