Meta-sezgisel algoritmaların sistem tanımlama problemlerine uygulanması
Yükleniyor...
Tarih
2023-06-20
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Son yıllarda çeŞitli optimizasyon problemlerini çözmek için kullanılan meta-sezgisel
optimizasyon algoritmalarının sayısında önemli artıŞlar yaŞanmıŞtır. Bu tür algoritmalar, biyolojik evrim,
sürü davranıŞı, bitki büyüme süreçleri vb. gibi fenomenlerden ilham alarak tasarlanmıŞtır. Çok çeŞitli
algoritmalar olmakla birlikte genetik algoritma, parçacık sürü optimizasyon algoritmaları oldukça
popülerdir. Meta-heuristik algoritmalar, makine öğrenmesinde hiperparametre hesaplama, kontrolör
tasarımı, finans vb. çok çeŞitli uygulama alanlarında etkin bir Şekilde kullanılmaktadır. Yapılan literatür
araŞtırmalarında meta-heuristik algoritmaların sistem tanımlama problemlerine uygulanmasında önemli
eksiklikler olduğu belirlenmiŞtir. Sistem tanımlama yöntemleri, sistemin giriŞ ve çıkıŞ verilerini
kullanarak sistemin matematiksel modelini belirlemeye çalıŞır. Bir sistemin matematiksel modelini elde
etmek genellikle zahmetli ve karmaŞık bir süreç olabilir. Bu sürecin giriŞ/çıkıŞ verilerinin analiz edilmesi
yoluyla sistem tanımlama yöntemleri kullanarak aŞmak mümkündür. Bu Şekilde, sistemin davranıŞını
anlamak ve optimize etmek için kullanılabilecek bir model elde edilebilir. Bu çalıŞmada, Meta-sezgisel
algoritmalar, saç kurutma(hair-dryer) deney setinden alınan giriŞ/çıkıŞ verileri kullanılarak sistemin
modelini elde etmek için kullanılmıŞtır. Tezde; yapay ekosistem (AEO), çiçek tozlaŞma (FPA), karınca
aslanı (ALO), güve-alev (MFO), halat çekme (TWO), atom arama (ASO), beyin fırtınası (BSO), su
döngüsü (WCA), mercan resifleri (CRO) ve yaŞam seçimi tabanlı algoritma (LCO) gibi çeŞitli meta sezgisel optimizasyon algoritmaları ele alınmıŞ ve sistem tanımlama problemine uygulanmıŞtır. Belirtilen
algoritmaların zaman, maksimum jenerasyon, erken durdurma ve fonksiyon hesaplama sınırlılıkları ele
alınmıŞ ve performansları incelenmiŞtir. Algoritmaların performanslar karŞılaŞtırıldığında AEO
algoritması, diğer algoritmalara göre yüksek bir performans göstermiŞtir. Yapılan analizler sonucunda
önerilen meta-sezgisel algoritmaların sistem tanımlama problemlerine kolaylıkla ve baŞarıyla
uygulanabileceği görülmüŞtür.
In recent years, there has been a significant increase in the number of meta-heuristic optimization algorithms used to solve various optimization problems. These algorithms are designed by taking inspiration from biological evolution, swarm behavior, plant growth processes, and other phenomena. While there are a wide variety of algorithms, genetic algorithms and particle swarm optimization algorithms are quite popular. Meta-heuristic algorithms are effectively used in a wide range of applications such as hyperparameter optimization in machine learning, controller design, finance, and more. Literature research has identified important shortcomings in the application of meta-heuristic algorithms to system identification problems. System identification methods aim to determine the mathematical model of a system using its input and output data. Obtaining the mathematical model of a system can often be a tedious and complex process. However, this process can be overcome by using system identification methods based on the analysis of input-output data. In this way, a model that can be used to understand and optimize the behavior of the system can be obtained. In this study, various meta heuristic algorithms were employed, including Artificial Ecosystem Optimization (AEO), Flower Pollination Algorithm (FPA), Ant Lion Optimizer (ALO), Moth Flame Optimization (MFO), Tug of War Optimization (TWO), Atom Search Optimization (ASO), Brain Storm Optimization (BSO), Water Cycle Algorithm (WCA), Coral Reefs Optimization (CRO), and Life Choice-Based Optimization Algorithm (LCO). These algorithms were applied to obtain the model of the system using the input/output data obtained from a hair dryer experiment. Factors such as time, maximum generation, early termination, and function computation limitations were considered, and the performance of the algorithms was examined. When comparing the performance of the algorithms, the AEO algorithm exhibited higher performance compared to other algorithms. The conducted analyses revealed that the proposed meta-heuristic algorithms can be easily and successfully applied to system identification problems.
In recent years, there has been a significant increase in the number of meta-heuristic optimization algorithms used to solve various optimization problems. These algorithms are designed by taking inspiration from biological evolution, swarm behavior, plant growth processes, and other phenomena. While there are a wide variety of algorithms, genetic algorithms and particle swarm optimization algorithms are quite popular. Meta-heuristic algorithms are effectively used in a wide range of applications such as hyperparameter optimization in machine learning, controller design, finance, and more. Literature research has identified important shortcomings in the application of meta-heuristic algorithms to system identification problems. System identification methods aim to determine the mathematical model of a system using its input and output data. Obtaining the mathematical model of a system can often be a tedious and complex process. However, this process can be overcome by using system identification methods based on the analysis of input-output data. In this way, a model that can be used to understand and optimize the behavior of the system can be obtained. In this study, various meta heuristic algorithms were employed, including Artificial Ecosystem Optimization (AEO), Flower Pollination Algorithm (FPA), Ant Lion Optimizer (ALO), Moth Flame Optimization (MFO), Tug of War Optimization (TWO), Atom Search Optimization (ASO), Brain Storm Optimization (BSO), Water Cycle Algorithm (WCA), Coral Reefs Optimization (CRO), and Life Choice-Based Optimization Algorithm (LCO). These algorithms were applied to obtain the model of the system using the input/output data obtained from a hair dryer experiment. Factors such as time, maximum generation, early termination, and function computation limitations were considered, and the performance of the algorithms was examined. When comparing the performance of the algorithms, the AEO algorithm exhibited higher performance compared to other algorithms. The conducted analyses revealed that the proposed meta-heuristic algorithms can be easily and successfully applied to system identification problems.
Açıklama
Anahtar Kelimeler
Meta-Sezgisel Algoritmalar, Sistem Tanımlama, Yapay Ekosistem Algoritma, Artificial Ecosystem Alghorithm, Meta-Heuristic Alghorithm, System Identification
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Zaloğlu, M. (2023). Meta-sezgisel algoritmaların sistem tanımlama problemlerine uygulanması. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
