Meta-sezgisel algoritmaların sistem tanımlama problemlerine uygulanması

dc.authorid0009-0003-0589-8868
dc.contributor.advisorFidan, Şehmus
dc.contributor.authorZaloğlu, Metin
dc.date.accessioned2024-08-16T08:54:07Z
dc.date.available2024-08-16T08:54:07Z
dc.date.issued2023-06-20
dc.departmentBatman Üniversitesi Lisansüstü Eğitim Enstitüsü Elektrik-Elektronik Mühendisliği Bölümü Anabilim Dalı
dc.description.abstractSon 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.
dc.description.abstractIn 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.
dc.identifier.citationZaloğlu, M. (2023). Meta-sezgisel algoritmaların sistem tanımlama problemlerine uygulanması. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
dc.identifier.urihttps://hdl.handle.net/20.500.12402/4740
dc.language.isotr
dc.publisherBatman Üniversitesi Lisansüstü Eğitim Enstitüsü
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectMeta-Sezgisel Algoritmalar
dc.subjectSistem Tanımlama
dc.subjectYapay Ekosistem Algoritma
dc.subjectArtificial Ecosystem Alghorithm
dc.subjectMeta-Heuristic Alghorithm
dc.subjectSystem Identification
dc.titleMeta-sezgisel algoritmaların sistem tanımlama problemlerine uygulanması
dc.title.alternativeApplication of meta-heuristic algorithms to system identification problems
dc.typeMaster Thesis

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Yükleniyor...
Küçük Resim
İsim:
TAM METİN - FULL TEXT.pdf
Boyut:
3.99 MB
Biçim:
Adobe Portable Document Format
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.17 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama: