143
Sürü zekâsında yeni bir yaklaşım: Kuş sürüsü algoritması
Tablo 7. Griewank fonksiyonunda PSO, YBSA, KSO,
KAA ve KSA performanslarının karşılaştırılması
P
OPÜLASYON
SAYISI
????????????????????????????????????
????????????????????????????????????????????????????????????
????????????????????????????????????????????????
????????????????????????????????????????????????????????????
KSO
KAA
KSA
100
2.4192
E
-003
2.0008
E
-
009
7.5301
E
-
012
0.0405
0
50
7.7481
E
-002
1.7812
E
-
007
1.4704
E
-
011
0.0642
0
30
3.4521
E
-002
3.2304
E
-
006
3.3501
E
-
009
0.1913
0
10
1.0081
E
-002
1.4102
E
-
005
4.8516
E
-
008
1.0382
0
2
2.1105
E
-001
4.0529
E
-
004
1.0063
E
-
002
1.8185
0
[-5.12, 5.12] aralığında tanımlı 30 boyutlu
Rastrigin fonksiyonunda farklı parçacık sayılı
ve 1000 iterasyonlu dört optimizasyon
algoritması arasındaki performans sonuçlarının
değerlendirilmesi Tablo 8’de gösterilmiştir. Bu
tabloya göre KSA; PSO, YBSA, KSO ve
KAA’ya
göre
çok
modlu
Rastrigin
fonksiyonunda çok daha iyi sonuçlar elde
etmiştir.
Tablo 8. Rastrigin fonksiyonunda PSO, YBSA, KSO,
KAA ve KSA performans karşılaştırılması
P
OPÜLASYON
SAYISI
????????????????????????????????????
????????????????????????????????????????????????????????????
????????????????????????????????????????????????
????????????????????????????????????????????????????????????
KSO
????????????????????????????????????
KSA
100
1.08254
E
-
004
7.3841
E
-009
3.3557
E
-
015
25.8705
0
50
2.3961
E
-
002
1.0014
E
-006
7.2471
E
-
013
16.9198
0
30
8.73
4.5106
E
-005
8.4519
E
-
012
24.9272
0
10
10.26
9.0045
E
-005
1.0041
E
-
009
56.9561
0
2
14.73
4.78
2.12
1.22
0
Sonuçlar ve Tartışma
Bu çalışmada sürü zekâsı optimizasyon
algoritmalarının en güncellerinden biri olan kuş
sürüsü optimizasyon algoritması ayrıntılı olarak
incelenmiştir. Bu algoritmanın performansı,
farklı boyutlardaki tek modlu çok modlu kalite
testi fonksiyonları kullanılarak, yine güncel ve
popüler sürü zekâsı algoritmalarından parçacık
sürü optimizasyonu, yapay balık sürü
optimizasyonu, kırlangıç sürü optimizasyonu ve
karga arama algoritması ile karşılaştırılmıştır.
Yapılan deneylerde, optimuma yakınsama
eğilimi ve elde edilen sonuç değerleri,
performans ölçütü olarak kullanılmıştır.
İnceleme sonuçları karşılaştırmalı tablolar
aracılığıyla sunulmuş ve yorumlanmıştır.
İnceleme için kalite testi fonksiyonları arasından
en güncel olan dört fonksiyon seçilmiştir. Tek
modlu fonksiyon olan Sphere fonksiyonunda
KSA karşılaştırma için seçilen diğer dört sürü
zekâsı algoritmalarından çok daha iyi sonuç
elde etmiştir. Çok modlu fonksiyonlardan
Griewank ve Rastrigin fonksiyonlarında KSA
diğer dört algoritmadan çok daha iyi sonuç elde
etmiştir. Sadece Rosenbrock fonksiyonunda
istenilen başarı elde edilememiştir.
Genel olarak en güncel sürü zekâsı
algoritmalarından biri olan KSA ile parametre
ayarlaması yapılmadan hem tek modlu hem de
çok modlu kalite testi fonksiyonlarında diğer
sürü zekâsı algoritmalarından daha iyi sonuçlar
elde edildiği için, algoritmanın ileride birçok
kompleks problemde etkili olarak kullanılacağı
beklenmektedir.
KSA’nın
performansının
arttırılması
amacıyla;
optimize
edilmiş
parametreler, dağıtık ve paralel versiyonlar, çok
amaçlı çalışmalar, melez sistemler de
geliştirilebilir.
Kaynaklar
Bunday B., (1984). Basic Optimization Methods,
London: Edward Arnold Ltd.
Kahaner D., Moler C., Nash S., (1989). Numerical
Methods and Software. Englewood Cliffs:
Prentice Hall.
Himmelblau D.E., (11989). Optimization of
Chemical Processes, NY: McGrawHill, Inc.
Rao S., (1978). Optimization Theory and
Applications, 2nd. Edition Halsted Inc.
Altunbey F., Alataş B., (2015). Sosyal Ağ Analizi
için Sosyal Tabanlı Yapay Zekâ Optimizasyon,
IJPAS, 1(1), 33-52.
Bonabeau E., Dorigo M. ve Theraulaz G., (1999).
Swarm Intelligence: From Natural to Artificial
System, New York: Oxford University Press.
Kennedy J., Eberhart R., (1995). Particle Swarm
Optimization, IEEE International Conference on
Neural Networks, 1942-1948.
Eberhart R.C., Kennedy J., (1995). A New
Optimizer Using Particle Swarm Theory,
Proceedings of the sixth international symposium
on micro machine and human science. Vol. 1, 39-
43.
Karaboğa D., (2011). Yapay Zekâ Optimizasyon
Algoritmaları, Nobel Yayın Dağıtım.
Li X.L., Shao Z.J., Qian J.X., (2002). An Optimizing
Method Based on Autonomous Animals: Fish-
E. Varol, B. Alataş
Swarm Algorithm, Syst Eng Theory Pract
22(11):32–38.
Zhang M., Shao C., Li F., Gan Y., Sun J., (2000)
Evolving Neural Network Classifiers And
Feature Subset Using Artificial fish Swarm, In:
Proceedings of the 2006 IEEE International
Conference on Mechatronics and Automation,
June 25–28.
Zhang M., Shao C., Li F., Gan Y., Sun J., (2007).
Spread Spectrum Code Estimation by Artificial
Fsh Swarm Algorithm, IEEE International
Symposium on Intelligent Signal Processing
(WISP).
Mehdi N., Ghodrat S., Mehdi S. ve Adel N.T.,
(2012). Artificial Fish Swarm Algorithm: A
Survey of the State-of-the-Art, Hybridization,
Combinatorial and Indicative Applications,
Springer Science.
Bao L., Chu J., Liang Q., (2016). Artificial Fish
Swarm Algorithm Based on Improved
Topological Structure, Computer Science and
Application, 6(3), 137-142.
Duan Q., Mao M., Duan P., Hu B., (2016). An
Improved Artificial Fish Swarm Algorithm
Optimized by Particle Swarm Optimization
Algorithm with Extended Memory, Kybernetes,
45(2): 210-222.
Mehdi N., Ghodrat S. ve Mehdi S., (2012). Swallow
Swarm Optimization Algorithm: A New Method
to Optimization, Neural Computing and
Applications.
Meng X.B., Gao X.Z., Lu L., Liu Y., Zhang H.,
(2016). A New Bio-Inspired Optimisation
Algorithm: Bird Swarm Algorithm, Journal of
Experimental & Theoretical Artificial
Intelligence, 28(4).
Anderson T.R., (2006). Biology of the Ubiquitous
House Sparrow: From Genes to Populations,
Oxford University Press.
Kennedy J., Eberhart R.C., Shi Y., (2001). Swarm
Intelligence, Burlington: MA: Morgan
Kaufmann.
Krause J., Ruxton G.D., (2002). Living in Groups,
Oxford University Press.
Lima S.L., Dill L.M., (1990). Behavioral Decisions
Made Under the Risk of Predation: A Review
and Prospectus, Canadian Journal of Zoology, 68,
619–640.
Bednekoff P.A., Lima S.L., (1998). Randomness,
Chaos and Confusion in the Study of
Antipredator Vigilance, Trends in Ecology and
Evolution, 13, 284–287.
Pulliam H.R., (1973). On the Advantages of
Focking, Journal of Theoretical Biology, 38,
419–422.
Ekman J., (1987). Exposure and Time Use in
Willow Tit Focks: The cost of subordination,
Animal Behavior, 35, 445–452.
Beauchamp G., (1998). The Effect of Group Size on
Mean Food Intake Rate in Birds, Biological
Reviews, 73, 449–472.
Roberts G., (2003). The Group-Size Effect in Non-
feeding Animals, Behavioral Processes, 63, 127–
128.
Beauchamp G., (2003). Group-size Effects on
Vigilance: A search for mechanisms, Behavioral
Processes, 63, 111–121.
Barnard C.J., Sibly R.M., (1981). Producers and
Scroungers: A General Model and Its Application
to Captive Focks of House Sparrows, Animal
Behavior, 29, 543–550.
Giraldeau L.A., Caraco T., (2000). Social Foraging
Theory, Princeton: Princeton University Press.
Liker A., Barta Z., (2002). The Effects of
Dominance on Social Foraging Tactic Use in
House Sparrows, Behavior, 139, 1061–1076.
Johnson C.A., Giraldeau L.A., Grant J.W., (2001).
The Effect of Handling Time on Interference
Among House Sparrows Foraging at Different
Seed Densities, Behavior, 138, 597–614.
Barta Z., Giraldeau L.A., (2000). Daily Patterns of
Optimal Producer and Scrounger Use Under
Predation Hazard: A State-Dependent Dynamic
Game Analysis, American Naturalist, 155, 570–
582.
Sirot E., (2006). Social Information, Antipredatory
Vigilance and Fight in Bird Focks, Animal
Behavior, 72, 373–382.
Askarzadeh A., (2016). A novel metaheuristic
method for solving constrained engineering
optimization problems: Crow search algorithm,
Computers & Structures, 169, 1-12.
Akyol S., Alatas B., (2016). Efficiency Evaluation
of Crow Search Algorithm in Benchmark
Functions for Optimization, ICENS 2016.