Introduction and Benchmark Result Comparison of Social-Inspired Algorithms

In the field of research and development, the most valuable source of inspiration comes from nature itself. Animals, insects, microorganisms exhibit some working principles that inspire today's science and to advance and present ideas in this field. These principles are called bio-inspired algorithms. Of course, in the years when a lot of diversity exploded in the suggestions of bio-inspirational algorithms, it did not take long to introduce new techniques, the concept of which is a very special animal; human. And these techniques are known as socioinspired algorithms that inspire their functioning in behaviors based on human species and can be applied to solve any problems. Socio-inspired algorithms are a particular type of metaheuristic that bases its behavior on human society. It is a simple approach to the complex world of evolutionary computing, with multiple simulations with recognizable patterns day by day. The aim of this study is to check whether these algorithms have the functional capacity to solve optimization problems. Through experimental analysis, the results of these algorithms will be collected for a known benchmark and compared with those of some reference algorithms that allow assessing their potential in this type of problem adequately. According to the results of the comparison, the effectiveness of the algorithms will be evaluated.

Sosyo-İlham Algoritmalarına Giriş ve Kıyaslama Sonuçlarının Karşılaştırılması

Araştırma ve Geliştirme alanında, en değerli ilham kaynağı doğanın kendisinden gelir. Hayvanlar, böcekler, mikroorganizmalar günümüz bilimine ilham veren ve bu alandaki fikirleri ilerleten ve sunan bazı çalışma prensipleri sergilemektedir. Bu ilkelere biyo-ilham algoritmaları denir. Tabii ki, biyo-ilham verici algoritmaların önerilerinde çok fazla çeşitliliğin patladığı yıllarda, konsepti çok özel bir hayvan olan yeni teknikler sunmak uzun sürmedi; insan. Ve bu teknikler, insan türlerine dayalı davranışlarda işleyişlerine ilham veren ve herhangi bir sorunu çözmek için uygulanabilen sosyo-ilhamlı algoritmalar olarak bilinir. Sosyodan ilham alan algoritmalar, davranışını insan toplumuna dayandıran belirli bir meta-sezgisel türdür. Evrimsel bilgi işlemin karmaşık dünyasına, her gün tanınabilir kalıplara sahip çoklu simülasyonlarla basit bir yaklaşımdır. Bu çalışmanın amacı, bu algoritmaların optimizasyon problemlerini çözmek için işlevsel kapasiteye sahip olup olmadığını kontrol etmektir. Deneysel analiz yoluyla, bu algoritmaların sonuçları bilinen bir kıyaslama için toplanacak ve bu tip problemlerdeki potansiyellerinin yeterince değerlendirilmesine izin veren bazı referans algoritmalarla karşılaştırılacaktır. Karşılaştırma sonuçlarına göre, algoritmaların etkinliği değerlendirilecektir.

PDF

___

Altay, E. and Alataş, B. (2018). Performance Comparisons of Socially Inspired Metaheuristic Algorithms on Unconstrained Global Optimization. Springer.

Altunbey, F. And Alataş, B. (2015). Çok Amaçlı Sosyal Tabanlı Metasezgisel Optimizasyon Algoritmaları ile Sosyal Ağlarda Örtüşen Topluluk Keşfi. PhD thesis, Fırat University, Turkey.

Borji, A. and Hamidi, M. (2008). A New Approach To Global Optımızatıon Motıvated By Parlıamentary Polıtıcal Competıtıons. ICIC International ISSN 1349-4198.

Bozorgi, A., Bozorg-Haddad, O. and Chu, X. (2018). Anarchic Society Optimization (ASO) Algorithm. Springer.

Huan, T.T, Kulkarni, A.J, Kanesan, J. and Huang, C.J. (2016). Ideology algorithm: a socio-inspired optimization methodology. The Natural Computing Applications Forum.

Hudaib, A.A. and Hwaitat. (2017). Movement Particle Swarm Optimization Algorithm. Canadian Center of Science and Education, 1;2018, ISSN 1913-1852.

Javid, A. A. (2011). Anarchic Society Optimization: A Human-İnspired Method. In 2011 IEEE Congress of Evolutionary Computation, CEC2011, pages 2586;2592.

Kızıloluk, S. and Alataş, B. (2012). Sosyal Tabanlı Güncel Sezgisel Optimizasyon Algoritmaları. C.Ü. İktisadi ve İdari Bilimler Dergisi.

Kumar, M., Kulkarni, A. and Satapathy, S. (2018). Socio evolution & learning optimization algorithm: A socio-inspired optimization methodology. Future Generation Computer Systems, 81:252-272.

Maity, S., Gunjan, K. and Das, S. (2010). An Improved Evolutionary Programming with Voting and Elitist Dispersal Scheme. Springer.

Moosavian, N. and Moosavian, H. (2017). Testing Soccer League Competition Algorithm in Comparison with Ten Popular Meta-heuristic Algorithms for Sizing Optimization of Truss Structures. International Journal of Engineering, ISSN 926-936.

Special Session on Real-Parameter Optimization at CEC-05, Edinburgh. http://www.ntu.edu.sg/home/EPNSugan/index_files/CEC-05/CEC05.htm.

Soccer League Competition (SLC) Algorithm For Discrete Problems, File Exchange, MATLAB Central. https://www.mathworks.com/matlabcentral/fileexchange/56480-soccer-league competition-slc-algorithm-for-discrete-problems.

Suganthan, P.N., Hansen, N., Liang, J.J., Deb, K., Chen, Y.P., Auger, A. and Tiwari, S. (2005). Problem Definitions and Evaluation Criteria for the CEC 2005 Special Session on Real-Parameter Optimization. Technical Report, Nanyang Technological University, Singapore.

Towsyfyan H., Adnani-Salehi, S.A., Ghayyem, M. And Mosaedi, F. (2013). The Comparison of Imperialist Competitive Algorithm Applied and Genetic Algorithm for Machining Allocation of Clutch Assembly. International Journal of Engineering, ISSN 1485-1494.

Xu, Y., Cui, Z., and Zeng. J. (2010). Social Emotional Optimization Algorithm for Nonlinear Constrained Optimization Problems. Springer.

Turkish Studies - Information Technologies and Applied Sciences-Cover

ISSN: 2667-5633
Yayın Aralığı: Yılda 4 Sayı
Başlangıç: 2006
Yayıncı: ASOS Eğitim Bilişim Danışmanlık Otomasyon Yayıncılık Reklam Sanayi ve Ticaret LTD ŞTİ