Karşıt ve yarı-karşıt tabanlı öğrenme ile akciğer performansına dayalı optimizasyon

Abstract

Optimizasyon algoritmalarının sonraki süreçlerde geliştirilmesi ve iyileştirilmesi konusu birçok bilim dalında geniş bir çalışma alanını oluşturmaktadır. Bu algoritmaların ilk tasarımında ele alınamayan ya da değerlendirilemeyen birçok geliştirme metodu daha sonra algoritmalar ile birlikte kullanılarak yeni algoritmalar geliştirilmekte ve daha iyi yakınsama eğrileri ve süreleri elde edilebilmektedir. Bu çalışmada algoritma geliştirme metotlarından biri olan karşıt ve yarı-karşıt tabanlı öğrenme kavramı ele alınmıştır. Bu kavram, rastgele oluşturulan çözümler yerine, onların karşıt konumlarındaki bireyleri dikkate alarak daha hızlı ve kararlı sonuçlara ulaşmayı amaçlamaktadır. Karşıt tabanlı öğrenme kavramının temelinde algoritmanın ilk popülasyonunun yarısı rastgele oluşturulurken diğer yarısının ise karşıt konumlara yerleştirilmesi yatar. Bu işlem yarı-karşıt tabanlı öğrenmede ise rastgele birey ve bu bireyin karşıt konumu arasındaki bir bölgede başka bir birey oluşturularak, bu bireylerin uygunlukları karşılaştırılıp uygunluğu iyi olan bireyin popülasyona katılması şeklinde uygulanır. Bu iyileştirme yapılarının son yıllarda ortaya atılan akciğer performansına dayalı optimizasyon algoritması ile birlikte kullanılmasıyla, klasik algoritma üzerindeki etkileri kıyaslama fonksiyonları üzerinden tartışılmıştır. Önerilen OLPO (Opposite-based LPO) ve QOLPO (Quasi-opposite-based LPO) algoritmalarının performansı, 12 adet CEC 2022 kıyaslama fonksiyonu üzerinde 30 tekrar (run) ve 20 boyut (dimension) kullanılarak değerlendirilmiştir.

Developing and improving optimization algorithms in later processes constitutes a wide field of study in many branches of science. Many development methods that could not be considered or evaluated in the initial design of these algorithms are later used together with the algorithms to develop new algorithms and obtain better convergence curves and times. This study discusses the concept of opposite and quasi-opposite-based learning, which aims to accelerate convergence by evaluating both candidate solutions and their opposite counterparts in the search space. The basis of the opposite-based learning concept is that half of the initial population of the algorithm is randomly generated while the other half is placed in opposing positions. This process is applied in quasi-opposite-based learning by creating another individual in a region between a random individual and the opposite position of this individual, comparing the suitability of these individuals, and adding the individual with better suitability to the population. Using these improvement structures and the lung performance-based optimization algorithm put forward in recent years, their effects on the classical algorithm are discussed through comparison functions. The performance of the proposed OLPO (Opposite-based LPO) and QOLPO (Quasi-opposite-based LPO) algorithms is evaluated on 12 CEC 2022 benchmark functions using 30 runs and 20 dimensions.