Güncel en iyileme algoritmalarının paralel ve birlikte uygulamaları ve performans analizleri

Abstract

En iyileme yöntemleri yapılan işin en iyi yapılmasını sağlamak için kullanılırlar. Bu tekniklerin kullanılmasındaki temel hedef her zaman için en iyi çözümleri yakalayabilmektir. Uygunluk veya hata değeri tanımlanabilen her sistemin en iyi çözümünün elde edilmesinde en iyileme algoritmaları kullanılabilir. Sadece ait oldukları problemlere özgü olmaları ve yüksek hesaplama maliyeti içermeleri gibi sebepler nedeniyle mevcut geleneksel en iyileme algoritmalarının kullanımı çok sayıda parametre içeren gerçek dünya problemlerinin çözümünde bazen yeterli olmayabilir. Bu gibi durumlarda daha az işlem ile daha kısa sürede en iyi çözüme yakınsayabilen meta-sezgisel yöntemlerin kullanımı daha makul çözümler olarak karşımıza çıkmaktadır. Son 20 yıl içerisinde doğadan ilham alınarak çok sayıda meta-sezgisel en iyileme algoritması geliştirilmiştir. Buna paralel olarak bazı araştırmacılar mevcut algoritmalar üzerinde birtakım iyileştirmeler yapmışlar, bazıları da birden fazla algoritmayı bir arada kullanarak performansı daha yüksek melez yöntemler elde etmişler ve daha sonra bu yöntemleri kullanarak gerçek dünya problemlerine en iyi çözümler üretmişlerdir. Bu tez çalışmasında sistem kimliklendirme süreci, yapay sinir ağı eğitimi, sempozyum katılımcı listelerinin düzenlenmesi, slab kesme uzunluklarının planlanması gibi gerçek dünyaya ait problemlere birer en iyileme problemi olarak yaklaşılmış, seçilen güncel ve yaygın meta-sezgisel algoritmalar kullanılarak geleneksel yöntemlerin çözümleri ile rekabet edebilen çözümler üretilmiştir. Ayrıca, karar ağacı tasarım süreci hem kombinatoryal hem de nümerik en iyilemeleri içeren bir problem olarak ele alınmış, olası karar ağacı tasarımları arasında sistematik arama yapan yeni bir yöntem ile karar ağacı tasarımı gerçekleştirilmiştir. Önerilen yöntemle elde edilen test sonuçlarının aynı veri setinin kullanıldığı daha önceki karar ağacı çalışmaları ile elde edilen sonuçlardan daha iyi olduğu görülmüştür. Son olarak, yapay arı koloni ve göçmen kuşlar en iyileme algoritmaları kullanılarak yeni modifiye, melez ve paralel çalışma sistematikleri önerilmiştir. Önerilen yöntemlerin performans testlerinden elde edilen sonuçlar, onların daha iyi keşif ve yakınsama yeteneklerine sahip olduklarını ortaya koymuştur.

Optimization methods are employed in order to make a job in an optimal way. The main aim of their usage is to get an optimal solution in every execution. Optimization algorithms can be applied to find optimal solutions for the systems whose fitness or error calculations can be defined. Sometimes, existing conventional optimization algorithms may be insufficient for the real world problems having many parameters because of the reason that they are problem specific and have higher calculation costs. Since metaheuristic algorithms can find near optimal solutions with less calculations requiring lower time, their usages seem more feasible for these cases. Within the past 20 years, so many metaheuristic algorithms which are inspired by the nature have been developed by researchers. In parallel to these studies, while some of the researchers were working on some enhancements for existing algorithms, some of them were working on their hybrid forms. Then, they tried to find more optimal solutions for real world problems by using these new enhanced and hybrid algorithms. In this dissertation study, some real world problems such as system identification process, artificial neural network training, preparation of symposium attendee lists, scheduling slab cutting lengths etc. are thought to be optimization problems. Some competitive solutions with respect to solutions of the conventional methods are generated to these real world problems by using some recent and common metaheuristic algorithms. In addition, thinking the decision tree construction process as a problem including both numerical and combinatorial optimizations, a novel decision tree construction method which makes a systematic search among possible decision tree designs is proposed to get optimal decision tree. It is seen that the results obtained by proposed method are better than those of previous studies using same data set. Finally, some modified, hybrid and parallel running strategies using artificial bee colony and migrating birds optimization algorithms are proposed. It is observed from the performance test results that proposed strategies have better exploration and exploitation capabilities.