Yapay Arı Koloni (Artificial Bee Colony, ABC) Algoritmasının Bulanık Sistem Tanıma ve Modellemede Başarımının İncelenmesi

Abstract

Yapay Ari Koloni (YAK) algoritması 2005 yılında Derviş Karaboğa tarafından bal arılarının davranışından esinlenerek geliştirilmiş popülasyon tabanlı bir optimizasyon algoritmasıdır. YAK algoritmasında yapay arılar çok boyutlu arama uzayında uçarlar ve birbirleri arasındaki deneyim paylaşımına dayalı olarak uzaydaki pozisyonlarını belirlerler. 2005’den beri algoritma fonksiyon optimizasyonu, kümeleme ve yapay sinir ağlari eğitiminde kullanılmıştır. Algoritma, literatürde çok bilinen denektaşı (benchmark) fonksiyonların küresel minimum noktasının bulunması problemi baz alınarak, GA, PSO, DE algoritmalarıyla kıyaslanmış ve daha iyi sonuç verdiği gösterilmiştir. YAK algoritması şimdiye kadar bulanık mantık tabanlı sistem tanıma ve modelleme problemine uygulanmamıştır. Bu projenin temel konusu literatürdeki bu eksikliği gidermektir. Bu projede, YAK’ın bulanık mantık tabanlı sistem tanıma ve modelleme probleminin çözümünde başarımı incelenmiştir. YAK algoritması sistem tanıma ve modelleme amaçlı kullanılacak bulanık-nöral bir sistemin parametrelerinin optimize edilmesinde kullanılmıştır. Bu amaçla literatürde sıkça kullanılan doğrusal olmayan beş adet denektaşı dinamik sistem kullanılmıştır. Elde edilen sonuçlar bilinen diğer rakip algoritmaların (PSO, DE) sonuçları ile çok yönlü olarak karşılaştırılmıştır.

Artificial Bee Colony (ABC) algorithm, defined by Dervis Karaboga in 2005 by inspiring behavior of honey bees, is a population-based optimization algorithm. In ABC algorithm, artificial bees fly around in a multidimensional search space and adjust their position in the space depending on experience sharing among them. Since 2005, ABC has been applied on function optimization, clustering and artificial neural network training. The algorithm has been compared with GA, PSO and DE algorithms based on mostly known benchmark functions in the literature for problem of finding the global minimum points and it has shown that ABC gave good results. ABC has not been applied on problem of system identification and modeling based on fuzzy logic so far. The main objective of this project is to eliminate this deficiency in the literature. In this project, the ABC's performance in solving the problem of fuzzy logic-based system identification and modeling is examined. ABC algorithm is operated for parameter optimization of a fuzzy-neural system to be used for system identification and modeling. For this purpose, five non-linear dynamic benchmark systems often used in the literature are used. The obtained results are compared with the that of other well-known its competitor algorithms (PSO, DE) as a versatile.